Multi-Path Aware Radio Map Construction for 6G Environment-Aware Communication: A Helmholtz Equation-Informed Approach
Notice bibliographique
Résumé
Driven by the rising demand for intelligent and proactive optimization in sixth-generation (6G) networks, wireless communication has transitioned towards an environment-aware paradigm, making accurate radio map (RM) construction to provide location-specific wireless channel features critically important. However, traditional electromagnetic (EM) computing-based methods suffer from prohibitive computational complexity, while existing data-driven neural network (NN) methods lack sufficient capability to capture EM singularities arising from EM wave propagation. To overcome these challenges, we explicitly integrate the Helmholtz equation, which governs EM wave propagation, into NN training, establishing a theoretical link between EM singularities and regions characterized by imaginary wave numbers as $k^{2}\lt 0$. Inspired by this analysis, we propose a dual-network architecture where one NN precisely infers EM singularities, while another reconstructs the RM using these inferred singularities alongside environmental information for RM construction. By effectively combining physics-based modeling with data-driven approaches, the proposed Helmholtz equation-informed NN (HEINN) method significantly enhances RM accuracy, especially in complex multi-path-dominated scenarios. Experiment results show the proposed HEINN achieves state-of-the-art (SOTA) RM construction performance, even 2x higher performance than the previous SOTA generative artificial intelligence (GAI) based method with 60x higher efficiency, which provides an insightful direction for the research of physics-informed wireless communication optimization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».