Radyo haritası (radio map), bir coğrafi alandaki radyo sinyal yayılımının veya yol kaybının mekânsal dağılımını gösteren sayısal haritadır. 6G ağlarında bu haritalar kapsama optimizasyonu, girişim yönetimi, kaynak tahsisi, araç haberleşmesi ve konumlandırma gibi görevlerde temel veri katmanlarından biridir.

Ancak gerçek dünyada radyo ölçüm noktaları son derece seyrektir ve çoğu durumda alanın %1'inden bile daha azını kapsar. Binalar, yollar, araçlar ve diğer engeller de elektromanyetik yayılımı sürekli olarak değiştirdiği için eksik ölçümlerden yüksek çözünürlüklü radyo haritası üretmek zorlu bir ters problemdir.

Ming Lei ve çalışma arkadaşları bu problem için RMF — Radio Mean Flow adlı yeni bir üretken model önermektedir. RMF'nin temel farkı, difüzyon modellerindeki çok-adımlı gürültü giderme sürecini kullanmaması; MeanFlow yaklaşımıyla gürültüden hedef radyo haritasına doğrudan tek ileri geçişte dönüşüm üretmesidir.

Model yalnızca seyrek sinyal ölçümlerine bakmaz. Bina geometrisi, baz istasyonu konumu, seyrek ölçümler ve dinamik engeller için dört ayrı özellik çıkarım mekanizması kullanır. Bu bilgiler multi-scale cross-attention ile U-Net yapısına aktarılır.

RadioMapSeer benchmark'ındaki deneylerde RMF, karşılaştırılan yöntemler arasında en düşük RMSE ve en yüksek PSNR değerlerini elde etmiş; örnek başına yaklaşık 0,05 saniyelik çıkarım süresiyle çok-adımlı difüzyon yaklaşımından belirgin biçimde daha hızlı çalışmıştır. Bununla birlikte sonuçlar sentetik ray-tracing verisine dayanmaktadır; gerçek saha ölçümleriyle doğrulama henüz yapılmamıştır.

Radyo haritası nedir ve 6G için neden önemlidir?

Bir radyo haritası, verici ile alıcı arasındaki sinyal zayıflamasının coğrafi alana nasıl dağıldığını gösterir. Bu zayıflama yalnız serbest uzay mesafesine bağlı değildir; binalar, araçlar, duvarlar ve başka yapılar sinyali soğurabilir, yansıtabilir, saçabilir veya kırınıma uğratabilir.

Bu nedenle ağ operatörleri yalnız “baz istasyonu nerede?” sorusuyla ilgilenmez. Belirli bir konumdaki sinyal gücü, kapsama boşlukları, gölgelenme bölgeleri ve dinamik engellerin oluşturduğu değişimler de önemlidir.

Yüksek kaliteli radyo haritaları şu tür görevlerde kullanılabilir:

• kapsama optimizasyonu,
• girişim yönetimi,
• dinamik spektrum yönetimi,
• araçtan araca haberleşme,
• konumlandırma,
• acil ağ planlama,
• 6G kaynak tahsisi.

Neden doğrudan ölçmek yeterli değil?

Bir şehrin her metrekaresine radyo sensörü yerleştirmek gerçekçi değildir. Ölçüm altyapısının maliyeti ve dağıtım zorluğu nedeniyle gerçek dünyadaki örnekleme yoğunluğu çoğu zaman çok düşüktür.

Dolayısıyla tam radyo haritası, az sayıdaki gerçek ölçüm ile bina ve verici geometrisi gibi çevresel öncüllerden tahmin edilmek zorundadır.

Klasik interpolasyon neden sınırlı kalabilir?

IDW veya Kriging gibi interpolasyon yöntemleri ölçülen noktalar arasındaki boşlukları istatistiksel olarak doldurabilir. Ancak şehir ortamındaki radyo yayılımı yalnız mesafeye bağlı düzgün bir yüzey değildir. Bir bina iki yakın nokta arasındaki doğrudan görüş hattını tamamen değiştirebilir.

