Amostragem de Trajetos de Raios Generativa Invariante a Transformações para Modelagem Eficiente de Propagação de Rádio
Transform-Invariant Generative Ray Path Sampling for Efficient Radio Propagation Modeling
March 2, 2026
Autores: Jérome Eertmans, Enrico M. Vitucci, Vittorio Degli-Esposti, Nicola Di Cicco, Laurent Jacques, Claude Oestges
cs.AI
Resumo
O rastreamento de raios tornou-se um padrão para a modelagem precisa de propagação de rádio, mas sofre com complexidade computacional exponencial, uma vez que o número de caminhos candidatos escala com o número de objetos elevado à potência da ordem de interação. Este gargalo limita seu uso em aplicações de larga escala ou em tempo real, forçando ferramentas tradicionais a depender de heurísticas para reduzir o número de caminhos candidatos ao custo de uma precisão potencialmente reduzida. Para superar esta limitação, propomos um framework abrangente assistido por aprendizado de máquina que substitui a busca exaustiva de caminhos por uma amostragem inteligente via Generative Flow Networks. A aplicação de tais modelos generativos neste domínio apresenta desafios significativos, particularmente recompensas esparsas devido à raridade de caminhos válidos, o que pode levar a falhas de convergência e soluções triviais ao avaliar interações de alta ordem em ambientes complexos. Para garantir um aprendizado robusto e uma exploração eficiente, nosso framework incorpora três componentes arquiteturais chave. Primeiro, implementamos um buffer de experiência (experience replay) para capturar e reter caminhos válidos raros. Segundo, adotamos uma política de exploração uniforme para melhorar a generalização e impedir que o modelo sobreajuste a geometrias simples. Terceiro, aplicamos uma estratégia de mascaramento de ações baseada em física que filtra caminhos fisicamente impossíveis antes mesmo que o modelo os considere. Como demonstrado em nossa validação experimental, o modelo proposto alcança acelerações substanciais em relação à busca exaustiva – até 10 vezes mais rápido em GPU e 1000 vezes mais rápido em CPU – mantendo alta precisão de cobertura e descobrindo com sucesso caminhos de propagação complexos. O código-fonte completo, testes e tutorial estão disponíveis em 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.