Generative Diffusion Models for Radio Wireless Channel Modelling and Sampling

要約

チャネル モデリングは、最新の無線通信システムの設計に不可欠です。
チャネル モデリングの複雑さの増大と、高品質の無線チャネル データの収集コストが大きな課題となっています。
この論文では、限られたデータからチャネル実現を迅速に合成するための拡散モデルベースのチャネルサンプリングアプローチを提案します。
周波数空間ドメインで動作する U Net ベースのアーキテクチャを備えた拡散モデルを使用します。
提案されたモデルがトレーニング データセット内のチャネルの真の分布をどの程度再現しているかを評価するために、次の 2 つの評価指標が使用されます: $i)$ アンテナと周波数の正規化されたパワー スペクトルの実際の分布と生成された分布の間の近似 $2$-Wasserstein 距離
ドメインと $ii)$ 分布の精度と再現率のメトリック。
モード崩壊と不安定なトレーニングに悩まされる既存の GAN ベースのアプローチと比較して、私たちの拡散ベースのアプローチは安定してトレーニングし、真のチャネル分布から多様で忠実度の高いサンプルを生成することを示します。
また、シミュレートされた都市マクロセルラー チャネル データセットでモデルを事前トレーニングし、より小規模で分布外の都市マイクロセルラー データセットでモデルを微調整できることも示し、したがって、次を使用して現実世界のチャネルをモデル化できることを示します。
このアプローチではデータが限られます。

要約(オリジナル)

Channel modelling is essential to designing modern wireless communication systems. The increasing complexity of channel modelling and the cost of collecting high-quality wireless channel data have become major challenges. In this paper, we propose a diffusion model based channel sampling approach for rapidly synthesizing channel realizations from limited data. We use a diffusion model with a U Net based architecture operating in the frequency space domain. To evaluate how well the proposed model reproduces the true distribution of channels in the training dataset, two evaluation metrics are used: $i)$ the approximate $2$-Wasserstein distance between real and generated distributions of the normalized power spectrum in the antenna and frequency domains and $ii)$ precision and recall metric for distributions. We show that, compared to existing GAN based approaches which suffer from mode collapse and unstable training, our diffusion based approach trains stably and generates diverse and high-fidelity samples from the true channel distribution. We also show that we can pretrain the model on a simulated urban macro-cellular channel dataset and fine-tune it on a smaller, out-of-distribution urban micro-cellular dataset, therefore showing that it is feasible to model real world channels using limited data with this approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google