PhyRMDM框架：AI与物理融合引领6G无线电地图构建新范式

在6G技术来临前夕，人工智能与物理学原理的深度融合正重新定义无线电地图行业的竞争格局。香港科技大学（广州）协同多家科研机构正式发布了PhyRMDM框架，这一突破性进展消除了传统方法的认知限制，将物理约束与生成模型的强大能力有机结合，从而极大提升了高精度无线电地图的生成质量和系统稳定性。该项重要研究成果已被国际顶级会议ACM MM 2025正式收录。

传统人工智能方法在构建无线电地图时，往往由于缺乏物理规律的刚性约束，导致预测结果出现显著失真。

为攻克这一长期存在的技术难题，香港科技大学（广州）的研究团队开创性地提出了PhyRMDM框架，首次实现了物理信息神经网络（PINN）与扩散模型（Diffusion Model）的融合，并设计出全新的双Unet架构。

该框架通过物理方程直接引导AI模型的训练轨迹，达成了数据驱动与物理规律的无缝结合，将无线电地图的生成精度与物理一致性推向了一个前所未有的水平。

相关成果已以论文形式被ACM MM 2025接收，全部代码和模型权重均已开源共享。

论文链接：https://arxiv.org/abs/2501.19160

代码仓库：https://github.com/Hxxxz0/RMDM

随着6G时代的脚步日益临近，在智能通信、自主系统导航以及物联网等关键领域，高精度无线电地图（Radio Map, RM）的战略价值变得愈发突出。

然而，现有纯数据驱动的方法，例如传统的深度学习模型，在面对稀疏或含有噪声的观测数据时，其训练过程因缺少物理世界内在规律的指引，常常产生违背电磁波传播物理规律的“伪影”或畸变输出。

如何使AI模型不仅能够“学习”历史数据，更能“理解”并“遵循”基础物理定律，已成为提升RM构建质量的核心挑战。

在此背景下，一个融合了物理先验知识、概率生成能力和先进注意力机制的全新框架——PhyRMDM应运而生。

该框架凭借其创新性设计，为生成高保真度、高物理一致性的无线电地图提供了强有力的解决方案。

PhyRMDM：物理规律引导的生成式框架

PhyRMDM的核心哲学在于“以物理规律为本体，以人工智能为工具”。

它借助扩散模型所具备的强大概率生成能力来构建无线电地图的整体空间分布，同时巧妙地引入物理信息神经网络（PINN）作为一个不可违背的“物理锚点”（Physics Anchor），对训练过程的每一个步骤进行精准引导，使得最终模型严格遵循电磁波传播所遵从的亥姆霍兹方程（Helmholtz equation）。

模型架构与核心模块：PhyRMDM的整体架构是一个条件引导的扩散生成过程。

它包含一个核心生成引擎和两个关键的条件输入模块，三者协同工作。

核心生成引擎：扩散模型（Diffusion Model）

1. 扩散模型是整个框架的基石，负责从无到有生成图像。

其过程分为两步：

前向过程：在训练阶段，模型会持续向真实的无线电地图中添加高斯噪声，直至其演变为完全无序的随机噪声图x_T。

反向去噪（生成过程）：在推理阶段，模型从一个纯粹的高斯噪声图像x_T出发，通过一个训练有素的神经网络，在多个时间步（Timestep）中逐步消除噪声。在每一个步骤（例如从x_t到x_{t-1}），模型都会参考条件模块提供的信息，执行一次精确的“降噪”操作，直至最终生成清晰、逼真的无线电地图x_0。

2. 物理锚点：物理信息神经网络（PINN Condition）

这是PhyRMDM最具开创性的设计，它确保了AI的“想象力”不会脱离物理现实。

物理方程约束模块的核心：

亥姆霍兹方程的离散化形式

。

这个方程精确描述了电磁波在二维空间中的稳态传播行为。

作为物理表征条件，在扩散模型的每一步去噪过程中，PINN模块都会作为一个强约束条件介入。

它会评估当前生成的中间结果与物理方程解之间的偏离程度，并将这种“物理残差”转化为引导信号，修正模型的生成方向，从而确保最终生成的地图在每一个像素点上都尽可能满足波动方程的约束。

