CDiT: Conditional Diffusion Transformer for Geometry-Aware Terahertz Cross Far- and Near-Field Channel Generation

Sintesi Tecnica: CDiT: Trasformatore Diffusivo Condizionale per la Generazione di Canali Terahertz Consapevoli della Geometria tra Campo Vicino e Campo Lontano

Enunciato del Problema
La modellazione accurata dei canali è fondamentale per la progettazione e la valutazione dei sistemi Terahertz (THz) ultra-massivi a multiple-input multiple-output (UM-MIMO). Tuttavia, gli approcci esistenti presentano limitazioni significative. I metodi tradizionali basati su modelli spesso si affidano a ipotesi semplificate, come la sparsità o strutture parametriche predefinite, che non riescono a catturare le complesse variazioni spaziali e la coesistenza di caratteristiche di propagazione nel campo vicino e nel campo lontano, intrinseche negli ambienti THz pratici. Sebbene l'apprendimento profondo (DL) offra un'alternativa basata sui dati, i modelli generativi esistenti, come le Reti Avversariali Generative (GAN), soffrono di instabilità nell'addestramento e collasso delle modalità. Inoltre, i recenti modelli diffusivi spesso si basano su Reti Neurali Convoluzionali (CNN), limitate dai campi ricettivi locali e che faticano a modellare le dipendenze spaziali a lungo raggio e le strutture ad alta dimensionalità dei canali THz UM-MIMO. Inoltre, la maggior parte degli attuali framework generativi si concentra esclusivamente su scenari di campo lontano, trascurando gli effetti ibridi campo vicino/campo lontano introdotti da aperture antenna estremamente grandi.

Metodologia
Il documento propone un framework di Trasformatore Diffusivo Condizionale (CDiT) per affrontare queste sfide. La metodologia si fonda su tre componenti principali:

1. Modello Ibrido d'Onda Piana-Sferica (HPSM) e Rappresentazione nello Spazio dei Fasci:
   Per bilanciare la fedeltà fisica con la trattabilità computazionale, gli autori utilizzano l'HPSM. Questo modello sfrutta un'architettura a sotto-array multipli ampiamente distanziati, dove la propagazione intra-sotto-array è modellata come onde piane, mentre la propagazione inter-sotto-array tiene conto degli effetti delle onde sferiche. Il canale viene trasformato in una rappresentazione nello spazio dei fasci ($H_b$) sparsa. Tale trasformazione riduce la dimensionalità del compito generativo e preserva la distribuzione di potenza angolare interpretabile fisicamente, consentendo al modello di concentrarsi sui cluster di propagazione dominanti piuttosto che su coefficienti densi e rumorosi.

2. Processo Diffusivo Condizionale:
   Il compito di modellazione del canale è formulato come un problema di apprendimento generativo condizionale. Il modello impara a trasformare una variabile latente gaussiana in una realizzazione del canale nello spazio dei fasci, condizionata da un vettore consapevole della geometria $p$. Questo vettore include la distanza euclidea, le coordinate cartesiane relative e le informazioni angolari (codificate tramite seno/coseno per garantire la continuità). Il processo segue un passo di diffusione in avanti che aggiunge progressivamente rumore ai dati del canale e un passo di denoising inverso che ricostruisce il canale pulito dal rumore, guidato dalla condizione geometrica.

3. Architettura Diffusion Transformer (DiT):
   Invece di utilizzare CNN, il backbone di denoising impiega un Diffusion Transformer. L'input rumoroso del canale viene suddiviso in patch e incorporato in una sequenza di token. Un meccanismo di condizionamento specializzato inietta sia l'istante temporale di diffusione che le informazioni sulla posizione dell'utente nel backbone del trasformatore tramite Normalizzazione di Strato Adattiva (adaLN). Il meccanismo Multi-Head Self-Attention (MHSA) consente al modello di catturare le dipendenze spaziali globali su tutta la rappresentazione ad alta dimensionalità del canale, modellando efficacemente le complesse correlazioni derivanti dalla propagazione ibrida di campo e dalle aperture antenna ultra-grandi.

Contributi Chiave
Il documento delinea tre contributi principali:

• Modellazione Generativa Unificata Ibrida di Campo: Lo sviluppo di un framework basato sulla diffusione capace di unificare i comportamenti di propagazione nel campo vicino, nel campo lontano e nel campo incrociato all'interno di un singolo modello generativo sotto l'HPSM.
• Generazione Basata su Trasformatore Consapevole della Geometria: La progettazione di un generatore basato su DiT che incorpora le informazioni di posizione come segnale di condizionamento. Questa architettura sfrutta l'auto-attenzione globale per catturare le dipendenze spaziali a lungo raggio, consentendo una generazione controllata di realizzazioni del canale che preservano i cluster di propagazione dominanti e le distribuzioni di potenza angolare.
• Validazione Sperimentale: Una valutazione completa che dimostra come il framework proposto raggiunga una convergenza stabile e superi significativamente i metodi di riferimento in termini di similarità strutturale e fedeltà fisica.

Risultati
Sono stati condotti esperimenti estesi utilizzando un dataset di 50.000 realizzazioni di canali THz generate tramite QuaDRiGa, calibrate con statistiche di misurazione reali da scenari di corridoi interni a 306–321 GHz. Il sistema ha utilizzato $N_t=256$ antenne trasmettitrici e $N_r=64$ antenne riceventi.

• Convergenza: Il framework ha dimostrato una convergenza stabile, con la perdita di test che si è stabilizzata dopo circa 60 epoche.
• Similarità Strutturale: Il CDiT proposto ha raggiunto un Indice Medio di Similarità Strutturale (SSIM) di 0,75. Ciò rappresenta un miglioramento significativo rispetto a una baseline basata su GAN (0,43) e a un modello diffusivo basato su CNN (0,46), corrispondente a un miglioramento di circa il 74,4% rispetto all'approccio GAN.
• Distribuzione di Potenza: I canali generati si sono allineati strettamente ai dati reali riguardo alle distribuzioni di potenza angolare nel dominio dello spazio dei fasci. Il modello ha ricostruito con successo le concentrazioni principali di energia angolare e le posizioni spaziali, confermando la sua capacità di preservare le caratteristiche spaziali fisicamente significative.

Significato e Affermazioni
Gli autori affermano che il framework CDiT proposto offre un paradigma promettente basato sui dati per la modellazione dei canali THz nei sistemi wireless di prossima generazione. Combinando la forza della modellazione della distribuzione dei modelli diffusivi con la modellazione delle dipendenze globali dei trasformatori, il framework supera le limitazioni delle ipotesi convenzionali di onde piane e delle architetture a campo ricettivo locale. Il documento afferma che questo approccio preserva efficacemente sia le caratteristiche statistiche che quelle spaziali fisicamente significative degli ambienti di propagazione THz pratici, offrendo una soluzione robusta per la progettazione e la valutazione dei sistemi THz UM-MIMO, dove una caratterizzazione accurata del canale è fondamentale. Il lavoro non afferma di risolvere tutte le sfide THz, ma affronta specificamente il divario nella modellazione generativa ad alta fedeltà e consapevole della geometria per scenari ibridi campo vicino/campo lontano.