《Telecom》：Physics-Inspired Convolutional Neural Network for Scalable Modeling of Radio Wave Propagation
编辑推荐：
在崎岖地形上可靠估计无线电波传播对于现代无线通信系统（如蜂窝网络、广播基础设施和雷达系统）的有效规划和优化至关重要。电磁波与环境特征（包括山脉、洼地和人工结构）之间的复杂相互作用需要能够考虑由地形变化引起的衍射、反射、散射和阴影效应的复杂建模方法。使用分步抛物
在崎岖地形上可靠估计无线电波传播对于现代无线通信系统（如蜂窝网络、广播基础设施和雷达系统）的有效规划和优化至关重要。电磁波与环境特征（包括山脉、洼地和人工结构）之间的复杂相互作用需要能够考虑由地形变化引起的衍射、反射、散射和阴影效应的复杂建模方法。使用分步抛物方程（SSPE）方法对不规则地形上的无线电波传播进行建模已变得越来越流行。然而，高计算成本限制了其实际部署。这导致人们对机器学习（ML）作为更高效替代方案的兴趣日益增长。机器学习在电磁应用中的一个主要挑战在于准确预测训练数据中未出现的场景的结果——现有基于机器学习的传播模型尚未完全解决这一局限性。为克服这一挑战，研究人员提出了一种高保真、可扩展的物理启发建模框架。所提出的方法有效适应各种地形剖面和天线设置，展示了超出训练集的强大外推性能。此外，另一项关键创新是将确定性基于物理模型的先验知识集成到神经网络架构中。另外，定制网络结构以反映基于地形的波传播的物理特性，显著提高了预测准确性和可扩展性。
**研究背景与问题**
无线电波传播的精确建模是现代无线通信系统（如5G/6G网络、物联网部署和农村连接计划）规划、设计和优化的基础。传统方法如射线追踪、抛物方程方法以及经验模型（如Longley-Rice模型）虽在复杂地形中用于理解信号行为，但存在计算资源需求高、对地形分辨率敏感、难以泛化至多样环境条件等问题。特别是分步抛物方程（SSPE）方法在模拟不规则地形传播时表现出高可靠性，但其每次地形或天线参数变化时需重新运行模拟，导致计算成本高昂，不适用于实时应用。近年来，深度学习（尤其是卷积神经网络（CNN））在近似复杂物理现象方面展现出潜力，但纯数据驱动模型缺乏物理可解释性，且易在训练域外失效。为此，研究人员开展了一项研究，旨在构建一个融合物理先验知识的可扩展传播建模框架，以解决现有方法在准确性、泛化能力和计算效率上的不足。该论文发表在《Telecom》。
**研究方法与关键技术**
研究人员采用了以下主要关键技术方法：
1. **双向分步抛物方程（two-way SSPE）方法**：基于Helmholtz波动方程，将波分解为前向和后向传播两部分，用于生成训练数据集。
2. **物理引导参数嵌入（Physics-Guided Parameter Embedding）**：借鉴SSPE迭代更新特性，将地形剖面和天线参数通过全连接层和1D卷积逐步扩展为高维特征矩阵，嵌入先验物理知识。
3. **位置编码（Position Encoding）**：引入边界距离函数和发射机距离函数，为模型提供空间上下文信息。
4. **地形传播网络（Terrain Propagation Network, TPN）**：采用嵌套U形架构（Nested U-shape），在保持高分辨率特征图的同时实现深度非线性变换，支持多尺度学习。
训练数据基于45,056个随机生成的地形剖面（使用Perlin噪声和线性梯度），天线参数包括高度、倾斜角和波束宽度。模型在配备AMD Ryzen 9 7950X CPU和NVIDIA GeForce RTX 3090 GPU的工作站上训练约100小时。
**研究结果**
**3.1. 通过消融分析对提出的特征进行评价**
通过对比标准嵌入方法与提出的物理引导嵌入方法，研究人员发现：引入先验物理知识使模型参数量减少70%，同时准确性提升34%（以平均绝对误差MAE衡量）。进一步，添加发射机位置编码单独提升准确性45%，边界位置编码单独提升27%，两者结合提升52%。物理引导嵌入和位置编码共同提升了预测细节和精度，尤其对于远离发射机和边界的区域。计算时间方面，提出模型仅需0.053秒，而传统SSPE方法需782秒，显示出显著速度优势。
**3.2. 卷积神经网络设计的对比分析**
将提出模型与Chen等（深网络牺牲分辨率）、Huang等（U-Net族保持分辨率）以及Brennan等（原始U-Net）模型对比。结果表明，提出模型在参数量上分别减少21%、29%和85%，同时准确性提升64%、71%和85%。这表明专为地形传播设计的TPN架构在本任务中具有显著优势。
**3.3. 泛化行为的洞察**
通过刻意从训练集剔除特定参数值的数据，评估模型在插值和外推场景下的表现。对于地形形状（坡度角-0.3、0、0.3）、天线高度（5 m和20 m外推）、天线倾斜角（0°和15°外推）以及天线波束宽度（15°和30°外推），模型均能准确预测，且外推范围可达训练数据范围的1.67倍。这证实了模型对未见参数和地形的强大泛化能力。
**4. 复杂真实地形中的应用案例**
使用丹麦北部两个真实不规则地形（Hjorringvej长10 km，Jerslev长5 km）的测量数据验证模型。模型在970 MHz（Hjorringvej）和435 MHz（Jerslev）频率下重新训练（新数据集）。预测路径损耗与测量数据及传统SSPE方法结果高度吻合。计算时间上，提出模型对Hjorringvej和Jerslev分别需99秒和19秒，而SSPE需0.041秒和0.037秒，但模型仍展示了数据驱动方法的灵活性。
**总结与讨论**
研究结论部分翻译如下：
在本研究中，研究人员提出了一种可扩展的物理信息传播建模框架，该框架在各种地形类型和天线设置下保持高精度。所提出的方法显著提高了复杂景观中接收信号强度预测的效率。核心创新在于一种新颖的参数嵌入方法，利用确定性模型的先验知识，增强了准确性和可扩展性。研究人员还提出了一种适用于大规模建模的空间上下文编码技术，并开发了一种针对地形相关传播挑战优化的专用网络架构。通过详细的消融研究验证了框架中每个组件的有效性。与数值模拟的对比分析证实了模型在不同参数设置下具有良好的可扩展性。此外，使用两个不规则地形环境中的实测数据进行验证进一步支持了模型的可靠性。一个关键局限性是模型对训练期间定义的最大地形长度的依赖性。虽然较短的测试地形可以通过填充处理，但显著更长的地形需要开发新数据集并重新训练。此外，模型尚未纳入大气或表面条件变化——这是未来探索的领域。进一步的工作包括跨频段和天线类型的可扩展性、多分辨率和GIS集成建模，以及混合物理-AI融合、在线学习和迁移学习等方法。优化边缘部署、嵌入不确定性量化和可解释性特征对于稳健、可扩展和可解释的地形感知传播建模至关重要。
