効率的な電波伝搬モデリングのための変換不変生成レイ経路サンプリング

要旨

レイトレーシングは正確な電波伝搬モデリングの標準技術となっているが、計算量が指数関数的に増大する問題を抱えている。これは候補経路数が物体数の相互作用次数乗に比例して増加するためである。このボトルネックにより、大規模あるいはリアルタイム応用での利用が制限され、従来のツールでは精度低下の代償を払ってヒューリスティックに経路候補を削減せざるを得ない。この制約を克服するため、我々は網羅的経路探索をGenerative Flow Networksによる知的サンプリングに置き換える包括的機械学習支援フレームワークを提案する。この分野に生成的モデルを適用する際には、特に有効経路の希少性に起因する報酬のスパース性が重大な課題となり、複雑環境での高次相互作用評価において収束失敗や自明解を招く恐れがある。堅牢な学習と効率的な探索を確保するため、本フレームワークでは3つの主要な構成要素を導入する。第一に、希少な有効経路を捕捉・保持する経験再生バッファを実装する。第二に、単純な幾何学形状への過適合を防ぎ汎化性能を向上させる均一探索ポリシーを採用する。第三に、物理的に不可能な経路をモデルの評価前にフィルタリングする物理ベースの行動マスキング戦略を適用する。実験的検証で示すように、提案モデルは網羅的探索よりも大幅な高速化（GPUで最大10倍、CPUで最大1000倍）を達成しつつ、高いカバレッジ精度を維持し、複雑な伝搬経路の特定に成功している。完全なソースコード、テスト及びチュートリアルはhttps://github.com/jeertmans/sampling-pathsで公開されている。

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.

効率的な電波伝搬モデリングのための変換不変生成レイ経路サンプリング

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

要旨

Support