🤖 AI

Point2Radio: A Foundation Model for Cross-Scene Radio Fields from Material-Aware Point Clouds

Point2Radio एक फाउंडेशन मॉडल है जो विविध वातावरणों में एक हस्तांतरणीय प्रोपेगेशन प्रायर (propagation prior) सीखने के लिए मटेरियल-अवेयर पॉइंट क्लाउड्स का लाभ उठाता है, जो पारंपरिक सीन-विशिष्ट बेसलाइनों की तुलना में काफी कम त्रुटि के साथ पाथ गेन (path gain) और पावर एंगुलर स्पेक्ट्रा (power angular spectra) जैसे हाई-फिडेलिटी रेडियो फील्ड्स के तीव्र, मेश-मुक्त पूर्वानुमान को सक्षम बनाता है।

मूल लेखक: Chaozheng Wen, Chenghong Bian, Hongze Chen, Jun Zhang

प्रकाशित 2026-08-03

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chaozheng Wen, Chenghong Bian, Hongze Chen, Jun Zhang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक रेडियो सिग्नल शहर में कैसे उछल-कूद करता है। यह एक गेंद के उस स्थान का अनुमान लगाने जैसा है जहाँ वह हज़ारों दीवारों, खिड़कियों और पेड़ों से टकराने के बाद गिरेगी, और वह भी तब जब हवा की दिशा बदल रही हो। वायरलेस संचार की दुनिया में, यह एक बहुत बड़ी चुनौती है। इंजीनियरों को यह जानने की ज़रूरत होती है कि सिग्नल वास्तव में कहाँ जाएगा ताकि यह सुनिश्चित किया जा सके कि आपका फोन बेसमेंट में कनेक्ट हो सके, ड्रोन सुरक्षित रूप से उड़ सके, या एक रोबोट अपने दोस्तों से बात कर सके बिना रास्ता भटके। पारंपरिक रूप से, इसे समझना हर एक नए भवन के लिए बार-बार एक विशाल गणितीय पहेली को हल करने जैसा रहा है। इसमें बहुत समय लगता है, इसके लिए सुपर-कंप्यूटर की आवश्यकता होती है, और यदि आप कमरे में थोड़ा सा भी बदलाव करते हैं, तो आपको पूरी पहेली को फिर से शुरू से हल करना पड़ता है।

हाल ही में, वैज्ञानिकों ने कंप्यूटर को हर बार पहेलियाँ हल करने के बजाय पैटर्न "सीखना" सिखाया है। इसे एक कुत्ते को गेंद लाने (फेच) के लिए सिखाने जैसा समझें: उसे हर बार ठीक-ठीक यह बताने के बजाय कि उसे कैसे दौड़ना है, आप उसे "गेंद यहाँ जाएगी, कुत्ता वहाँ जाएगा" का सामान्य विचार दिखाते हैं, और वह बाकी चीजें खुद समझ जाता है। हांगकांग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी की iComAI लैब का यह शोध पत्र, रेडियो सिग्नलों के लिए एक नया "सुपर-डॉग" पेश करता है जिसे Point2Radio कहा जाता है। यह एक "फाउंडेशन मॉडल" है, जो एक फैंसी शब्द है जिसका अर्थ है एक स्मार्ट, सामान्य-उद्देश्य वाला मस्तिष्क जिसने यह सीख लिया है कि रेडियो तरंगें 3D स्थानों में कैसे यात्रा करती हैं। किसी इमारत के सटीक ब्लूप्रिंट की आवश्यकता के बिना, इसे केवल बिंदुओं के एक क्लाउड (जैसे कि कमरे की दीवारों का एक डिजिटल स्प्रे-पेंट) और सामग्रियों की एक सूची (जैसे कि यह जानना कि कौन सी दीवारें धातु की हैं और कौन सी लकड़ी की) की आवश्यकता होती है। एक बार जब यह नियम सीख लेता है, तो यह पलक झपकते ही अनुमान लगा सकता है कि एक बिल्कुल नए कमरे में सिग्नल कहाँ जाएगा जिसे इसने पहले कभी नहीं देखा है।

