Physics-Constrained Synthetic Training for Sub-Terahertz Channel Rainfall Sensing

Technische Samenvatting: Fysica-geconstrueerd Synthetisch Trainen voor Sub-Terahertz Kanaal Regenvaldetectie

Probleemstelling
Terahertz (THz) kanalen bieden hoge capaciteit en fijne resolutie voor detectie, wat hen een kandidaat maakt voor Integrated Sensing and Communication (ISAC) in 6G-netwerken. Echter, door regen veroorzaakte extinctie in de THz-banden creëert een aanzienlijke betrouwbaarheidsuitdaging, terwijl het tegelijkertijd een mechanisme biedt voor opportunistische regenvaldetectie. In tegen tegenstelling tot volwassen regenvalretrie-systemen gebaseerd op satellieten, radar of commerciële microgolfverbindingen (CMLs), die vertrouwen op grootschalige operationele datasets voor supervised learning, lijdt THz-kanaalregenvalschatting aan een kritiek tekort aan real-world data. Bestaande studies zijn beperkt tot gecontroleerde kunstmatige regenexperimenten of kortstondige outdoor-campagnes, wat het trainen van robuuste deep learning-modellen verhindert.

Methodologie
Om het datatekort aan te pakken, stellen de auteurs een fysica-geconstrueerd synthetisch trainingsframework voor, gevalideerd door beperkte outdoor-metingen. De methodologie bestaat uit drie hoofdfasen:

1. Kanaalkarakterisering en Kalibratie:

   • Meting: Een outdoor-campagne werd uitgevoerd bij het Beijing Institute of Technology met een vaste 41,5 m punt-naar-punt THz-verbinding op 140 GHz en 229 GHz. De opstelling maakte gebruik van verticale lineaire polarisatie en registreerde variaties in het ontvangen vermogen onder heldere en regenachtige omstandigheden.
   • Statistische Modellering: De studie stelde een relatie vast tussen de Rician $K$-factor en de regenintensiteit ($R$) met behulp van een onafhankelijke dataset (BIT-24). Deze lineaire relatie ($K$ neemt af naarmate $R$ toeneemt) werd gebruikt om kleinschalige fading te modelleren.
   • Fysische Constraints: Regenattenuatie werd gemodelleerd met de ITU-R P.838-3 standaard en Mie-theorie, waarbij vier verschillende Raindrop Size Distribution (DSD) priors werden opgenomen: Marshall-Palmer (M-P), Joss-Widespread (J-W), Joss-Drizzle (J-D) en ITU-R P.838-3.

2. Synthetische Datageneratie (BIT-24-Gen):

   • Een fysica-geconstrueerd synthetische dataset werd gegenereerd om het datagap te overbruggen. Voor elke frequentie en DSD-prior werden 20.000 monsters gemaakt.
   • Elk monster bestaat uit een 20-seconden ontvangen-vermogenssequentie (400 punten met intervallen van 0,05s) gekoppeld aan een constante regenintensiteit-label.
   • Het generatieproces combineert grootschalige regenattenuatie (bepaald door de DSD-prior en padlengte) met kleinschalige Rician fading (gestuurd door de gekalibreerde $K$-$R$ relatie) en begrensde stochastische drift.
   • Regenintensiteiten werden gesampled uit een twee-componenten uniforme mix om de long-tailed natuur van regenevents te reflecteren (70% lichte regen, 30% matige/zware regen).

3. Netwerkarchitectuur (RainFormer):

   • Een hybride attention-convolution netwerk, RainFormer, werd ontworpen om korte-tijd ontvangen-vermogenssequenties naar regenintensiteiten te mappen.
   • Architectuur: Het model maakt gebruik van een 1D convolutionele embedding, gevolgd door vier gestapelde hybride blokken. Elk blok integreert multi-head self-attention (voor langetermijn temporele afhankelijkheden) en depthwise convolutionele gated feed-forward lagen (voor lokale fluctuatiepatronen).
   • Fysisch-Statistische Fusie: Een cruciaal ontwerpkenmerk is de expliciete concatenatie van fysisch-statistische beschrijvers (gemiddelde en standaarddeviatie van de inputsequentie) met de latente representatie vóór de regressiekop. Dit zorgt ervoor dat het netwerk direct gebruikmaakt van dominante attenuatie- en fluctuatiestatistieken in plaats van uitsluitend te vertrouwen op de backbone om deze te infereren.

Belangrijkste Resultaten

• In-Distribution Prestaties: Op de synthetische testset (BIT-24-Gen) behaalde RainFormer een Root Mean Square Error (RMSE) van 0,1782 mm/h bij 140 GHz (met de ITU-prior) en 0,2925 mm/h bij 229 GHz (met de M-P-prior).
• Ablatie-studies: Het verwijderen van de positionele codering veroorzaakte de meest significante prestatieverslechtering (RMSE steeg naar >1,1 mm/h), gevolgd door het verwijderen van de expliciete fysisch-statistische beschrijvers (RMSE steeg naar 1,65 mm/h bij 229 GHz). Dit bevestigt dat temporele volgorde en expliciete statistische beschrijvers de primaire drijvers zijn van voorspellende nauwkeurigheid, terwijl self-attention en convolutie als complementaire verfijningen fungeren.
• Baseline Vergelijking: RainFormer presteerde beter dan zowel een 1D-CNN als een vanilla Transformer. Bij 140 GHz verminderde het de RMSE met ~13% vergeleken met de 1D-CNN en ~40% vergeleken met de Transformer. Bij 229 GHz bereikte het de laagste Mean Absolute Error (MAE), wat robuustheid over frequenties aantoont.
• Zero-Shot Transfer: Wanneer toegepast op de gemeten BIT-25 dataset (zonder enige training of fine-tuning op echte regen), produceerden de modellen rang-consistente schattingen. De schattingen scheidden succesvol zwakke van zware regen, en de spreiding van voorspellingen over de vier DSD-prior-modellen effectief de onzekerheid begrensd die voortkomt uit de onwaarneembare pad-DSD.

Betekenis en Claims
Het artikel claimt dat DSD-gebrackette synthetische training een levensvatbare basis is voor THz-regenvaldetectie in scenario's waar operationele datasets niet beschikbaar zijn. De belangrijkste bijdragen zijn:

1. Oplossing voor Datatekort: Het demonstreren dat fysica-geconstrueerde synthetische data, gekalibreerd met beperkte real-world kanaalstatistieken, modellen kunnen trainen die generaliseren naar echte metingen zonder directe supervisie op regenlabels.
2. Onzekerheidskwantificatie: Door te trainen op meerdere DSD-priors, zet de aanpak de onwaarneembare pad-DSD om van een ongekwantificeerde bias naar een begrensde onzekerheidsenvelop, wat fysisch interpreteerbare schattingen oplevert.
3. Validatie van Hybride Architectuur: Het vaststellen dat voor THz-regenvaldetectie, expliciete fysisch-statistische beschrijvers en temporele-orde informatie belangrijker zijn dan complexe attention-mechanismen alleen.

De auteurs concluderen dat deze aanpak de ontwikkeling van opportunistische THz-regenvaldetectie voor 6G ISAC ondersteunt en mogelijk kan helpen bij het kruis-kalibreren van meteorologische radarretrievals, hoewel zij opmerken dat toekomstig werk meerdere event-campagnes en uitbreiding naar langere kanalen vereist.