في عالم الاتصالات الحديثة، يلعب تنبؤ حالة القناة (Channel State Information, CSI) دورًا حيويًا في تحسين موثوقية وكفاءة الطيف للأنظمة المعتمدة على MIMO-OFDM، خصوصًا في السيناريوهات عالية الحركة. لكن، ما هي التحديات؟ تعاني الطرق الحالية القائمة على التعلم العميق من صعوبة في التقاط التغيرات المحلية على المدى القصير والاعتمادات غير الخطية على المدى الطويل في تسلسل CSI.

لذا، جاءت الابتكارات بإطلاق نموذج ChannelKAN، والذي يعتمد على بنية هجينة من الشبكات العصبية التلافيفية (CNN) وشبكات كولموغوروف-أرنولد (KAN). يكمن مفاتيح هذا النموذج في تكامل هاتين التقنيتين، حيث تقوم CNN باستخراج التفاعلات المحلية داخل الزمن، بينما تتيح KANs معالجة التطورات الزمنية غير الخطية بشكل شامل.

يبدأ نموذج ChannelKAN بإضافة وحدة توسيع ثنائية المجال، حيث يتم توليد تمثيلات متكاملة لحالة القناة في مجالي التردد والتأخير. ثم تأتي وحدة تعزيز المعلومات ذات المقاييس المتعددة، التي تهدف للاحتفاظ بالمكونات الطيفية الأكثر تميزًا عبر مقاييس متعددة، مما يعزز الميزات الأساسية ويقلل من الضوضاء.

علاوة على ذلك، يستخدم النموذج وحدة استخراج الميزات CNN-KAN لالتقاط التفاعلات المحلية من خلال تتابع الالتواءات (Convolutions) ونمذجة الاعتمادات بعيدة المدى عبر طبقات KAN. وفي النهاية، تقوم وحدة دمج ثنائية المجال بدمج الميزات المكتسبة من كلا المجاليْن بشكل متكيف لإنتاج التنبؤ النهائي.

وبفعل هذه التحسينات، أثبتت التجارب المستندة إلى مجموعة بيانات 3GPP-compliant QuaDRiGa أن ChannelKAN يتفوق على نماذج مثل RNN وLSTM وGRU وCNN وTransformer في مقاييس مثل الخطأ المربعي المعدل (NMSE) وكفاءة الطيف (SE) ومعدل الأخطاء في البتات (BER)، حتى في ظروف مختلفة من السرعات ونسب الإشارة إلى الضوضاء. فضلاً عن ذلك، أثبتت الدراسات المنفصلة فعالية كل وحدة مقترحة.

مع استمرار ازدهار التقنيات، يفتح ChannelKAN آفاقًا جديدة في مجال تنبؤ حالة القناة. لنشاهد ما ستجلبه هذه الابتكارات المستقبلية؟