[논문 리뷰] A Measurement-Calibrated AI-Assisted Digital Twin for Terahertz Wireless Data Centers

Mingjie Zhu, Yejian Lyu외 2명|arXiv (Cornell University)|2026. 03. 25.

Millimeter-Wave Propagation and Modeling인용 수 0

한 줄 요약

논문은 측정 보정된 디지털 트윈(DT)을 THz 무선 데이터 센터용으로 제시하고, 측정값, 레이 트레이싱, 그리고 암시적 신경 필드를 융합하여 연속적인 RF 필드 표현, 커버리지 맵핑, 간섭 분석을 가능하게 한다.

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.

연구 동기 및 목표

• THz 무선 데이터 센터의 채널 측정과 디지털 트윈 간의 격차를 해소한다.
• 측정 보정된 RT 트윈과 INF 기반 AI 트윈을 생성하여 연속적인 RF 필드 표현을 제공한다.
• THz WDC에서의 정확한 커버리지, 간섭 및 네트워크 계획 분석을 가능하게 한다.
• AP 배치 및 랙 단위 배치 전략에 대한 DT 주도 인사이트를 시연한다.

제안 방법

• LoS 및 NLoS 데이터 센터 시나리오에서 VNA 기반 THz 채널 측정을 수행한다(290–310 GHz).
• Sionna 플랫폼에서 레이 트레이싱 시뮬레이션을 실행하여 지배적인 MPC를 얻고 구조적 사전으로 활용한다.
• 공간 좌표와 RT 특징을 채널 매개변수(P, τ, θ, φ)로 매핑하는 RT 조건부 암시적 신경 필드(INF)를 개발한다.
• 지연-각 공간에서 지배적 MPC를 일치시켜 측정값으로 RT를 보정하고 보정 계수 ΔP_k를 적용한다.
• 정규화된 입력과 전력, 지연 및 각도 특성에 대한 공동 손실을 이용해 INF를 규제하고 학습한다.
• AI 트윈을 사용하여 연속 RF 맵을 생성하고 AP 및 랙 수준 배치에 대한 커버리지 및 간섭 분석을 수행한다.

실험 결과

연구 질문

• RQ1 측정 데이터와 레이 트레이싱을 어떻게 통합하여 충실한 THz 데이터 센터 디지털 트윈을 만들 수 있는가?
• RQ2 RT 유도 특징으로 조건화된 INF가 RT에서 누락되거나 매우 복잡한 NLoS 구역에서 전파를 복원할 수 있는가?
• RQ3 데이터 센터 전역에서 수신 전력, 지연 및 각도 예측에서 RT로 조건화된 INF의 정확도는 어느 정도인가?
• RQ4 THz WDC의 AP 및 랙 수준 배치를 위한 AI 트윈으로 어떤 배치 인사이트(커버리지/간섭)를 얻을 수 있는가?

주요 결과

• RT는 지배적 MPC를 대략적으로 나타내는 데는 우수하지만, 비모델링된 산란과 차폐로 인해 NLoS 영역에서 어려움을 겪는다.
• INF가 RT 특징으로 조건화되면 공간적으로 연속적인 RF 필드를 생성하여 전력 및 각도 특성을 정확히 예측하며, RT가 누락된 NLoS 영역도 포함한다.
• AI 트윈은 거리 범위 전반에서 측정 기반 경로 손실을 밀접하게 추적하며, NLoS 영역에서 RT만 모델을 능가한다.
• 커버리지 분석에 따르면 천장에 고정된 AP는 0 dB SINR에서 영역의 95% 이상을 커버할 수 있는 반면, 단일 랙 TX는 차단으로 약 70% 정도를 커버한다.