Hybrid Ray-Tracing and Physics-Embedded Neural Modeling for High-Fidelity Channel Reconstruction in Wireless Digital Twins
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对无线数字孪生中射线追踪在衍射折射场景精度不足的问题，提出混合RT与物理嵌入神经网络的框架，通过架构扩展和局部隧道策略实现高保真信道重建，显著优于纯RT方法。
2026-10-06 cs.NI
Accelerating Deep Reinforcement Learning for Digital Twin Network Optimization with Evolutionary Strategies
Barcelona Neural Networking Center, Universitat Politècnica de Catalunya（巴塞罗那神经网络中心，加泰罗尼亚理工大学）；Huawei Technologies Co.,Ltd.（华为技术有限公司）
新兴网络应用的最近增长（例如，卫星网络、车辆网络）正在增加管理现代通信网络的复杂性。因此，社区提出了数字孪生网络（DTN）作为有效网络管理的关键使能器。网络运营商可以利用DTN来执行不同的优化任务（例如，交通工程、网络规划）。深度强化学习（DRL）在解决网络优化问题时表现出了很高的性能。在DTN的环境中，DRL可以用来解决优化问题，而不会直接影响现实世界的网络行为。然而，DRL的规模与问题的大小和复杂性差。在本文中，我们探讨了使用进化策略（ES）训练DRL代理解决路由优化问题。实验结果表明，ES实现了128和6的训练时间分别为NSFNET和GEANT2拓扑结构的加速。
2022-02-01 cs.LG cs.NI
Accelerating Development in UAV Network Digital Twins with a Flexible Simulation Framework
本文针对无人机无线网络数字孪生开发计算复杂度高、周期长及现实差距问题，提出基于测量校准的Matlab仿真框架，并通过NSF AERPAW平台验证其在RSRP测量上与数字孪生结果可比，从而加速迭代开发。
2025-03-11 cs.NI cs.SY eess.SY
Predicting Networks Before They Happen: Experimentation on a Real-Time V2X Digital Twin
Politecnico di Milano（米兰理工大学）；Institute of Science Tokyo（东京科学大学）
本文提出了一种实时V2X数字双胞胎框架，结合实时移动跟踪和确定性信道模拟，通过东京移动数字双胞胎和VaN3Twin模拟器预测网络性能，验证了在东京部署的实验结果，展示了高精度的RSSI预测和可靠LoS预测。
2026-04-15 cs.NI
RadTwin: Generalizable Wireless Digital Twin for Dynamic Environments
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；Arizona State University（亚利桑那州立大学）；Meta Platforms Inc.（Meta平台公司）
本文提出RadTwin框架，通过场景几何条件化建模，实现动态环境下的无线数字孪生，实验显示其在SSIM和LPIPS指标上优于NeRF2，具备高泛化性和数据效率。
2026-04-25 cs.NI
A Multi-Modal Simulation Framework to Enable Digital Twin-based V2X Communications in Dynamic Environments
本文提出一种多模态仿真框架，结合数字孪生与射线追踪，生成真实传感器数据和毫米波信道，用于动态V2X场景中的阻塞切换与链路恢复。
2024-07-17 cs.LG cs.NI eess.SP
AdaPTwin: Adaptive Multi-Fidelity Predictive Digital Twin for Proactive Radio Resource Management in Vehicular Networks
The University of British Columbia（不列颠哥伦比亚大学）；Université Laval（拉瓦尔大学）
本文提出AdaPTwin，一种自适应多保真度预测数字孪生，用于车辆网络中的前瞻性无线资源管理，通过动态调整数字孪生保真度以适应网络条件，结合云边协同架构和持续迁移学习模型，实现高保真度的无线资源管理，并在实际车辆环境中验证了其在不同场景下的优越性能。
2026-05-21 cs.NI cs.SY eess.SY
TiamiTwin: A Digital Twin for Bistatic ISAC Drone Sensing, Validated Against Measurements
University of California, Irvine（加州大学尔湾分校）；Tiami Labs（Tiami实验室）
本文验证了用于双基地ISAC无人机感知的数字孪生TiamiTwin，基于5G实测数据，发现现有模型低估延迟扩展，但目标在多数路径上仍可分离。
2026-09-22 cs.NI eess.SP
From Waves to Graphs: A Ray-Tracing-Inspired Neural Radio Propagation Model
Telefónica Research（Telefónica研究）；University of Cambridge（剑桥大学）
提出GRAPHWAVE，一种基于射线追踪原理的神经图驱动传播求解器，通过点云构建等效图并应用神经消息传递，实现三维环境中接收信号强度等无线电量的准确推断。
2026-05-28 cs.NI
ARCTAN: Arbitrary RF Containment Using Tactical Aerial Networks and Differentiable Ray Tracing
Duke University（杜克大学）
ARCTAN通过可微分射线追踪联合优化空中基站与协作干扰器的位置、朝向和功率，实现任意形状区域的射频约束，显著降低信号泄漏。
2026-10-02 cs.NI eess.SP
Energy-Driven Evaluation of Network Digital Twinning Applied to mmWave Beam Management
Federal University of Pará (UFPA)（帕拉联邦大学）；Universidade Federal de Goiás（戈亚斯联邦大学）；Ericsson Research（爱立信研究院）
