A Generative AI-Enhanced Digital Twin Framework for Proactive Interference Management in Hybrid Near/Far-Field Wireless Systems

Resumen Técnico: Un Marco de Gemelo Digital Mejorado con IA Generativa para la Gestión Proactiva de Interferencias en Sistemas Inalámbricos Híbridos de Campo Cercano/Lejano

Enunciado del Problema
Las redes inalámbricas de próxima generación que operan en bandas de ondas milimétricas (mmWave) y terahercios (THz) enfrentan desafíos significativos debido a la severa pérdida de trayectoria y la alta sensibilidad a los bloqueos. El despliegue de sistemas de Entrada Múltiple Salida Múltiple de Escala Extremadamente Grande (XL-MIMO) introduce un entorno de propagación híbrido complejo donde los usuarios coexisten simultáneamente en los regímenes de Campo Cercano (NF) y Campo Lejano (FF). En escenarios interiores densos, la movilidad de los usuarios y los obstáculos dinámicos (por ejemplo, personas caminando) causan interferencias rápidas no estacionarias y bloqueos de señal. La gestión tradicional de interferencias se basa en esquemas reactivos que utilizan Información de Estado del Canal (CSI) instantánea, lo cual a menudo falla al anticipar estos cambios rápidos dentro del tiempo de coherencia del canal. Si bien los Gemelos Digitales (DT) ofrecen réplicas virtuales de alta fidelidad de entornos físicos, los enfoques basados en DT existentes permanecen en gran medida reactivos o deterministas, careciendo de la capacidad de predecir estados futuros estocásticos, como bloqueos repentinos o cambios en la trayectoria del usuario. Además, la integración de la IA Generativa (GenAI) con DTs para la gestión proactiva de interferencias en sistemas XL-MIMO de campo híbrido sigue siendo poco explorada.

Metodología
Los autores proponen un marco integrado que combina un Gemelo Digital (DT) de alta fidelidad con un módulo de IA Generativa (GenAI) para habilitar la supresión proactiva de interferencias. El sistema opera como una arquitectura de bucle cerrado que comprende cuatro etapas principales:

1. Inicialización del Gemelo Digital y Trazado de Rayos: Un DT específico del sitio construye una réplica virtual del entorno interior, capturando la geometría 3D, las propiedades electromagnéticas y las ubicaciones de los transmisores/receptores. Utiliza un motor de trazado de rayos para sintetizar datos de canal de verdad fundamental, distinguiendo entre los regímenes de NF (frente de onda esférico) y FF (frente de onda planar) basándose en la distancia de Rayleigh.
2. Síntesis de Datos Espacio-Temporales: El DT genera un conjunto de datos comprehensivo que incluye trayectorias históricas de usuarios, indicadores de régimen (NF/FF) y eventos de bloqueo sintéticos. A diferencia de los modelos estándar que tratan el bloqueo como una variable aleatoria, este marco lo modela como una cantidad predictiva consciente de la geometría derivada de la intersección de las trayectorias de usuario predichas y los obstáculos 3D.
3. Predicción Impulsada por GenAI: Una Red Generativa Antagónica Condicional (cGAN) se entrena con el conjunto de datos generado por el DT. La cGAN aprende la distribución condicional de los estados futuros de la red dada la observación histórica y el contexto ambiental. Sintetiza estocásticamente múltiples trayectorias futuras plausibles para los canales, el desvanecimiento a gran escala y los indicadores de bloqueo ($\hat{\xi}_k(t+\tau)$), capturando la incertidumbre inherente a la movilidad del usuario y los bloqueos dinámicos.
4. Optimización Proactiva: Un optimizador predictivo utiliza el conjunto de $M$ trayectorias futuras sintetizadas para calcular vectores de formación de haces adaptativos. El objetivo es minimizar la interferencia acumulada esperada en todos los futuros muestreados mientras se satisfacen las restricciones de la Relación Señal a Interferencia más Ruido (SINR). La optimización es consciente del régimen, aplicando Cero-Forzamiento (ZF) para usuarios FF y formación de haces consciente de la ubicación para usuarios NF, optimizando conjuntamente para regímenes híbridos.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

• Marco Integrado: Presenta un marco novedoso que fusiona GenAI y DTs para modelar la transición entre las regiones FF y NF en configuraciones XL-MIMO. A diferencia de los modelos de interferencia estáticos, este enfoque emplea un modelo evolutivo espacio-temporal para cambiar la gestión de la red de reactiva a proactiva.
• Modelado Generativo de Bloqueos: El trabajo transforma el bloqueo de usuario de un evento estocástico aleatorio en un parámetro generativo. Al combinar el mapa ambiental detallado del DT con los movimientos de usuario predichos, el sistema anticipa cuándo y dónde se bloquearán las señales, en lugar de reaccionar después de la interrupción.
• Formación de Haces de Bucle Cerrado Unificada: Los autores desarrollan un marco unificado que gobierna adaptativamente la formación de haces a través de regímenes híbridos NF y FF. La contribución no radica en un nuevo algoritmo de formación de haces per se, sino en la integración de la replicación de entornos basada en DT con la predicción impulsada por GenAI para actualizar continuamente las estrategias de gestión de interferencias.
• Validación Exhaustiva: El marco se valida utilizando simulaciones extensas basadas en conjuntos de datos de trazado de rayos Sionna. El método propuesto se compara con ZF reactivo, formación de haces de campo híbrido reactivo, DTs deterministas no generativos y DTs mejorados con GenAI que no son conscientes del régimen.

Resultados
Los resultados de las simulaciones demuestran que el marco propuesto de DT mejorado con GenAI supera significativamente a los esquemas reactivos convencionales y a los enfoques puramente deterministas:

• Supresión de Interferencias: El marco logra una disminución rápida en los niveles de interferencia durante eventos dinámicos (por ejemplo, bloqueo o formación de puntos calientes) en comparación con la degradación aguda observada en los esquemas reactivos.
• SINR y Desconexión: El método propuesto produce la distribución más alta de Relación Señal a Interferencia más Ruido (SINR) y la probabilidad de desconexión más baja a través de varios umbrales de SINR. Mantiene enlaces fiables incluso bajo condiciones dinámicas de bloqueo y movilidad.
• Precisión de Predicción: En términos de Error Cuadrático Medio (RMSE) para la predicción de interferencias, el enfoque de GenAI consciente del régimen logra consistentemente el error más bajo a través de diferentes horizontes de predicción, superando a las líneas base deterministas de DT y a los modelos de GenAI que no son conscientes del régimen.
• Robustez: El marco demuestra una escalabilidad superior en entornos de usuarios abarrotados (aumento de $K$) y mantiene la robustez frente a la incertidumbre en escenarios de predicción a largo plazo.

Importancia
El artículo afirma que este trabajo representa el primer marco totalmente integrado que aprovecha los DTs mejorados con GenAI específicamente para la supresión de interferencias en sistemas de campo híbrido. Su importancia radica en cerrar la brecha entre el modelado físico de alta fidelidad (DT) y las capacidades predictivas y estocásticas de la IA Generativa. Al anticipar los estados futuros del canal y las condiciones de bloqueo, el marco permite que las redes reconfiguren proactivamente los nulos espaciales y las estrategias de formación de haces antes de que la interferencia se manifieste en el dominio físico. Este enfoque aborda las limitaciones de los sistemas reactivos actuales y los DTs deterministas, ofreciendo una vía para mantener comunicaciones ultra fiables y de baja latencia en los entornos altamente dinámicos y complejos de las futuras redes interiores 6G.