高速に移動する端末との通信、たとえば新幹線や航空機との無線リンクは、OFDMにとってかなり厳しい環境だ。

OFDMはサブキャリア間の直交性を前提にしているが、端末が動いているとドップラーシフトが生じてその直交性が崩れる。キャリア間干渉（ICI）と呼ばれる現象で、等化が急に複雑になる。

遅延-ドップラー領域で考える

OTFSは時間-周波数領域ではなく、遅延-ドップラー領域で変調を行う方式だ。

時変チャネルの特性を遅延（マルチパスの到達時差）とドップラー（移動による周波数偏移）の2次元グリッドで表現すると、チャネルは疎（スパース）でかつ時間的に比較的安定している。OTFSはこの性質を使う。

OFDM が時間-周波数グリッドの各点に1シンボルを載せるのと違い、OTFSは遅延-ドップラーグリッドにシンボルを配置する。結果として全シンボルがチャネルの散乱体をフルに経由するので、ダイバーシティが高い。

なぜ検波が難しいか

遅延-ドップラー領域でのOTFSの入出力関係は、2次元畳み込みに位相回転が絡んだ構造になる。

Y[k, l] = Σ h[ν, τ] · X[k−ν, l−τ] · (位相項)

シンボル間干渉（ISI）がグリッド全体に広がるため、単純な一点ごとの等化は使えない。最尤（ML）検出は最適だが計算量が指数的に増える。反復型メッセージパッシング（MP法）は計算量を抑えられるが、高SNRでの収束や複雑なチャネルへの適応が難しい。

物理を組み込んだ反復ネットワーク

arXiv:2609.00465 で Ispir と Roberts が提案しているのは「Deep Iterative Refinement Receiver」で、二段構成になっている。

第一段は physics-informed 初期化器。上述の入出力関係をそのまま使って一次推定を作る。既知の物理モデルに任せる部分なので、ニューラルネットのパラメータを使わない。

第二段が 反復精練ネットワーク。一次推定の残差干渉を繰り返し抑制する。各反復ステップで遅延-ドップラードメインの残留干渉を推定して、前の推定値から引いていく。ニューラル・アンローリング（反復アルゴリズムをネットワークとして展開する手法）の系譜に近い。

実験では様々なチャネル条件のもと、既存の学習ベース手法および古典的なMP法に対してBER改善が確認されている。

気になるところ

「物理モデルで初期化して、残差だけ学習する」という分割は、RF/通信系のニューラルアーキテクチャとして今いちばん面白い方向性だと思う。完全データドリブンな手法はチャネルが変わると汎化しにくく、純粋な古典手法は複雑なチャネルで性能が頭打ちになる。OTFSなら遅延-ドップラーの疎性という構造的な事前知識があるので、ネットワークは「知っていること」以外の部分だけ学べばいいという設計になる。

6G関連の議論でOTFSが出てくる頻度は上がっているが、実運用でのチャネル推定精度や計算コストの問題はまだある。このペーパーがどこまでリアルな環境で使えるか、続きを追いたいな。

— ランキン

出典

一次情報（プレプリント）

• Efe Ispir, Ian P. Roberts, “A Deep Iterative Refinement Receiver for OTFS Symbol Detection in Doubly-Dispersive Channels”, arXiv:2609.00465 (2026) 著者の報告値で、査読前プレプリントです。独立検証はこれから。