GeNeRT：一种面向智能无线信道建模的物理驱动通用神经射线追踪框架
机器学习
2025-06-24 v1 人工智能
摘要
神经射线追踪（RT）已成为一种结合物理传播原理与神经网络的信道建模新兴范式，能够实现高建模精度和效率。然而，当前神经 RT 方法面临两个关键局限性：由于强空间相关性导致的泛化能力受限，以及对电磁规律的遵循不足。本文提出了 GeNeRT，即具备增强泛化性、精度和效率的通用神经 RT 框架。GeNeRT 支持场景内空间迁移性以及场景间零样本泛化。通过引入洛伦兹驱动的神经网络设计，还能实现对多径分量（MPC）预测的更高精度。此外，引入 GPU 张量化加速策略以提升运行时效率。在户外场景中的大量实验表明，GeNeRT 在未训练区域内的空间泛化以及完全未见环境中的泛化表现优异，相较于基线方法在 MPC 预测精度方面表现更佳。而在运行效率方面，GeNeRT 在多发射器设置下优于 Wireless Insite。消融实验验证了网络结构和训练策略在捕捉射线-表面相互作用物理原理方面的有效性。
引用
@article{arxiv.2506.18295,
title = {GeNeRT: A Physics-Informed Approach to Intelligent Wireless Channel Modeling via Generalizable Neural Ray Tracing},
author = {Kejia Bian and Meixia Tao and Shu Sun and Jun Yu},
journal= {arXiv preprint arXiv:2506.18295},
year = {2025}
}