Seeing Radio: From Zero RF Priors to Explainable Modulation Recognition with Vision Language Models

Resumen Técnico: Reconocimiento de Modulación RF con Modelos de Lenguaje Visuales (VLM)

1. Planteamiento del Problema

Los pipelines actuales de aprendizaje automático para radiofrecuencia (RF) dependen de redes neuronales profundas específicas para cada tarea (como la clasificación de modulación automática - AMC). Estos modelos presentan varias limitaciones críticas:

• Falta de generalización: Funcionan mal al cambiar las condiciones del canal o la relación señal-ruido (SNR).
• Arquitecturas rígidas: Requieren diseños personalizados y conjuntos de datos etiquetados para cada problema.
• Baja interpretabilidad: Ofrecen predicciones "caja negra" sin justificaciones comprensibles para humanos.
• Dependencia de texto: Los modelos de lenguaje grandes (LLM) aplicados a telecomunicaciones se han centrado principalmente en datos textuales (logs, tablas), ignorando las señales RF crudas.

El objetivo de este trabajo es explorar si los Modelos Visuales-Lingüísticos (VLM) pueden adaptarse para percibir señales RF directamente, sin rediseñar sus arquitecturas ni inyectar sesgos inductivos específicos de RF, logrando al mismo tiempo explicabilidad.

2. Metodología Propuesta

La propuesta se basa en convertir las señales de radiofrecuencia (flujos de IQ complejos) en representaciones visuales que los VLMs existentes puedan procesar.

• Conversión RF a Imagen:

  • Espectrogramas: Se calculan utilizando la Transformada de Fourier de Tiempo Corto (STFT) para visualizar la densidad espectral de potencia.
  • Segmentos de IQ: Se visualizan como series temporales de las componentes en fase (I) y cuadratura (Q). Para normalizar la visualización independientemente de la tasa de símbolos, se extraen segmentos basados en un número fijo de cruces por cero (zero-crossings).
  • Representación Conjunta: Se concatenan horizontalmente el espectrograma y el segmento de IQ, proporcionando tanto información frecuencial como temporal.

• Benchmark de Evaluación:

  • Se construyó un conjunto de datos de 57 clases de modulación (incluyendo OFDM, QAM, PSK, ASK, FSK, GMSK, AM, Chirp, etc.) utilizando la librería TorchSig.
  • Se diseñó un formato de Pregunta-Respuesta Visual (VQA) donde el modelo debe seleccionar la clase de modulación correcta de una lista dada (clasificación $n$-way), tanto en modo zero-shot como few-shot.

• Entrenamiento y Ajuste Fino:

  • Se utilizaron VLMs de propósito general (Qwen2.5-VL-7B, InternVL3-8B, GPT-5-Nano).
  • Se aplicó Ajuste Fino Eficiente de Parámetros (PEFT) mediante QLoRA para adaptar los modelos a las señales RF sin modificar la arquitectura base.
  • El entrenamiento se realizó con un enfoque ligero, utilizando datos sintéticos con diferentes niveles de SNR.

3. Contribuciones Clave

1. Benchmark de RF Visual: Creación de un benchmark reproducible que evalúa VLMs en la clasificación de modulaciones digitales y analógicas mediante representaciones visuales (espectrogramas, IQ y combinadas).
2. Primer Uso de VLMs para RF: Demostración, por primera vez, de que un VLM de propósito general puede adaptarse para clasificar modulaciones RF y generar explicaciones en lenguaje natural sobre sus decisiones.
3. Eficiencia y Robustez: Evidencia de que, con un ajuste fino mínimo, los modelos logran alta precisión, robustez ante ruido y capacidad de generalización a clases no vistas (Out-of-Vocabulary - OOV), superando a modelos CNN tradicionales en eficiencia de datos.

4. Resultados Principales

• Rendimiento sin Ajuste (Zero-Shot): Los VLMs preentrenados mostraron un conocimiento casi nulo de las señales RF, con una precisión cercana al 10% (aleatoria para 57 clases). El aprendizaje few-shot sin ajuste fino mejoró ligeramente, pero no fue suficiente.
• Impacto del Ajuste Fino (PEFT): Tras el ajuste fino con QLoRA:
  • La precisión saltó de 10% a **90%** en la representación conjunta.
  • Qwen2.5-VL-7B-Instruct-RF alcanzó un 89.05% de precisión con la representación conjunta, superando a la representación solo de espectrograma (77.70%) y solo de IQ (77.20%).
  • InternVL3-8B-RF alcanzó un 91.20% con la representación conjunta.
• Robustez al Ruido: La representación conjunta mostró una mayor robustez a medida que aumentaba la SNR, manteniendo un rendimiento superior incluso en condiciones de ruido (10 dB) donde las representaciones solo de IQ fallaban debido a fluctuaciones temporales.
• Generalización OOV: El modelo mantuvo una alta capacidad de generalización incluso cuando se excluyeron clases de entrenamiento (hasta 16 clases no vistas), demostrando que aprende características visuales-semánticas y no solo memoriza etiquetas cerradas.
• Eficiencia Computacional: El VLM ajustado alcanzó un 56.4% de precisión en solo 3 épocas, mientras que los baselines CNN (ResNet, XCiT) requerían 30 épocas para alcanzar un rendimiento similar (~53%).
• Explicabilidad: El modelo fue capaz de generar justificaciones textuales coherentes (ej. identificar patrones de FM en la serie temporal de IQ) sin haber sido entrenado específicamente para generar explicaciones.

5. Significado e Impacto

Este trabajo establece un puente práctico entre los datos de RF y los modelos de inteligencia artificial multimodales de vanguardia.

• Escalabilidad: Permite utilizar modelos fundacionales (Foundation Models) para tareas de RF sin necesidad de arquitecturas especializadas desde cero.
• Redes 6G: Proporciona una base para sistemas de IA nativa en redes 6G, donde la percepción de RF, la toma de decisiones y la explicabilidad son cruciales para la optimización autónoma del espectro y la gestión de redes heterogéneas.
• Interpretabilidad: Transforma la clasificación de modulación de una tarea de "caja negra" a un proceso transparente donde la IA puede explicar por qué identificó una señal específica, facilitando la confianza en sistemas automatizados.

En conclusión, la combinación de la conversión de RF a imágenes y el ajuste fino de VLMs ofrece una solución escalable, eficiente y explicativa para la inteligencia de radiofrecuencia del futuro.