論文の概要: Photon Splatting: A Physics-Guided Neural Surrogate for Real-Time Wireless Channel Prediction

• arxiv url: http://arxiv.org/abs/2507.04595v1
• Date: Mon, 07 Jul 2025 01:18:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.248329
• Title: Photon Splatting: A Physics-Guided Neural Surrogate for Real-Time Wireless Channel Prediction
• Title（参考訳）: Photon Splatting: リアルタイム無線チャネル予測のための物理誘導型ニューラルネットワークサロゲート
• Authors: Ge Cao, Gabriele Gradoni, Zhen Peng,
• Abstract要約: 本稿では,複雑な環境下でのリアルタイム無線チャネル予測のための物理誘導型ニューラルサロゲートモデルであるPhoton Splattingを提案する。 そこで本研究では,標準的な3Dシーンから,1000台の受信機を備えた複雑な屋内カフェまで,一連の実験を通じて,フレームワークの有効性を実証する。
• 参考スコア（独自算出の注目度）: 2.7481353610175474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Photon Splatting, a physics-guided neural surrogate model for real-time wireless channel prediction in complex environments. The proposed framework introduces surface-attached virtual sources, referred to as photons, which carry directional wave signatures informed by the scene geometry and transmitter configuration. At runtime, channel impulse responses (CIRs) are predicted by splatting these photons onto the angular domain of the receiver using a geodesic rasterizer. The model is trained to learn a physically grounded representation that maps transmitter-receiver configurations to full channel responses. Once trained, it generalizes to new transmitter positions, antenna beam patterns, and mobile receivers without requiring model retraining. We demonstrate the effectiveness of the framework through a series of experiments, from canonical 3D scenes to a complex indoor cafe with 1,000 receivers. Results show 30 millisecond-level inference latency and accurate CIR predictions across a wide range of configurations. The approach supports real-time adaptability and interpretability, making it a promising candidate for wireless digital twin platforms and future 6G network planning.
• Abstract（参考訳）: 本稿では,複雑な環境下でのリアルタイム無線チャネル予測のための物理誘導型ニューラルサロゲートモデルであるPhoton Splattingを提案する。 提案フレームワークでは,空間形状や送信機構成から入力される指向性波動シグネチャを搬送する,光子と呼ばれる表面アタッチメント仮想ソースを導入している。 チャネルインパルス応答(チャネルインパルス応答、CIR)は、ジオデシックラスタライザを用いて、受信機の角領域にこれらの光子をスプレイすることで予測される。 このモデルは、送信機と受信機の構成を完全なチャネル応答にマッピングする物理的に接地された表現を学ぶために訓練される。 トレーニングが完了すると、モデルの再訓練を必要とせず、新しい送信機の位置、アンテナビームパターン、移動体受信機に一般化される。 そこで本研究では,標準的な3Dシーンから,1000台の受信機を備えた複雑な屋内カフェまで,一連の実験を通じて,フレームワークの有効性を実証する。 その結果、30ミリ秒レベルの推論遅延と、幅広い構成にわたる正確なCIR予測が得られた。 このアプローチはリアルタイム適応性と解釈性をサポートし、ワイヤレスデジタルツインプラットフォームと将来の6Gネットワーク計画の候補となる。

関連論文リスト

• DiffPINN: Generative diffusion-initialized physics-informed neural networks for accelerating seismic wavefield representation [3.069335774032178]
  物理インフォームドニューラルネットワーク(PINN)は、地震波場モデリングのための強力なフレームワークを提供する。 PINNは通常、異なる速度モデルに適用する場合、時間を要する。 高速かつ効果的なPINN初期化のための潜伏拡散に基づく戦略を導入する。
  論文  参考訳（メタデータ） (2025-05-31T08:41:06Z)
• GWRF: A Generalizable Wireless Radiance Field for Wireless Signal Propagation Modeling [5.744904421002954]
  Generalizable Wireless Radiance Fields (GWRF) は、任意の3D送信機と受信機の位置で無線信号の伝搬をモデル化するためのフレームワークである。 まず、ジオメトリ対応トランスフォーマーエンコーダを用いた無線シーン表現モジュールは、地理的に近接する送信機からの情報を組み込んで、一般化可能な無線放射場を学習する。 第2に、このフィールド上でニューラル駆動のレイトレーシングアルゴリズムが動作し、受信機での信号受信を自動的に計算する。
  論文  参考訳（メタデータ） (2025-02-08T22:03:08Z)
• Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
  ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。 本稿では,無線コミュニティに対して,エンドツーエンドの受信方式を提示することでRAQRを導入する。 次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
  論文  参考訳（メタデータ） (2024-12-07T06:25:54Z)
• Neural Representation for Wireless Radiation Field Reconstruction: A 3D Gaussian Splatting Approach [8.644949917126755]
  本稿では,無線放射場(WRF)再構成に基づくチャネルモデリングのための新しいフレームワークであるWRF-GSを提案する。 本稿では、電磁波物理をニューラルネットワーク設計に統合する拡張フレームワークであるWRF-GS+を提案する。
  論文  参考訳（メタデータ） (2024-12-06T07:56:14Z)
• DART: Implicit Doppler Tomography for Radar Novel View Synthesis [9.26298115522881]
  DARTは、レーダ固有の物理を用いて、レンジドップラー画像のための反射率および透過率に基づくレンダリングパイプラインを作成する、ニューラルラジアンスフィールドにインスパイアされた方法である。 最先端のベースラインと比較して、DARTはすべてのデータセットにまたがる新しいビューから優れたレーダレンジ・ドップラー画像を合成する。
  論文  参考訳（メタデータ） (2024-03-06T17:54:50Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• 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)
• Toward Data-Driven STAP Radar [23.333816677794115]
  我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。 所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。 この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。 空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
  論文  参考訳（メタデータ） (2022-01-26T02:28:13Z)
• Mega-NeRF: Scalable Construction of Large-Scale NeRFs for Virtual Fly-Throughs [54.41204057689033]
  我々は、ニューラルネットワーク(NeRF)を活用して、建物にまたがる大規模な視覚的キャプチャーや、主にドローンデータから収集された複数の都市ブロックからインタラクティブな3D環境を構築する方法について検討する。 NeRFが伝統的に評価されている単一のオブジェクトシーンとは対照的に、この設定には複数の課題がある。 我々は、訓練画像(またはむしろピクセル)を、並列で訓練できる異なるNeRFサブモジュールに分割する単純なクラスタリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2021-12-20T17:40:48Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• FDNet: A Deep Learning Approach with Two Parallel Cross Encoding Pathways for Precipitation Nowcasting [7.0521806281607615]
  2つの並列クロス経路で流れと変形をモデル化するニューラルネットワークであるフロー変形ネットワーク(FDNet)を紹介します。 提案するネットワークアーキテクチャを2つの実世界のレーダーエコーデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-05-06T11:18:24Z)

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。