基于三频段信道测量的多层数字孪生用于太赫兹无线数据中心

# 面向太赫兹无线数据中心的三频段信道测量使能多层数字孪生
来源：https://arxiv.org/html/2609.01699
于子铭†††华为技术有限公司，中国成都 611731 (电子邮件: [email protected])；
王光健†††华为技术有限公司，中国成都 611731；
韩充†††上海交通大学 太赫兹无线通信(TWC)跨学科研究中心 & 协同媒体网络创新中心(CMIC)，信息科学与电子工程学院，中国上海 200240 (电子邮件: [email protected])；
朱明杰††† 上海交通大学 太赫兹无线通信(TWC)跨学科研究中心，中国上海 200240 (电子邮件: [email protected])。

###### 摘要

人工智能计算的快速增长推动了对灵活、高容量数据中心互联的需求日益增加。得益于其超宽带宽和高空间复用能力，太赫兹通信已成为未来无线数据中心的一种有前景的解决方案，而数字孪生则能够实现高效的无线规划和实时优化。本文提出了一种测量驱动的面向太赫兹无线数据中心的多层数字孪生框架，其中测量层的物理孪生、构建层的信道孪生、评估层的系统性能以及操作层的资源分配从下至上逐步构建。首先，在140、220和300 GHz频段进行了广泛的信道测量，以表征频率相关的传播特性。基于三频段测量数据，通过联合优化几何、材料、天线和混合传播模型，建立了一个测量校准的物理孪生。在此物理孪生之上，开发了一种视距感知的隐式神经场，以构建人工智能信道孪生，实现高效的信道重建。所提出的人工智能孪生从校准的孪生中学习与位置相关的信道统计信息，从而能够实时预测接收功率和视距概率。进一步向上，基于重建的信道场，推导出系统级评估层，以分析接入点到机架以及机架到机架通信的覆盖和干扰。实验结果表明，所提出的人工智能孪生在保持实时推理能力的同时，实现了比现有神经场基线更低的功率重建误差。此外，在10 dB信号与干扰加噪声比阈值下，吸顶式接入点部署实现了超过90%的覆盖，证明了所提数字孪生框架在太赫兹无线数据中心规划和优化中的有效性。

###### 索引术语：

太赫兹通信，多层数字孪生，无线数据中心。

## I 引言

现代数据中心在支持云计算、人工智能和大规模分布式存储系统[1 (https://arxiv.org/html/2609.01699#bib.bib1), 2 (https://arxiv.org/html/2609.01699#bib.bib2)]方面发挥着关键作用。随着数据密集型应用的快速增长，数据中心内部的信息流量急剧增加，要求更灵活、低延迟的架构[3 (https://arxiv.org/html/2609.01699#bib.bib3), 4 (https://arxiv.org/html/2609.01699#bib.bib4)]。为此，太赫兹无线数据中心成为下一代人工智能集群[1 (https://arxiv.org/html/2609.01699#bib.bib1)]的一种有前景的连接架构，因其具有超宽带宽和高度定向传输[5 (https://arxiv.org/html/2609.01699#bib.bib5), 6 (https://arxiv.org/html/2609.01699#bib.bib6), 7 (https://arxiv.org/html/2609.01699#bib.bib7)]的特性。这些特性使得太赫兹无线链路能够支持极高的数据速率，同时具有低延迟和高能效，并支持动态可重构的网络拓扑。然而，太赫兹无线数据中心的实际部署和运行需要可靠的网络规划、干扰管理和实时资源分配。这些功能不能仅依赖静态模型或离线仿真，因此需要一个准确且自适应的数字孪生[8 (https://arxiv.org/html/2609.01699#bib.bib8), 9 (https://arxiv.org/html/2609.01699#bib.bib9), 10 (https://arxiv.org/html/2609.01699#bib.bib10), 11 (https://arxiv.org/html/2609.01699#bib.bib11)]，以忠实地表征无线环境并支持系统级决策。