Bu nedenle yalnız uzamsal mesafeye dayanan interpolasyon, bina gölgelenmesi ve dinamik engeller gibi elektromanyetik özellikleri yeterince temsil edemeyebilir.

Difüzyon modellerinin avantajı ve maliyeti

Difüzyon modelleri yüksek kaliteli üretken sonuçlar verebilir. Fakat tipik yaklaşım, gürültülü başlangıç durumundan hedefe onlarca ardışık denoising adımıyla ulaşır.

Radyo haritasının sık sık yeniden oluşturulması gereken dinamik 6G senaryolarında bu iteratif süreç önemli bir hesaplama gecikmesine dönüşebilir.

MeanFlow neden tek adımda üretim yapabiliyor?

Standart flow matching, gürültü ve veri dağılımı arasındaki dönüşüm boyunca anlık hız alanını öğrenir. MeanFlow ise bu yapıyı ortalama hız alanı kavramıyla yeniden formüle eder.

Anlık hız, dönüşümün belirli bir andaki yönünü temsil ederken ortalama hız, belirli bir zaman aralığındaki toplam yer değiştirmeyi temsil eder.

Radyo haritası bağlamında bu şu anlama gelir: model çok sayıda küçük “gürültü azaltma” adımını ayrı ayrı uygulamak yerine, gürültüden hedef haritaya gereken toplam dönüşümü öğrenmeye çalışır.

Temel flow yolu

Çalışmada veri örneği x ve gürültü ε arasında doğrusal yol şu şekilde ifade edilir:

z_t = a_tx + b_tε

Doğrusal zamanlama için:

z_t = (1 − t)x + tε

Radyo haritası probleminde x hedef yol-kaybı haritasını, ε Gaussian gürültüyü temsil eder.

MeanFlow ortalama hız alanı

MeanFlow, belirli bir zaman aralığındaki toplam hız etkisini ortalama alan olarak tanımlar:

u(z_t, r, t) = 1/(t−r) ∫_r^t v(z_τ,τ)dτ

Bu yapı, ağın dönüşüm yolunun yalnız bir anını değil, tüm aralığın kümülatif davranışını öğrenmesine olanak verir.

Tek-adımlı örnekleme

Eğitim tamamlandıktan sonra örnekleme genel olarak:

z_r = z_t − (t−r)u_θ(z_t,r,t)

biçimindedir.

Tek-adımlı üretim için bu ifade:

z₀ = z₁ − u_θ(z₁,0,1)

şeklinde sadeleşir. Böylece sonuç için yalnızca bir sinir ağı değerlendirmesi gerekir.

RMF hangi çevresel bilgileri birlikte kullanıyor?

RMF'nin asıl mimari gücü MeanFlow'un yanında çoklu özellik füzyonundan gelir. Dört ana çevresel bilgi ayrı yollarla işlenir:

Bina özellikleri neden iki ayrı yoldan çıkarılıyor?

Bina kenarları radyo yayılımında kritik yüksek frekanslı geometrik ayrıntılar taşır. Model bu nedenle bina haritasını iki paralel işlem hattına gönderir.

Birinci yol FFT ile frekans alanına geçer ve öğrenilebilir yüksek geçiren filtreyle keskin sınırları öne çıkarır. İkinci yol CNN aracılığıyla yerel mekânsal örüntüleri öğrenir. Daha sonra iki özellik kümesi birleştirilir.

Bu tasarım, hem geniş ölçekli bina düzeninin hem de duvar ve bina kenarı gibi lokal ayrıntıların korunmasını amaçlar.

Baz istasyonu yalnız bir koordinat olarak verilmiyor

Baz istasyonunun konumu yalnız bir piksel veya koordinat olarak modele verilmek yerine, haritanın her hücresinin vericiye normalize edilmiş uzaklığını gösteren bir mesafe alanına dönüştürülür.

