Physics-Constrained Synthetic Training for Sub-Terahertz Channel Rainfall Sensing

Resumen Técnico: Entrenamiento Sintético con Restricciones Físicas para la Detección de Lluvia en Canales Sub-Terahertz

Planteamiento del Problema
Los canales de terahercios (THz) ofrecen capacidades de comunicación de alta capacidad y de detección de alta resolución, lo que los convierte en candidatos para la Comunicación e Integración de Detección (ISAC) en las redes 6G. Sin embargo, la extinción inducida por la lluvia en las bandas de THz crea un desafío significativo de fiabilidad y, simultáneamente, ofrece un mecanismo para la detección oportunista de la precipitación. A diferencia de los sistemas maduros de recuperación de lluvia basados en satélites, radares o enlaces de microondas comerciales (CML), que dependen de conjuntos de datos operativos a gran escala para el aprendizaje supervisado, la estimación de la lluvia en canales de THz sufre una escasez crítica de datos del mundo real. Los estudios existentes se limitan a experimentos de lluvia artificial controlada o campañas al aire libre de corta duración, lo que impide el entrenamiento de modelos de aprendizaje profundo robustos.

Metodología
Para abordar la escasez de datos, los autores proponen un marco de entrenamiento sintético con restricciones físicas validado por mediciones limitadas en exteriores. La metodología consta de tres etapas principales:

1. Caracterización y Calibración del Canal:

   • Medición: Se llevó a cabo una campaña en exteriores en el Instituto de Tecnología de Beijing utilizando un enlace punto a punto de THz fijo de 41.5 m a 140 GHz y 229 GHz. La configuración utilizó polarización lineal vertical y registró variaciones de la potencia recibida bajo condiciones despejadas y de lluvia.
   • Modelado Estadístico: El estudio estableció una relación entre el factor $K$ de Rician y la tasa de lluvia ($R$) utilizando un conjunto de datos independiente (BIT-24). Esta relación lineal ($K$ disminuye a medida que $R$ aumenta) se utilizó para modelar el desvanecimiento de pequeña escala.
   • Restricciones Físicas: La atenuación por lluvia se modeló utilizando el estándar ITU-R P.838-3 y la teoría de Mie, incorporando cuatro priors distintos de Distribución de Tamaño de Gotas (DSD): Marshall-Palmer (M-P), Joss-Widespread (J-W), Joss-Drizzle (J-D) e ITU-R P.838-3.

2. Generación de Datos Sintéticos (BIT-24-Gen):

   • Se generó un conjunto de datos sintéticos con restricciones físicas para cerrar la brecha de datos. Para cada frecuencia y prior de DSD, se crearon 20,000 muestras.
   • Cada muestra consiste en una secuencia de potencia recibida de 20 segundos (400 puntos a intervalos de 0.05s) emparejada con una etiqueta de tasa de lluvia constante.
   • El proceso de generación combina la atenuación por lluvia a gran escala (determinada por el prior de DSD y la longitud de la trayectoria) con el desvanecimiento de Rician a pequeña escala (regido por la relación calibrada $K$-$R$) y una deriva estocástica acotada.
   • Las tasas de lluvia se muestrearon de una mezcla uniforme de dos componentes para reflejar la naturaleza de cola larga de los eventos de lluvia (70% lluvia ligera, 30% lluvia moderada/fuerte).

3. Arquitectura de Red (RainFormer):

   • Se diseñó una red híbrida de atención-convolución, RainFormer, para mapear secuencias de potencia recibida de corto tiempo a tasas de lluvia.
   • Arquitectura: El modelo emplea un embebido convolucional 1D, seguido de cuatro bloques híbridos apilados. Cada bloque integra autoatención de múltiples cabezales (para dependencias temporales de largo alcance) y capas de alimentación hacia adelante con compuertas convolucionales de profundidad (para patrones de fluctuación local).
   • Fusión Físico-Estadística: Una característica de diseño crítica es la concatenación explícita de descriptores físico-estadísticos (media y desviación estándar de la secuencia de entrada) con la representación latente antes de la cabeza de regresión. Esto asegura que la red utilice directamente la atenuación dominante y las estadísticas de fluctuación en lugar de depender únicamente del backbone para inferirlas.

Resultos Clave

• Desempeño Intra-Distribución: En el conjunto de prueba sintético (BIT-24-Gen), RainFormer logró un Error Cuadrático Medio (RMSE) de 0.1782 mm/h a 140 GHz (usando el prior ITU) y 0.2925 mm/h a 229 GHz (usando el prior M-P).
• Estudios de Ablación: La eliminación del codificación posicional causó la degradación de desempeño más significativa (el RMSE aumentó a >1.1 mm/h), seguida de la eliminación de los descriptores físico-estadísticos explícitos (el RMSE aumentó a 1.65 mm/h a 229 GHz). Esto confirma que el orden temporal y los descriptores estadísticos explícitos son los principales impulsores de la precisión predictiva, mientras que la autoatención y la convolución actúan como refinamientos complementarios.
• Comparación con Baselines: RainFormer superó tanto a una 1D-CNN como a un Transformer vanilla. A 140 GHz, redujo el RMSE en aproximadamente un 13% en comparación con la 1D-CNN y un ~40% en comparación con el Transformer. A 229 GHz, alcanzó el Error Absoluto Medio (MAE) más bajo, demostrando robustez a través de las frecuencias.
• Transferencia Zero-Shot: Cuando se aplicó directamente al conjunto de datos medido BIT-25 (sin ningún entrenamiento o ajuste fino con datos de lluvia reales), los modelos produjeron estimaciones de consistencia de rango. Las estimaciones separaron con éxito la lluvia débil de la fuerte, y la dispersión de las predicciones a través de los cuatro priors de DSD delimitó eficazmente la incertidumbre derivada del DSD de la trayectoria no observable.

Significancia y Reivindicaciones
El artículo afirma que el entrenamiento sintético con bracket de DSD es una base viable para la detección de lluvia en THz en escenarios donde no se dispone de conjuntos de datos operativos. Las contribuciones clave son:

1. Solución a la Escasez de Datos: Demostrar que los datos sintéticos con restricciones físicas, calibrados con estadísticas de canal del mundo real limitadas, pueden entrenar modelos que generalizan a mediciones reales sin supervisión directa sobre las etiquetas de lluvia.
2. Cuantificación de la Incertidumbre: Al entrenar con múltiples priors de DSD, el enfoque convierte el DSD de la trayectoria (no observable) de un sesgo no cuantificado en un envolvente de incertidumbre acotado, proporcionando estimaciones físicamente interpretables.
3. Validación de Arquitectura Híbrida: Establecer que, para la detección de lluvia en THz, los descriptores físico-estadísticos explícitos y la información del orden temporal son más críticos que los mecanismos de atención complejos por sí solos.

Los autores concluyen que este enfoque respalda el desarrollo de la detección de lluvia oportunista en THz para 6G ISAC y puede asistir en la calibración cruzada de las recuperaciones de radar meteorológico, aunque señalan que el trabajo futuro requiere campañas de múltiples eventos y la extensión a canales más largos.