पुराना तरीका बनाम नया तरीका

Point2Radio से पहले, रेडियो सिग्नल का अनुमान लगाने के दो मुख्य तरीके थे, और दोनों में बड़ी समस्याएँ थीं।

पहला तरीका एक बहुत पुराने, सरल मानचित्र का उपयोग करने जैसा था। यह तेज़ था लेकिन इसमें विवरण नहीं थे। यह आपको यह नहीं बता सकता था कि सिग्नल किसी विशिष्ट कोने से कैसे टकराएगा या किसी विशिष्ट कुर्सी द्वारा कैसे रोका जाएगा। आधुनिक, उच्च-तकनीकी जरूरतों के लिए यह बहुत ही बुनियादी था।

दूसरा तरीका एक कमरे के हर इंच को मापने के लिए विशेषज्ञ सर्वेक्षकों की एक टीम को काम पर रखने जैसा था। वे सिग्नल द्वारा लिए जाने वाले हर संभावित पथ को ट्रेस करेंगे, दीवारों और खिड़कियों से टकराते हुए। यह अविश्वसनीय रूप से सटीक था, लेकिन यह बहुत धीमा और महंगा भी था। यदि आप किसी नई इमारत में सिग्नल जानना चाहते थे, तो आपको सर्वेक्षकों को फिर से वहां भेजना पड़ता था। यदि आप उसी इमारत में एक अलग स्थान पर सिग्नल की जांच करना चाहते थे, तो आपको उन्हें फिर से बाहर भेजना पड़ता था। यह हर बार कदम उठाने पर पूरा नक्शा फिर से बनाने जैसा था।

Point2-Radio में प्रवेश: द "रेडियो ओरकल"

इस शोध पत्र के लेखकों ने कुछ ऐसा बनाने की कोशिश की जो सरल मानचित्र की गति और विशेषज्ञ सर्वेक्षकों की सटीकता को जोड़ सके। उन्होंने Point2Radio बनाया, एक ऐसा मॉडल जो एक बार "रेडियो के भौतिक विज्ञान" को सीख लेता है और फिर इसे हर जगह लागू करता है।

यह कैसे काम करता है, एक सरल उपमा का उपयोग करते हुए: कल्पना कीजिए कि आप एक छात्र को वीडियो गेम खेलना सिखा रहे हैं।

इनपुट (दृश्य): छात्र को गेम की दुनिया का सटीक, विस्तृत 3D मॉडल देने के बजाय, आप उन्हें एक "पॉइंट क्लाउड" देते हैं। इसे लाखों छोटे, रंगीन बिंदुओं की एक बाल्टी के रूप में सोचें जो दीवारों, फर्शों और फर्नीचर का प्रतिनिधित्व करते हैं। प्रत्येक बिंदु जानता है कि वह किस चीज़ से बना है (क्या यह एक धातु का दरवाज़ा है? एक लकड़ी की मेज?)।
शिक्षक (एनकोडर): मॉडल इन बिंदुओं और रेडियो ट्रांसमीटर (TX) के स्थान को देखता है। यह एक विशेष 'अटेंशन मैकेनिज्म' (एक बहुत ही व्यवस्थित लाइब्रेरियन की तरह) का उपयोग करता है ताकि यह पता लगाया जा सके कि रेडियो तरंगें उन बिंदुओं के साथ कैसे परस्पर क्रिया करती हैं। यह एक सर्वेक्षक की तरह हर उछाल को ट्रेस नहीं करता है; इसके बजाय, यह उस वातावरण में तरंगों के व्यवहार के पैटर्न को सीखता है। यह कमरे का एक संक्षिप्त "मेमोरी" या "कोड" बनाता है।
पूर्वानुमान (डिकोडर): जब आप पूछते हैं, "इस विशिष्ट कुर्सी पर सिग्नल की ताकत क्या है?" तो मॉडल अपनी मेमोरी को देखता है, पास के बिंदुओं को ढूंढता है, और तुरंत उत्तर का अनुमान लगा लेता है। इसे कमरे को फिर से मापने की आवश्यकता नहीं होती है।