Coordinate attention mekanizması da bu alana eklenerek elektromanyetik yayılımın yönsel bağımlılıklarının öğrenilmesi amaçlanır.

Seyrek ölçümlerde neden GNN kullanılıyor?

Her radyo ölçüm noktası bir graph node olarak ele alınır. Noktalar arasındaki bağlantılar uzamsal mesafe ve görüş hattı koşullarına göre kurulmaktadır.

Model ayrıca serbest uzayda yol kaybının mesafeyle değiştiğine ilişkin fiziksel öncülleri edge ağırlıkları ve node özelliklerine yerleştirir.

Böylece GNN, yalnız “yakın noktaların değeri benzerdir” varsayımıyla çalışmaz; bina ve görüş hattı koşullarının radyo yayılımına etkisini de hesaba katmaya çalışır.

Dört özellik nasıl birleştiriliyor?

Dört özellik akışı birleştirilerek toplam 160 kanallı conditioning tensor oluşturulur:

C = Concat(F_building, F_station, F_vehicle, F_sample)

Çalışmada kanal dağılımı:

• bina: 64 kanal,
• baz istasyonu: 32 kanal,
• araç: 32 kanal,
• seyrek ölçüm: 32 kanal

olarak belirlenmiştir.

Cross-attention neden kullanılıyor?

Çevresel bilgiler yalnızca modelin girişinde bir kez verilmez. Multi-scale cross-attention mekanizması, bu özelliklerin U-Net'in farklı çözünürlük seviyelerindeki temsil katmanlarıyla tekrar tekrar etkileşmesini sağlar.

Böylece düşük çözünürlükte geniş ölçekli şehir geometrisi, yüksek çözünürlükte ise keskin bina ve sinyal sınırları korunabilir.

Çalışmanın Yöntemi ve Bulguları

Kullanılan veri seti

Model RadioMapSeer üzerinde değerlendirilmiştir. Dataset gerçek OpenStreetMap coğrafyasından türetilen şehir geometrilerini kullanmakla birlikte sinyal haritaları ray-tracing simülasyonuyla oluşturulmuştur.

Altı şehir bulunmaktadır:

• Ankara,
• Berlin,
• Glasgow,
• Londra,
• Ljubljana,
• Tel Aviv.

Toplam 700 benzersiz harita senaryosu kullanılmıştır. Bunların 500'ü eğitim, 100'ü doğrulama ve 100'ü test için ayrılmıştır; coğrafi örtüşme bulunmamaktadır.

Her harita 256 m × 256 m alanı 256 × 256 piksel olarak temsil etmektedir. Simülasyon 5,9 GHz taşıyıcı frekansı, 23 dBm verici gücü ve 1,5 m transceiver yüksekliği kullanmaktadır.

Değerlendirme ölçütleri

Model performansı dört ana ölçütle değerlendirilmiştir:

• NMSE: Normalize edilmiş ortalama karesel hata,
• RMSE: Piksel düzeyindeki ortalama hatanın karekökü,
• SSIM: Yapısal benzerlik,
• PSNR: Sinyal-gürültü oranına dayalı yeniden yapılandırma kalitesi.

RMSE ve NMSE için düşük değerler; SSIM ve PSNR için yüksek değerler daha iyi performansı ifade eder.

Eğitim ayrıntıları

RMF Python 3.9 ve PyTorch 1.12.1 ile uygulanmıştır. Eğitim NVIDIA GeForce RTX 3090 Ti GPU üzerinde yaklaşık 18 saat sürmüş, batch size 4 olarak belirlenmiştir. Girdi boyutu 256 × 256 pikseldir.

Optimizasyon için AdamW kullanılmış ve öğrenme oranı 10⁻⁴'ten 10⁻⁶'ya düşürülmüştür.

100 ölçüm noktasıyla ana sonuçlar

Bu sonuçlarla RMF, karşılaştırılan yöntemler arasında RMSE ve PSNR açısından en iyi sonucu üretmiştir.

