[論文レビュー] A Measurement-Calibrated AI-Assisted Digital Twin for Terahertz Wireless Data Centers

Mingjie Zhu, Yejian Lyu+2 more|arXiv (Cornell University)|Mar 25, 2026

Millimeter-Wave Propagation and Modeling被引用数 0

ひとこと要約

論文は、測定にキャリブレーションされたデジタルツイン（DT）を THz 無線データセンター向けに提案し、測定、レイ追跡、および暗黙的ニューラルフィールドを融合して、連続的な RF フィールド表現、カバレッジマッピング、干渉分析を実現します。

ABSTRACT

Terahertz (THz) wireless communication has emerged as a promising solution for future data center interconnects; however, accurate channel characterization and system-level performance evaluation in complex indoor environments remain challenging. In this work, a measurement-calibrated AI-assisted digital twin (DT) framework is developed for THz wireless data centers by tightly integrating channel measurements, ray-tracing (RT), and implicit neural field (INF) modeling. Specifically, channel measurements are first conducted using a vector network analyzer at 300 GHz under both line-of-sight (LoS) and non-line-of-sight (NLoS) scenarios. RT simulations performed on the Sionna platform capture the dominant multipath structures and show good consistency with measured results. Building upon measurement and RT data, an RT-conditioned INF is developed to construct a continuous radio-frequency (RF) field representation, enabling accurate prediction in RT-missing NLoS regions. The comprehensive RF map generated by DT can provide system-level analysis and decisions for wireless data centers.

研究の動機と目的

• THz 無線データセンターのチャンネル測定とデジタルツインのギャップを埋める。
• 測定キャリブレーション済みのRTツインとINFベースのAIツインを作成し、連続的な RF フィールド表現を得る。
• THz WDCで正確なカバレッジ、干渉、ネットワーク計画分析を可能にする。
• AP配置とラックレベルの展開戦略に関するDT駆動の洞察を示す。

提案手法

• LoSおよびNLoSデータセンターシナリオで290–310 GHzのVNAベースのTHzチャネル測定を実施する。
• Sionnaプラットフォームでレイ追跡シミュレーションを実行し、支配的MPCを取得して構造的事前情報とする。
• RT条件付きの暗黙的ニューラルフィールド（INF）を開発し、空間座標とRT特徴をチャネルパラメータ（P, τ, θ, φ）へ写像する。
• 遅延-角度空間で支配的 MPC を一致させ、キャリブレーション係数 ΔP_k を適用してRTを測定でキャリブレーションする。
• 正規化された入力と電力・遅延・角度特性に対するジョイント損失でINFを正則化・訓練する。
• AIツインを用いて連続的なRFマップを生成し、APおよびラックレベル展開のカバレッジと干渉分析を行う。

実験結果

リサーチクエスチョン

• RQ1 測定データをレイ追跡と統合して、THzデータセンターの faithful なデジタルツインをどう作成できるか？
• RQ2 RT由来の特徴を条件とするINFは、RT欠如領域や高度に複雑なNLoS領域で伝搬を回復できるか？
• RQ3 RT条件付きINFは、データセンター全体で受信電力、遅延、角度をどれくらい正確に予測するか？
• RQ4 AIツインから得られる展開洞察（カバレッジ/干渉）は、THz WDCのAPおよびラックレベル展開にどのような影響を与えるか？

主な発見

• RTは支配的なMPCの大まかな表現には適しているが、モデリングされていない散乱や障害物のためNLoS領域では課題がある。
• RT特徴で条件づけられたINFは、RT欠損のNLoS領域を含む空間的に連続したRFフィールドを生み出し、電力と角度特性を正確に予測する。
• AIツインは測定ベースのパス損失を距離範囲全体で密接に追従し、NLoS領域でRTのみモデルを上回る。
• カバレッジ分析では、天井設置のAPが0 dB SINRでエリアの95%以上をカバーできる一方、ラック1台のTXは遮蔽により約70%をカバーする。