उन्होंने क्या पाया

शोधकर्ताओं ने इस नए मॉडल का परीक्षण एक विशाल डेटासेट पर किया जिसे उन्होंने PRISM नाम दिया है, जिसमें 337 अलग-अलग आभासी कमरे शामिल हैं। उन्होंने Point2Radio की तुलना पुराने तरीकों से की।

गति: पुराना सर्वेक्षक तरीका (जिसे Sionna RT कहा जाता है) एक कमरे के लिए एक गणना करने में लगभग 990 मिलीसेकंड (लगभग एक पूरा सेकंड) लेता था। Point2Radio ने इसे केवल 163 मिलीसेकंड में कर दिया। यह लगभग 6 गुना तेज़ है।
सटीकता: पुराने सरल मानचित्रों ने बड़ी गलतियाँ कीं। Point2Radio अविश्वसनीय रूप से सटीक था, जिसकी त्रुटि दर केवल 0.871 dB (सिग्नल स्ट्रेंथ अंतर का एक माप) थी। यह अगले-सर्वश्रेष्ठ तेज़ तरीके की तुलना में 76.7% त्रुटि में कमी थी।
मेमोरी: पुराने तरीके को काम करने के लिए बहुत अधिक कंप्यूटर मेमोरी (8.3 GB) की आवश्यकता थी। Point2Radio को केवल 3.3 GB की आवश्यकता थी, जिससे यह बहुत हल्का और मानक कंप्यूटरों पर चलाना आसान हो गया।

स्थानांतरण (Transfer) का "जादू"

इस खोज का सबसे शानदार हिस्सा यह है कि मॉडल ने केवल उन 337 कमरों को याद नहीं किया जिन पर इसे प्रशिक्षित किया गया था। जब उन्होंने इसे एक बिल्कुल नए कमरे में दिखाया जिसे इसने पहले कभी नहीं देखा था, तब भी यह अद्भुत रूप से काम करता रहा। इसे "जीरो-शॉट" जनरलाइजेशन कहा जाता है। यह एक बच्चे को समतल रास्ते पर साइकिल चलाना सिखाने और फिर उसे ऊबड़-खाबड़ रास्ते पर बिना किसी नए सबक के साइकिल चलाने में सक्षम बनाने जैसा है।

शोध पत्र ने यह भी दिखाया कि यदि आपके पास किसी विशिष्ट नए कमरे के लिए थोड़ा सा वास्तविक डेटा (जैसे कुछ माप) है, तो आप मॉडल को और भी बेहतर बनाने के लिए "फाइन-ट्यून" कर सकते हैं। यह उस विशिष्ट कमरे के लिए छात्र को एक त्वरित संदर्भ मार्गदर्शिका देने जैसा है, और अचानक वे इसमें परफेक्ट हो जाते हैं। इसने मॉडल को न केवल सिग्नल स्ट्रेंथ, बल्कि यह भी अनुमान लगाने की अनुमति दी कि सिग्नल किस दिशा से आ रहा है (पावर एंगुलर स्पेक्ट्रा), जो 5G और स्वायत्त वाहनों जैसी उन्नत तकनीकों के लिए महत्वपूर्ण है।

इसका क्या अर्थ है

लेखक सुझाव देते हैं कि यह दृष्टिकोण खेल बदल देता है। अब हमें हर नई इमारत के लिए रेडियो तरंग के हर पथ का अनुकरण (सिमुलेशन) करने की आवश्यकता नहीं है। हम रेडियो यात्रा के सामान्य नियमों को एक बार सीख सकते हैं, उन्हें एक स्मार्ट मॉडल में संग्रहीत कर सकते हैं, और फिर उस मॉडल का उपयोग करके तुरंत अनुमान लगा सकते हैं कि किसी भी नए वातावरण में सिग्नल कैसे व्यवहार करेगा, जब तक कि हमारे पास बिंदुओं और सामग्रियों का एक सरल मानचित्र हो।

