Muestreo de Trayectorias de Rayos Generativo Invariante a Transformaciones para el Modelado Eficiente de Propagación de Radio

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

March 2, 2026

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

cs.AI

Resumen

El trazado de rayos se ha convertido en un estándar para el modelado preciso de la propagación de radio, pero sufre de una complejidad computacional exponencial, ya que el número de trayectorias candidatas escala con el número de objetos elevado al orden de interacción. Este cuello de botella limita su uso en aplicaciones a gran escala o en tiempo real, lo que obliga a las herramientas tradicionales a depender de heurísticas para reducir el número de trayectorias candidatas a costa de una precisión potencialmente reducida. Para superar esta limitación, proponemos un marco integral asistido por aprendizaje automático que reemplaza la búsqueda exhaustiva de trayectorias con un muestreo inteligente mediante Generative Flow Networks. La aplicación de tales modelos generativos en este dominio presenta desafíos significativos, particularmente recompensas dispersas debido a la rareza de las trayectorias válidas, lo que puede conducir a fallos de convergencia y soluciones triviales al evaluar interacciones de alto orden en entornos complejos. Para garantizar un aprendizaje robusto y una exploración eficiente, nuestro marco incorpora tres componentes arquitectónicos clave. Primero, implementamos un búfer de recuperación de experiencias para capturar y retener trayectorias válidas raras. Segundo, adoptamos una política de exploración uniforme para mejorar la generalización y evitar que el modelo se sobreajuste a geometrías simples. Tercero, aplicamos una estrategia de enmascaramiento de acciones basada en física que filtra las trayectorias físicamente imposibles antes de que el modelo siquiera las considere. Como se demuestra en nuestra validación experimental, el modelo propuesto logra aceleraciones sustanciales sobre la búsqueda exhaustiva – hasta 10 veces más rápido en GPU y 1000 veces más rápido en CPU – manteniendo una alta precisión de cobertura y descubriendo exitosamente trayectorias de propagación complejas. El código fuente completo, las pruebas y el tutorial están disponibles en https://github.com/jeertmans/sampling-paths.

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.