GenAI_Channel_Modeling_Datasets

GenAI信道建模数据集是一个用于MIMO（多输入多输出）无线信道研究的射线追踪特定场景信道数据集，专为论文《Site-Specific MIMO Channel Generation via Diffusion and Flow Matching: Fidelity, Efficiency, and Downstream Utility》设计。数据集包含3个.npz文件，分别对应不同的通信频率（3.5 GHz和28 GHz）和传播场景（仅视距LoS和仅非视距NLoS）。每个文件包含一个名为combined_array的NumPy数组，其形状为(N, N_rx, 1, N_tx, 1, 1, 4)，数据类型为复数（complex64）。数组的最后一个维度包含4个元素：复数值的信道系数H，以及用户设备（UE）的三维坐标（x, y, z，单位：米），因此数据集同时提供了信道矩阵和对应的UE地理位置信息。数据是使用GPU加速的无线信道仿真射线追踪引擎NVIDIA Sionna RT，在单个室外城市场景中生成的。该数据集适用于MIMO信道建模、生成、AI驱动的无线通信研究以及信道仿真等任务。The GenAI Channel Modeling Dataset is a ray-tracing-based site-specific channel dataset for MIMO (Multiple-Input Multiple-Output) wireless channel research, specifically designed for the paper *Site-Specific MIMO Channel Generation via Diffusion and Flow Matching: Fidelity, Efficiency, and Downstream Utility*. The dataset contains three .npz files, corresponding to different communication frequencies (3.5 GHz and 28 GHz) and propagation scenarios (Line-of-Sight only (LoS) and Non-Line-of-Sight only (NLoS)) respectively. Each file contains a NumPy array named `combined_array` with a shape of (N, N_rx, 1, N_tx, 1, 1, 4) and a data type of complex64. The last dimension of the array consists of 4 elements: the complex-valued channel coefficient H, and the three-dimensional coordinates (x, y, z, unit: meter) of the User Equipment (UE). Thus, the dataset provides both the channel matrix and the corresponding UE geographic location information. The data was generated in a single outdoor urban scenario using the GPU-accelerated ray-tracing engine for wireless channel simulation, NVIDIA Sionna RT. This dataset is applicable to tasks such as MIMO channel modeling, channel generation, AI-driven wireless communication research, and channel simulation.

原始信息汇总

数据集概述

该数据集用于论文《Site-Specific MIMO Channel Generation via Diffusion and Flow Matching: Fidelity, Efficiency, and Downstream Utility》，提供了通过光线追踪生成的特定场景MIMO信道数据。

文件与频率

• 3.5 GHz
  • Final_Single_Scene_Channel_Sionna_V1_3_5GHz_LoS.npz（仅视距传播）
  • Final_Single_Scene_Channel_Sionna_V1_3_5GHz_NLoS.npz（仅非视距传播）
• 28 GHz
  • Final_Single_Scene_Channel_Sionna_V1_28GHz_LoS.npz（仅视距传播）

数据格式

每个 .npz 文件包含一个键为 combined_array 的数组：

• 形状: (N, N_rx, 1, N_tx, 1, 1, 4)
• 数据类型: complex64
• 最后一维含义:
  • [0]: 复数信道系数 H
  • [1]: UE x 坐标（米）
  • [2]: UE y 坐标（米）
  • [3]: UE z 坐标（米）

提取示例: python import numpy as np npz = np.load("Final_Single_Scene_Channel_Sionna_V1_3_5GHz_LoS.npz") data = npz["combined_array"][:, :, 0, :, 0, 0, :] # (N, N_rx, N_tx, 4) H = data[:, :, :, 0] # 复数信道矩阵 (N, N_rx, N_tx) coords = data[:, 0, 0, 1:] # UE (x, y, z) 位置 (N, 3)

生成方式

数据使用 NVIDIA Sionna RT（GPU加速光线追踪引擎）在单个室外城市场景中生成，生成脚本及说明位于代码仓库。

下载方式

bash git clone https://huggingface.co/datasets/PaulAlm/GenAI_Channel_Modeling_Datasets

也可通过 Hugging Face 网页界面手动下载单个文件。

相关资源

• 代码仓库: GenAI_Channel_Modeling
• 预训练模型: GenAI_Channel_Modeling_Models

许可

MIT 许可证

搜集汇总

数据集介绍

构建方式

该数据集源自一项针对多输入多输出（MIMO）信道建模的前沿研究，旨在为生成式人工智能（GenAI）信道建模提供基准数据。数据集利用NVIDIA Sionna RT（一种基于GPU加速的射线追踪引擎），在单一城市室外场景中模拟生成了站点特定的信道冲激响应。共计三个独立的.npz文件，分别对应3.5 GHz与28 GHz两种典型频段，并区分视距（LoS）与非视距（NLoS）传播条件。每个文件内部存储了一个四维复数数组，维度排列为(N, N_rx, 1, N_tx, 1, 1, 4)，其中N代表样本数量，N_rx与N_tx分别表示接收与发射天线数目。最后一维的四个通道分别承载复数信道系数及用户设备（UE）的三维空间坐标（x, y, z），从而实现了信道参数与空间位置的紧密耦合。

