Трансформационно-инвариантное генеративное сэмплирование лучевых траекторий для эффективного моделирования радиораспространения

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

March 2, 2026

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

cs.AI

Аннотация

Трассировка лучей стала стандартом для точного моделирования распространения радиоволн, однако страдает от экспоненциальной вычислительной сложности, поскольку количество потенциальных путей растет пропорционально числу объектов в степени порядка взаимодействия. Это узкое место ограничивает её применение в крупномасштабных или реального времени приложениях, вынуждая традиционные инструменты полагаться на эвристики для сокращения числа кандидатных путей ценой потенциального снижения точности. Чтобы преодолеть это ограничение, мы предлагаем комплексную систему с использованием машинного обучения, которая заменяет полный перебор путей на интеллектуальную выборку с помощью генеративных потоковых сетей. Применение таких генеративных моделей в данной области сопряжено со значительными трудностями, в частности с разреженностью вознаграждения из-за редкости допустимых путей, что может приводить к сбоям сходимости и тривиальным решениям при оценке взаимодействий высокого порядка в сложных средах. Для обеспечения устойчивого обучения и эффективного исследования наша система включает три ключевых архитектурных компонента. Во-первых, мы реализуем буфер воспроизведения опыта для фиксации и сохранения редких допустимых путей. Во-вторых, мы применяем равномерную стратегию исследования для улучшения обобщения и предотвращения переобучения модели на простых геометриях. В-третьих, мы используем стратегию маскирования действий на основе физики, которая отфильтровывает физически невозможные пути до их рассмотрения моделью. Как показала наша экспериментальная проверка, предложенная модель обеспечивает значительное ускорение по сравнению с полным перебором — до 10 раз на GPU и до 1000 раз на CPU — при сохранении высокой точности покрытия и успешном выявлении сложных путей распространения. Полный исходный код, тесты и руководство доступны по адресу 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.