A Generative AI-Enhanced Digital Twin Framework for Proactive Interference Management in Hybrid Near/Far-Field Wireless Systems

Resumo Técnico: Um Framework de Gêmeo Digital Aprimorado por IA Generativa para Gerenciamento Proativo de Interferência em Sistemas Sem Fio Híbridos de Campo Próximo/Longínquo

Declaração do Problema
As redes sem fio de próxima geração operando nas bandas de onda milimétrica (mmWave) e terahertz (THz) enfrentam desafios significativos devido à severa perda de caminho e alta sensibilidade a bloqueios. A implantação de sistemas de Entrada Múltipla e Saída Múltipla de Escala Extremamente Grande (XL-MIMO) introduz um ambiente de propagação híbrido complexo, onde os usuários coexistem simultaneamente nos regimes de Campo Próximo (NF) e Campo Longínquo (FF). Em cenários internos densos, a mobilidade dos usuários e obstáculos dinâmicos (por exemplo, pessoas caminhando) causam interferência não estacionária rápida e bloqueios de sinal. O gerenciamento tradicional de interferência baseia-se em esquemas reativos que utilizam Informações de Estado do Canal (CSI) instantâneas, o que frequentemente falha em antecipar essas mudanças rápidas dentro do tempo de coerência do canal. Embora os Gêmeos Digitais (DTs) ofereçam réplicas virtuais de alta fidelidade de ambientes físicos, as abordagens existentes baseadas em DTs permanecem em grande parte reativas ou determinísticas, carecendo da capacidade de prever estados futuros estocásticos, como bloqueios súbitos ou deslocamentos de trajetória de usuários. Além disso, a integração de IA Generativa (GenAI) com DTs para gerenciamento proativo de interferência em sistemas XL-MIMO de campo híbrido permanece pouco explorada.

Metodologia
Os autores propõem um framework integrado que combina um Gêmeo Digital (DT) de alta fidelidade com um módulo de IA Generativa (GenAI) para permitir a supressão proativa de interferência. O sistema opera como uma arquitetura em malha fechada composta por quatro etapas principais:

1. Inicialização do Gêmeo Digital e Rastreamento de Raios: Um DT específico do local constrói uma réplica virtual do ambiente interno, capturando geometria 3D, propriedades eletromagnéticas e localizações de transmissores/receptores. Ele utiliza um motor de rastreamento de raios para sintetizar dados de canal de verdade fundamental, distinguindo entre regimes NF (frente de onda esférica) e FF (frente de onda plana) com base na distância de Rayleigh.
2. Síntese de Dados Espaço-Temporais: O DT gera um conjunto de dados abrangente que inclui trajetórias históricas de usuários, indicadores de regime (NF/FF) e eventos de bloqueio sintéticos. Diferentemente de modelos padrão que tratam o bloqueio como uma variável aleatória, este framework o modela como uma quantidade preditiva consciente da geometria, derivada da interseção de trajetórias de usuários previstas e obstáculos 3D.
3. Previsão Impulsionada por GenAI: Uma Rede Adversarial Generativa Condicional (cGAN) é treinada no conjunto de dados gerado pelo DT. A cGAN aprende a distribuição condicional de estados futuros da rede dada observações históricas e contexto ambiental. Ela sintetiza estocasticamente múltiplas trajetórias futuras plausíveis para canais, desvanecimento de grande escala e indicadores de bloqueio ($\hat{\xi}_k(t+\tau)$), capturando a incerteza inerente à mobilidade do usuário e bloqueios dinâmicos.
4. Otimização Proativa: Um otimizador preditivo utiliza o conjunto de $M$ trajetórias futuras sintetizadas para calcular vetores de formação de feixe adaptativos. O objetivo é minimizar a interferência cumulativa esperada em todos os futuros amostrados, ao mesmo tempo em que satisfaz as restrições de Relação Sinal-para-Interferência-mais-Ruído (SINR). A otimização é consciente do regime, aplicando Forçamento Zero (ZF) para usuários FF e formação de feixe consciente da localização para usuários NF, e otimizando conjuntamente para regimes híbridos.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

• Framework Integrado: Apresenta um framework inovador que funde GenAI e DTs para modelar a transição entre regiões FF e NF em configurações XL-MIMO. Diferentemente de modelos de interferência estáticos, esta abordagem emprega um modelo espaço-temporal em evolução para deslocar o gerenciamento de rede de reativo para proativo.
• Modelagem Generativa de Bloqueio: O trabalho transforma o bloqueio de usuários de um evento estocástico aleatório em um parâmetro generativo. Ao combinar o mapa ambiental detalhado do DT com movimentos de usuários previstos, o sistema antecipa quando e onde os sinais serão bloqueados, em vez de reagir após a interrupção.
• Formação de Feixe em Malha Fechada Unificada: Os autores desenvolvem um framework unificado que governa adaptativamente a formação de feixe através dos regimes híbridos NF e FF. A contribuição não reside em um novo algoritmo de formação de feixe por si só, mas na integração da replicação de ambiente baseada em DT com previsão impulsionada por GenAI para atualizar continuamente as estratégias de gerenciamento de interferência.
• Validação Abrangente: O framework é validado usando simulações extensas baseadas em conjuntos de dados de rastreamento de raios Sionna. O método proposto é comparado com ZF reativo, formação de feixe de campo híbrido reativo, DTs determinísticos não generativos e DTs aprimorados por GenAI não conscientes do regime.

Resultados
Os resultados da simulação demonstram que o framework proposto de DT aprimorado por GenAI supera significativamente os esquemas reativos convencionais e as abordagens puramente determinísticas:

• Supressão de Interferência: O framework alcança uma rápida diminuição nos níveis de interferência durante eventos dinâmicos (por exemplo, bloqueio ou formação de pontos quentes) em comparação com a degradação acentuada observada em esquemas reativos.
• SINR e Interrupção: O método proposto produz a distribuição mais alta de Relação Sinal-para-Interferência-mais-Ruído (SINR) e a menor probabilidade de interrupção em vários limiares de SINR. Mantém links confiáveis mesmo sob condições dinâmicas de bloqueio e mobilidade.
• Precisão de Previsão: Em termos de Erro Quadrático Médio (RMSE) para previsão de interferência, a abordagem consciente do regime com GenAI consistentemente alcança o menor erro em diferentes horizontes de previsão, superando as linhas de base determinísticas de DT e modelos de GenAI não conscientes do regime.
• Robustez: O framework demonstra escalabilidade superior em ambientes de usuários lotados (aumento de $K$) e mantém robustez contra incertezas em cenários de previsão de longo prazo.

Significância
O artigo afirma que este trabalho representa o primeiro framework totalmente integrado que aproveita DTs aprimorados por GenAI especificamente para supressão de interferência em sistemas de campo híbrido. Sua significância reside em preencher a lacuna entre a modelagem física de alta fidelidade (DT) e as capacidades preditivas e estocásticas da IA Generativa. Ao antecipar estados futuros do canal e condições de bloqueio, o framework permite que as redes reconfigurem proativamente nulos espaciais e estratégias de formação de feixe antes que a interferência se manifeste no domínio físico. Esta abordagem aborda as limitações dos sistemas reativos atuais e dos DTs determinísticos, oferecendo um caminho para manter comunicações ultraconfiáveis e de baixa latência nos ambientes altamente dinâmicos e complexos das futuras redes internas 6G.