हालांकि शोध पत्र नोट करता है कि वास्तविक दुनिया में उन "पॉइंट क्लाउड्स" को सामग्री की जानकारी के साथ प्राप्त करना अभी भी थोड़ा कठिन है (आप केवल एक फोटो देखकर तुरंत नहीं जान सकते कि दीवार धातु की है या लकड़ी की), लेकिन मॉडल यह साबित करता है कि यह विचार काम करता है। यह सुझाव देता है कि पर्याप्त डेटा के साथ, हम रेडियो तरंगों के लिए एक "यूनिवर्सल ट्रांसलेटर" बना सकते हैं, जिससे हमारी जुड़ी हुई दुनिया तेज़, सुरक्षित और अधिक विश्वसनीय बन सकती है। शोध पत्र यह दावा नहीं करता है कि उसने ब्रह्मांड की हर समस्या को हल कर दिया है, लेकिन यह एक बहुत ही आशाजनक मार्ग दिखाता है जहाँ कंप्यूटर रेडियो तरंगों के अदृश्य नृत्य को पहले से कहीं बेहतर और तेज़ी से समझ सकते हैं।

तकनीकी सारांश: Point2Radio

समस्या विवरण

3D वातावरण में रेडियो क्षेत्रों (radio fields) का मॉडलिंग करना निम्न-ऊंचाई वाले हवाई नेटवर्क, एम्बॉडीड AI (embodied AI), और स्वायत्त वाहनों जैसे उभरते अनुप्रयोगों के लिए महत्वपूर्ण है। हालाँकि, सटीक रेडियो क्षेत्र भविष्यवाणी एक चुनौती बनी हुई है क्योंकि रेडियो तरंगों (परावर्तन, संचरण, प्रकीर्णन, विवर्तन) की विविध सामग्रियों और ज्यामिति के साथ जटिल अंतःक्रियाएं होती हैं। पारंपरिक दृष्टिकोण एक ट्रेड-ऑफ का सामना करते हैं:

शास्त्रीय अनुभवजन्य मॉडल (Classical Empirical Models): कम खर्चीले लेकिन विस्तृत स्थानिक विविधताओं को हल करने में विफल।
नियतात्मक रे ट्रेसिंग (Deterministic Ray Tracing): उच्च निष्ठा (fidelity) लेकिन कम्प्यूटेशनल रूप से महंगा, जिसके लिए प्रत्येक नए दृश्य और ट्रांसमीटर (TX) कॉन्फ़िगरेशन के लिए स्पष्ट पथ ट्रैकिंग की आवश्यकता होती है।
मौजूदा शिक्षण-आधारित विधियाँ:
- क्रॉस-सीन प्रेडिक्टर्स (जैसे, RadioUNet): अक्सर 2D लेआउट को निश्चित पाथ-लॉस रास्टर में मैप करते हैं, जिससे 3D ज्यामिति और सामग्री अंतःक्रियाओं की उपेक्षा होती है।
- प्रति-दृश्य न्यूरल रिप्रजेंटेशन (जैसे, NeRF2, WRF-GS): विस्तृत 3D क्षेत्रों को कैप्चर करते हैं लेकिन इसके लिए लक्ष्य-दृश्य अनुकूलन या माप की आवश्यकता होती है, जिससे वे बिना पुन: प्रशिक्षण के विभिन्न वातावरणों में सामान्यीकरण करने में विफल रहते हैं।

ऐसे मॉडलों की कमी है जो बिना प्रति-दृश्य फिटिंग या ऑनलाइन रे ट्रेसिंग के, अनदेखे दृश्यों में रेडियो मात्राओं की भविष्यवाणी करने के लिए स्थानांतरणीय प्रसार पूर्ववृत्त (transferable propagation priors) सीख सकें।

