SANDWICH: Towards an Offline, Differentiable, Fully-Trainable Wireless Neural Ray-Tracing Surrogate

要約

ワイヤレス レイ トレーシング (RT) は、グラフィカル レンダリングの進歩により、3 次元 (3D) ワイヤレス チャネル モデリングの重要なツールとして浮上しています。
現在のアプローチでは、より高い周波数で動作することが多く、環境条件や変化の影響を受けやすい 5G (B5G) ネットワーク シグナリングを正確にモデル化するのが困難です。
既存のオンライン学習ソリューションでは、トレーニング中にリアルタイムの環境監視が必要ですが、コストがかかる上、GPU ベースの処理と互換性がありません。
これに応えて、我々は、生成モデルを活用して、指定された各環境内の光学的、物理的、信号特性を共同で学習する、光線軌道の生成を逐次的な意思決定問題として再定義する新しいアプローチを提案します。
私たちの研究では、GPU 上で完全にトレーニングできる革新的なオフラインで完全に微分可能なアプローチである、Scene-Aware Neural Decision Wireless Channel Raytracing Hierarchy (SANDWICH) を導入しています。
SANDWICH は、既存のオンライン学習方法と比較して優れたパフォーマンスを提供し、RT 精度でベースラインを 4e^-2 ラジアン上回っており、トップラインのチャネル ゲイン推定からのフェードはわずか 0.5 dB です。

要約(オリジナル)

Wireless ray-tracing (RT) is emerging as a key tool for three-dimensional (3D) wireless channel modeling, driven by advances in graphical rendering. Current approaches struggle to accurately model beyond 5G (B5G) network signaling, which often operates at higher frequencies and is more susceptible to environmental conditions and changes. Existing online learning solutions require real-time environmental supervision during training, which is both costly and incompatible with GPU-based processing. In response, we propose a novel approach that redefines ray trajectory generation as a sequential decision-making problem, leveraging generative models to jointly learn the optical, physical, and signal properties within each designated environment. Our work introduces the Scene-Aware Neural Decision Wireless Channel Raytracing Hierarchy (SANDWICH), an innovative offline, fully differentiable approach that can be trained entirely on GPUs. SANDWICH offers superior performance compared to existing online learning methods, outperforms the baseline by 4e^-2 radian in RT accuracy, and only fades 0.5 dB away from toplined channel gain estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google