Resumen Técnico: Transformador de Alta Resolución Condicionado Multimodal para la Predicción de Mapas de Campos Electromagnéticos Urbanos

1. Planteamiento del Problema

La predicción precisa de la intensidad del Campo Electromagnético (CEM) en entornos urbanos es crítica para la planificación de redes celulares. Los simuladores tradicionales basados en trazado de rayos (ray-tracing), aunque precisos, son computacionalmente prohibitivos para una planificación a gran escala que involucre miles de sitios de antenas candidatos. Por el contrario, los enfoques de aprendizaje profundo existentes suelen tratar la tarea como una simple traducción de imagen a imagen, concatenando diversas modalidades de entrada (diseños de edificios, parámetros escalares de la antena y patrones de radiación angular) en un único canal de imagen. Este enfoque no logra explotar la naturaleza distinta de estas modalidades, particularmente las características direccionales de las antenas, lo que conduce a una precisión subóptima en la predicción de la propagación de la señal y la localización de puntos calientes (hotspots).

2. Metodología

Los autores proponen un Marco de Predicción Densa Multicondicionado construido sobre una arquitectura de Transformador de Alta Resolución (HRFormer). La innovación central radica en procesar las diferentes modalidades de entrada a través de vías dedicadas en lugar de una simple concatenación, lo que permite al modelo condicionar la extracción de características según las características específicas de la antena.

2.1 Representación de Entrada

La red acepta una entrada de 7 canales:

• Diseño de Edificios: Codificado como paredes exteriores y regiones interiores.
• Polígono de Cobertura del Haz: Una representación geométrica del sector de cobertura del lóbulo principal derivado de la posición y el azimut de la antena.
• Canales Espaciales Relativos al Transmisor: Cuatro canales explícitos que codifican la relación geométrica entre cada píxel y el transmisor:
  • Distancia euclidiana normalizada ($D$).
  • Peso de proximidad Gaussiano ($G$).
  • Seno y Coseno del ángulo de rumbo ($S, C$).
    Estos canales proporcionan priors explícitos respecto a la atenuación de la señal, la proximidad y la dirección de propagación.

2.2 Arquitectura

El marco utiliza una arquitectura HRFormer que mantiene cuatro ramas paralelas en resoluciones progresivamente menores. Se integran dos mecanismos de condicionamiento complementarios:

1. Modulación Lineal por Características (FiLM): Los parámetros escalares de la antena (posición, altura, potencia, inclinación hacia abajo [downtilt], azimut) se mapean mediante un MLP de dos capas a parámetros de escala ($\gamma$) y desplazamiento ($\beta$). Estos se inyectan en las cuatro etapas del backbone HRFormer, modulando las respuestas de las características desde los niveles de textura temprana hasta los niveles semánticos tardíos basándose en los parámetros de transmisión.
2. Atención Cruzada (Cross-Attention): Los patrones de radiación de 360° (horizontales y verticales) se tokenizan en 90 tokens mediante una CNN 1-D. En la etapa más profunda (Etapa 4), las características espaciales actúan como consultas (queries), mientras que los tokens del patrón de radiación sirven como claves (keys) y valores (values). Esto permite al modelo aprender características de propagación específicas de la antena al atender a los patrones de ganancia direccional.

2.3 Decodificador y Salida

Un decodificador tipo UNet con conexiones de salto (skip connections) aumenta progresivamente la resolución de las características condicionadas para reconstruir el mapa de CEM de resolución completa (500×500).

2.4 Función de Pérdida

Para abordar el desequilibrio en la dificultad de predicción a través del mapa (por ejemplo, regiones de alta señal frente al fondo), se emplea una pérdida compuesta:

• Pérdida L1 Enmascarada (Masked L1 Loss): Calculada solo en píxeles exteriores (excluyendo el interior de los edificios).
• Similitud Estructural Multi-Escala (MS-SSIM): Captura la fidelidad estructural perceptual.
• Pérdida Focal L1 (Focal L1 Loss): Repondera los errores de los píxeles para enfatizar las regiones de alta señal donde la precisión es más crítica para la planificación de la red.

