CDiT: Conditional Diffusion Transformer for Geometry-Aware Terahertz Cross Far- and Near-Field Channel Generation

Resumo Técnico: CDiT: Transformador de Difusão Condicional para Geração de Canais Terahertz Cross de Campo Próximo e Distante Consciente de Geometria

Declaração do Problema
A modelagem precisa de canais é crítica para o projeto e avaliação de sistemas Terahertz (THz) de múltipla entrada múltipla saída ultra-massiva (UM-MIMO). No entanto, abordagens existentes enfrentam limitações significativas. Métodos tradicionais baseados em modelos frequentemente dependem de suposições simplificadas, como esparsidade ou estruturas paramétricas pré-definidas, que falham em capturar as variações espaciais complexas e a coexistência de características de propagação de campo próximo e distante inerentes a ambientes THz práticos. Embora a aprendizagem profunda (DL) ofereça uma alternativa orientada por dados, modelos generativos existentes, como Redes Adversariais Generativas (GANs), sofrem com instabilidade no treinamento e colapso de modos. Além disso, modelos de difusão recentes frequentemente dependem de Redes Neurais Convolucionais (CNNs), que são limitadas por campos receptores locais e lutam para modelar as dependências espaciais de longo alcance e estruturas de alta dimensão dos canais THz UM-MIMO. Adicionalmente, a maioria dos frameworks generativos existentes foca exclusivamente em cenários de campo distante, negligenciando os efeitos híbridos de campo próximo/distante introduzidos por aberturas de antena extremamente grandes.

Metodologia
O artigo propõe um framework de Transformador de Difusão Condicional (CDiT) para abordar esses desafios. A metodologia é construída sobre três componentes principais:

1. Modelo de Onda Plana-Esférica Híbrida (HPSM) e Representação no Espaço de Feixes:
   Para equilibrar a fidelidade física com a tratabilidade computacional, os autores utilizam o HPSM. Este modelo aproveita uma arquitetura de multi-subarranjo com espaçamento amplo, onde a propagação intra-subarranjo é modelada como ondas planas, enquanto a propagação inter-subarranjo considera efeitos de ondas esféricas. O canal é transformado em uma representação esparsa no domínio do espaço de feixes ($H_b$). Essa transformação reduz a dimensionalidade da tarefa generativa e preserva a distribuição de potência angular fisicamente interpretável, permitindo que o modelo se concentre em clusters de propagação dominantes em vez de coeficientes densos e ruidosos.

2. Processo de Difusão Condicional:
   A tarefa de modelagem de canais é formulada como um problema de aprendizagem generativa condicional. O modelo aprende a transformar uma variável latente gaussiana em uma realização de canal no espaço de feixes condicionada a um vetor consciente de geometria $p$. Este vetor inclui distância euclidiana, coordenadas cartesianas relativas e informação angular (codificada via seno/cosseno para garantir continuidade). O processo segue uma etapa de difusão forward que adiciona progressivamente ruído aos dados do canal e uma etapa de remoção de ruído reverse que reconstrói o canal limpo a partir do ruído, guiada pela condição de geometria.

3. Arquitetura de Transformador de Difusão (DiT):
   Em vez de usar CNNs, a espinha dorsal de remoção de ruído emprega um Transformador de Difusão. A entrada de canal ruidosa é fragmentada em patches e incorporada em uma sequência de tokens. Um mecanismo de condicionamento especializado injeta tanto o passo de tempo de difusão quanto a informação de posição do usuário na espinha dorsal do transformador via Normalização de Camada Adaptativa (adaLN). O mecanismo de Atenção Self-Multi-Head (MHSA) permite que o modelo capture dependências espaciais globais em toda a representação de canal de alta dimensão, modelando efetivamente as correlações complexas que surgem da propagação de campo híbrido e de aberturas de antena ultra-grandes.

Contribuições Principais
O artigo delineia três contribuições primárias:

• Modelagem Generativa Unificada de Campo Híbrido: O desenvolvimento de um framework baseado em difusão capaz de unificar comportamentos de propagação de campo próximo, campo distante e campo cruzado dentro de um único modelo generativo sob o HPSM.
• Geração Baseada em Transformador Consciente de Geometria: O design de um gerador baseado em DiT que incorpora informações de posição como um sinal de condicionamento. Esta arquitetura aproveita a atenção self global para capturar dependências espaciais de longo alcance, permitindo a geração controlada de realizações de canal que preservam clusters de propagação dominantes e distribuições de potência angular.
• Validação Experimental: Avaliação abrangente demonstrando que o framework proposto alcança convergência estável e supera significativamente métodos de referência em termos de similaridade estrutural e fidelidade física.

Resultados
Experimentos extensivos foram conduzidos utilizando um conjunto de dados de 50.000 realizações de canais THz geradas via QuaDRiGa, calibradas com estatísticas de medição real de cenários de corredores internos em 306–321 GHz. O sistema utilizou $N_t=256$ antenas transmissoras e $N_r=64$ antenas receptoras.

• Convergência: O framework demonstrou convergência estável, com a perda de teste estabilizando após aproximadamente 60 épocas.
• Similaridade Estrutural: O CDiT proposto alcançou uma Média de Medida de Índice de Similaridade Estrutural (SSIM) de 0,75. Isso representa uma melhoria significativa em relação a uma linha de base baseada em GAN (0,43) e a um modelo de difusão baseado em CNN (0,46), correspondendo a uma melhoria de ~74,4% sobre a abordagem GAN.
• Distribuição de Potência: Os canais gerados alinharam-se estreitamente com dados de verdade fundamental (ground-truth) no que diz respeito às distribuições de potência angular no domínio do espaço de feixes. O modelo reconstruiu com sucesso concentrações de energia angular principais e localizações espaciais, confirmando sua capacidade de preservar características espaciais fisicamente significativas.

Significado e Alegações
Os autores afirmam que o framework CDiT proposto fornece um paradigma orientado por dados promissor para a modelagem de canais THz em sistemas de comunicações sem fio de próxima geração. Ao combinar a força de modelagem de distribuição dos modelos de difusão com a modelagem de dependência global dos transformadores, o framework supera as limitações das suposições convencionais de ondas planas e das arquiteturas de campo receptor local. O artigo afirma que esta abordagem preserva efetivamente tanto as características estatísticas quanto espacialmente significativas de ambientes de propagação THz práticos, oferecendo uma solução robusta para o projeto e avaliação de sistemas THz UM-MIMO onde a caracterização precisa do canal é primordial. O trabalho não alega resolver todos os desafios THz, mas aborda especificamente a lacuna na modelagem generativa de alta fidelidade e consciente de geometria para cenários híbridos de campo próximo/distante.