Échantillonnage de Trajectoires de Rayons Génératives Invariantes par Transformation pour la Modélisation Efficace de la Propagation Radio

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

March 2, 2026

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

cs.AI

Résumé

Le lancer de rayons est devenu une méthode standard pour la modélisation précise de la propagation radio, mais il souffre d'une complexité computationnelle exponentielle, car le nombre de chemins candidats augmente avec le nombre d'objets élevé à la puissance de l'ordre d'interaction. Ce goulot d'étranglement limite son utilisation dans les applications à grande échelle ou en temps réel, forçant les outils traditionnels à recourir à des heuristiques pour réduire le nombre de chemins candidats au prix d'une précision potentiellement réduite. Pour surmonter cette limitation, nous proposons un cadre complet assisté par apprentissage automatique qui remplace la recherche exhaustive de chemins par un échantillonnage intelligent via des réseaux de flux génératifs. L'application de tels modèles génératifs à ce domaine présente des défis significatifs, notamment des récompenses éparses dues à la rareté des chemins valides, ce qui peut entraîner des échecs de convergence et des solutions triviales lors de l'évaluation d'interactions d'ordre élevé dans des environnements complexes. Pour assurer un apprentissage robuste et une exploration efficace, notre cadre intègre trois composants architecturaux clés. Premièrement, nous mettons en œuvre un tampon de rejeu d'expériences pour capturer et conserver les rares chemins valides. Deuxièmement, nous adoptons une politique d'exploration uniforme pour améliorer la généralisation et empêcher le surapprentissage du modèle sur des géométries simples. Troisièmement, nous appliquons une stratégie de masquage d'actions basée sur la physique qui filtre les chemins physiquement impossibles avant même que le modèle ne les considère. Comme le démontre notre validation expérimentale, le modèle proposé atteint des accélérations substantielles par rapport à la recherche exhaustive – jusqu'à 10 fois plus rapide sur GPU et 1000 fois plus rapide sur CPU – tout en maintenant une haute précision de couverture et en découvrant avec succès des chemins de propagation complexes. Le code source complet, les tests et le tutoriel sont disponibles à l'adresse 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.