RF-Analyzer: Can Vision-Language Models Learn RF Understanding from Synthetic Data?

Resumo Técnico: RF-Analyzer: Modelos Visão-Linguagem Podem Aprender Compreensão de RF a partir de Dados Sintéticos?

Declaração do Problema
Compreender o espectro sem fio é um requisito fundamental para sistemas de comunicação inteligentes. No entanto, interpretar espectrogramas exige a extração de múltiplos atributos físicos e o raciocínio sobre a estrutura do sinal, uma capacidade que as abordagens tradicionais de Aprendizado de Máquina (ML) lutam para alcançar devido à sua dependência de espaços de rótulos discretos e pré-definidos e à falta de interfaces de linguagem natural. Embora os Modelos de Linguagem de Grande Escala (LLMs) e os Modelos Visão-Linguagem (VLMs) tenham demonstrado promessa em tarefas de raciocínio, eles carecem de fundamentação direta em ambientes físicos. Existe uma lacuna crítica em determinar se VLMs treinados exclusivamente em dados sintéticos de Radiofrequência (RF) podem generalizar para ambientes reais de transmissão pelo ar (OTA). Dados reais de RF são caros, difíceis de rotular e restringidos por regulamentações, tornando os dados sintéticos uma alternativa atraente para treinamento. No entanto, permanece incerto se modelos treinados apenas em espectrogramas sintéticos podem interpretar com confiabilidade sinais ao vivo, onde as características de ruído, interferência e efeitos de propagação diferem significativamente das simulações.

Metodologia
Para abordar essa lacuna, os autores introduzem o RF-Analyzer, uma plataforma de análise SDR para IA acelerada por GPU. O sistema integra um dispositivo de captura de espectro ao vivo (Ettus USRP B210) com múltiplos backends de VLM, incluindo um modelo adaptado ao domínio (RF-GPT, baseado no Qwen2.5-VL e treinado exclusivamente em espectrogramas sintéticos) e baselines de propósito geral (Llama 3.2 Vision e Qwen2.5-VL não ajustado).

A plataforma opera da seguinte forma:

1. Aquisição de Sinal: Amostras IQ de banda base complexas são transmitidas do USRP B210, processadas através de um pipeline de DSP (janela de Hann, FFT, conversão para dB) e renderizadas como uma imagem de cascata tempo-frequência de 200 linhas.
2. Inferência: A imagem de cascata renderizada e um prompt de texto contendo apenas configurações de hardware (frequência central e taxa de amostragem) são enviadas aos backends de VLM. Crucialmente, os modelos não recebem dados IQ brutos, rótulos de verdade fundamental ou identificadores de cenário.
3. Estrutura de Avaliação: Os autores propõem uma benchmark composta por três métricas específicas para avaliar a compreensão de sinal e a fundamentação:
   • Pontuação de Extração de Atributo Físico (PAES): Uma escala de 0 a 5 que avalia a capacidade do modelo de identificar corretamente cinco atributos físicos binários: classe temporal, ocupação espectral, classe de SNR, isolamento de sinal e família de tecnologia.
   • Taxa de Vazamento de Prompt (PLR): Mede a extensão até a qual as estimativas de largura de banda são derivadas de metadados do prompt (taxa de amostragem) em vez de inferidas a partir do espectrograma visual.
   • Contagem de Alucinações: Rastreia afirmações factuais que contradizem propriedades mensuráveis do sinal, como falsos negativos (sinais visíveis não detectados) ou rótulos de tecnologia incorretos.

Os experimentos foram conduzidos em Abu Dhabi em seis cenários: cinco cenários alinhados por categoria (abrangendo LTE, FM, ISM, Wi-Fi e GSM) e um teste adversarial "Killer Test" (KT) envolvendo um mouse Bluetooth em uma bolsa de blindagem de RF para simular condições de baixo SNR e fora da distribuição.

Principais Resultados
A avaliação demonstra que VLMs treinados em dados de espectrograma sintético podem generalizar para ambientes reais de RF, mas com limitações distintas:

• Generalização de Atributos Físicos: O RF-GPT superou consistentemente as baselines de propósito geral na extração da geometria física do sinal. Identificou de forma confiável a ocupação espectral, o comportamento temporal e o isolamento de sinal em cenários dentro da distribuição, alcançando altas pontuações de PAES (por exemplo, 5/5 em S2, S3, S4, S5). Isso indica que os dados sintéticos são suficientes para aprender representações transferíveis da estrutura do sinal de RF.
• Fundamentação vs. Vazamento: O RF-GPT exibiu uma baixa Taxa de Vazamento de Prompt (15%), indicando que suas estimativas de largura de banda foram fundamentadas nos dados visuais em vez de copiadas dos metadados do prompt. Em contraste, modelos de propósito geral mostraram altas taxas de vazamento (55–70%), frequentemente dependendo de metadados quando as pistas visuais eram ambíguas.
• Modos de Falha:
  • Fundamentação Semântica: Embora o RF-GPT pudesse perceber formas de sinal, ele frequentemente classificou erroneamente rótulos de tecnologia (por exemplo, rotulando um sinal LTE como 5G NR) devido à falta de priores de alocação de frequência nos dados de treinamento sintéticos.
  • Robustez em Baixo SNR: No teste adversarial Killer Test (sinal Bluetooth atenuado, baixo SNR), o desempenho do RF-GPT degradou-se significativamente (PAES 2/5), frequentemente super-segmentando a cena ou classificando erroneamente ruído como sinais sobrepostos. As baselines de propósito geral falharam completamente, relatando nenhum sinal.
  • Limitações da Baseline: VLMs não ajustados sofreram com alucinações de falsos negativos, falhando em detectar sinais visíveis porque seu pré-treinamento não estava alinhado com a semântica de mapas de potência de RF (por exemplo, interpretando regiões espectrais brilhantes como textura de fundo).

Significado e Alegações
O artigo alega que dados sintéticos são suficientes para treinar VLMs a aprender representações transferíveis da estrutura do sinal de RF, permitindo a extração de atributos físicos como ocupação espectral e SNR de capturas do mundo real sem ajuste fino com dados reais. No entanto, os autores concluem modestamente que essa generalização é limitada. Os modelos carecem de fundamentação semântica confiável sem priores contextuais (como regulamentações de bandas de frequência), levando a classificações incorretas de protocolos. Além disso, a generalização falha sob condições não cobertas na distribuição sintética, especificamente regimes de baixo SNR e sinais atenuados.

O significado deste trabalho reside em demonstrar que modelos de linguagem de RF podem ser desenvolvidos e ajustados de forma mais eficiente usando dados sintéticos para tarefas de interpretação física, desde que trabalhos futuros abordem a necessidade de priores explícitos de alocação de banda e aumento de dados de baixo SNR para melhorar a robustez e a precisão semântica. O artigo não alega que o treinamento sintético sozinho resolve todos os desafios de análise de RF, mas estabelece uma baseline para o que é alcançável e onde residem as limitações atuais.