无线数据中心中的传播机制是太赫兹无线数据中心优化和部署的基础。太赫兹传播对环境动态高度敏感，这在现实的数据中心场景中普遍存在。因此，可靠的网络规划、干扰管理和实时资源分配依赖于一个准确且自适应的数字孪生[8 (https://arxiv.org/html/2609.01699#bib.bib8), 9 (https://arxiv.org/html/2609.01699#bib.bib9), 10 (https://arxiv.org/html/2609.01699#bib.bib10), 11 (https://arxiv.org/html/2609.01699#bib.bib11)]，该孪生能够准确感知物理环境，忠实地重建无线传播特性，高效评估网络性能，并最终支持智能网络优化。这样的闭环数字孪生能够实现物理世界与虚拟世界的持续交互，为自主无线网络管理奠定基础。然而，实现这样的数字孪生仍然面临挑战。首先，数字孪生必须基于真实的传播测量，以捕捉太赫兹信道的频率相关特性。其次，数字孪生需要一种既符合物理规律又经过测量验证的信道表征方法，以使虚拟模型能够忠实地再现真实的传播行为。第三，该信道表征应支持实时交互，要求比传统射线追踪仿真低得多的计算复杂度。最后，重建的信道知识应转化为网络级智能，支持覆盖评估、部署规划和资源优化。

由于无线数字孪生的保真度根本上依赖于准确的信道知识，获取真实的传播数据成为构建数字孪生的首要前提。因此，信道测量是数字孪生构建的基础。已有大量文献研究了太赫兹通信的信道测量[12 (https://arxiv.org/html/2609.01699#bib.bib12), 13 (https://arxiv.org/html/2609.01699#bib.bib13), 14 (https://arxiv.org/html/2609.01699#bib.bib14), 15 (https://arxiv.org/html/2609.01699#bib.bib15)]。现有的测量活动在各种太赫兹场景中表征了路径损耗、时延扩展、角度特性和遮挡效应[16 (https://arxiv.org/html/2609.01699#bib.bib16), 17 (https://arxiv.org/html/2609.01699#bib.bib17)]。文献[14 (https://arxiv.org/html/2609.01699#bib.bib14)]在无线数据中心进行了140 GHz的信道测量，但未讨论物理层评估。文献[13 (https://arxiv.org/html/2609.01699#bib.bib13)]为数据中心中的太赫兹信道建立了一个基于簇的模型，文献[15 (https://arxiv.org/html/2609.01699#bib.bib15)]则采用了面向太赫兹无线数据中心的混合模型。然而，无线数据中心环境的测量仍然相对有限，特别是对于多频段表征和面向数字孪生的应用。

为了忠实地再现测量的传播行为，一个有效的数字孪生还需要一种既符合物理规律又经过测量验证的信道表征方法。基于测量数据，无线数字孪生的信道孪生主要通过基于射线追踪的方法来实现[18 (https://arxiv.org/html/2609.01699#bib.bib18), 19 (https://arxiv.org/html/2609.01699#bib.bib19), 20 (https://arxiv.org/html/2609.01699#bib.bib20)]。通过利用特定场地的几何结构和电磁传播机制，射线追踪能够以高度的物理可解释性重建多径传播特性。近期的研究进一步引入了校准技术以改善仿真与测量之间的一致性[18 (https://arxiv.org/html/2609.01699#bib.bib18)]，而实验验证也表明射线追踪在太赫兹信道表征方面具有一定的可行性[20 (https://arxiv.org/html/2609.01699#bib.bib20)]。

除了重建保真度，一个实用的数字孪生还应支持与物理世界的实时交互。为此，基于人工智能的信道孪生最近成为构建无线数字孪生的一种有前景的解决方案[11 (https://arxiv.org/html/2609.01699#bib.bib11), 21 (https://arxiv.org/html/2609.01699#bib.bib21), 22 (https://arxiv.org/html/2609.01699#bib.bib22), 23 (https://arxiv.org/html/2609.01699#bib.bib23), 24 (https://arxiv.org/html/2609.01699#bib.bib24), 25 (https://arxiv.org/html/2609.01699#bib.bib25)]。通过学习环境特征与信道响应之间的潜在映射关系，基于人工智能的方法可以在保持可接受的预测精度的同时大幅降低计算开销。现有研究已经探索了生成模型、扩散模型、生成对抗网络和基于Transformer的架构用于信道生成和信道估计。特别是，基于物理的知识与数据驱动学习的融合，在未来6G网络中加速数字孪生构建方面展现了巨大潜力[11 (https://arxiv.org/html/2609.01699#bib.bib11)]。然而，大多数现有的基于人工智能的信道孪生关注通用通信场景，常常忽略了太赫兹无线数据中心中对遮挡敏感的传播特性和高度结构化的布局。此外，基于人工智能的信道孪生与测量校准的物理模型之间的关系仍有待深入研究。

