Calibrating the Digital Twin Channel: Statistics-Consistent Sim-to-Lab Adaptation for W-Band Industrial OFDM Links

Technische Samenvatting: Kalibratie van de Digitale Tweeling-kanaal voor W-band Industriële OFDM-verbindingen

Probleemstelling
Digitale tweelingen (DT's) bieden een kosteneffectieve methode voor het valideren van industriële draadloze netwerken door fysieke configuraties te simuleren vóór implementatie. De bruikbaarheid van een DT hangt echter kritisch af van de getrouwheid van de onderliggende Kanaaltweeling (CT). Hoewel locatie-specifieke ray tracing (RT) deterministische propagatiegeometrie bij de W-band (75–110 GHz) effectief vastlegt, slaagt het er niet in om de kleinschalige imperfecties en de variabiliteit van kanaal naar kanaal te reproduceren die worden waargenomen in realistische laboratoriummetingen boven 90 GHz.

Specifiek identificeren de auteurs twee systematische getrouwheidsverschillen tussen 95 GHz RT-simulaties (gebruikmakend van NVIDIA Sionia) en OFDM-metingen:

1. Onderschatting van energie in vroege taps: RT-solvers modelleren speculaire en refractieve interacties, maar laten diffuse near-field verstrooiing, antenne-naar-kabel mismatch rimpeling en analoge front-end groet-vertraging (group-delay) vervorming weg, wat leidt tot onnauwkeurige Power Delay Profiles (PDP).
2. Nauwe delay-spread distributie: Statische geometrie in RT produceert een bijna deterministische Root-Mean-Square (RMS) delay spread ($\tau_{rms}$), terwijl fysieke testopstellingen aanzienlijke variabiliteit vertonen als gevolg van oscillatorfase-ruis, sampling-klok jitter en signaal-ruisverhouding (SNR) drift.

Bestaande kalibratiestrategieën kampen met een fundamentele beperking: supervised learning vereist gekoppelde gesimuleerde en gemeten kanaalrealisaties, die zelden beschikbaar zijn in veld- of laboratoriumomgevingen omdat simulaties en metingen onafhankelijk van elkaar worden gegenereerd. Daarom is er behoefte aan een unpaired domain-alignment methode die kanaalstatistieken corrigeert zonder de onderliggende RT-solver aan te passen of sample-gewijze correspondentie te vereisen.

Methodologie: Statistics-Consistent Sim-to-Lab Adaptation (SC-SLA)
Het artikel stelt SC-SLA voor, een non-adversarial, unpaired kalibratiekader dat de statistische distributie van RT-gegenereerde Channel Frequency Responses (CFR's) afstemt op die van een fysieke W-band testopstelling.

• Architectuur: SC-SLA maakt gebruik van een CycleGAN-geïnspireerde, twee-generator architectuur (voorwaarts $G_{S \to R}$ en achterwaarts $G_{R \to S}$) gebaseerd op 1D ResNets. In tegenstelling tot standaard CycleGAN's worden de adversariële discriminatoren volledig verwijderd. In plaats daarvan wordt gebruikgemaakt van expliciete, differentieerbare kanaal-statistiek verliezen berekend over mini-batches om ontvanger-relevante metrieken af te stemmen.
• Verliesfuncties (Loss Functions): Het trainingsdoel minimaliseert discrepanties in:
  • Truncated PDP: Het afstemmen van het gemiddelde power delay profile.
  • Sub-band PDP: Het afstemmen van lokale frequentie-afhankelijke delay structuren (10 sub-banden).
  • $\tau_{rms}$ Momenten en Kwantielen: Het matchen van het gemiddelde, de standaarddeviatie en de volledige empirische distributie (via 1-Wasserstein afstand) van de RMS delay spread.
  • CFR Magnitude: Het minimaliseren van de Normalized Mean-Square Error (NMSE) van het gemiddelde CFR-magnitudeprofiel.
  • Regularisatie: Cycle-consistentie en identity losses zorgen ervoor dat de mapping fysiek betekenisvol blijft en niet ontkoppelt van de onderliggende geometrie.
• Experimentele Opstelling: Het framework werd gevalideerd met een aangepaste W-band testopstelling werkend op 92–95 GHz. De opstelling maakt gebruik van USRP-B200 radio's met WR-10 frequentieconversie modules en piramidale hoornantennes. De dataset bestaat uit 50.000 unpaired CFR's van Sionia RT (geaugmenteerd met imperfectie-modellen) en 50.000 gemeten CFR's.

