Resumo Técnico: Transformer de Alta Resolução Condicionado Multimodal para Predição de Mapas de Campo Eletromagnético Urbano

1. Definição do Problema

A predição precisa da intensidade do Campo Eletromagnético (EMF) em ambientes urbanos é crítica para o planejamento de redes celulares. Simuladores tradicionais baseados em física e ray-tracing, embora precisos, são computacionalmente proibitivos para o planejamento em larga escala envolvendo milhares de candidatos a locais de antenas. Por outro lado, as abordagens existentes de aprendizado profundo frequentemente tratam a tarefa como uma simples tradução de imagem-para-imagem, concatenando diversas modalidades de entrada (layouts de edifícios, parâmetros escalares de antena e padrões de radiação angular) em um único canal de imagem. Essa abordagem falha em explorar a natureza distinta dessas modalidades, particularmente as características direcionais das antenas, levando a uma precisão subótima na predição da propagação de sinal e localização de hotspots.

2. Metodologia

Os autores propõem uma Estrutura de Predição Densa Multicondicionada construída sobre um backbone de Transformer de Alta Resolução (HRFormer). A inovação central reside no processamento de diferentes modalidades de entrada através de caminhos dedicados, em vez de uma simples concatenação, permitindo que o modelo condicione a extração de características a características específicas da antena.

2.1 Representação de Entrada

A rede aceita uma entrada de 7 canais:

• Layout de Edifícios: Codificado como paredes externas e regiões internas.
• Polígono de Cobertura do Feixe: Uma representação geométrica do setor de cobertura do lóbulo principal derivado da posição e azimute da antena.
• Canais Espaciais Relativos ao Transmissor: Quatro canais explícitos que codificam a relação geométrica entre cada pixel e o transmissor:
  • Distância Euclidiana normalizada ($D$).
  • Peso de proximidade Gaussiano ($G$).
  • Seno e Cosseno do ângulo de bearing ($S, C$).
    Estes canais fornecem priors explícitos sobre atenuação de sinal, proximidade e direção de propagação.

2.2 Arquitetura

O framework utiliza um backbone HRFormer que mantém quatro ramos paralelos em resoluções progressivamente menores. Dois mecanismos complementares de condicionamento são integrados:

1. Modulação Linear por Características (FiLM): Parâmetros escalares da antena (posição, altura, potência, downtilt, azimute) são mapeados via um MLP de duas camadas para parâmetros de escala ($\gamma$) e deslocamento ($\beta$). Estes são injetados em todos os quatro estágios do backbone HRFormer, modulando as respostas de características desde níveis de textura iniciais até níveis semânticos tardios com base nos parâmetros de transmissão.
2. Atenção Cruzada (Cross-Attention): Os padrões de radiação de 360° (horizontal e vertical) são tokenizados em 90 tokens usando uma CNN 1-D. No estágio mais profundo (Estágio 4), as características espaciais atuam como queries, enquanto os tokens de padrão de radiação servem como keys e values. Isso permite que o modelo aprenda características de propagação específicas da antena ao atender aos padrões de ganho direcionais.

2.3 Decodificador e Saída

Um decodificador do tipo UNet com conexões de salto (skip connections) aumenta progressivamente a resolução das características condicionadas para reconstruir o mapa de EMF de resolução total (500×500).

2.4 Função de Perda

Para lidar com o desequilíbrio na dificuldade de predição em todo o mapa (ex: regiões de alto sinal vs. fundo), uma perda composta é empregada:

• Perda L1 Mascarada: Computada apenas em pixels externos (excluindo interiores de edifícios).
• Similaridade Estrutural Multiescala (MS-SSIM): Captura a fidelidade estrutural perceptual.
• Perda Focal L1: Repondera os erros de pixel para enfatizar regiões de alto sinal, onde a precisão é mais crítica para o planejamento de rede.