该研究针对网络数字孪生运行参数影响研究不足的问题，采用硬件实测的物理孪生，深入研究孪生速率和保真度对性能的影响，探索贝叶斯优化等方法以最小化能耗，为6G网络数字孪生的实际应用提供参考。
2026-09-28 cs.NI
CTMap: LLM-Enabled Connectivity-Aware Path Planning in Millimeter-Wave Digital Twin Networks
The University of Texas at Arlington（阿灵顿得克萨斯大学）；Howard University（霍华德大学）
CTMAP通过结合数字孪生与大语言模型，实现毫米波网络中连接感知的路径规划，显著提升信号强度并提高导航的可解释性与适应性。
2025-12-31 cs.NI
Digital Twin-Empowered Deep Reinforcement Learning for Intelligent VNF Migration in Edge-Core Networks
North Carolina State University（北卡罗来纳州立大学）；The George Washington University（乔治华盛顿大学）；University of Electro-Communications（电子通信大学）；Nagoya University（名古屋大学）
本研究提出一种基于数字孪生和深度强化学习的智能VNF迁移框架，通过模拟环境动态和生成高质量合成经验，实现低延迟和节能的VNF迁移优化。
2026-01-21 cs.NI
mmDiff: A Noise-Robust Differentiable Ray-Tracing Framework for mmWave Scene Calibration and Channel Prediction
UCLA（加州大学洛杉矶分校）；UC San Diego（加州大学圣地亚哥分校）
针对重建模型几何噪声导致无线仿真不准确的问题，提出可微分方向散射模型近似镜面反射，实现噪声鲁棒的信道预测与材料校准。
2026-05-26 cs.NI
Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling
该研究介绍了开源链路级仿真库Sionna集成的可微分光线追踪器Sionna RT，支持多参数梯度计算，可用于材料学习、发射机朝向优化等，为6G及数字孪生等研究提供关键支撑。
2023-07-19 cs.AI cs.IT cs.LG
Digital Twin-Conditioned RSS-Fingerprint Localization in Cell-Free Millimeter-Wave Networks
Iowa State University of Science and Technology（爱荷华州立大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
本文提出DTCond框架，融合真实与DT波束域指纹实现无小区毫米波网络定位，经测试其平均误差优于纯真实k-NN，在未见过区域性能提升48%，可降低测量预算并优化波束选择。
2026-10-16 cs.NI eess.SP
Enabling Site-Specific Cellular Network Simulation Through Ray-Tracing-Driven ns-3
本文扩展5G-LENA，引入基于射线追踪轨迹的信道模型，实现站点特定蜂窝网络仿真，支持波束管理和数字孪生研究。
2025-08-06 cs.NI eess.SP
Sovereign Cognitive Digital Twins: Fusing 6G ISAC, AI-RAN, and Zero-Trust Edge Grids for National Resilience in the Global South
Amini Bridgetown（阿米尼布里奇敦）
针对小岛屿发展中国家灾害感知不足问题，本文提出融合6G ISAC、AI-RAN与零信任边缘网格的主权认知数字孪生架构，通过射线追踪模拟验证信道特性，以巴巴多斯为参考案例服务国家韧性建设。
2026-08-04 cs.NI eess.SP
Vision-Language-Model-Guided Differentiable Ray Tracing for Fast and Accurate Multi-Material RF Parameter Estimation
本文提出一种基于视觉-语言模型的可微射线追踪框架，通过解析场景图像推断材料类别并指导射频参数估计，实现更快的收敛速度和更低的参数误差。
2026-04-01 cs.CV cs.NI
Intelligent Base Station Deployment in Urban Wireless Networks: A Geographic Data-Informed Digital Twin Approach
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）
该研究提出地理数据驱动的数字孪生结合深度强化学习的智能基站部署框架，仅用公开地理数据即可实现优化，性能接近理想基准且开销大幅降低。
2026-09-16 cs.AI cs.NI
Radio Propagation Modelling: To Differentiate or To Deep Learn, That Is The Question
University of Cambirdge（剑桥大学）；Telefonica Research（电信研究）
本文通过真实网络数据对比可微分射线追踪与深度学习模型，发现DL在精度和适应性上更优，可达3 dB提升，而可微分射线追踪难以大规模泛化且不适用于实时场景。
2025-09-15 cs.AI cs.NI
Design and Evaluation of Next-Generation Cellular Networks through Digital and Physical Open and Programmable Platforms
Northeastern University（东北大学）
本研究通过数字和物理开放可编程平台设计和评估下一代蜂窝网络，提出CaST框架和X5G测试平台，实现智能RAN应用和实时推理。
2026-01-26 cs.NI
Taming Vision Priors for Data Efficient mmWave Channel Modeling
University of Georgia（佐治亚大学）；University of Pittsburgh（匹兹堡大学）；Interdigital（Interdigital公司）；NIST（国家标准与技术研究院）；Princeton University（普林斯顿大学）
本文提出VisRFTwin框架，结合视觉获取的材料先验与可微射线追踪，通过少量稀疏信道测量快速校准参数，提升毫米波信道建模效率与精度。
2026-03-11 cs.CV cs.NI