2.5 Aumento de Tiempo de Prueba (TTA) Consistente con la Coordenada

El TTA estándar voltea ingenuamente las imágenes de entrada. Sin embargo, debido a que los canales espaciales codifican relaciones geométricas absolutas, los autores proponen un TTA consistente con la coordenada. Para cada aumento (volteo), el diseño del edificio y las coordenadas de la antena se transforman, y los canales espaciales se recalculan desde las nuevas coordenadas en lugar de simplemente voltearse. La predicción final es un promedio de las salidas de la transformación inversa.

3. Contribuciones Clave

• Arquitectura de Condicionamiento Multimodal: Un marco novedoso que integra FiLM para parámetros escalares y atención cruzada para patrones de radiación sobre un backbone HRFormer, codificando explícitamente las características de la antena en la extracción de características.
• Estrategia de Pérdida Compuesta: Una combinación de pérdidas L1 enmascarada, MS-SSIM y Focal L1 que aborda el desequilibrio de la dificultad de predicción y mejora el rendimiento en todas las métricas en comparación con los componentes de pérdida individuales.
• TTA Consistente con la Coordenada: Una estrategia que recalcula los priors espaciales bajo transformaciones geométricas, logrando una reducción significativa en el Error Absoluto Medio (MAE).
• Perspectivas de Ablación: Experimentos controlados que demuestran que el diseño de los mecanismos de condicionamiento contribuye más a las ganancias de rendimiento que el simple escalado del tamaño del modelo backbone.

4. Resultados Experimentales

El modelo fue evaluado en un conjunto de datos de 768 mapas de CEM urbanos simulados a 3.5 GHz (banda 5G NR n78), generados por un simulador de propagación de radio comercial. El conjunto de datos incluye 256 diseños de edificios distintos con variaciones en las configuraciones de antena.

• Rendimiento: El mejor modelo (HRFormer-Base con condicionamiento completo) logró un MAE de prueba de 0.0461.
  • Esto representa una mejora del 25.2% sobre una línea base de UNet simple (MAE de 0.0616).
  • Esto representa una mejora del 31.8% sobre una línea base de solo HRFormer (MAE de 0.0676).
• Fidelidad Estructural: El SSIM mejoró de ~0.918 (UNet) a 0.949.
• Localización de Hotspots: El IoU de Hotspot (intersección sobre unión de las regiones de señal top-5%) aumentó de 0.326 (UNet) a 0.406, indicando una capacidad superior para localizar áreas de alta señal.
• Impacto de TTA: Aplicar el TTA consistente con la coordenada redujo aún más el MAE en un 6.3% para el modelo HRFormer-Base.
• Eficiencia: El modelo se ejecuta aproximadamente a 19.8 ms por muestra en una GPU RTX 5090, órdenes de magnitud más rápido que los simuladores basados en física.

5. Significado y Reivindicaciones

El artículo afirma que la integración del condicionamiento multimodal estructurado es el principal motor del rendimiento, más que un mero aumento en la capacidad del modelo. Los autores demuestran que:

1. Los Mecanismos de Condicionamiento Importan: FiLM y la atención cruzada permiten al modelo adaptar la extracción de características a configuraciones de antena específicas, superando los enfoques basados en concatenación.
2. Los Priors Explícitos son Beneficiosos: Codificar los canales espaciales relativos al transmisor de forma explícita libera a la red de tener que reaprender relaciones geométricas básicas, permitiéndole enfocarse en efectos de propagación complejos como la difracción y la dispersión.
3. Consistencia Física en el Aumento: Manejar adecuadamente las transformaciones geométricas en TTA mediante el recálculo de los canales espaciales es crítico para las ganancias de rendimiento.

Los autores señalan limitaciones, incluyendo el uso de datos simulados de una única topología de ciudad y mapas de propagación 2-D, reconociendo que la generalización a mediciones del mundo real y efectos 3-D requiere validación futura. Sin embargo, este trabajo establece un nuevo referente para los sustitutos aprendidos en la predicción de CEM, ofreciendo una alternativa rápida y precisa a los métodos de simulación tradicionales.