2.5 Aumento de Tempo de Teste (TTA) Consistente com Coordenadas

O TTA padrão realiza o espelhamento (flip) ingênuo de imagens de entrada. No entanto, como os canais espaciais codificam relações geométricas absolutas, os autores propõem um TTA consistente com coordenadas. Para cada aumento (espelhamento), o layout do edifício e as coordenadas da antena são transformados, e os canais espaciais são recomputados a partir das novas coordenadas, em vez de serem simplesmente espelhados. A predição final é uma média das saídas transformadas inversamente.

3. Principais Contribuições

• Arquitetura de Condicionamento Multimodal Estruturada: Um novo framework integrando FiLM para parâmetros escalares e atenção cruzada para padrões de radiação sobre um backbone HRFormer, codificando explicitamente as características da antena na extração de características.
• Estratégia de Perda Composta: Uma combinação de perdas L1 mascarada, MS-SSIM e Focal L1 que aborda o desequilíbrio da dificuldade de predição e melhora o desempenho em todas as métricas em comparação com componentes de perda individuais.
• TTA Consistente com Coordenadas: Uma estratégia que recomputa priors espaciais sob transformações geométricas, resultando em uma redução significativa no Erro Médio Absoluto (MAE).
• Insights de Ablação: Experimentos controlados demonstrando que o design dos mecanismos de condicionamento contribui mais para os ganhos de desempenho do que apenas escalar o tamanho do modelo backbone.

4. Resultados Experimentais

O modelo foi avaliado em um conjunto de dados de 768 mapas de EMF urbanos simulados a 3,5 GHz (banda 5G NR n78), gerados por um simulador comercial de propagação de rádio. O conjunto de dados inclui 256 layouts de edifícios distintos com configurações de antena variadas.

• Desempenho: O melhor modelo (HRFormer-Base com condicionamento total) alcançou um MAE de teste de 0,0461.
  • Isso representa uma melhoria de 25,2% sobre uma linha de base UNet comum (MAE 0,0616).
  • Isso representa uma melhoria de 31,8% sobre uma linha de base apenas HRFormer (MAE 0,0676).
• Fidelidade Estrutural: O SSIM melhorou de ~0,918 (UNet) para 0,949.
• Localização de Hotspots: O IoU de Hotspot (interseção sobre união das regiões de sinal top-5%) aumentou de 0,326 (UNet) para 0,406, indicando uma capacidade superior de localizar áreas de alto sinal.
• Impacto do TTA: A aplicação do TTA consistente com coordenadas reduziu ainda mais o MAE em 6,3% para o modelo HRFormer-Base.
• Eficiência: O modelo executa a aproximadamente 19,8 ms por amostra em uma GPU RTX 5090, ordens de magnitude mais rápido que simuladores baseados em física.

5. Significância e Alegações

O artigo alega que a integração do condicionamento multimodal estruturado é o principal motor de desempenho, e não apenas o aumento da capacidade do modelo. Os autores demonstram que:

1. Mecanismos de Condicionamento Importam: FiLM e atenção cruzada permitem que o modelo adapte a extração de características a configurações específicas de antena, superando abordagens baseadas em concatenação.
2. Priors Explícitos são Benéficos: Codificar canais espaciais relativos ao transmissor explicitamente libera a rede de ter que reaprender relações geométricas básicas, permitindo que ela foque em efeitos de propagação complexos como difração e espalhamento.
3. Consistência Física na Augmentação: Lidar adequadamente com transformações geométricas no TTA, recomputando os canais espaciais, é crítico para os ganhos de desempenho.

Os autores observam limitações, incluindo o uso de dados simulados de uma única topologia de cidade e mapas de propagação 2-D, reconhecendo que a generalização para medições do mundo real e efeitos 3-D requer validação futura. No entanto, o trabalho estabelece um novo referencial para substitutos aprendidos (learned surrogates) em predição de EMF, oferecendo uma alternativa rápida e precisa aos métodos de simulação tradicionais.