論文の概要: GeNeRT: A Physics-Informed Approach to Intelligent Wireless Channel Modeling via Generalizable Neural Ray Tracing

• arxiv url: http://arxiv.org/abs/2506.18295v1
• Date: Mon, 23 Jun 2025 05:17:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.863763
• Title: GeNeRT: A Physics-Informed Approach to Intelligent Wireless Channel Modeling via Generalizable Neural Ray Tracing
• Title（参考訳）: GeNeRT: 一般化可能なニューラルレイトレーシングによるインテリジェント無線チャネルモデリングのための物理インフォームドアプローチ
• Authors: Kejia Bian, Meixia Tao, Shu Sun, Jun Yu,
• Abstract要約: 一般化,精度,効率を向上した一般化可能なニューラルRTフレームワークであるGeNeRTを提案する。 Fresnelにインスパイアされたニューラルネットワーク設計を取り入れることで、マルチパスコンポーネント(MPC)予測の精度も向上する。 屋外シナリオで行われた実験では、GeNeRTはシナリオ内の訓練されていない領域と完全に見えない環境にまたがってうまく一般化されていることが示されている。
• 参考スコア（独自算出の注目度）: 40.29573574383523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural ray tracing (RT) has emerged as a promising paradigm for channel modeling by combining physical propagation principles with neural networks. It enables high modeling accuracy and efficiency. However, current neural RT methods face two key limitations: constrained generalization capability due to strong spatial dependence, and weak adherence to electromagnetic laws. In this paper, we propose GeNeRT, a Generalizable Neural RT framework with enhanced generalization, accuracy and efficiency. GeNeRT supports both intra-scenario spatial transferability and inter-scenario zero-shot generalization. By incorporating Fresnel-inspired neural network design, it also achieves higher accuracy in multipath component (MPC) prediction. Furthermore, a GPU-tensorized acceleration strategy is introduced to improve runtime efficiency. Extensive experiments conducted in outdoor scenarios demonstrate that GeNeRT generalizes well across untrained regions within a scenario and entirely unseen environments, and achieves superior accuracy in MPC prediction compared to baselines. Moreover, it outperforms Wireless Insite in runtime efficiency, particularly in multi-transmitter settings. Ablation experiments validate the effectiveness of the network architecture and training strategy in capturing physical principles of ray-surface interactions.
• Abstract（参考訳）: 物理伝搬原理とニューラルネットワークを組み合わせることで、チャネルモデリングのための有望なパラダイムとして、ニューラルネットワークトレーシング(RT)が登場した。 高いモデリング精度と効率を実現する。 しかし、現在のニューラルRT法は、強い空間依存による制約付き一般化能力と、電磁法則への弱い従順性という2つの重要な制限に直面している。 本稿では,一般化,精度,効率を向上した一般化可能なニューラルRTフレームワークであるGeNeRTを提案する。 GeNeRTは、scenario内空間転送性とscenario間ゼロショット一般化の両方をサポートする。 Fresnelにインスパイアされたニューラルネットワーク設計を取り入れることで、マルチパスコンポーネント(MPC)予測の精度も向上する。 さらに、実行効率を改善するためにGPU拡張アクセラレーション戦略を導入している。 屋外シナリオで実施された大規模な実験により、GeNeRTはシナリオ内の訓練されていない領域と完全に見えない環境をうまく一般化し、ベースラインと比較してMPC予測において優れた精度を達成することが示された。 さらに、実行時の効率、特にマルチ送信設定では、Wireless Insiteよりも優れています。 アブレーション実験は、線-表面相互作用の物理原理を捉えるためのネットワークアーキテクチャとトレーニング戦略の有効性を検証する。

関連論文リスト

• DeepRTE: Pre-trained Attention-based Neural Network for Radiative Tranfer [3.5335723405425714]
  我々は、定常放射移動方程式(RTE)に対処するために、DeepRTEと呼ばれる新しいニューラルネットワークアプローチを提案する。 我々のDeepRTEフレームワークは定常RTEの解法に優れた計算効率を示す。 DeepRTEは、特にマルチヘッドアテンションなどのメカニズムが組み込まれているため、パラメータが大幅に少ない高い精度を実現している。
  論文  参考訳（メタデータ） (2025-05-29T07:28:36Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Parallel-in-Time Solutions with Random Projection Neural Networks [0.07282584715927627]
  本稿では、常微分方程式の解法であるパラレアルの基本的な並列時間法の一つを考察し、ニューラルネットワークを粗いプロパゲータとして採用することにより拡張する。 提案アルゴリズムの収束特性を理論的に解析し,ローレンツ方程式やバーガースの方程式を含むいくつかの例に対して有効性を示す。
  論文  参考訳（メタデータ） (2024-08-19T07:32:41Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• POLAR-Express: Efficient and Precise Formal Reachability Analysis of Neural-Network Controlled Systems [18.369115196505657]
  ニューラルネットワーク制御システム(NNCS)の安全性を検証するための,効率的かつ正確な形式的到達性解析ツールであるPOLAR-Expressを提案する。 POLAR-ExpressはTaylorモデル演算を用いて、ニューラルネットワーク層間でTaylorモデルを伝搬し、ニューラルネットワーク関数の過剰近似を計算する。 また, ReLU 活性化関数に対して, TM をより効率的に正確に伝播するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-31T06:51:36Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis [31.372548374969387]
  本稿では,大規模無線資源管理問題にグラフニューラルネットワーク(GNN)を適用することを提案する。 提案手法はスケーラビリティが高く,1つのGPU上で1,000ドルのトランシーバペアを6ミリ秒以内で行う干渉チャネルにおけるビームフォーミング問題を解くことができる。
  論文  参考訳（メタデータ） (2020-07-15T11:43:32Z)
• Generalization bound of globally optimal non-convex neural network training: Transportation map estimation by infinite dimensional Langevin dynamics [50.83356836818667]
  本稿では,ディープラーニングの最適化を一般化誤差と関連づけて解析する理論フレームワークを提案する。 ニューラルネットワーク最適化分析のための平均場理論やニューラル・タンジェント・カーネル理論のような既存のフレームワークは、そのグローバル収束を示すために、ネットワークの無限幅の限界を取る必要がある。
  論文  参考訳（メタデータ） (2020-07-11T18:19:50Z)

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。