Physics-Aware Conditional SetGAN for Spatially Consistent Multi-User TR 38.901 Channel Generation

Resumo Técnico: SetGAN Condicional com Consciência de Física para Geração de Canais Multiusuário Espacialmente Consistentes TR 38.901

Declaração do Problema
A geração de realizações de canais MIMO multiusuário consistentes com o padrão 3GPP TR 38.901 é computacionalmente dispendiosa, particularmente ao avaliar um grande número de implantações de equipamentos de usuário (UE). Embora ferramentas como o Sionna forneçam referências confiáveis e fundamentadas na física, seu custo de execução torna-se proibitivo para simulações de Monte Carlo extensas. Um desafio crítico é que os canais multiusuário não podem ser tratados como amostras independentes; UEs próximos devem exibir efeitos de grande escala correlacionados e estruturas de desvanecimento de pequena escala coerentes para manter a consistência espacial. Os modelos generativos existentes frequentemente focam em links individuais, estatísticas globais ou tarefas específicas, falhando em reproduzir a estrutura conjunta completa condicionada à geometria de snapshots multiusuário com consistência espacial explícita.

Metodologia
Os autores propõem um SetGAN Condicional com Consciência de Física projetado para gerar realizações de canais multiusuário mais rapidamente do que o simulador de referência, preservando as correlações espaciais impostas pela geometria dos usuários. A abordagem segue um fluxo de trabalho de ponta a ponta composto por cinco estágios:

1. Representação de Dados e Fatoração:

   • Os dados de referência são gerados usando o Sionna para o cenário UMa/NLoS.
   • O tensor de canal é decomposto em dois componentes: um termo de potência recebida de grande escala (variação lenta) e um tensor de desvanecimento de pequena escala normalizado (flutuações rápidas).
   • A potência de grande escala é mantida como um alvo de predição escalar direto.
   • O desvanecimento de pequena escala normalizado é comprimido usando Análise de Componentes Principais (PCA) em um espaço latente branqueado para reduzir a dimensionalidade e facilitar o aprendizado adversarial.

2. Arquitetura (SetGAN Condicionado à Geometria):

   • Formulação Baseada em Conjuntos (Set-Based): O modelo trata o snapshot multiusuário como um conjunto não ordenado de UEs, garantindo invariância/equivariância de permutação.
   • Consciência de Geometria: O gerador utiliza Transformers de Conjunto (Set Transformers) com vieses posicionais relativos. As coordenadas dos terminais de usuário são codificadas via funções de Fourier aleatórias e passadas através de um MLP aprendido.
   • Mecanismo de Interação: O mecanismo de atenção inclui um termo de viés de par aprendido dependente da distância entre os terminais de usuário ($b(r_i, r_j)$). Isso impõe um prior de interação dependente da distância, incentivando um acoplamento mais forte entre UEs próximos para mimetizar a consistência espacial física.
   • Injeção de Ruído: O modelo aceita ruído global (compartilhado em todo o snapshot) e ruído local (específico para cada UE) para capturar tanto variações coletivas quanto individuais do canal.

3. Treinamento com Informação de Física:

   • O objetivo de treinamento combina uma perda adversarial padrão (Wasserstein GAN com normalização espectral) com perdas auxiliares específicas de consciência de física.
   • Correspondência de Perfil (Profile Matching): O modelo minimiza explicitamente o erro entre os perfis de similaridade gerados e de referência (similaridade de estrutura de desvanecimento e de potência recebida) como uma função da distância de separação do UE.
   • Regularização de Cauda: Termos específicos ($L_{topk}$, $L_{mass}$) são introduzidos para garantir a fidelidade nas caudas da distribuição de potência recebida, algo que termos adversariais padrão frequentemente falham em capturar com precisão.
   • Supervisão: Perdas de regressão direta são aplicadas à potência recebida de grande escala e restrições de suavidade são aplicadas às variações de potência local.

Principais Resultados
Avaliado no benchmark UMa/NLoS com 100 UEs por snapshot, o substituto (surrogate) treinado demonstra o seguinte desempenho em relação à referência Sionna:

• Fidelidade:
  • Potência Recebida: A distribuição de potência gerada aproxima-se da referência, com uma distância Wasserstein-1 de 0,41 dB e um estatístico de Kolmogorov-Smirnov de 0,0170.
  • Consistência Espacial: O modelo reproduz perfis de consistência espacial com erros médios absolutos (MAE) nas curvas medianas abaixo de 0,03 (especificamente 0,0255 para similaridade de potência e 0,0260 para similaridade de estrutura de desvanecimento) através de bins de distância.
• Eficiência:
  • Em um benchmark fixo de CPU-vs-CPU, o modelo reduz o tempo de geração decorrido por um fator de 3,45 e o custo total de CPU por um fator de 6,15 comparado ao Sionla.
  • Em um benchmark de GPU-vs-GPU (com limites de memória de 16 GB), os aumentos de velocidade são de 2,52× para tempo de geração e 1,31× para o custo total.

Significância e Alegações
O artigo afirma que um modelo generativo treinado pode acelerar substancialmente a geração de canais TR 38.901 sem comprometer a consistência espacial necessária para avaliar sistemas multiusuário. A principal contribuição é um substituto que combina:

1. Geração condicionada à geometria de snapshots multiusuário completos.
2. Preservação explícita da consistência espacial através da correspondência de perfil de distância.
3. Fidelidade direta e benchmarking de tempo de execução contra uma referência Sionna de posição correspondente.

Os autores enfatizam que este trabalho resolve a lacuna específica de gerar snapshots completos de TR 38.901 condicionados à geometria com perfis de consistência espacial explícitos, em vez de apenas links individuais ou covariâncias estatísticas. Os resultados são validados sob um protocolo controlado UMa/NLoS; os autores observam que alegações mais amplas em outros cenários ou configurações de implantação do TR 38.901 requerem validação adicional.