कार्यप्रणाली: Point2Radio

Point2Radio को एक फाउंडेशन मॉडल के रूप में प्रस्तावित किया गया है जो सामग्री-जागरूक पॉइंट क्लाउड (material-aware point clouds) से एक हस्तांतरणीय प्रसार पूर्ववृत्त सीखता है। यह एक साझा बैकबोन के साथ कार्य-विशिष्ट हेड्स (task-specific heads) आर्किटेक्चर का अनुसरण करता है:
$H = E(R, t), \quad \hat{y} = D(H, q)$
जहाँ $R$ दृश्य का प्रतिनिधित्व है, $t$ TX सेटिंग है, $H$ लेटेंट सीन कोड है, और $D$ क्वेरी $q$ के लिए डिकोडर है।

1. इनपुट प्रतिनिधित्व (Input Representation)

प्रत्येक इनडोर दृश्य को एक सामग्री-जागरूक पॉइंट क्लाउड $R = \{(x_i, n_i, \epsilon_i, \sigma_i, s_i, \chi_i, e_i)\}$ के रूप में दर्शाया गया है।

ज्यामितीय विशेषताएं: स्थिति ( $x_i$ ) और सतह नॉर्मल ( $n_i$ )।
विद्युत चुम्बकीय विशेषताएं: सापेक्ष पारगम्यता ( $\epsilon_i$ ), चालकता ( $\sigma_i$ , $\log_{10}$ के रूप में संग्रहीत), प्रकीर्णन गुणांक ( $s_i$ ), और क्रॉस-पोलराइजेशन भेदभाव ( $\chi_i$ ), जो ITU सामग्री मॉडल से प्राप्त होते हैं।
TX सेटिंग: एक बाइनरी एमिशन इंडिकेटर TX स्थान को दृश्य बिंदुओं से अलग करता है।

2. रेडियो ट्रांसपोर्ट एनकोडर ( $E$ )

एनकोडर ऑनलाइन पथ ट्रैसिंग के बजाय प्रसार को मॉडल करने के लिए अटेंशन मैकेनिज्म का उपयोग करके महंगे पथ ट्रैकिंग से बचता है।

पदानुक्रमित टोकनाइजेशन (Hierarchical Tokenization): स्थानीय ज्यामिति और सामग्री संकेतों को बनाए रखते हुए कम्प्यूटेशनल लागत को कम करने के लिए फर्थेस्ट-पॉइंट सैंपलिंग (FPS) और मल्टी-स्केल एग्रीगेशन (MLP + मैक्स-पूलिंग) का उपयोग करके पॉइंट क्लाउड को एक संक्षिप्त टोकन सेट ( $N_t$ ) में संकुचित किया जाता है।
क्रॉस–सेल्फ–क्रॉस (CSC) अटेंशन: एक नवीन अटेंशन मैकेनिज्म चरणों को स्टैक करता है:
1. TX-टू-सीन क्रॉस-अटेंशन: सापेक्ष ज्यामिति ( $\Delta x = x_{tx} - x_j$ ) का उपयोग करके दृश्य टोकन में TX जानकारी इंजेक्ट करता है।
2. सीन सेल्फ-अटेंशन: लंबी दूरी के संदर्भ को प्रसारित करने के लिए दृश्य टोकन के बीच सूचना का आदान-प्रदान करता है।
3. TX-टू-सीन क्रॉस-अटेंशन: विशिष्ट सतह स्थानों पर एंकर किए गए TX जानकारी के साथ टोकन को फिर से अपडेट करता है।
  यह TX-कंडीशनड लेटेंट कोड $H$ उत्पन्न करता है।

3. लोकल क्वेरी डिकोडर ( $D$ )

अनुमान (inference) के समय, एक रिसीवर (RX) क्वेरी $q$ के लिए:

लोकल एग्रीगेशन: डिकोडर k-निकटतम पड़ोसियों (k-Nearest Neighbors) का उपयोग करके $H$ से $K$ निकटतम लेटेंट कोड प्राप्त करता है।
क्वेरी एम्बेडिंग: RX स्थिति और TX के साथ इसके विस्थापन/दूरी को एनकोड किया जाता है।
टास्क हेड्स:
- पाथ-गेन (PG): एक MLP एकत्रित विशेषताओं को एक स्केलर PG मान में मैप करता है।
- पावर एंगुलर स्पेक्ट्रा (PAS): उसी RX लेटेंट को क्वेरी दिशा (अज़िमथ/एलीवेशन) के फूरियर फीचर्स के साथ संयोजित किया जाता है ताकि दिशात्मक शक्ति की भविष्यवाणी की जा सके।

4. लक्ष्य-दृश्य अनुकूलन (Target-Scene Adaptation)

एक विशिष्ट लक्ष्य दृश्य में व्यवस्थित ऑफसेट (जैसे, सामग्री बेमेल) को संभालने के लिए, एक हल्का रेजिडुअल हेड जोड़ा गया है। यह हेड TX-RX ज्यामिति के आधार पर एक सुधार शब्द $r(g)$ सीखता है, जिसे फ्रोजन बेस प्रेडिक्शन में जोड़ा जाता है। यह बिना बैकबोन को पुन: प्रशिक्षित किए तेज़ अनुकूलन की अनुमति देता है।

मुख्य योगदान

Point2Radio आर्किटेक्चर: क्रॉस-सीन रेडियो फील्ड्स के लिए एक फाउंडेशन मॉडल जो सामग्री-जागरूक पॉइंट क्लाउड्स और TX सेटिंग्स से RX-केंद्रित मात्राओं की भविष्यवाणी करता है। यह TX-दृश्य अंतःक्रियाओं को हस्तांतरणीय लेटेंट कोड में एनकोड करने के लिए पदानुक्रमित टोकनाइजेशन और CSC अटेंशन का उपयोग करता है।
कार्य हस्तांतरणीयता (Task Transferability): यह प्रदर्शित किया गया है कि एक PG-प्रीट्रेन्ड एनकोडर को बैकबोन को फ्रोजन रखते हुए टास्क-विशिष्ट डिकोडर जोड़कर PAS भविष्यवाणी के लिए पुन: उपयोग किया जा सकता है। लाइट रेजिडुअल अनुकूलन प्रदर्शन को और बेहतर बनाता है।
PRISM डेटासेट: प्रोसीजरल रेडियो-इमेज सीन मल्टीमोडैलिटी डेटासेट का परिचय, जिसमें प्रोसीजरली जेनरेटेड इनडोर दृश्यों पर संरेखित वायरलेस और विजन एनोटेशन शामिल हैं। इसमें PRISM-PG (337 दृश्य, 86,272 TX-कंडीशनड फील्ड) और PRISM-PAS शामिल हैं।
दक्षता और सटीकता: व्यापक प्रयोग दिखाते हैं कि Point2Radio एक सिंगल GPU पर मिलीसेकंड-स्तर के अनुमान के साथ उच्च सटीकता प्राप्त करता है, जो बिना मेश या स्पष्ट पथ ट्रैकिंग के काम करता है।

प्रयोगात्मक परिणाम

डेटासेट और प्रोटोकॉल

प्रयोग PRISM डेटासेट पर किए गए, जिसे Infinigen का उपयोग करके बनाया गया था और Sionon RT के साथ लेबल किया गया था।

PG भविष्यवाणी: 337 कमरों (269 ट्रेन, 33 वैल, 35 टेस्ट) के सीन-डिस्जॉइंट स्प्लिट पर मूल्यांकन किया गया।
PAS भविष्यवाणी: 2000 TX स्थानों और 4 RX के साथ एक होल्ड-आउट इनडोर रूम पर मूल्यांकन किया गया।