Belangrijkste Bijdragen

1. Unpaired Distributional Formulation: De auteurs formuleren sim-to-lab adaptatie als een distributioneel alignment probleem, dat expliciet complementaire delay en frequentiedomein attributen (PDP, $\tau_{rms}$, subcarrier magnitude) target zonder dat gepaarde samples nodig zijn.
2. W-Band Testbed: Ontwikkeling van een commercieel off-the-shelf (COTS) meetplatform dat complexe OFDM CFR's kan vastleggen over het 92–95 GHz bereik op hetzelfde subcarrier rooster als de RT-solver.
3. Non-Adversarial Translator: Een nieuwe GAN-geïnspireerde architectuur die discriminatoren vervangt door expliciete kanaal-statistiek verliezen, wat kalibratie mogelijk maakt zonder de instabiliteit van adversariële training of de noodzaak van gepaarde data.
4. Empirische Validatie: Een uitgebreide evaluatie die aantoont dat SC-SLA superieur is aan supervised baselines (FCNN, CNN1D, BiLSTM, UNet1D) en generaliseert naar ongeziene dragers zonder hertraining.

Resultaten

• In-Domain Prestaties (95 GHz): Op de held-out testdata verminderde SC-SLA de $\tau_{rms}$ Kolmogorov–Smirnov (KS) statistiek van 0,86 (ongekalibreerd) naar 0,0495. Dit vertegenwoordigt een verbetering van 44% ten opzichte van de sterkste supervised baseline (UNet1D, KS=0,089). SC-SLA behaalde ook de laagste PDP NMSE ($3,0 \times 10^{-5}$) en CFR-magnitude NMSE (0,1077) van alle modellen.
• Cross-Frequency Generalisatie: Zonder hertraining of drager-specifieke afstemming, transfeerde de 95 GHz checkpoint succesvol naar 92, 93 en 94 GHz dragers. SC-SLA behield de laagste PDP en CFR-magnitude fouten over alle frequenties en hield de $\tau_{rms}$ distributie-mismatch aanzienlijk lager dan de ongekalibreerde twin.
• Data Sensitiviteit: Het model bleef robuust, zelfs wanneer de gemeten trainingsset met 75% werd gereduceerd (naar 11.250 samples), waarbij de hoge kalibratiekwaliteit behouden bleef.
• Ablatie Studies: De studie bevestigde dat de $\tau_{rms}$ kwantiel loss cruciaal is voor het afstemmen van de bovenste staart van de distributie, terwijl de sub-band PDP loss en de tanh-bounded residual head essentieel zijn voor cross-frequency stabiliteit.

Betekenis en Claims
Het artikel beweert dat SC-SLA een praktische oplossing biedt voor het kalibreren van ray-traced digitale tweelingen in industriële W-band omgevingen waar gepaarde data niet beschikbaar is. Door de focus te leggen op ontvanger-relevante statistieken in plaats van waveform-level fitting, behoudt het framework de schaalbaarheid van ray tracing terwijl het de stochastische variabiliteit van fysieke verbindingen reproduceert. De auteurs stellen dat deze aanpak betrouwbaardere link-level studies mogelijk maakt (bijv. pilot density selectie, cyclic-prefix design) voor 6G industriële IoT-implementaties. Het werk wordt ondersteund door de release van datasets, getrainde checkpoints en broncode om reproduceerbaarheid te faciliteren. De auteurs blijven bescheiden en merken op dat de huidige validatie beperkt is tot een statische line-of-sight (LOS) scène en een bandbreedte van 50 MHz, waarbij toekomstig werk nodig is voor non-line-of-sight (NLOS), geometrie-variërende en multi-antenne scenario's.