Zespół badawczy rozwiązał problem braku danych treningowych dla predyktorów tłumienia fal radiowych w budynkach, tworząc potok oparty na syntetycznych danych. Opracowali generator, który automatycznie generuje różne projekty pomieszczeń, oraz szybki, otwartoźródłowy przybliżony ray tracer obliczający mapy radiowe. Za pomocą tego systemu wygenerowali 128 milionów syntetycznych próbek i użyli ich do pretreningu modeli ResNet-101 i Swin-T przed dostrojeniem na wysokiej jakości danych benchmarkowych.
Natukem przygotowania jest to, że modele znacznie lepiej radził sobie z rzeczywistymi zadaniami mimo niedopasowania między symulacją a rzeczywistością. ResNet-101 zmniejszył błąd średnio o 15 procent w stosunku do najlepszych dotychczasowych metod na wszystkich pięciu testowanych zadaniach predykcji map radiowych. Obie architektury wykazały przewidywalne trendy skalowania danych zgodne z prawami potęgowymi, co pozwala prognozować wydajność na większych zbiorach danych.
Wyniki mają znaczenie dla praktycznych zastosowań takich jak planning sieci 5G i 6G, lokalizacja wewnętrzna oraz optymalizacja zasięgu sygnału. Podejście pokazuje, że gdy rzeczywiste pomiary i dokładne symulatory są niedostępne lub kosztowne, masowe pretraining na tańszych danych syntetycznych może stanowić efektywną alternatywę, otwierając nowe możliwości dla badań nad propagacją fal radiowych.