抢滩6G：PhyRMDM框架重塑无线电地图产业格局

抢滩6G前夜，AI与物理的交融正重塑无线电地图的未来。香港科技大学（广州）等机构携手发布PhyRMDM框架，打破认知限制，将物理规律与生成模型紧密结合，大幅提升无线电地图的精度与稳定性。此成果已被ACM MM 2025接收。

传统AI在构建无线电地图时，常因缺乏物理约束而导致预测失真。

为解决此难题，香港科技大学（广州）研究团队创新性地提出PhyRMDM框架，首次将物理信息神经网络（PINN）与扩散模型（Diffusion Model）结合，并设计了新颖的双Unet架构。

该框架通过物理方程引导AI模型的训练，实现了数据驱动与物理规律的完美结合，将无线电地图的生成精度与物理一致性提升至新高度。

成果已以论文形式被ACM MM 2025接收，代码和模型权重均已开源。

论文链接：https://arxiv.org/abs/2501.19160

代码仓库：https://github.com/Hxxxz0/RMDM

随着6G时代的临近，在智能通信、无人系统导航和物联网等领域，高精度的无线电地图（Radio Map, RM）的战略地位愈发重要。

然而，现有纯数据驱动方法在面对稀疏或带噪声的观测数据时，模型训练缺乏物理规律引导，易产生不符合电磁波传播规律的「伪影」或失真结果。

如何让AI模型既「学习」数据，又「理解」并「遵循」物理定律，成为提升RM构建质量的关键瓶颈。

在此背景下，一个集成了物理先验、概率生成能力与先进注意力机制的全新框架——PhyRMDM应运而生。

该框架通过创新设计，为高精度、高物理一致性的无线电地图构建提供了有力解决方案。

PhyRMDM：物理规律引导的生成式框架

PhyRMDM的核心思想是「物理为体，AI为用」。

它利用扩散模型强大的概率生成能力构建无线电地图的整体空间分布，同时巧妙地利用物理信息神经网络（PINN）作为不可违背的「物理锚点」，引导训练过程，使模型受电磁波传播的亥姆霍兹方程（Helmholtz equation）引导。

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. 扩散模型是框架的基石，负责生成图像。

其过程分为两步：

前向过程：在训练阶段，模型不断向真实无线电地图中添加高斯噪声，直至其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，模型从一个纯高斯噪声图像x_T出发，通过训练好的神经网络，在多个时间步中逐步去除噪声。每个步骤（如从x_t到x_{t-1}），模型参考条件模型提供的信息进行精准「降噪」，直至生成清晰、真实的无线电地图x_0。

2. 物理锚点：物理信息神经网络（PINN Condition）

这是PhyRMDM最具创新的设计，确保AI的「想象力」不离物理现实。

亥姆霍兹方程的离散化形式

该方程描述电磁波在二维空间中的稳定传播状态。

作为物理表征条件，在扩散模型的每一步去噪过程中，PINN模块作为强约束条件介入。

它评估当前生成的中间结果与物理方程解的偏离程度，并将「物理残差」作为引导信号修正生成方向，确保最终生成的地图每个像素点都尽可能满足波动方程约束。

由于无线电传播的复杂性，单一方程无法精确描述。因此，PhyRMDM采用双Unet架构：

一个Unet负责去噪，一个负责学习物理表征。

3. 空间特征融合：射频空间注意力模块（RF-SA）

为让模型更精细地捕捉复杂现象对信号传播的影响（如建筑物遮挡、街道拐角反射等），团队设计了全新的射频空间注意力模块。

频空双域处理：该模块实现空间域（Spatial Domain）和频率域（Frequency Domain）信息的同步处理。输入特征图

会被送入两个并行分支。

频率域分析：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，得到频率特征

有助于模型捕捉信号的周期性和全局特征。

特征融合与增强：频率域特征与原始空间域特征

通过矩阵乘积等方式深度融合，并经过可学习滤波器加权。

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，生成对空间关系更敏感的增强特征图（OUTPUT）。

性能优势与展望

(A) 静态无线电地图（SRM）构建性能对比

(B) 动态无线电地图（DRM）构建性能对比

(C) 消融实验

研究结论表明...

... 省略了部分代码 ...

PhyRMDM通过有机结合展现出卓越性能...

... 省略了部分代码 ...

参考链接：