一旦建立了准确的信道孪生，它就可以进一步支持网络级决策。数字孪生已越来越多地被用于网络级优化和自主决策[26 (https://arxiv.org/html/2609.01699#bib.bib26), 10 (https://arxiv.org/html/2609.01699#bib.bib10)]。通过将环境感知的信道预测与优化算法相结合，数字孪生能够实现高效的部署规划、覆盖分析、干扰管理和资源分配。然而，现有的面向优化的数字孪生通常依赖于计算密集型的射线追踪仿真或简化的信道抽象，限制了它们在复杂室内环境中同时提供高保真度和实时响应能力。

图1：多层数字孪生架构。
受上述观察的启发，我们提出了一种面向太赫兹无线数据中心的测量驱动多层数字孪生，如图1 [https://arxiv.org/html/2609.01699#S1.F1]所示。所提出的框架从下至上组织为四个功能层。测量层构成物理孪生的基础，旨在通过多源测量捕获无线环境的物理特征。它包括信道测量、环境测量和材料测量。构建层构建无线数据中心的信道图谱，包括一个测量校准的射线追踪孪生和一个人工智能孪生。校准的射线追踪孪生缓解了射线追踪与测量之间的差异，而人工智能孪生则通过人工智能信道模型加速了信道表征。信道孪生构建了一个能够再现观测到的传播行为的虚拟对应体。评估层将重建的信道统计信息转化为系统指标，如覆盖、干扰和可达速率，从而弥合了信道级预测与网络级性能评估之间的差距。最后，操作层利用评估结果执行接入点部署、波束管理、用户关联和干扰感知优化，从而实现闭环规划和实时决策。通过联合利用多频段信道测量、基于物理的建模和人工智能辅助的信道重建，多层数字孪生实现了高保真度和计算效率，为未来太赫兹无线数据中心的信道表征、网络评估和智能优化提供了一个实用平台。

本文的主要贡献总结如下：
- 我们提出了一种面向太赫兹无线数据中心的测量驱动多层数字孪生框架。该框架整合了从激光雷达点云构建的几何孪生、使用太赫兹时域光谱测量校准的材料孪生，以及结合射线追踪和信道参数提取的测量校准信道孪生。通过联合融入几何、材料和传播信息，多层数字孪生显著提高了特定场地太赫兹数字孪生的保真度和物理一致性。
- 对于测量层，我们在一个真实的无线数据中心环境中，于140、220和300 GHz频段进行了一项综合性的三频段信道测量活动。提取并分析了广泛的信道特性，包括路径损耗、时延扩展、角度特性、遮挡效应和多径聚类行为，为数据中心场景中频率相关的太赫兹传播机制提供了有价值的见解。
- 对于构建层，我们基于改进的隐式神经场开发了一个遮挡感知的人工智能信道孪生，以实现实时信道重建和系统评估。与传统的基于坐标的神经场不同，所提出的模型融合了距离感知的传播先验、基于网格的视距概率图以及视距自适应的双专家架构，以显式地捕获遮挡主导的数据中心环境中视距链路和非视距链路截然不同的传播行为。所提出的人工智能孪生在大幅降低计算复杂度的同时，实现了较高的信道重建精度。
- 对于评估层，我们推导了太赫兹无线数据中心的解析覆盖和速率评估模型。由此得到的闭式覆盖表达式在信道预测与网络级性能指标之间建立了直接联系，实现了高效的覆盖估计、干扰分析和部署评估。所提出的框架提供了一个从信道测量、数字孪生构建到智能网络优化的完整闭环工作流程。

本文其余部分按照多层数字孪生从下至上的顺序组织。测量层、构建层和评估层分别在第II节[https://arxiv.org/html/2609.01699#S2]、第III节[https://arxiv.org/html/2609.01699#S3]和第IV节[https://arxiv.org/html/2609.01699#S4]中介绍。最后，第V节[https://arxiv.org/html/2609.01699#S5]进行总结。

## II 测量层

无线数据中心的物理特征是通过多源测量构成的，包括信道测量、环境测量和材料测量。本节介绍了在140、220和300 GHz进行的测量活动以及提取的传播特