Physics-Aware Conditional SetGAN for Spatially Consistent Multi-User TR 38.901 Channel Generation

Resumen Técnico: SetGAN Condicional con Conciencia de la Física para la Generación de Canales Multi-Usuario Espacialmente Consistentes según TR 38.901

Planteamiento del Problema
La generación de realizaciones de canales MIMO multi-usuario consistentes con el estándar 3GPP TR 38.901 es computacionalmente costosa, particularmente al evaluar un gran número de despliegues de equipos de usuario (UE). Aunque herramientas como Sionna proporcionan referencias fiables y fundamentadas en la física, su coste de tiempo de ejecución se vuelve prohibitivo para simulaciones de Monte Carlo extensas. Un desafío crítico es que los canales multi-usuario no pueden tratarse como extracciones independientes; los UE cercanos deben exhibir efectos de gran escala correlacionados y estructuras de desvanecimiento de pequeña escala coherentes para mantener la consistencia espacial. Los modelos generativos existentes suelen centrarse en enlaces individuales, estadísticas globales o tareas específicas, fallando en reproducir la estructura conjunta completa condicionada por la geometría de las instantáneas (snapshots) multi-usuario con una consistencia espacial explícita.

Metodología
Los autores proponen un SetGAN Condicional con Conciencia de la Física diseñado para generar realizaciones de canales multi-usuario más rápido que el simulador de referencia, preservando al mismo tiempo las correlaciones espaciales impuestas por la geometría del usuario. El enfoque sigue un flujo de trabajo de extremo a extremo que consta de cinco etapas:

1. Representación de Datos y Factorización:

   • Los datos de referencia se generan utilizando Sionna para el escenario UMa/NLoS.
   • El tensor del canal se descompone en dos componentes: un término de potencia recibida a gran escala (de variación lenta) y un tensor de desvanecimiento de pequeña escala normalizado (fluctuaciones rápidas).
   • La potencia a gran escala se mantiene como un objetivo de predicción escalar directo.
   • El desvanecimiento de pequeña escala normalizado se comprime mediante Análisis de Componentes Principales (PCA) en un espacio latente blanqueado para reducir la dimensionalidad y facilitar el aprendizaje adversarial.

2. Arquitectura (SetGAN Condicionado por la Geometría):

   • Formulación Basada en Conjuntos (Set-Based): El modelo trata la instantánea multi-usuario como un conjunto no ordenado de UE, asegurando la invarianza/equivarianza de permutación.
   • Conciencia de la Geometría: El generador utiliza Transformadores de Conjuntos (Set Transformers) con sesgos posicionales relativos. Las coordenadas de los terminales de usuario se codifican mediante funciones de Fourier aleatorias y se pasan a través de un MLP aprendido.
   • Mecanismo de Interacción: El mecanismo de atención incluye un término de sesgo de par aprendido dependiente de la distancia entre los terminales de usuario ($b(r_i, r_j)$). Esto impone un prior de interacción sensible a la distancia, fomentando un acoplamiento más fuerte entre los UE cercanos para imitar la consistencia espacial física.
   • Inyección de Ruido: El modelo acepta ruido global (compartido en toda la instantánea) y ruido local (específico para cada UE) para capturar tanto las variaciones colectivas como las individuales del canal.

3. Entrenamiento Informado por la Física:

   • El objetivo de entrenamiento combina una pérdida adversarial estándar (GAN de Wasserstein con normalización espectral) con pérdidas auxiliares específicas con conciencia de la física.
   • Coincidencia de Perfiles (Profile Matching): El modelo minimiza explícitamente el error entre los perfiles de similitud (estructura de desvanecimiento y potencia recibida) generados y los de referencia como función de la distancia de separación entre los UE.
   • Regularización de Colas (Tail Regularization): Se introducen términos específicos ($L_{topk}$, $L_{mass}$) para asegurar la fidelidad en las colas de la distribución de potencia recibida, que los términos adversariales estándar a menudo no logran capturar con precisión.
   • Supervisión: Se aplican pérdidas de regresión directa a la potencia recibida a gran escala y se aplican restricciones de suavidad a las variaciones de potencia local.

Resultados Clave
Evaluado en el benchmark UMa/NLoS con 100 UE por instantánea, el sustituto entrenado demuestra el siguiente rendimiento en relación con la referencia de Sionon:

• Fidelidad:
  • Potencia Recibida: La distribución de potencia generada coincide estrechamente con la de referencia, con una distancia de Wasserstein-1 de 0.41 dB y un estadístico de Kolmogorov-Smirnov de 0.0170.
  • Consistencia Espacial: El modelo reproduce perfiles de consistencia espacial con errores medios absolutos (MAE) en las curvas medianas por debajo de 0.03 (específicamente 0.0255 para la similitud de potencia y 0.0260 para la similitud de la estructura de desvanecimiento) a través de los contenedores de distancia.
• Eficiencia:
  • En un benchmark de posición fija CPU-vs-CPU, el modelo reduce el tiempo transcurrido de generación por un factor de 3.45 y el coste total de CPU por un factor de 6.15 en comparación con Sionna.
  • En un benchmark de GPU-vs-GPU (con límites de memoria de 16 GB), las aceleraciones son de 2.52× para el tiempo de generación y 1.31× para el coste total.

Significado y Reivindicaciones
El artículo afirma que un modelo generativo entrenado puede acelerar sustancialmente la generación de canales TR 38.901 sin comprometer la consistencia espacial requerida para la evaluación de sistemas multi-usuario. La contribución principal es un sustituto que combina:

1. Generación condicionada por la geometría de instantáneas multi-usuario completas.
2. Preservación explícita de la consistencia espacial mediante la coincidencia de perfiles de distancia.
3. Benchmarking directo de fidelidad y tiempo de ejecución contra una referencia de posición coincidente de Sionna.

Los autores enfatizan que este trabajo resuelve la brecha específica de generar instantáneas completas de TR 38.901 condicionadas por la geometría con perfiles de consistencia espacial explícitos, en lugar de solo enlaces individuales o covarianzas estadísticas. Los resultados se validan bajo un protocolo controlado UMa/NLoS; los autores señalan que afirmaciones más amplias en otros escenarios de TR 38.901 o configuraciones de despliegue requieren mayor validación.