特点

该数据集最显著的特点在于其站点特异性和生成式建模的兼容性。数据基于高保真射线追踪生成，确保了信道多径分量的空间一致性，同时保留了复杂环境下的衰落与传播特征。数据维度设计精巧，将信道矩阵与UE位置坐标整合于同一数组中，便于下游任务直接调用，无需额外对齐。此外，数据集覆盖了3.5 GHz与28 GHz两个关键频段，并严格区分LoS/NLoS状态，能够支撑生成式模型在不同条件与频段下的信道预测与插值研究。这种设计不仅适用于扩散模型与流匹配等前沿生成式框架的验证，也为未来6G通信中基于AI的信道建模提供了可靠的高质量训练数据。

使用方法

用户可通过Git命令或Hugging Face网页界面直接下载该数据集。加载时，推荐采用NumPy的np.load函数读取.npz文件，并提取键为combined_array的数组。为简化后续计算，建议对数组进行维度压缩，示例操作如data = npz['combined_array'][:, :, 0, :, 0, 0, :]，即可获得形状为(N, N_rx, N_tx, 4)的张量。随后，通过索引切片即可分离出复数信道矩阵H（第0维度）与UE坐标（第1至3维度）。这一流程简洁高效，便于研究人员快速接入数据，用于生成模型的训练、评估或信道态势迁移等任务。配套的代码仓库与预训练模型资源亦已公开，可进一步降低使用门槛。

背景与挑战

背景概述

GenAI_Channel_Modeling_Datasets是由Sina Beyraghi、Masoud Sadeghian等研究人员于2025年创建的，旨在为基于生成式人工智能的信道建模研究提供高保真的站点特定MIMO信道数据。该数据集利用NVIDIA Sionna RT光线追踪引擎，在单一室外城市场景中生成，涵盖3.5 GHz和28 GHz频段下的视距（LoS）与非视距（NLoS）传播环境。核心研究问题聚焦于如何通过扩散模型和流匹配技术生成精确的信道矩阵，以支持下一代无线通信系统的性能优化。该数据集作为相关论文的附属资源，为生成式信道建模领域提供了标准化的训练与评估基准，推动了物理层通信与人工智能的交叉发展。

当前挑战

数据集所解决的领域挑战在于传统信道建模方法（如统计模型或测量驱动方法）难以兼顾高保真度、计算效率与场景特异性，尤其在复杂城市环境中缺乏对空间相关性和多径结构的精确刻画。构建过程中面临的挑战包括：利用光线追踪模拟大规模MIMO信道时，需平衡计算复杂度与数据容量；在单一场景下保证生成的通道数据具有统计多样性，以避免过拟合；同时，数据集仅包含512个样本的有限规模，对生成模型的泛化能力构成了严苛考验，且多频段与多条件（LoS/NLoS）的联合建模增加了数据分布的复杂性。

常用场景

经典使用场景

GenAI_Channel_Modeling_Datasets作为一项专为通信信道建模研究设计的高保真数据集，其核心用途在于为生成式人工智能模型提供训练与验证的基准。该数据集通过NVIDIA Sionna RT射线追踪引擎生成，涵盖了3.5 GHz和28 GHz两个关键频段，并细分为视距（LoS）与非视距（NLoS）场景。每个样本不仅包含多输入多输出（MIMO）信道的复数系数矩阵，还附带了用户设备的精确三维空间坐标，使其成为研究站点特定、几何参数相关信道生成任务的理想数据资源。

实际应用

在实际通信系统部署与优化过程中，该数据集展现出重要的工程应用价值。基于该数据集训练的生成式信道模型能够快速合成大量与实际站点匹配的精细信道数据，从而显著降低昂贵的现场测量成本。这些生成的MIMO信道数据可直接服务于网络规划、波束赋形设计、信道预编码算法测试以及智能超表面（RIS）参数配置等任务。通过在不同频段和遮挡场景下生成的多样化信道样本，工程师能够预演系统在不同真实环境下的性能表现，为6G网络的自适应管理提供了高效、可控的仿真基础。

衍生相关工作

该数据集的出现催生了一系列前沿研究工作。原始论文《Site-Specific MIMO Channel Generation via Diffusion and Flow Matching》为信道生成领域奠定了技术基础，其发布的配套代码仓库与预训练模型进一步降低了生成式信道建模的入门门槛。后续工作可围绕多场景迁移学习、跨频段泛化能力增强和生成质量量化评估等方向展开探索。此外，该数据集也为将计算机视觉中的扩散模型、流匹配等先进架构引入无线通信提供了桥梁，有望推动物理层与人工智能交叉领域诞生更多创新成果。