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

Resumo Técnico: Treinamento Sintético com Restrições Físicas para Sensoriamento de Chuva em Canais Sub-Terahertz

Definição do Problema
Os canais de Terahertz (THz) oferecem comunicações de alta capacidade e capacidades de sensoriamento de alta resolução, tornando-os candidatos para a Integração de Sensoriamento e Comunicação (ISAC) em redes 6G. No entanto, a extinção induzida pela chuva nas bandas THz cria um desafio significativo de confiabilidade, ao mesmo tempo em que oferece um mecanismo para o sensoriamento oportunista de precipitação. Diferente dos sistemas maduros de recuperação de chuva baseados em satélites, radares ou links de micro-ondas comerciais (CMLs), que dependem de conjuntos de dados operacionais de larga escala para aprendizado supervisionado, a estimativa de chuva em canais THz sofre com uma escassez crítica de dados do mundo real. Estudos existentes limitam-se a experimentos de chuva artificial controlada ou campanhas externas de curto prazo, impedindo o treinamento de modelos de aprendizado profundo robustos.

Metodologia
Para enfrentar a escassez de dados, os autores propõem um framework de treinamento sintético com restrições físicas, validado por medições externas limitadas. A metodologia consiste em três estágios principais:

1. Caracterização e Calibração do Canal:

   • Medição: Uma campanha externa foi realizada no Instituto de Tecnologia de Pequim utilizando um link ponto-a-ponto de THz fixo de 41,5 m em 140 GHz e 229 GHz. A configuração utilizou polarização linear vertical e registrou variações de potência recebida sob condições de céu limpo e chuva.
   • Modelagem Estatística: O estudo estabeleceu uma relação entre o fator $K$ de Rician e a taxa de chuva ($R$) usando um conjunto de dados independente (BIT-24). Essa relação linear ($K$ diminui conforme $R$ aumenta) foi utilizada para modelar o desvanecimento de pequena escala.
   • Restrições Físicas: A atenuação pela chuva foi modelada usando o padrão ITU-R P.838-3 e a teoria de Mie, incorporando quatro priors distintos de Distribuição de Tamanho de Gotas (DSD): Marshall-Palmer (M-P), Joss-Widespread (J-W), Joss-Drizzle (J-D) e ITU-R P.838-3.

2. Geração de Dados Sintéticos (BIT-24-Gen):

   • Um conjunto de dados sintéticos com restrições físicas foi gerado para preencher a lacuna de dados. Para cada frequência e prior de DSD, foram criadas 20.000 amostras.
   • Cada amostra consiste em uma sequência de potência recebida de 20 segundos (400 pontos em intervalos de 0,05s) pareada com um rótulo de taxa de chuva constante.
   • O processo de geração combina a atenuação de chuva de larga escala (determinada pelo prior de DSD e comprimento do caminho) com o desvanecimento de Rician de pequena escala (regido pela relação calibrada $K$-$R$) e um drift estocástico limitado.
   • As taxas de chuva foram amostradas de uma mistura uniforme de dois componentes para refletir a natureza de cauda longa dos eventos de chuva (70% chuva leve, 30% chuva moderada/forte).

3. Arquitetura de Rede (RainFormer):

   • Uma rede híbrida de atenção-convolução, o RainFormer, foi projetada para mapear sequências de potência recebida de curto tempo para taxas de chuva.
   • Arquitetura: O modelo emprega um embedding convolucional 1D, seguido por quatro blocos híbridos empilhados. Cada bloco integra autoatenção de múltiplas cabeças (para dependências temporais de longo alcance) e camadas de feed-forward de porta convolucional de profundidade (para padrões de flutuação local).
   • Fusão Físico-Estatística: Uma característica de design crítica é a concatenação explícita de descritores físico-estatísticos (média e desvio padrão da sequência de entrada) com a representação latente antes da cabeça de regressão. Isso garante que a rede utilize diretamente a atenuação dominante e as estatísticas de flutuação, em vez de depender apenas do backbone para inferi-las.

Principais Resultados

• Desempenho In-Distribution: No conjunto de teste sintético (BIT-24-Gen), o RainFormer alcançou um Erro Quadrático Médio (RMSE) de 0,1782 mm/h a 140 GHz (usando o prior ITU) e 0,2925 mm/h a 229 GHz (usando o prior M-P).
• Estudos de Ablação: A remoção do codificação posicional causou a degradação de desempenho mais significativa (RMSE aumentou para >1,1 mm/h), seguida pela remoção dos descritores físico-estatísticos explícitos (RMSE aumentou para 1,65 mm/h a 229 GHz). Isso confirma que a ordem temporal e os descritores estatísticos explícitos são os principais impulsionadores da precisão preditiva, enquanto a autoatenção e a convolução atuam como refinamentos complementares.
• Comparação com Baselines: O RainFormer superou tanto uma 1D-CNN quanto um Transformer vanilla. A 140 GHz, reduziu o RMSE em ~13% em comparação com a 1D-CNN e ~40% em comparação com o Transformer. A 229 GHz, alcançou o menor Erro Médio Absoluto (MAE), demonstrando robustez entre frequências.
• Transferência Zero-Shot: Quando aplicado diretamente ao conjunto de dados medido BIT-25 (sem qualquer treinamento ou ajuste fino em chuva real), os modelos produziram estimativas consistentes em ranking. As estimativas separaram com sucesso chuva fraca de chuva forte, e a dispersão das previsões através dos quatro priors de DSD delimitou efetivamente a incerteza decorrente do DSD do caminho não observável.

Significância e Alegações
O artigo afirma que o treinamento sintético com bracket de DSD é uma base viável para o sensoriamento de chuva em THz em cenários onde conjuntos de dados operacionais não estão disponíveis. As principais contribuições são:

1. Solução para Escassez de Dados: Demonstrar que dados sintéticos com restrições físicas, calibrados com estatísticas de canal do mundo real limitadas, podem treinar modelos que generalizam para medições reais sem supervisão direta de rótulos de chuva.
2. Quantificação de Incerteza: Ao treinar em múltiplos priors de DSD, a abordagem converte o DSD do caminho, que é inobservável, de um viés não quantificado em um envelope de incerteza delimitado, fornecendo estimativas fisicamente interpretáveis.
3. Validação de Arquitetura Híbrida: Estabelecer que, para o sensoriamento de chuva em THz, descritores físico-estatísticos explícitos e informações de ordem temporal são mais críticos do que mecanismos de atenção complexos isolados.

Os autores concluem que esta abordagem apoia o desenvolvimento do sensoriamento de chuva THz oportunista para o 6G ISAC e pode auxiliar na calibração cruzada de recuperações de radar meteorológico, embora notem que trabalhos futuros exigirão campanhas de múltiplos eventos e extensão para canais mais longos.