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

Sintesi Tecnica: SetGAN Condizionale Physics-Aware per la Generazione di Canali TR 38.901 Spazialmente Coerenti per Multi-Utente

Definizione del Problema
Generare realizzazioni di canali MIMO multi-utente coerenti con lo standard 3GPP TR 38.901 è computazionalmente oneroso, in particolare quando si valutano un numero elevato di deployment di equipaggiamenti utente (UE). Sebbene strumenti come Sionna forniscano riferimenti affidabili e basati sulla fisica, il loro costo di runtime diventa proibitivo per simulazioni Monte Carlo estese. Una sfida critica è che i canali multi-utente non possono essere trattati come campionamenti indipendenti; gli UE vicini devono esibire effetti su larga scala correlati e strutture di fading a piccola scala coerenti per mantenere la coerenza spaziale. I modelli generativi esistenti spesso si concentrano su singoli link, statistiche globali o compiti specifici, fallendo nel riprodurre la piena struttura congiunta condizionata dalla geometria di snapshot multi-utente con esplicita coerenza spaziale.

Metodologia
Gli autori propongono un SetGAN Condizionale Physics-Aware progettato per generare realizzazioni di canali multi-utente più velocemente del simulatore di riferimento, preservando al contempo le correlazioni spaziali imposte dalla geometria dell'utente. L'approccio segue un flusso di lavoro end-to-end composto da cinque fasi:

1. Rappresentazione dei Dati e Fattorizzazione:

   • I dati di riferimento sono generati utilizzando Sionna per lo scenario UMa/NLoS.
   • Il tensore del canale viene decomposto in due componenti: un termine di potenza ricevuta su larga scala (a variazione lenta) e un tensore di fading a piccola scala normalizzato (fluttuazioni rapide).
   • La potenza su larga scala è mantenuta come un target di predizione scalare diretto.
   • Il fading a piccola scala normalizzato viene compresso utilizzando l'Analisi delle Componenti Principali (PCA) in uno spazio latente bianchiato per ridurre la dimensionalità e facilitare l'apprendimento avversario.

2. Architettura (SetGAN Condizionata dalla Geometria):

   • Formulazione Basata su Set: Il modello tratta lo snapshot multi-utente come un insieme non ordinato di UE, garantendo l'invarianza/equivarianza alla permutazione.
   • Consapevolezza della Geometria: Il generatore utilizza Set Transformer con bias posizionali relativi. Le coordinate dei terminali utente sono codificate tramite funzioni di Fourier casuali e passate attraverso un MLP appreso.
   • Meccanismo di Interazione: Il meccanismo di attenzione include un termine di bias di coppia appreso dipendente dalla distanza tra i terminali utente ($b(r_i, r_j)$). Questo impone un prior di interazione consapevole della distanza, incoraggiando un accoppiamento più forte tra gli UE vicini per imitare la coerenza spaziale fisica.
   • Iniezione di Rumore: Il modello accetta rumore globale (condiviso tra lo snapshot) e rumore locale (specifico per ogni UE) per catturare sia le variazioni collettive che quelle individuali del canale.

3. Addestramento Physics-Informed:

   • L'obiettivo di addestramento combina una perdita avversaria standard (Wasserstein GAN con normalizzazione spettrale) con specifiche perdite ausiliarie physics-aware.
   • Corrispondenza dei Profili (Profile Matching): Il modello minimizza esplicitamente l'errore tra i profili di similarità (struttura di fading e potenza ricevuta) generati e quelli di riferimento in funzione della distanza di separazione tra gli UE.
   • Regolarizzazione della Coda (Tail Regularization): Termini specifici ($L_{topk}$, $L_{mass}$) sono introdotti per garantire la fedeltà nelle code della distribuzione della potenza ricevuta, che i termini avversari standard spesso non riescono a catturare accuratamente.
   • Supervisione: Perdite di regressione diretta sono applicate alla potenza ricevuta su larga scala e vincoli di fluidità (smoothness) sono applicati alle variazioni di potenza locale.

Risultati Chiave
Valutato sul benchmark UMa/NLoS con 100 UE per snapshot, il surrogato addestrato dimostra la seguente prestazione rispetto al riferimento Sionna:

• Fedeltà:
  • Potenza Ricevuta: La distribuzione della potenza generata corrisponde strettamente al riferimento, con una distanza Wasserstein-1 di 0.41 dB e una statistica di Kolmogorov-Smirnov di 0.0170.
  • Coerenza Spaziale: Il modello riproduce i profili di coerenza spaziale con errori medi assoluti (MAE) sulle curve mediane inferiori a 0.03 (specificamente 0.0255 per la similarità di potenza e 0.0260 per la similarità della struttura di fading) attraverso i bin di distanza.
• Efficienza:
  • In un benchmark CPU-vs-CPU a posizione fissa, il modello riduce il tempo trascorso di generazione di un fattore di 3.45 e il costo totale della CPU di un fattore di 6.15 rispetto a Sionna.
  • In un benchmark GPU-vs-GPU (con limiti di memoria di 16 GB), gli acceleramenti sono di 2.52× per il tempo di generazione e 1.31× per il costo totale.

Significatività e Claim
Il documento sostiene che un modello generativo addestrato può accelerare sostanzialmente la generazione di canali TR 38.901 senza compromettere la coerenza spaziale necessaria per la valutazione di sistemi multi-utente. Il contributo primario è un surrogato che combina:

1. Generazione condizionata dalla geometria di snapshot multi-utente completi.
2. Preservazione esplicita della coerenza spaziale attraverso il matching dei profili di distanza.
3. Diretta valutazione della fedeltà e del runtime rispetto a un riferimento Sionna a posizione corrispondente.

Gli autori sottolineano che questo lavoro risolve la specifica lacuna della generazione di snapshot TR 38.901 completi e condizionati dalla geometria con espliciti profili di coerenza spaziale, piuttosto che semplici link individuali o covarianze statistiche. I risultati sono validati sotto un protocollo controllato UMa/NLoS; gli autori osservano che claim più ampi su altri scenari TR 38.901 o setting di deployment richiedono un'ulteriore validazione.