Physics-Unrolled神经算子用于无线场建模

# 用于无线场建模的物理展开神经算子
来源：https://arxiv.org/html/2608.18495

###### 摘要
无线电地图对于无线决策任务（如接入点部署、覆盖规划和定位）至关重要，但其精细的空间细节由复杂的传播效应决定，精确模拟成本高昂。机器学习提供了一条无需为每个场景运行昂贵的高保真模拟即可实现高保真无线电地图预测的途径。然而，大规模生成高质量的训练标签同样困难：可用的标签来自有限射线模拟，这些标签虽然比低保真输入更丰富，但仍带有残余的蒙特卡洛噪声。我们通过**物理展开混合神经算子**（Physics-Unrolled Hybrid Neural Operator，PU-HNO）来应对这一挑战。这是一个三阶段级联模型，通过逐步捕获反射、衍射和散射效应（而非将无线电地图视为通用图像），从低保真射线追踪输出和场景先验中预测高保真室内无线电地图。我们证明，在条件无偏标签噪声下，该模型可以学习稳定的传播结构，并超越其训练标签本身。在不同平面布局上的实验表明，**PU-HNO** 在图像质量和无线部署指标上均优于图像到图像的基线模型、无线学习模型以及单体神经算子。

**作者**：Rafid Umayer Murshed, Saif Ur Rahman, Mingyue Tang, Elahe Soltanaghai
**单位**：伊利诺伊大学厄巴纳-香槟分校计算机科学系，厄巴纳，伊利诺伊州61801，美国
**邮箱**：\{rum3, saifu2, mt55, elahe\}@illinois.edu

## 1 引言
参考图注
**图 1：** **PU-HNO** 从低保真输入和中等保真监督中预测高保真无线电地图。

精确的无线场建模旨在预测电磁信号如何在物理环境中变化。关键挑战在于，无线传播涉及与场景几何和材料的相干多径交互，包括反射、衍射和散射，这会导致接收信号强度产生剧烈的空间变化 17 (https://arxiv.org/html/2608.18495#bib.bib52); 49 (https://arxiv.org/html/2608.18495#bib.bib53)。因此，诸如Wi-Fi接入点部署、覆盖规划、定位和网络可靠性分析等实际任务，通常需要捕获这种跨空间局部变化的高保真无线电地图 36 (https://arxiv.org/html/2608.18495#bib.bib28); 12 (https://arxiv.org/html/2608.18495#bib.bib26); 52 (https://arxiv.org/html/2608.18495#bib.bib27)。然而，生成此类高保真无线电地图需要密集的射线采样或详细的传播建模，使其计算成本高昂 21 (https://arxiv.org/html/2608.18495#bib.bib14); 39 (https://arxiv.org/html/2608.18495#bib.bib2)。

这就引出了本文的核心问题：**机器学习能否将低成本、带噪声的无线电地图模拟转化为高保真的无线电地图预测？**

一个直接的方向是将其视为图像到图像的学习问题 30 (https://arxiv.org/html/2608.18495#bib.bib3); 53 (https://arxiv.org/html/2608.18495#bib.bib10)，其中模型将低保真输入的无线电地图映射到更清晰的输出。然而，此类模型通常为全局视觉相似性或平均逐像素精度进行优化，这可能会平滑掉由多径引起的剧烈局部变化。这对于无线电地图尤其成问题，因为这些局部变化不是视觉伪影；它们反映了反射、衍射和散射等基础传播效应，并且对覆盖和规划至关重要 17 (https://arxiv.org/html/2608.18495#bib.bib52); 49 (https://arxiv.org/html/2608.18495#bib.bib53)。

另一个局限性在于，学习无线场无法现实地完全依赖高保真标签，因为为大型训练集生成这些标签在计算上是昂贵的 39 (https://arxiv.org/html/2608.18495#bib.bib2)。相反，可用的标签通常是中等保真模拟，它们包含比低保真输入更丰富的空间结构，但仍然带有噪声且不完美，如图 1 (https://arxiv.org/html/2608.18495#S1.F1) 所示。因此，学习问题不仅仅是拟合这些标签，而是在避免模拟噪声的同时，利用中等保真监督中存在的稳定结构来细化粗糙场。

为了应对这些挑战，我们提出了 **PU-HNO**，一个物理展开的神经算子级联模型，用于从低保真射线追踪输出中恢复高保真无线电地图。**PU-HNO** 并非一步预测完整的无线电地图，而是通过多个算子阶段逐步细化输出，每个阶段专注于特定的无线传播效应：广泛的反射覆盖、墙壁和角落附近的边缘驱动衍射、以及由物体和多径引起的精细局部散射波动。几何和场景先验被用于约束这些阶段，使每次细化都基于平面布局、材料布局以及发射机/接收机上下文。这种分阶段设计允许模型在前一个算子的输出基础上进行构建，而不是对整个场应用单一的通用平滑函数。

