論文の概要: Physics-Unrolled Neural Operator for Wireless Field Modeling

• arxiv url: http://arxiv.org/abs/2608.18495v1
• Date: Wed, 19 Aug 2026 03:39:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.268654
• Title: Physics-Unrolled Neural Operator for Wireless Field Modeling
• Title（参考訳）: 無線場モデリングのための物理制御型ニューラル演算子
• Abstract要約: 機械学習モデルが安定な伝播構造を学習し、独自のトレーニングラベルよりも優れていることを示す。 実験の結果、PU-HNOは画像と画像のベースライン、無線学習モデル、画像品質と無線デプロイメントのメトリクスでモノリシックなニューラル演算子を上回っている。
• 参考スコア（独自算出の注目度）: 3.6352694197754674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radio maps are essential for wireless decision-making tasks such as access-point placement, coverage planning, and localization, but their fine spatial details are governed by complex propagation effects and are costly to simulate accurately. Machine learning offers a path to high-fidelity radio-map prediction without running expensive high-fidelity simulations for every scene. However, generating high-quality training labels at scale is also difficult: the affordable labels come from finite-ray simulations, which are richer than low-fidelity inputs but carry residual Monte Carlo noise. We address this challenge with Physics-Unrolled Hybrid Neural Operator (PU-HNO), a three-stage cascade that predicts high-fidelity indoor radio maps from low-fidelity ray-tracing outputs and scene priors by progressively capturing reflection, diffraction, and scattering effects, rather than treating radio maps as generic images. We prove that, under conditionally unbiased label noise, the model can learn stable propagation structure and outperform its own training labels. Experiments across diverse floorplans show that PU-HNO outperforms image-to-image baselines, wireless learning models, and monolithic neural operators across both image-quality and wireless deployment metrics.
• Abstract（参考訳）: 無線地図は、アクセスポイント配置、カバープランニング、ローカライゼーションなどの無線意思決定タスクには不可欠であるが、その細部は複雑な伝搬効果によって制御されており、正確なシミュレートに要する費用がかかる。 機械学習は、すべてのシーンで高価な高忠実度シミュレーションを実行することなく、高忠実度無線マップ予測への道を提供する。 しかし、高品質なトレーニングラベルを大規模に生成することは困難であり、安価なラベルは、低忠実度入力よりもリッチな有限線シミュレーションから得られるが、残留するモンテカルロノイズを持つ。 この課題に対処するため,3段階のカスケードであるPhybrid Neural Operator (PU-HNO) を用いて, 反射, 回折, 散乱効果を, 一般画像として扱うのではなく, 反射, 回折, 散乱効果を段階的に捉えることで, 低忠実度レイトレーシング出力とシーン先行から高忠実度屋内無線マップを予測する。 条件付き無バイアスラベル雑音下では,安定な伝搬構造を学習し,独自の学習ラベルよりも優れることを示す。 さまざまなフロアプランにわたる実験によると、PU-HNOは画像から画像までのベースライン、ワイヤレス学習モデル、画像品質と無線デプロイメントのメトリクスでモノリシックなニューラル演算子を上回っている。

関連論文リスト

• ControlRadio: Prompt-Driven Controllable Diffusion for Cross-Modal Radio Map Generation [39.108798042600974]
  ControlRadioは、自然言語の記述と環境レイアウトから無線マップを生成する制御可能な生成フレームワークである。 ControlRadioは、さまざまな都市シナリオにおける最先端の精度と強力な一般化を実現している。
  論文  参考訳（メタデータ） (2026-08-10T09:36:02Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Semantically Annotated Multimodal Dataset for RF Interpretation and Prediction [4.872063946977515]
  無線モデリングとRF(Radio frequency)ベースのAIの現在の制限は、RF信号を物理的な環境に接続する高品質な計測ベースのデータセットの欠如によって引き起こされている。 本稿では,RF計測と高分解能カメラやライダーなどの補助的モダリティを組み合わせることで,RF信号と物理的原因とのギャップを埋める新しいマルチモーダルデータセットを提案する。
  論文  参考訳（メタデータ） (2026-04-01T22:18:01Z)
• RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
  将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。 ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。 提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
  論文  参考訳（メタデータ） (2026-02-21T07:50:05Z)
• Scalable RF Simulation in Generative 4D Worlds [12.977761033016503]
  WaveVerseはプロンプトベースでスケーラブルなフレームワークで、生成された屋内シーンのリアルなRF信号を人間の動きでシミュレートする。 条件付き人体運動生成におけるアプローチの有効性を実証し,ビームフォーミングと呼吸監視に位相コヒーレンスがどのように適用されているかを明らかにする。
  論文  参考訳（メタデータ） (2025-08-16T23:02:14Z)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• 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)
• Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models [44.609368050610044]
  ディープニューラルネットワーク(DNN)は、データから基盤構造を“学習”することができる。 本研究では,エミッタラジオマップの解離に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-01T07:04:09Z)

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。