RadioDiff ile hız–kalite dengesi

RadioDiff, dinamik engel olmayan senaryoda SSIM 0,9683 ile RMF'nin 0,9674 değerinden biraz daha yüksek; dinamik engelli durumda ise 0,9661 ile RMF'nin 0,9557 değerinden daha yüksek yapısal benzerlik sunmaktadır.

Buna karşılık RadioDiff'in örnek başına çıkarım süresi yaklaşık 9,74 saniye, RMF'nin ise yaklaşık 0,05 saniyedir.

Yazarlar bu nedenle RMF'yi yalnız “her metrikte mutlak üstün model” olarak tanımlamaz. RadioDiff bazı algısal/yapısal ölçütlerde küçük avantaj taşısa da RMF, hız ve piksel düzeyi doğruluk arasında daha güçlü bir çalışma noktası sunmaktadır.

Tek adımlı RMF gerçekten ne kadar hızlı?

100 ölçümlü deneyde:

• U-Net: 0,018 s,
• RadioUNet: 0,021 s,
• RME-GAN: 0,038 s,
• RF-1step: 0,048 s,
• RMF: 0,05 s,
• RadioDiff: 9,74 s.

RMF en basit CNN modellerinden daha yavaş olsa da yüksek doğruluklu difüzyon yaklaşımından yaklaşık iki büyüklük mertebesi daha hızlıdır. Çalışma, RMF'yi özellikle 100 ms altında sonuç gereken zaman-duyarlı kullanım senaryolarına konumlandırmaktadır.

MeanFlow gerçekten fark yaratıyor mu?

Araştırmacılar bunu test etmek için RMF ile tamamen aynı U-Net, FFT, GNN ve coordinate-attention mimarisini kullanan ancak MeanFlow yerine standart Rectified Flow hedefiyle eğitilen RF-1step karşılaştırmasını eklemiştir.

Dinamik engelli 100-ölçümlü senaryoda RMF:

• RF-1step'e göre RMSE'yi yaklaşık %8,9 iyileştirmiş,
• PSNR'de 0,67 dB avantaj sağlamıştır.

Bu kontrollü karşılaştırma, performans farkının yalnız mimari özellik dallarından değil, MeanFlow eğitim hedefinden de geldiğini göstermektedir.

Hiç radyo ölçümü yoksa model ne yapıyor?

Çalışmanın en zor deneylerinden biri sıfır ölçüm senaryosudur. Burada modelde hiçbir doğrudan path-loss ölçüm noktası bulunmaz. Yalnızca bina geometrisi, baz istasyonu ve varsa dinamik engel bilgisi kullanılır.

Statik durumda RMF, RadioDiff'e göre RMSE'de yaklaşık %7,5 iyileşme ve PSNR'de 1,45 dB artış göstermiştir.

Dinamik durumda da PSNR 36,52 dB seviyesinde kalmıştır. Bu sonuç, çevresel öncüllerin doğru işlenmesinin doğrudan sinyal ölçümü bulunmadığında özellikle önemli hale geldiğini göstermektedir.

GNN gerçekten klasik interpolasyondan daha mı iyi?

Araştırmacılar GNN dalını IDW ve Ordinary Kriging ile değiştirerek kontrollü karşılaştırma yapmıştır.

GNN, Ordinary Kriging'e göre RMSE'de %7,7; IDW'ye göre %11,2 iyileşme göstermiştir.

Yazarlar bunu fiziksel olarak açıklanabilir bulmaktadır: IDW yalnız mesafe ağırlığı kullanırken Kriging uzamsal durağanlık varsayar; GNN ise mesafe ile birlikte görüş hattı ve yayılım öncüllerini de kodlayabilir.

Hangi mimari bileşen en önemli?

100 ölçüm noktası ve dinamik engel durumundaki ablation çalışmasında en büyük tek bileşen etkisi GNN dalında görülmüştür. GNN kaldırıldığında RMSE 0,0143'ten 0,0153'e çıkmış, PSNR 36,91'den 35,89 dB'e düşmüştür.