然而，由于无线电传播环境的极端复杂性，单一方程往往无法精确描述所有现象，因此PhyRMDM创新性地采用了双Unet架构：

一个Unet主要负责去除噪声，另一个则专注于学习物理表征。

3. 空间特征融合：射频空间注意力模块（RF-SA）

为了让模型能够更精细地捕捉复杂环境现象对信号传播的影响——例如建筑物遮挡、街道拐角反射等——研究团队设计了全新的射频空间注意力模块。

频空双域处理：该模块创新地实现了对空间域（Spatial Domain）和频率域（Frequency Domain）信息的同步处理。输入的特征图

会被送入两个并行的分支。

频率域分析：其中一个分支通过快速傅里叶变换（FFT）将空间特征转换到频率域，从而得到频率特征

。

这有助于模型捕捉信号的周期性和全局性特征。

特征融合与增强：频率域特征与原始的空间域特征

通过矩阵乘积（Matrix Product）等方式进行深度融合，并经过一个可学习的滤波器进行动态加权。

输出：最后，融合后的特征通过逆傅里叶变换（IFFT）转换回空间域，生成一个对空间关系感知更为敏锐的增强特征图（OUTPUT）。

性能优势与展望

分析一：静态无线电地图（SRM）构建性能对比

表格内容解读：

此表格系统对比了多种前沿深度学习模型在RadioMap Seer-Test数据集上构建静态无线电地图（SRM）的性能表现。评估指标主要分为两类：

误差指标：NMSE（归一化均方误差）和 RMSE（均方根误差），这两个数值越低，表明模型的预测结果与真实值越接近，其精度也就越高。

结构指标：SSIM（结构相似性）和 PSNR（峰值信噪比），这两个数值越高，代表模型生成的地图在结构细节、边缘清晰度和整体保真度方面与原始图像越相似。

分析二：动态无线电地图（DRM）构建性能对比

表格内容解读：

此表格重点展示了各个模型在更具挑战性的动态无线电地图（DRM）应用场景下的综合表现。

在动态环境中，模型必须额外、准确地考量车辆等动态环境因素对信号传播所产生的实时影响。

分析三：消融实验

该研究通过系统的消融实验，旨在深入探究其模型中三个关键损失函数部分各自对整体性能的具体贡献：

L_MSE（均方误差损失）、L_PINN（物理信息损失）和 L_REG（正则化损失）。

实验结果表明，当这三个部分协同作用时，模型性能达到最优，取得了最低的NMSE（0.0031）和RMSE（0.0125）数值。

研究发现，均方误差损失在最小化预测误差、驱使模型输出与真实数据紧密对齐方面扮演着基础而关键的角色；缺失该项将导致模型性能出现断崖式下降。

同时，物理信息损失通过引入严谨的物理约束，显著提升了预测结果的准确性和物理一致性。

而正则化损失则有效增强了模型的训练稳定性和泛化能力。

该研究最终得出结论，这三个损失函数组成部分之间存在显著的协同效应，它们的有机结合对于实现精确、稳健的无线电地图重建至关重要。

PhyRMDM框架通过上述技术的有机整合，展现出以下几项卓越性能：

高物理一致性：得益于PINN模块的引入，电磁波传播规律在模型训练过程中扮演了“导师”角色，引导模型生成更符合物理现实的结果。

强大的生成能力：基于扩散模型的固有优势，即使在观测数据极为稀疏的极端条件下，PhyRMDM依然能够生成细节丰富、空间连续性优异的高分辨率无线电地图。

卓越的特征提取：创新的RF-SA注意力机制使模型能够更深刻、更精细地理解复杂环境布局对信号传播的微观影响，从而在各类挑战性场景下获得更精确、更可靠的预测结果。

PhyRMDM的提出，不仅是无线电地图构建领域的一项重大技术突破，更为人工智能与物理科学的深度跨学科融合树立了一个全新的典范。

展望未来，该框架有望成功扩展到更广泛的科学与工程领域，例如计算成像、高精度气象预测、复杂流体力学仿真等高度依赖物理方程求解的前沿计算任务中，展现出极其广阔的应用前景和巨大的潜在价值。

参考链接：

https://arxiv.org/abs/2501.19160