효율적인 전파 전파 모델링을 위한 변환 불변 생성 광선 경로 샘플링

초록

레이 트레이싱은 정확한 전파 전파 모델링을 위한 표준 기술로 자리 잡았지만, 후보 경로의 수가 상호작용 차수를 지수로 한 객체 수의 거듭제곱에 비례하여 증가함에 따라 기하급수적인 계산 복잡도를 가지는 문제가 있습니다. 이러한 병목 현상은 대규모 또는 실시간 응용 분야에서의 사용을 제한하며, 기존 도구들은 정확도가 저하될 수 있는 비용을 감수하면서 휴리스틱을 통해 경로 후보 수를 줄이는 방식에 의존해 왔습니다. 이러한 한계를 극복하기 위해, 우리는 생성적 흐름 네트워크를 통한 지능형 샘플링으로 철저한 경로 탐색을 대체하는 포괄적인 머신러닝 지원 프레임워크를 제안합니다. 이러한 생성 모델을 해당 분야에 적용하는 것은 상당한 도전 과제를 수반하는데, 특히 유효한 경로가 희소하여 보상이 드물게 발생함에 따라 복잡한 환경에서 고차원 상호작용을 평가할 때 수렴 실패나 trivial solution으로 이어질 수 있습니다. 강건한 학습과 효율적인 탐색을 보장하기 위해, 우리의 프레임워크는 세 가지 핵심 구조적 구성 요소를 포함합니다. 첫째, 희귀한 유효 경로를 포착하고 유지하기 위해 경험 재생 버퍼를 구현합니다. 둘째, 일반화 성능을 향상시키고 모델이 단순한 형상에 과적합되는 것을 방지하기 위해 균일 탐색 정책을 채택합니다. 셋째, 모델이 고려하기도 전에 물리적으로 불가능한 경로를 필터링하는 물리 기반 액션 마스킹 전략을 적용합니다. 실험적 검증에서 입증된 바와 같이, 제안된 모델은 철저한 검색 대비 GPU에서는 최대 10배, CPU에서는 1000배까지 상당한 속도 향상을 달성하면서도 높은 커버리지 정확도를 유지하고 복잡한 전파 경로를 성공적으로 발견합니다. 전체 소스 코드, 테스트 및 튜토리얼은 https://github.com/jeertmans/sampling-paths에서 이용할 수 있습니다.

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.

효율적인 전파 전파 모델링을 위한 변환 불변 생성 광선 경로 샘플링

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

초록

Support