Kerangka 3DGS Berbasis Geometric Algebra untuk Prediksi Kanal Nirkabel

GAI-GS: Menggabungkan 3D Gaussian Splatting dengan Geometric Algebra Attention untuk Pemodelan Nirkabel yang Sadar Elektromagnetik

Jingzhou Shen; Tianya Zhao; Xuyu Wang· 2026· DOI 10.48550/arXiv.2605.19065

Masalah inti

Prediksi kanal nirkabel di lingkungan propagasi yang kompleks tetap menantang karena interaksi rumit antara gelombang elektromagnetik (EM) dan objek fisik. Metode ray-tracing tradisional mengandalkan pemodelan geometris eksplisit tetapi sering kali kesulitan dengan skalabilitas dan adaptabilitas terhadap adegan dinamis. Kemajuan terkini dalam neural rendering, khususnya 3D Gaussian Splatting (3DGS), menawarkan representasi adegan yang efisien tetapi kurang memiliki landasan elektromagnetik yang eksplisit. Makalah ini memperkenalkan Geometric Algebra-Informed 3D Gaussian Splatting (GAI-GS), sebuah kerangka yang menggabungkan 3DGS dengan mekanisme attention berbasis geometric algebra untuk memodelkan interaksi sinar-objek secara eksplisit. Inovasi utamanya adalah mengodekan relasi spasial-elektromagnetik bersama ke dalam representasi token, sehingga memungkinkan agregasi tingkat adegan dalam arsitektur neural end-to-end yang terpadu. Desain ini melandasi propagasi sinar nirkabel pada prinsip elektromagnetik, memungkinkan interaksi token memodelkan efek kunci seperti multipath, atenuasi, dan refleksi/difraksi. Penulis mengevaluasi GAI-GS pada beberapa dataset dalam ruangan dunia nyata

Inovasi

Penulis melakukan evaluasi ekstensif pada beberapa dataset dalam ruangan dunia nyata. Dataset ini mencakup pengukuran karakteristik kanal nirkabel seperti kekuatan sinyal terima, path loss, dan delay spread di berbagai lingkungan dalam ruangan (misalnya, kantor, koridor, dan laboratorium). GAI-GS dibandingkan dengan beberapa baseline, termasuk metode ray-tracing tradisional, pendekatan berbasis 3DGS murni, dan model jaringan neural lain untuk prediksi nirkabel. Hasil kuantitatif menunjukkan bahwa GAI-GS secara konsisten mengungguli semua baseline pada berbagai tugas nirkabel. Misalnya, dalam prediksi path loss, GAI-GS menurunkan mean absolute error (MAE) dengan margin yang signifikan dibandingkan baseline terbaik. Demikian pula, untuk prediksi delay spread, metode yang diusulkan mencapai root mean square error (RMSE) yang lebih rendah. Peningkatan ini diatribusikan pada pemodelan interaksi elektromagnetik secara eksplisit melalui geometric algebra attention, yang memungkinkan model menangkap fisika propagasi dengan lebih baik. Studi ablasi lebih lanjut memvalidasi pentingnya mekanisme geometric algebra attention. Ketika digantikan dengan attention dot-product standar, kinerja tur

Prediksi kanal nirkabel di lingkungan propagasi yang kompleks tetap menantang karena interaksi rumit antara gelombang elektromagnetik (EM) dan objek fisik. Metode ray-tracing tradisional mengandalkan pemodelan geometris eksplisit tetapi sering kali kesulitan dengan skalabilitas dan adaptabilitas terhadap adegan dinamis. Kemajuan terkini dalam neural rendering, khususnya 3D Gaussian Splatting (3DGS), menawarkan representasi adegan yang efisien tetapi kurang memiliki landasan elektromagnetik yang eksplisit. Makalah ini memperkenalkan Geometric Algebra-Informed 3D Gaussian Splatting (GAI-GS), sebuah kerangka yang menggabungkan 3DGS dengan mekanisme attention berbasis geometric algebra untuk memodelkan interaksi sinar-objek secara eksplisit. Inovasi utamanya adalah mengodekan relasi spasial-elektromagnetik bersama ke dalam representasi token, sehingga memungkinkan agregasi tingkat adegan dalam arsitektur neural end-to-end yang terpadu. Desain ini melandasi propagasi sinar nirkabel pada prinsip elektromagnetik, memungkinkan interaksi token memodelkan efek kunci seperti multipath, atenuasi, dan refleksi/difraksi. Penulis mengevaluasi GAI-GS pada beberapa dataset dalam ruangan dunia nyata, menunjukkan keunggulan yang konsisten dibandingkan baseline saat ini pada berbagai tugas nirkabel.

GAI-GS dibangun di atas 3D Gaussian Splatting, yang merepresentasikan adegan sebagai kumpulan Gaussian 3D dengan atribut posisi, kovarians, dan warna. Untuk memasukkan prinsip elektromagnetik, kerangka ini memperkenalkan mekanisme attention berbasis geometric algebra. Geometric algebra (GA) menyediakan bahasa matematis terpadu untuk merepresentasikan entitas dan transformasi geometris, seperti vektor, bivektor, dan rotor. Dalam GAI-GS, setiap Gaussian dikaitkan dengan token yang mengodekan properti spasial dan elektromagnetik. Mekanisme attention beroperasi pada token-token ini, menggunakan operasi GA untuk menghitung interaksi yang menghormati geometri dan fisika EM yang mendasarinya.

Mengapa penting

Kerangka GAI-GS merupakan langkah signifikan menuju integrasi prior berbasis fisika ke dalam neural rendering untuk aplikasi nirkabel. Dengan memanfaatkan geometric algebra, mekanisme attention secara alami mengodekan hubungan geometris dan elektromagnetik, seperti sudut datang dan properti material, yang esensial untuk pemodelan propagasi yang akurat. Hal ini berbeda dengan attention konvensional yang memperlakukan token sebagai vektor generik, mengabaikan geometri yang mendasarinya. Salah satu keunggulan utama GAI-GS adalah kemampuannya memodelkan efek multipath secara implisit. Di lingkungan dalam ruangan yang kompleks, sinyal memantul dari dinding, lantai, dan langit-langit, menciptakan beberapa jalur propagasi. GA attention dapat menangkap interaksi ini dengan menghubungkan token yang sesuai dengan permukaan berbeda serta pemancar/penerima. Demikian pula, atenuasi akibat absorpsi material dipelajari melalui fitur token, yang dapat mengodekan properti EM yang bergantung pada material. Namun, makalah ini tidak memberikan analisis rinci tentang kompleksitas komputasi. Operasi geometric algebra, meskipun elegan, dapat intensif secara komputasi, terutama untuk representasi berdimensi tinggi. Pekerjaan selanjutnya dapat mengeksplorasi implementasi atau aproksimasi yang efisien. Selain itu, evaluasi terbatas pada dataset dalam ruangan; generalisasi ke lingkungan luar ruangan atau dinamis masih perlu diuji. Terlepas dari keterbatasan ini, GAI-GS menunjukkan potensi menggabungkan neural rendering dengan inductive bias berbasis fisika. Peningkatan yang konsisten dibandingkan baseline menunjukkan bahwa memasukkan prinsip elektromagnetik ke dalam arsitektur model bermanfaat. Pekerjaan ini dapat menginspirasi penelitian lebih lanjut tentang jaringan neural berbasis fisika untuk komunikasi nirkabel, yang berpotensi menghasilkan alat prediksi kanal yang lebih akurat dan efisien.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…