AirFM-DDA：遅延−ドップラー−角度領域におけるAIネイティブ6Gのエア・インターフェース基盤モデル

Abstract

大規模基盤モデルの成功は、AIネイティブな6Gネットワーク設計に新たなパラダイムを促進しています。すなわち、物理層設計のためのワイヤレス基盤モデルです。しかし、既存のモデルの多くは、時空間周波数（STF）領域におけるチャネル状態情報（CSI）で動作しており、異なる多重経路成分が本質的に重ね合わされ、構造的に絡み合っています。これにより、普遍的なチャネル表現の学習が妨げられます。一方で、グローバルな注意機構への依存は、計算上のオーバーヘッドが過大となります。本論文では、物理層タスクのためのDelay-Doppler-Angle（DDA）領域で動作するAir-interface Foundation ModelであるAirFM-DDAを提案します。具体的には、AirFM-DDAはCSIをSTF領域からDDA領域へと再パラメータ化し、物理的に意味のある軸に沿って多重経路成分を明示的に分解できるようにします。さらに、フレーム構造を意識した位置エンコーディング（FS-PE）で拡張したウィンドウベースの注意モジュールを用います。このウィンドウベースの注意は、局所的にクラスタ化された多重経路の依存関係に整合しつつ、二次計算量のグローバル注意を回避し、FS-PEはネットワークにフレーム構造の事前知識を注入します。大規模な実験により、AirFM-DDAが、未見のシナリオおよびデータセットに対して優れたゼロショット汎化を達成し、チャネル予測および推定タスクにおいて一貫してベースラインを上回ることが示されます。グローバル注意と比べて、ウィンドウベースの注意は学習および推論コストをほぼ1桁削減します。さらに、AirFM-DDAは、高い移動度、広い遅延スプレッド、過酷な雑音、極端なエイリアシング条件下でも頑健性を維持します。