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

Résumé technique : SetGAN conditionnel sensible à la physique pour la génération de canaux multi-utilisateurs spatialement cohérents selon la norme TR 38.901

Énoncé du problème
La génération de réalisations de canaux MIMO multi-utilisateurs conformes à la norme 3GPP TR 38.901 est coûteuse en termes de calcul, particulièrement lors de l'évaluation d'un grand nombre de déploiements d'équipements utilisateurs (UE). Bien que des outils comme Sionna fournissent des références fiables et fondées sur la physique, leur coût d'exécution devient prohibitif pour des simulations de Monte Carlo extensives. Un défi critique réside dans le fait que les canaux multi-utilisateurs ne peuvent pas être traités comme des tirages indépendants ; les UE proches doivent présenter des effets à grande échelle corrélés et des structures de fading à petite échelle cohérentes pour maintenir une cohérence spatiale. Les modèles génératifs existants se concentrent souvent sur des liaisons individuelles, des statistiques globales ou des tâches spécifiques, échouant à reproduire la pleine structure conjointe conditionnée par la géométrie des instantanés multi-utilisateurs avec une cohérence spatiale explicite.

Méthodologie
Les auteurs proposent un SetGAN conditionnel sensible à la physique conçu pour générer des réalisations de canaux multi-utilisateurs plus rapidement que le simulateur de référence, tout en préservant les corrélations spatiales imposées par la géométrie des utilisateurs. L'approche suit un flux de travail de bout en bout comprenant cinq étapes :

1. Représentation des données et factorisation :

   • Les données de référence sont générées à l'aide de Sionna pour le scénario UMa/NLoS.
   • Le tenseur de canal est décomposé en deux composantes : un terme de puissance reçue à grande échelle (variation lente) et un tenseur de fading à petite échelle normalisé (fluctuations rapides).
   • La puissance à grande échelle est conservée comme une cible de prédiction scalaire directe.
   • Le fading à petite échelle normalisé est compressé à l'aide de l'Analyse en Composantes Principales (ACP) dans un espace latent blanchi afin de réduire la dimensionnalité et de faciliter l'apprentissage adversarial.

2. Architecture (SetGAN conditionné par la géométrie) :

   • Formulation basée sur des ensembles (Set-Based) : Le modèle traite l'instantané multi-utilisateur comme un ensemble non ordonné d'UE, garantissant l'invariance/équivariance par permutation.
   • Sensibilité à la géométrie : Le générateur utilise des Set Transformers avec des biais de position relative. Les coordonnées des terminaux utilisateurs sont encodées via des fonctions de Fourier aléatoires et transmises à un MLP appris.
   • Mécanisme d'interaction : Le mécanisme d'attention inclut un terme de biais par paire appris dépendant de la distance entre les terminaux utilisateurs ($b(r_i, r_j)$). Cela impose un a priori d'interaction sensible à la distance, encourageant un couplage plus fort entre les UE proches pour imiter la cohérence spatiale physique.
   • Injection de bruit : Le modèle accepte un bruit global (partagé à travers l'instantané) et un bruit local (spécifique à chaque UE) pour capturer à la fois les variations de canal collectives et individuelles.

3. Entraînement informé par la physique :

   • L'objectif d'entraînement combine une perte adversariale standard (Wasserstein GAN avec normalisation spectrale) avec des pertes auxiliaires spécifiques sensibles à la physique.
   • Appariement de profil (Profile Matching) : Le modèle minimise explicitement l'erreur entre les profils de similitude générés et de référence (structure de fading et puissance reçue) en fonction de la distance de séparation des UE.
   • Régularisation des queues (Tail Regularization) : Des termes spécifiques ($L_{topk}$, $L_{mass}$) sont introduits pour assurer la fidélité dans les queues de la distribution de puissance reçue, ce que les termes adversariaux standards échouent souvent à capturer avec précision.
   • Supervision : Des pertes de régression directe sont appliquées à la puissance reçue à grande échelle et des contraintes de lissage sont appliquées aux variations de puissance locale.

Résultats clés
Évalué sur le benchmark UMa/NLoS avec 100 UE par instantané, le substitut entraîné démontre les performances suivantes par rapport à la référence Sionna :

• Fidélité :
  • Puissance reçue : La distribution de puissance générée correspond étroitement à la référence, avec une distance Wasserstein-1 de 0,41 dB et une statistique de Kolmogorov-Smirnov de 0,0170.
  • Cohérence spatiale : Le modèle reproduit les profils de cohérence spatiale avec des erreurs absolues moyennes (MAE) sur les courbes médianes inférieures à 0,03 (plus précisément 0,0255 pour la similitude de puissance et 0,0260 pour la similitude de la structure de fading) à travers les classes de distance.
• Efficacité :
  • Dans un benchmark CPU-contre-CPU à position fixe, le modèle réduit le temps de génération écoulé par un facteur de 3,45 et le coût CPU total par un facteur de 6,15 par rapport à Sionna.
  • Dans un benchmark GPU-contre-GPU (avec des limites de mémoire de 16 Go), les accélérations sont de 2,52× pour le temps de génération et de 1,31× pour le coût total.

Signification et affirmations
L'article affirme qu'un modèle génératif entraîné peut accélérer considérablement la génération de canaux TR 38.901 sans compromettre la cohérence spatiale requise pour l'évaluation des systèmes multi-utilisateurs. La contribution primaire est un substitut qui combine :

1. La génération géométriquement conditionnée d'instantanés multi-utilisateurs complets.
2. La préservation explicite de la cohérence spatiale via l'appariement de profil de distance.
3. La validation directe de la fidélité et du temps d'exécution par rapport à une référence Sionna de position correspondante.

Les auteurs soulignent que ce travail résout le fossé spécifique de la génération d'instantanés complets de TR 38.901 conditionnés par la géométrie avec des profils de cohérence spatiale explicites, plutôt que de simples liaisons individuelles ou des covariances statistiques. Les résultats sont validés sous un protocole UMa/NLoS contrôlé ; les auteurs notent que des affirmations plus larges concernant d'autres scénarios ou paramètres de déploiement de la norme TR 38.901 nécessitent une validation supplémentaire.