論文の概要: Differentiable and Learnable Wireless Simulation with Geometric Transformers

• arxiv url: http://arxiv.org/abs/2406.14995v2
• Date: Mon, 07 Oct 2024 15:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:41:11.744107
• Title: Differentiable and Learnable Wireless Simulation with Geometric Transformers
• Title（参考訳）: 幾何学変換器を用いた微分可能・学習可能無線シミュレーション
• Authors: Thomas Hehn, Markus Peschl, Tribhuvanesh Orekondy, Arash Behboodi, Johann Brehmer,
• Abstract要約: Wi-GATrは、シーンプリミティブに基づいたチャネル観測を予測するために設計された、完全に学習可能なニューラルネットワークシュロゲートである。 我々は,Wi-GATrが正確で,高速で,試料効率が高く,対称性に起因した変換に頑健であることを示す。
• 参考スコア（独自算出の注目度）: 13.538643388955768
• License:
• Abstract: Modelling the propagation of electromagnetic wireless signals is critical for designing modern communication systems. Wireless ray tracing simulators model signal propagation based on the 3D geometry and other scene parameters, but their accuracy is fundamentally limited by underlying modelling assumptions and correctness of parameters. In this work, we introduce Wi-GATr, a fully-learnable neural simulation surrogate designed to predict the channel observations based on scene primitives (e.g., surface mesh, antenna position and orientation). Recognizing the inherently geometric nature of these primitives, Wi-GATr leverages an equivariant Geometric Algebra Transformer that operates on a tokenizer specifically tailored for wireless simulation. We evaluate our approach on a range of tasks (i.e., signal strength and delay spread prediction, receiver localization, and geometry reconstruction) and find that Wi-GATr is accurate, fast, sample-efficient, and robust to symmetry-induced transformations. Remarkably, we find our results also translate well to the real world: Wi-GATr demonstrates more than 35% lower error than hybrid techniques, and 70% lower error than a calibrated wireless tracer.
• Abstract（参考訳）: 電磁無線信号の伝搬をモデル化することは、現代の通信システムの設計に不可欠である。 無線線トレーシングシミュレータは3次元幾何やその他のシーンパラメータに基づいて信号の伝搬をモデル化するが、その精度は基礎となるモデリング仮定とパラメータの正しさによって根本的に制限される。 本研究では、シーンプリミティブ(例えば、表面メッシュ、アンテナ位置、方向)に基づいてチャネル観測を予測するために設計された、完全学習可能なニューラルネットワークシュロゲートであるWi-GATrを紹介する。 Wi-GATrは、これらのプリミティブの本質的に幾何学的性質を認識し、無線シミュレーション用に特別に調整されたトークン化器で動作する同変の幾何学的アルゲブラ変換器を利用する。 信号強度と遅延拡散予測,レシーバのローカライゼーション,幾何再構成といったタスクに対するアプローチを評価した結果,Wi-GATrは正確で,高速で,試料効率が高く,対称性に起因した変換に頑健であることがわかった。 Wi-GATrは、ハイブリッド技術よりも35%低いエラーを示し、校正された無線トレーサよりも70%低いエラーを示します。

関連論文リスト

• A Lightweight Human Pose Estimation Approach for Edge Computing-Enabled Metaverse with Compressive Sensing [23.884862152830184]
  5G/6Gネットワークのようなエッジコンピューティング対応ネットワーク上のユーザの3D動作を推定する能力は、拡張現実(XR)とメタバースアプリケーションの新しい時代の重要な実現要因である。 近年の深層学習の進歩は,センサ信号からの予備的な計測から3次元人のポーズを推定する最適化手法よりも有利であることが示されている。 ノイズの多い無線環境におけるIMU信号の冗長性除去と軽量伝送のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-26T02:57:23Z)
• EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
  実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:19:02Z)
• Diffraction and Scattering Aware Radio Map and Environment Reconstruction using Geometry Model-Assisted Deep Learning [14.986314279939952]
  本稿では、受信信号強度(RSS)データを用いて、無線マップと仮想環境を共同構築することを提案する。 我々は,仮想障害物モデルを開発し,伝搬経路と仮想障害物との間の幾何学的関係を特徴づける。 数値実験により, 3次元仮想環境の再構築に加えて, 提案したモデルは, 精度10%-18%向上した無線地図構築において, 最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-01T02:20:01Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• NeuRBF: A Neural Fields Representation with Adaptive Radial Basis Functions [93.02515761070201]
  本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。 提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。 ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2023-09-27T06:32:05Z)
• Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
  Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。 リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
  論文  参考訳（メタデータ） (2023-03-20T13:40:11Z)
• Modeling Scattering Coefficients using Self-Attentive Complex Polynomials with Image-based Representation [26.6996054977643]
  与えられた2次元平面アンテナ設計の周波数領域における散乱係数を直接推定するために, CZP と命名されたサンプル効率で正確な代理モデルを提案する。 我々は、CZPが試験損失の点でベースラインを上回るだけでなく、商用ソフトウェアで検証可能な2次元アンテナの設計も見出すことができることを示した。
  論文  参考訳（メタデータ） (2023-01-06T23:32:07Z)
• Physics Validation of Novel Convolutional 2D Architectures for Speeding Up High Energy Physics Simulations [0.0]
  本稿では,GAN(Geneversarative Adrial Networks)をディープラーニング技術として応用し,温度計検出器シミュレーションを代替する。 我々は,同じ3次元画像生成問題を高速に解くために,新しい2次元畳み込みネットワークを開発した。 その結果,物理精度が向上し,高速検出器シミュレーションにおけるGANの利用がさらに強化された。
  論文  参考訳（メタデータ） (2021-05-19T07:24:23Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。