Transformatie-invariante Generatieve Straalpadsteekproef voor Efficiënte Radiogolfvoortplantingsmodellering

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

Samenvatting

Raytracing is uitgegroeid tot een standaardmethode voor nauwkeurige radiogolfvoortplantingsmodellering, maar lijdt onder exponentiële computationele complexiteit, omdat het aantal kandidaatpaden schaalt met het aantal objecten tot de macht van de interactieorde. Dit knelpunt beperkt het gebruik ervan in grootschalige of realtime toepassingen, waardoor traditionele tools zijn aangewezen op heuristieken om het aantal kandidaatpaden te reduceren ten koste van mogelijk verminderde nauwkeurigheid. Om deze beperking te overwinnen, stellen we een uitgebreid raamwerk voor dat wordt ondersteund door machine learning en dat uitputtende padzoekopdrachten vervangt door intelligente steekproefname via Generative Flow Networks. De toepassing van dergelijke generatieve modellen in dit domein brengt aanzienlijke uitdagingen met zich mee, met name sporadische beloningen door de zeldzaamheid van geldige paden, wat kan leiden tot convergentiefouten en triviale oplossingen bij het evalueren van interacties van hoge orde in complexe omgevingen. Om robuust leren en efficiënte exploratie te garanderen, omvat ons raamwerk drie essentiële architectuurcomponenten. Ten eerste implementeren we een experience replay-buffer om zeldzame geldige paden vast te leggen en te behouden. Ten tweede hanteren we een uniform exploratiebeleid om de generalisatie te verbeteren en te voorkomen dat het model overfit op eenvoudige geometrieën. Ten derde passen we een op fysica gebaseerde actiemaskeringsstrategie toe die fysisch onmogelijke paden filtert voordat het model deze überhaupt overweegt. Zoals aangetoond in onze experimentele validatie, behaalt het voorgestelde model aanzienlijke snelheidswinsten ten opzichte van uitputtend zoeken – tot 10 keer sneller op GPU en 1000 keer sneller op CPU – met behoud van hoge dekkingnauwkeurigheid en succesvolle ontdekking van complexe voortplantingspaden. De volledige broncode, tests en tutorial zijn beschikbaar op 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.