无线电传播建模：微分还是深度学习，这是一个问题
网络与互联网体系结构
2025-09-25 v1 人工智能
摘要
可微射线追踪最近挑战了无线电传播建模和数字孪生的现状。它承诺提供前所未有的速度并从真实世界数据中学习的能力，为传统深度学习（DL）模型提供了真正的替代方案。然而，尚未有在商用级网络上的实验评估验证其假定的可扩展性或实际效益。这使得移动网络运营商（MNOs）和研究界对其适用性缺乏明确的指导。在本文中，我们通过使用可微射线追踪和深度学习模型，利用从一家主要移动网络运营商网络收集的覆盖13个城市和超过10,000根天线的广泛真实世界数据来模拟无线电覆盖，从而填补了这一空白。我们的结果表明，尽管可微射线追踪模拟器有助于缩小效率与精度的差距，但它们难以从大规模的真实世界数据中进行泛化，并且仍然不适合实时应用。相比之下，深度学习模型在城市、郊区和农村部署中均表现出比可微射线追踪模拟器更高的精度和更快的适应能力，精度提升高达3 dB。我们的实验结果旨在为这个具有根本性的开放问题提供及时的见解，该问题对无线生态系统和未来研究具有直接影响。
引用
@article{arxiv.2509.19337,
title = {Radio Propagation Modelling: To Differentiate or To Deep Learn, That Is The Question},
author = {Stefanos Bakirtzis and Paul Almasan and José Suárez-Varela and Gabriel O. Ferreira and Michail Kalntis and André Felipe Zanella and Ian Wassell and Andra Lutu},
journal= {arXiv preprint arXiv:2509.19337},
year = {2025}
}