Transform-invariante generative Strahlwegabtastung für effiziente Funkausbreitungsmodellierung

Transform-Invariant Generative Ray Path Sampling for Efficient Radio Propagation Modeling

March 2, 2026

Autoren: Jérome Eertmans, Enrico M. Vitucci, Vittorio Degli-Esposti, Nicola Di Cicco, Laurent Jacques, Claude Oestges

cs.AI

Zusammenfassung

Raytracing hat sich als Standard für die genaue Modellierung der Funkausbreitung etabliert, leidet jedoch unter einer exponentiellen Rechenkomplexität, da die Anzahl der Kandidatenpfade mit der Anzahl der Objekte potenziert mit der Wechselwirkungsordnung skaliert. Dieser Engpass schränkt seine Verwendung in großflächigen oder Echtzeitanwendungen ein und zwingt traditionelle Werkzeuge, auf Heuristiken zurückzugreifen, um die Anzahl der Pfadkandidaten auf Kosten einer potenziell geringeren Genauigkeit zu reduzieren. Um diese Einschränkung zu überwinden, schlagen wir einen umfassenden, maschinelles Lernen nutzenden Rahmen vor, der die exhaustive Pfadsuche durch intelligentes Sampling mittels Generative Flow Networks ersetzt. Die Anwendung solcher generativer Modelle in diesem Bereich stellt erhebliche Herausforderungen dar, insbesondere sporadische Belohnungen aufgrund der Seltenheit gültiger Pfade, was zu Konvergenzversagen und trivialen Lösungen bei der Bewertung von Wechselwirkungen höherer Ordnung in komplexen Umgebungen führen kann. Um robustes Lernen und effiziente Exploration zu gewährleisten, integriert unser Rahmen drei zentrale architektonische Komponenten. Erstens implementieren wir einen Experience-Replay-Puffer, um seltene gültige Pfade zu erfassen und zu speichern. Zweitens setzen wir eine uniforme Explorationspolitik ein, um die Generalisierung zu verbessern und zu verhindern, dass das Modell sich an einfache Geometrien überanpasst. Drittens wenden wir eine physikbasierte Aktionsmaskierungsstrategie an, die physikalisch unmögliche Pfade herausfiltert, bevor das Modell sie überhaupt in Betracht zieht. Wie unsere experimentelle Validierung zeigt, erreicht das vorgeschlagene Modell erhebliche Beschleunigungen gegenüber der exhaustiven Suche – bis zu 10-mal schneller auf der GPU und 1000-mal schneller auf der CPU – bei gleichzeitig hoher Abdeckungsgenauigkeit und der erfolgreichen Aufdeckung komplexer Ausbreitungspfade. Der vollständige Quellcode, Tests und ein Tutorial sind unter https://github.com/jeertmans/sampling-paths verfügbar.

English

Ray tracing has become a standard for accurate radio propagation modeling, but suffers from exponential computational complexity, as the number of candidate paths scales with the number of objects raised to the power of the interaction order. This bottleneck limits its use in large-scale or real-time applications, forcing traditional tools to rely on heuristics to reduce the number of path candidates at the cost of potentially reduced accuracy. To overcome this limitation, we propose a comprehensive machine-learning-assisted framework that replaces exhaustive path searching with intelligent sampling via Generative Flow Networks. Applying such generative models to this domain presents significant challenges, particularly sparse rewards due to the rarity of valid paths, which can lead to convergence failures and trivial solutions when evaluating high-order interactions in complex environments. To ensure robust learning and efficient exploration, our framework incorporates three key architectural components. First, we implement an experience replay buffer to capture and retain rare valid paths. Second, we adopt a uniform exploratory policy to improve generalization and prevent the model from overfitting to simple geometries. Third, we apply a physics-based action masking strategy that filters out physically impossible paths before the model even considers them. As demonstrated in our experimental validation, the proposed model achieves substantial speedups over exhaustive search -- up to 10times faster on GPU and 1000times faster on CPU -- while maintaining high coverage accuracy and successfully uncovering complex propagation paths. The complete source code, tests, and tutorial are available at https://github.com/jeertmans/sampling-paths.