Comprendiendo Canales Inalámbricos a Través de NeRF2

A pesar de la formulación de las leyes de ondas electromagnéticas por Maxwell hace más de un siglo y medio, modelar con precisión la transmisión de señales de RF en entornos eléctricamente complejos sigue siendo un desafío formidable. Esta complejidad surge de las intrincadas interacciones de las señales de RF con varios obstáculos, como reflexiones y difracciones. Inspirado en la utilización efectiva de redes neuronales en visión por computadora para representar campos ópticos, este documento presenta NeRF2, un nuevo campo de radiación de radiofrecuencia neural. NeRF2 conceptualiza una función de escena continua y volumétrica para interpretar la propagación de señales de RF. De manera única, NeRF2, una vez entrenado con mediciones de señal limitadas, puede predecir las características y la recepción de una señal en un punto arbitrario, dada la ubicación del transmisor. Funcionando como una red neuronal de capa física, NeRF2 amalgama modelos estadísticos aprendidos con trazado de rayos físicos para crear conjuntos de datos sintéticos, adaptados a las necesidades de entrenamiento de redes neuronales artificiales (ANNs) de capa de aplicación. Esta integración, denominada "turbo-aprendizaje", combina conjuntos de datos auténticos y sintéticos, aumentando significativamente la eficacia del entrenamiento de las ANNs. Los resultados experimentales ilustran que el turbo-aprendizaje puede mejorar sustancialmente el rendimiento, con una mejora estimada del 50%. La eficacia de NeRF2 se subraya aún más en sus aplicaciones en localización en interiores y sistemas 5G MIMO.