行业背景与战略意义 - 随着6G时代临近，高精度无线电地图在智能通信、无人系统导航和物联网等领域的战略地位日益凸显[4] - 现有纯数据驱动的AI方法在构建无线电地图时，面对稀疏或带噪声的观测数据，因缺乏物理规律引导，常产生失真结果或“伪影”[4] - 如何让AI模型不仅能“学习”数据，更能“理解”并“遵守”物理定律，成为提升无线电地图构建质量的关键瓶颈[4] 技术突破与核心框架 - 香港科技大学（广州）等机构的研究团队创新性地提出了PhyRMDM框架，首次将物理信息神经网络与扩散模型相结合，并设计了全新的双Unet架构[1][6] - 该框架的核心思想是“物理为体，AI为用”，利用扩散模型的强大生成能力，同时以PINN作为“物理锚点”，用亥姆霍兹方程引导训练过程[6][11] - 框架通过创新的射频空间注意力模块，同步处理空间域和频率域信息，以精细捕捉建筑物遮挡、街道反射等复杂环境对信号传播的影响[16][17] 模型性能与优势 - 在构建静态无线电地图的任务中，PhyRMDM模型在RadioMap Seer-Test数据集上的性能指标全面领先：NMSE为0.0031，RMSE为0.0125，SSIM为0.978[18] - 在更具挑战性的动态无线电地图构建任务中，该模型同样表现最佳：NMSE为0.0047，RMSE为0.0146，SSIM为0.968[20] - 消融实验证明，结合均方误差损失、物理信息损失和正则化损失三者协同作用效果最佳，缺少任一部分都会导致性能下降[22][23][24] 应用潜力与影响 - PhyRMDM框架在观测数据极为稀疏的情况下，依然能够生成细节丰富、空间连续的高分辨率无线电地图，展现出强大的生成能力[26] - 该框架的提出是无线电地图构建技术的一次重要突破，为AI与物理科学的深度融合提供了一个全新范例[26] - 未来，该框架有望扩展到计算成像、气象预测、流体力学仿真等依赖物理方程求解的科学计算任务中，展现出巨大的应用潜力[26]