प्रदर्शन मेट्रिक्स

पाथ-गेन (PG) भविष्यवाणी:
- जीरो-शॉट (ZS) प्रदर्शन: Point2Radio ने टेस्ट सेट पर 0.871 dB मीन एब्सोल्यूट एरर (MAE) और 0.954 SSIM प्राप्त किया।
- तुलना: यह RadioUNet-शैली के बेसलाइन (3.745 dB) की तुलना में 76.7% की कमी (MAE में) दर्शाता है और 3D U-Net (3.038 dB) से काफी बेहतर है।
- एब्लेशन: सामग्री इनपुट हटाने से MAE बढ़कर 1.259 dB हो गया, और नॉर्मल्स हटाने से यह 1.456 dB हो गया, जो दर्शाता है कि जबकि ज्यामिति (नॉर्मल्स) प्राथमिक है, सामग्री डेटा भविष्यवाणियों को परिष्कृत करता है।
PAS भविष्यवाणी:
- ZS प्रदर्शन: 0.6899 SSIM प्राप्त किया, जो NeRF2 और GSRF से बेहतर है, और WRF-GS+ के करीब है।
- फाइन-ट्यून प्रदर्शन: लाइट रेजिडुअल अनुकूलन के साथ, SSIM सुधरकर 0.7983 हो गया, जो WRF-GS+ (0.7145) और NeRF2 (0.6775) से अधिक है।
अनुमान दक्षता (Inference Efficiency):
- PG वॉल्यूम (16³): RTX 3090 पर Point2Radio का अनुमान 163 ms (3.3 GB पीक मेमोरी) लेता है, जबकि Sionna RT के लिए यह 990 ms (8.3 GB) है। यह लगभग 6.1× तेज़ है और 2.5× कम मेमोरी का उपयोग करता है।
- PAS पेयर: अनुमान 648 ms (Sionna RT) के मुकाबले 156 ms लेता है।
- स्पीडअप का कारण यह है कि एनकोडर प्रति TX एक बार चलता है, जिसके बाद कई RX क्वेरी के लिए सस्ता लोकल डिकोडिंग होता है।

महत्व और दावे

पेपर दावा करता है कि Point2Radio सफलतापूर्वक यह प्रदर्शित करता है कि एक मॉडल अनुमान के समय नियत भौतिकी (रे ट्रेसिंग) को निष्पादित किए बिना विविध 3D दृश्यों में सटीक रेडियो प्रसार संरचनाओं को कैप्चर कर सकता है। सामग्री-जागरूक पॉइंट क्लाउड्स से एक पुन: प्रयोज्य प्रसार पूर्ववृत्त सीखकर, मॉडल निम्नलिखित को सक्षम बनाता है:

क्रॉस-सीन सामान्यीकरण: बिना प्रति-दृश्य अनुकूलन के पूरी तरह से अनदेखे वातावरण में क्षेत्रों की भविष्यवाणी करना।
बहु-कार्य क्षमता: पाथ-गेन और पावर एंगुलर स्पेक्ट्रा भविष्यवाणी दोनों के लिए एक ही बैकबोन साझा करना।
उच्च दक्षता: वास्तविक समय के अनुप्रयोगों के लिए उपयुक्त मिलीसेकंड-स्केल अनुमान को सक्षम करना, जो पारंपरिक सिम्युलेटरों की तुलना में बड़े पैमाने पर रेडियो फील्ड डेटासेट उत्पन्न करने की कम्प्यूटेशनल लागत को काफी कम करता है।

लेखक नोट करते हैं कि हालांकि वर्तमान पाइपलाइन के लिए तैयार पॉइंट क्लाउड्स की आवश्यकता होती है, भविष्य के कार्यों का लक्ष्य अधिक सुलभ मोडैलिटी जैसे छवियों और वीडियो को स्वीकार करना और वास्तविक दुनिया के मापों का उपयोग करना है।