RMDM: Radio Map Diffusion Model with Physics Informed

要約

ワイヤレス通信技術の急速な発展に伴い、スペクトルリソースの効率的な利用、通信品質の最適化、およびインテリジェントコミュニケーションが重要になりました。
ラジオマップの再構築は、高度なアプリケーションを有効にするために不可欠ですが、複雑な信号伝播やまばらなデータなどの課題は正確な再構成を妨げます。
これらの問題に対処するために、**物理学に基づいたニューラルネットワーク（PINN）**を統合する物理学に基づいたフレームワークである**ラジオマップ拡散モデル（RMDM）**を提案します。
。
RMDMは、デュアルU-NETアーキテクチャを採用しています。1つ目は、PDE残差、境界条件、およびソースの制約を最小限に抑えることで物理的な一貫性を保証し、2番目の拡散ベースの除去を介して予測を改良します。
物理的法則を活用することにより、RMDMは精度、堅牢性、および一般化を大幅に向上させます。
実験は、RMDMが最先端の方法よりも優れていることを示しています。
動的RM（DRM）設定の下での0.0146 **のRMSE。
これらの結果は、特にまばらなデータ条件下で、無線マップの再構築に物理情報に基づいたアプローチとデータ駆動型アプローチを統合するための新しいパラダイムを確立します。

要約(オリジナル)

With the rapid development of wireless communication technology, the efficient utilization of spectrum resources, optimization of communication quality, and intelligent communication have become critical. Radio map reconstruction is essential for enabling advanced applications, yet challenges such as complex signal propagation and sparse data hinder accurate reconstruction. To address these issues, we propose the **Radio Map Diffusion Model (RMDM)**, a physics-informed framework that integrates **Physics-Informed Neural Networks (PINNs)** to incorporate constraints like the **Helmholtz equation**. RMDM employs a dual U-Net architecture: the first ensures physical consistency by minimizing PDE residuals, boundary conditions, and source constraints, while the second refines predictions via diffusion-based denoising. By leveraging physical laws, RMDM significantly enhances accuracy, robustness, and generalization. Experiments demonstrate that RMDM outperforms state-of-the-art methods, achieving **NMSE of 0.0031** and **RMSE of 0.0125** under the Static RM (SRM) setting, and **NMSE of 0.0047** and **RMSE of 0.0146** under the Dynamic RM (DRM) setting. These results establish a novel paradigm for integrating physics-informed and data-driven approaches in radio map reconstruction, particularly under sparse data conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google