Campionatura Trasformativo-Invariante di Percorsi di Raggi Generativi per la Modellazione Efficiente della Propagazione Radio

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

March 2, 2026

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

cs.AI

Abstract

Il ray tracing è diventato uno standard per la modellizzazione accurata della propagazione radio, ma soffre di una complessità computazionale esponenziale, poiché il numero di percorsi candidati scala con il numero di oggetti elevato all'ordine di interazione. Questo collo di bottiglia ne limita l'uso in applicazioni su larga scala o in tempo reale, costringendo gli strumenti tradizionali a fare affidamento su euristiche per ridurre il numero di percorsi candidati a scapito di una potenziale riduzione dell'accuratezza. Per superare questa limitazione, proponiamo un framework completo assistito dall'apprendimento automatico che sostituisce la ricerca esaustiva dei percorsi con un campionamento intelligente tramite Generative Flow Networks. L'applicazione di tali modelli generativi a questo dominio presenta sfide significative, in particolare ricompense sparse a causa della rarità di percorsi validi, che possono portare a fallimenti nella convergenza e a soluzioni banali quando si valutano interazioni di ordine elevato in ambienti complessi. Per garantire un apprendimento robusto ed un'esplorazione efficiente, il nostro framework incorpora tre componenti architetturali chiave. In primo luogo, implementiamo un buffer di experience replay per acquisire e conservare i rari percorsi validi. In secondo luogo, adottiamo una politica esplorativa uniforme per migliorare la generalizzazione e prevenire l'overfitting del modello a geometrie semplici. In terzo luogo, applichiamo una strategia di mascheramento delle azioni basata sulla fisica che filtra i percorsi fisicamente impossibili prima che il modello li prenda in considerazione. Come dimostrato nella nostra validazione sperimentale, il modello proposto raggiunge accelerazioni sostanziali rispetto alla ricerca esaustiva – fino a 10 volte più veloce su GPU e 1000 volte più veloce su CPU – mantenendo un'elevata accuratezza di copertura e scoprendo con successo percorsi di propagazione complessi. Il codice sorgente completo, i test e il tutorial sono disponibili all'indirizzo 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.