Tüm çevresel özellikler kaldırılıp yalnız MeanFlow kullanıldığında RMSE 0,0165'e, PSNR 34,67 dB'e düşmektedir. Bu sonuç modelin başarısının yalnız MeanFlow'dan değil, MeanFlow ile çoklu çevresel özellik füzyonunun birleşiminden geldiğini göstermektedir.

Sıfır ölçümde en önemli özellik değişiyor

Ölçüm bulunmadığında GNN zaten aktif değildir. Bu senaryoda en kritik bileşen coordinate attention haline gelmektedir.

Coordinate attention kaldırıldığında dinamik sıfır-ölçüm senaryosunda RMSE 0,0162'den 0,0183'e çıkmış, PSNR 36,52'den 35,36 dB'e düşmüştür.

Bu bulgu, doğrudan sinyal verisi bulunmadığında baz istasyonunun geometrik konumu ve yönsel yayılım bilgisinin daha önemli hale geldiğini göstermektedir.

Conditioning maskesi neden maksimum işlemi kullanıyor?

RMF, bina, baz istasyonu, ölçüm ve dinamik engel matrislerini ortak bir conditioning matrisi K altında birleştirir.

Araştırmacılar toplama, ağırlıklı toplam, öğrenilmiş 1×1 convolution gate ve element-wise maximum yöntemlerini karşılaştırmıştır.

Element-wise maksimum, bu deneyde üç ana metriğin tamamında en iyi sonucu vermiştir.

Model hiç görmediği şehirlerde de çalışıyor mu?

Araştırmacılar altı RadioMapSeer şehrinde leave-one-city-out çapraz doğrulama yapmıştır. Her turda beş şehirle eğitim yapılmış, altıncı şehir test için tamamen dışarıda tutulmuştur.

RMF'nin ortalama sonucu:

• RMSE: 0,0166 ± 0,0003
• PSNR: 35,86 ± 0,14 dB

RadioDiff için:

• RMSE: 0,0180 ± 0,0004
• PSNR: 35,01 ± 0,16 dB

Her iki model de dağılım içi teste göre RMSE'de yaklaşık %16 kötüleşmiştir. Bu, görülmemiş şehir morfolojilerinin hâlâ önemli bir genelleme problemi olduğunu göstermektedir.

Şehir bazında RMF sonuçları

Çalışmanın desteklediği sonuçlar

• MeanFlow tabanlı tek-adımlı üretim, RadioMapSeer üzerinde yüksek kaliteli radyo haritası yeniden yapılandırması sağlayabilir.
• RMF karşılaştırılan yöntemler arasında RMSE ve PSNR bakımından en iyi değerleri elde etmiştir.
• Tek-adımlı yapı, çok-adımlı difüzyon yaklaşımına göre çıkarım gecikmesini çok büyük ölçüde azaltmaktadır.
• Bina, baz istasyonu, seyrek ölçüm ve dinamik engel bilgilerinin birlikte kullanılması sonuçları belirgin biçimde iyileştirmektedir.
• GNN özellikle seyrek ölçüm mevcut olduğunda önemli katkı sağlamaktadır.
• Ölçüm bulunmadığında baz istasyonu geometrisi ve coordinate attention daha kritik hale gelmektedir.
• RMF görülmemiş şehirlerde de RadioDiff'e göre avantajını korumuştur; ancak her iki modelde de performans düşüşü görülmektedir.

Çalışmanın desteklemediği sonuçlar

• RMF'nin gerçek 6G saha ağlarında aynı performansı göstereceği henüz kanıtlanmamıştır.
• Modelin gerçek zamanlı ticari 6G dağıtımı için hazır olduğu gösterilmemiştir.
• RadioDiff tüm ölçütlerde geride değildir; bazı SSIM ve NMSE sonuçlarında avantajını korumaktadır.
• 0,05 saniyelik çıkarım süresi tüm donanımlarda garanti edilen bir değer değildir; test RTX 3090 Ti üzerinde yapılmıştır.
• Sentetik ray-tracing verisi gerçek dünyanın tüm elektromanyetik karmaşıklığını temsil etmemektedir.
• Model henüz çok-bant, çok-anten, mmWave, RIS veya ISAC ortamlarında doğrulanmış değildir.