这种算子公式进一步支持跨不同布局和空间分辨率的场到场预测，同时无线物理感知的损失函数鼓励模型保留有意义的空间梯度，而不仅仅是匹配平均像素值。

参考图注
**图 2：** 各种传播机制共同塑造了无线电地图。

我们在多个室内场景中使用来自 NVIDIA SionnaRT 22 (https://arxiv.org/html/2608.18495#bib.bib43) 的模拟无线电地图来评估 **PU-HNO**，将其与标准视觉架构、通用神经算子以及无线专用基线模型进行比较。我们表明，**PU-HNO** 能够超越用于训练的中等保真标签，在训练期间无需访问高保真参考无线电地图的情况下，有效地对其进行去噪。我们的理论分析确定了实现这一点的精确条件：标签误差对于每个场景必须是条件无偏的，即对于固定的平面布局，噪声均值为零，并且不会使场产生任何系统性偏差。随机模拟误差随后在训练样本间平均化，而跨场景共享的稳定传播结构仍然是可学习的。这个条件在我们的射线追踪设置中成立，其中中等保真标签携带零均值的蒙特卡洛噪声。

总而言之，本文做出了以下贡献：
- (i) 我们引入了 **PU-HNO**，一个用于无线场细化的三阶段神经算子级联模型，它从带噪声的中等保真监督中学习，并逐步捕获未见环境中与反射、衍射和散射相关的空间结构。
- (ii) 我们设计了传播感知的训练目标，强调无线场中的精细尺度空间结构，有助于保留标准逐点损失函数容易平滑掉的细节。
- (iii) 我们引入了一种基于无线指标的面向部署的评估协议，并表明它能揭示标准图像质量指标所遗漏的覆盖和规划差异。
- (iv) 我们证明了一个零样本去噪定理。该定理表明，只要有足够多的训练场景，在带噪声标签上训练的算子可以证明比这些标签本身更接近高保真参考。这将经典的单图像设置下的图像去噪结果扩展到了跨多个物理场景的算子学习。

## 2 背景与相关工作
**无线场与传播机制。** 无线场描述了电磁信号强度如何在物理环境中变化。每个位置的接收信号是多条传播路径的叠加，这些路径从表面和物体反射。无线电地图通过为部署区域中的每个位置分配一个接收信号强度值来离散化此场。这些地图支持接入点部署、覆盖规划、定位和识别易中断区域等决策任务。

如图 2 (https://arxiv.org/html/2608.18495#S1.F2) 所示，不同的传播机制留下独特的空间特征：视距和镜面路径形成广泛的覆盖模式，衍射在阴影边界附近产生急剧变化，而散射引入精细的局部波动。因此，高保真无线电地图模拟必须捕获多种叠加机制，而不仅仅是增加空间分辨率。全波电磁求解器提供了对麦克斯韦方程行为的详细近似，但对于重复的房间或建筑规模规划通常成本过高 2 (https://arxiv.org/html/2608.18495#bib.bib23); 3 (https://arxiv.org/html/2608.18495#bib.bib24)。在实践中，场景规模的无线设计通常依赖射线追踪，它比全波模拟更具可扩展性，但仍通过射线预算、反弹次数和建模的传播机制在成本和保真度之间进行权衡，在某些情况下运行时间增加超过 25 倍 21 (https://arxiv.org/html/2608.18495#bib.bib14); 46 (https://arxiv.org/html/2608.18495#bib.bib25); 56 (https://arxiv.org/html/2608.18495#bib.bib1)。

许多无线射线追踪软件包使用**蒙特卡洛射线追踪**，其中传播通过发射有限数量的射线、追踪它们与场景几何的交互以及将它们的贡献聚合到一个 RSS 场中来近似。射线较少时，场的计算成本更低，但仅部分收敛；射线更多时，场变得更丰富、更稳定，但成本更高。

**相关工作。** 我们的工作建立在科学机器学习的三个分支之上。神经算子、物理信息网络和多保真度方法学习结构化场之间的映射，通常在监督数据较粗或来自不同成本的模拟时使用 37 (https://arxiv.org/html/2608.18495#bib.bib4); 34 (https://arxiv.org/html/2608.18495#bib.bib5); 45 (https://arxiv.org/html/2608.18495#bib.bib7); 32 (https://arxiv.org/html/2608.18495#bib.bib6); 38 (https://arxiv.org/html/2608.18495#bib.bib8); 19 (https://arxiv.org/html/2608.18495#bib.bib9)。图像去噪工作表明，可以仅从带噪声的标签中学习有用的预测，无需任何干净的参考图像 29 (https://arxiv.org/html/2608.18495#bib.bib29); 27 (https://arxiv.org/html/2608.18495#bib.bib30); 42 (https://arxiv.org/html/2608.18495#bib.bib31)。最近的一篇无线论文使用物理先验从带噪声的接入点观测中学习信道参数的统计分布 8 (https://arxiv.org/html/2608.18495#bib.bib17)。我们借鉴了这些工作。它们都没有针对室内无线电地图，也没有分离产生无线覆盖规划所依赖的独特局部模式的三种传播效应——反射、衍射和散射。

