[论文解读] 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 0

一句话总结

本文提出一种用于THz无线数据中心的测量标定数字孪生（DT），将测量、射线追踪和隐式神经场融合，实现连续RF场表示、覆盖映射和干扰分析。

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.

研究动机与目标

• 弥合THz无线数据中心信道测量与数字孪生之间的差距。
• 创建一个测量标定的RT孪生与一个基于INF的AI孪生，以实现连续RF场表示。
• 在THz数据中心中实现准确的覆盖、干扰与网络规划分析。
• 展示基于DT的AP部署与机架级部署策略带来的洞察。

提出的方法

• 在LoS和NLoS数据中心场景中进行290–310 GHz的VNA基THz信道测量。
• 在Sionna平台上运行射线追踪仿真，以获得主MPCs并作为结构先验。
• 开发一个RT条件化的隐式神场（INF），将空间坐标和RT特征映射到信道参数（P、τ、θ、φ）。
• 通过在时延-角度空间中匹配主MPCs并应用校准因子ΔP_k，对RT进行测量标定。
• 对INF进行正则化和训练，使用归一化输入以及功率、时延和角特征的联合损失。
• 使用AI孪生生成连续的RF地图，并对AP与机架级部署进行覆盖与干扰分析。

实验结果

研究问题

• RQ1 如何将测量数据与射线追踪整合，以创建一个真实的THz数据中心数字孪生？
• RQ2 是否可以将基于RT派生特征条件化的INF在RT缺失或高度复杂的NLoS区域中恢复传播特性？
• RQ3 RT条件化INF在预测数据中心内接收功率、时延和角度方面的准确性如何？
• RQ4 通过AI孪生在THz WDC中对AP与机架级部署可获得哪些覆盖/干扰方面的洞察？

主要发现

• RT提供了对主MPC的良好粗略表示，但在NLoS区域由于未建模的散射和遮挡而表现不足。
• 以RT特征为条件的INF产生对空间连续的RF场，能够准确预测功率和角特征，包括RT缺失的NLoS区域。
• AI孪生在整个距离范围内紧跟基于测量的路径损耗，且在NLoS区域优于仅RT模型。
• 覆盖分析显示天花板安装的AP在0 dB SINR下可覆盖超过95%的区域，而单个机架TX由于遮挡覆盖约70%。