Temel sınırlılıklar

En önemli sınırlılık veri kaynağıdır. RadioMapSeer bina geometrilerini gerçek OpenStreetMap verilerinden alsa da sinyal dağılımı deterministik ray-tracing ile oluşturulmaktadır.

Gerçek ortamda stochastic multipath fading, anten patern düzensizlikleri, zemin yansıma özellikleri ve araçların karmaşık elektromanyetik saçılma davranışları simülasyondakinden farklı olabilir.

Bu nedenle makale saha kalitesinde kesin performans iddiası yapmamakta ve gerçek radyo ölçümleriyle doğrulamayı birincil gelecek çalışma olarak belirtmektedir.

Gelecek çalışmalar

Yazarlar özellikle şu araştırma yönlerini önermektedir:

1. gerçek saha ölçümleri üzerinde doğrulama,
2. çok-bantlı ve çok-antenli ağlara genişletme,
3. zamansal radyo haritası tahmini,
4. federated learning ile mahremiyet odaklı dağıtık öğrenme,
5. ISAC senaryolarına uyarlama,
6. reconfigurable intelligent surfaces ile entegrasyon,
7. physics-informed neural network bileşenleriyle görülmemiş çevrelere genellemenin güçlendirilmesi.

Kaynak ve Yöntem Notu

Özgün başlık:Single-Step Radio Map Reconstruction with Multi-Feature Fusion via Mean Flow Matching

Yazarlar: Ming Lei, You Fu, Ruyun Fu, Shengliang Fang ve Youchen Fan.

Kurumlar: School of Space Information, Space Engineering University, Beijing; School of Business, Anhui University of Technology, Ma'anshan, China.

Dergi:AI, 2026, 7, Article 207.

DOI:10.3390/ai7060207

Gönderim: 24 Mart 2026. Revizyon: 27 Mayıs 2026. Kabul: 3 Haziran 2026. Yayın: 5 Haziran 2026.

Çalışma türü: Üretken yapay zekâ tabanlı yöntem geliştirme, benchmark karşılaştırması ve ablation analizi.

Veri seti: RadioMapSeer; Ankara, Berlin, Glasgow, Londra, Ljubljana ve Tel Aviv'den 700 simüle edilmiş radyo haritası senaryosu.

Finansman: National Key Laboratory of Space Target Awareness, STA2024KJW0401.

Etik: Institutional Review Board ve informed consent bu çalışma için uygulanabilir değildir.

Veri erişimi: RadioMapSeer veri seti kamuya açıktır.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir. Fon sağlayıcının çalışma tasarımı, veri analizi, yorumlama, makale yazımı veya yayın kararında rolü olmadığı belirtilmiştir.

Lisans: Creative Commons Attribution (CC BY).

Yöntemsel sınır: Deneyler gerçek saha radyo ölçümleri üzerinde değil, deterministik ray-tracing tabanlı RadioMapSeer benchmark'ında yürütülmüştür. Bu nedenle sonuçlar yöntemler arası kontrollü karşılaştırmayı güçlü biçimde desteklerken, gerçek 6G dağıtımlarındaki operasyonel performansı doğrudan kanıtlamaz.

Verianla yöntem notu: Bu Türkçe içerik, kaynak makalenin matematiksel yöntemi, mimarisi, veri seti, deney tasarımı, performans tabloları, ablation sonuçları, genelleme analizi ve sınırlılıklarını kaynak anlamına sadık biçimde bağımsız bir öğretim yapısında yeniden düzenlemektedir. Kaynak görsel veya tablolar birebir kopyalanmamıştır.