Structured Latent Dynamics in Wireless CSI via Homomorphic World Models

Titolo

Dinamiche Latenti Strutturate nel CSI Wireless tramite Modelli del Mondo Omomorfi

1. Il Problema

Le comunicazioni wireless moderne devono affrontare la sfida di gestire ambienti dinamici e complessi. Il Channel State Information (CSI) è un dato ad alta dimensionalità, rumoroso e soggetto a rapide variazioni temporali.

• Limiti degli approcci attuali: Le tecniche esistenti per la "Channel Charting" (CC), ovvero la mappatura del CSI in uno spazio latente a bassa dimensionalità che preserva la vicinanza spaziale, sono spesso statiche. Si basano su metriche di dissimilarità manuali o su modelli di apprendimento contrastivo che non catturano la dinamica temporale o la causalità del movimento dell'utente.
• La domanda aperta: È possibile utilizzare lo spazio latente di un "World Model" (WM) non solo per prevedere stati futuri, ma anche come una rappresentazione significativa e geometricamente fedele dell'ambiente radio, capace di generalizzare a scenari non visti?

2. Metodologia Proposta

Gli autori propongono un framework auto-supervisionato basato sull'architettura Joint Embedding Predictive Architecture (JEPA), adattata per modellare l'evoluzione temporale del CSI in uno spazio latente compatto.

A. Formulazione del Problema

Il sistema è modellato come un Processo Decisionale di Markov (MDP) dove:

• Stato ($S$): Il CSI osservato (tensori complessi da più antenne e subportanti).
• Azione ($A$): Il vettore di controllo derivato dalla velocità dell'utente (UE), che agisce come segnale di transizione di stato.
• Obiettivo: Apprendere un encoder $\zeta$ che mappa il CSI in uno spazio latente $z_t$, e un operatore di transizione $\psi$ che prevede lo stato futuro $\hat{z}_{t+h}$ basandosi sulla sequenza di azioni (velocità).

B. Innovazione Chiave: Dinamiche Omomorfe

A differenza dei modelli standard che usano reti neurali generiche per le transizioni, questo lavoro introduce aggiornamenti omomorfi derivati dall'algebra di Lie:

1. Parametrizzazione: L'input di controllo (velocità $a_t$) viene proiettato in un'algebra di Lie tramite una mappa apprendibile $\phi_\Theta$.
2. Esponenziazione Matriciale: L'elemento del gruppo di Lie viene ottenuto tramite l'esponenziale della matrice: $\rho_\Theta(a_t) = \exp(\phi_\Theta(a_t))$.
3. Composizione: La previsione dello stato futuro è il risultato della composizione di queste trasformazioni:
   $$\hat{z}_{t+h} = \left( \prod_{i=0}^{h-1} \rho_\Theta(a_{t+i}) \right) z_t$$
   Questa struttura garantisce che le transizioni nello spazio latente siano composizionali, lisce e geometricamente coerenti, riflettendo la fisica del movimento senza richiedere conoscenze a priori del gruppo di trasformazione.

C. Architettura e Training

• Encoder: Una rete convolutiva (stile ResNet) che processa il CSI pre-elaborato (magnitudine e fase) per produrre embedding latenti.
• Obiettivo di Training: Un setup "Teacher-Student" tipico dei JEPA.
  • Un encoder online genera le previsioni.
  • Un encoder target (aggiornato tramite EMA - Exponential Moving Average) fornisce i valori di riferimento.
• Funzione di Perdita ($L_{total}$): Una combinazione ponderata di:
  1. Teacher-Forcing Loss: Allineamento diretto tra previsione e target.
  2. Rollout Loss: Supervisione solo sullo stato finale della sequenza prevista.
  3. VICReg Regularization: Per evitare la degenerazione degli embedding (mantenendo varianza e decorrelazione).
  4. Inverse Dynamics Modeling (IDM): Una perdita aggiuntiva che forza lo spazio latente a contenere informazioni sufficienti per ricostruire l'azione (velocità) tra due stati consecutivi.

3. Contributi Principali

1. Primo World Model Predittivo Auto-Supervisionato per Wireless: Un modello addestrato end-to-end su sequenze di CSI grezzo senza supervisione spaziale esplicita.
2. Introduzione di Dinamiche Omomorfe: Prima applicazione di operatori di transizione basati su algebra di Lie e esponenziali matriciali per la modellazione dei canali radio, garantendo una struttura geometrica rigorosa.
3. Funzione di Mappatura (FCF): Dimostrazione che l'encoder appreso funge da funzione di mappatura in avanti, creando una "Channel Chart" metricamente fedele dove le distanze euclidee nello spazio latente corrispondono alle distanze fisiche.
4. Generalizzazione: Il modello è in grado di operare su percorsi e ambienti mai visti durante l'addestramento.

4. Risultati Sperimentali

Il modello è stato valutato sul dataset DICHASUS (misure di canale indoor a banda larga con 4 stazioni base e 8 antenne ciascuna).

• Metriche di Valutazione: Sono stati utilizzati standard del settore per la Channel Charting:
  • Trustworthiness (TW) e Continuity (CT): Misurano la preservazione della struttura locale (ideale = 1).
  • Kruskal's Stress (KS) e Rajski's Distance (RD): Misurano l'allineamento topologico globale (ideale = 0).
• Confronto con Baseline: Il metodo proposto supera significativamente baseline potenti come MLP, GRU (reti ricorrenti) e predittori FiLM (modulazione lineare).
  • Esempio: TW del modello proposto: 0.9948 vs 0.9916 (GRU); RD: 0.7473 vs 0.7818 (GRU).
• Ablation Study: L'analisi dimostra che la rimozione della regolarizzazione VICReg o della perdita IDM causa un crollo delle prestazioni (es. CT scende a 0.64 senza regolarizzazione), confermando che la struttura geometrica e la consapevolezza del movimento sono essenziali.
• Visualizzazione: Le proiezioni PCA delle traiettorie latenti previste corrispondono fedelmente alle traiettorie reali dell'utente, anche in ambienti non visti, confermando la coerenza temporale e geometrica.

5. Significato e Impatto

Questo lavoro rappresenta un passo fondamentale verso l'intelligenza di rete autonoma e adattiva:

• Scalabilità: Fornisce una base scalabile per applicazioni a valle come la pianificazione della mobilità, il beamforming adattivo e la localizzazione, senza bisogno di etichette spaziali costose.
• Interpretabilità Fisica: L'uso di strutture algebriche (Lie groups) rende lo spazio latente interpretabile fisicamente, permettendo simulazioni stabili ("rollout") di scenari futuri basati su azioni ipotetiche.
• Versatilità: Il framework apre la strada all'integrazione di modelli del mondo nei sistemi wireless per la previsione proattiva delle condizioni del canale, superando i limiti dei modelli statici attuali.

In sintesi, gli autori hanno dimostrato che modellare la dinamica del canale radio come un sistema dinamico strutturato in uno spazio latente, guidato da principi matematici di simmetria, permette di costruire rappresentazioni wireless robuste, predittive e geometricamente accurate.