**基于学习的无线代理模型**无需详尽的现场勘测即可预测信号行为。RadioUNet 和到达时间数据集系列训练一个 U-Net，将场景几何直接映射到路径损耗图 30 (https://arxiv.org/html/2608.18495#bib.bib3); 53 (https://arxiv.org/html/2608.18495#bib.bib10)。更新的工作将稀疏的现场射频测量与视觉或几何先验融合，以一次一个场景的方式拟合更丰富的表示 13 (https://arxiv.org/html/2608.18495#bib.bib11); 12 (https://arxiv.org/html/2608.18495#bib.bib26); 52 (https://arxiv.org/html/2608.18495#bib.bib27)。这两种方法都假设了我们避免的东西：前者需要干净的训练标签并学习一个固定的图像到图像映射；后者需要在每个新场景的现场收集射频测量数据。我们在多个带噪声射线追踪标签的场景上进行一次训练，并在没有现场射频数据的情况下对未见过的平面布局进行预测。

一个密切相关的方向是使用连续的每场景表示——NeRF 风格的场、神经射线追踪器和辐射场方法，这些方法将一个模型拟合到单个场景的现场测量数据，并预测该场景中任何位置的信号 40 (https://arxiv.org/html/2608.18495#bib.bib12); 55 (https://arxiv.org/html/2608.18495#bib.bib13); 36 (https://arxiv.org/html/2608.18495#bib.bib28); 10 (https://arxiv.org/html/2608.18495#bib.bib18)。标准信道模型、基于几何的模拟器和可微分射线追踪器为这些方法提供了物理支架 1 (https://arxiv.org/html/2608.18495#bib.bib16); 23 (https://arxiv.org/html/2608.18495#bib.bib19); 21 (https://arxiv.org/html/2608.18495#bib.bib14); 20 (https://arxiv.org/html/2608.18495#bib.bib15)。在所有这些工作中，射线追踪要么是产生答案的前向模拟器，要么是单个神经场拟合的目标。我们以相反的方式使用射线追踪：作为跨多个场景的廉价、带噪声的监督。我们的模型学习到的预测比这些标签本身更接近高保真参考，并且它在三个明确阶段处理反射、衍射和散射（图 2 (https://arxiv.org/html/2608.18495#S1.F2)），而不是将它们平滑成一个整体。

参考图注
**图 3：** **PU-HNO** 使用三阶段神经算子架构来估计高保真无线电地图，该架构捕获不同的无线传播机制。

## 3 方法
### 3.1 问题公式化
考虑一个具有固定发射机（例如Wi-Fi接入点）和分布在二维平面布局 Ω⊂R² 上的接收机的无线场景。相应的无线电地图是一个接收信号强度值的二维矩阵，其中每个单元 p 代表平面布局上的一个接收机位置。我们用 𝒴 表示此类无线电地图的空间。

对于每个场景，模型输入 X∈𝒳 由一个低保真无线电地图（即基于粗糙模拟的估计）和描述平面布局几何、材料信息以及坐标上下文的场景先验组成。模型使用一个更高保真但仍不完美的无线电地图进行训练，该地图被标记为 Y_IF-GT∈𝒴，我们称之为**中等保真无线电地图标签**。与低保真输入相比，该标签具有更高的空间分辨率，并捕获了更广泛的无线交互机制（例如衍射和散射）。然而，它仍然是一个近似的目标，而不是最终的地面真值。

为了评估，我们使用一个单独的高保真参考，表示为 Y_HF-GT∈𝒴。这个**高保真地面真值无线电地图参考**代表了模型旨在恢复的理想无线电地图，但仅用于评估，在训练期间从未被使用。目标是学习一个神经算子 f_θ: 𝒳→𝒴，将每个输入场景表示 X_i 映射到预测的无线电地图 Ŷ_i = f_θ(X_i)，其中 θ 表示可训练参数。

对于每个训练场景 i=1,...,n，可用的标签是中等保真无线电地图 Y_IF-GT^(i)。模型优化为：
θ⋆ = arg min_θ  (1/n) Σ_{i=1}^n 𝓛(f_θ(X_i), Y_IF-GT^(i))，(1)
其中 θ⋆ 表示学习到的参数，𝓛 是训练损失。尽管训练使用的是中等保真地面真值标签，但目标是让 Ŷ_i 接近保留的高保真地面真值参考。在以下条件下这是可实现的：