في ظل التقدم المستمر نحو أنظمة 6G، يتعين علينا مواجهة العديد من التحديات في مجال تغذية معلومات حالة القناة (CSI). يعتبر هذا الأمر بالغ الأهمية لتحسين الكفاءة الطيفية وزيادة سعة الشبكات المستقبلية. ومع ذلك، فإن الحلول الحالية القائمة على التعلم العميق تواجه صعوبات هامّة تتعلق بالتوازن بين عمومية النموذج وأدائه في السيناريوهات المحددة.

تتسم الشبكات العصبية الكبيرة بقدرتها على التعميم الجيد لكنها تتطلب تكاليف حسابية وتعديلات مرتفعة، في حين أن النماذج الصغيرة تتفوق في البيئات المحددة، لكنها تحتاج إلى تدريب مكلف ومتكرر لكل قاعدة محطة (BS). هنا يأتي دور نموذج Learnware، الذي يقدم إطار عمل لتوزيع النماذج من خلال مستودع مركزي يحتفظ بكatalog من نماذج CSI الخاصة بالمواقع.

يتم تحسين هذا المستودع من خلال إطار عمل قائم على Learnware، حيث يرتبط كل نموذج بمواصفة تشمل جزءً دلالياً (معلمات هيكل الشبكة) وجزءً إحصائياً (رموز بصمات شفرة بيانات التدريب). يتيح ذلك للمحطة الأساسية إرسال مواصفاتها الإحصائية المحلية فقط لاسترجاع النموذج المدرب الأكثر صلة، مما يعزز الخصوصية البيانات عن طريق تجنب إرسال معلومات CSI الخام ويقلل بشكل كبير من زمن الاسترجاع والحمولة الاتصالية.

علاوة على ذلك، تم تطوير استراتيجية بحث تعتمد على البيانات لمطابقة بصمات الشفرة مع أداء النموذج، حيث تحقق دقة اختيار تتجاوز 90%. في المحاكيات، يظهر هذا النظام تحسينات في الأداء بنسبة 18.8% و57.7% عن النموذج العام في السيناريوهات مباشرة الخط البصري (LOS) وغير مباشرة (NLOS) على التوالي، مع تقليل الحاجة إلى الاستدقاق المحلي بمقدار يصل إلى 1000 عينة و100 دورة.

يعد هذا النهج القائم على Learnware ثورة حقيقية، حيث يقلل من التدريب المكرر، ويعظم إعادة استخدام النماذج، ويدعم نشر نماذج تغذية CSI بسرعة وتعزيز الخصوصية. هذا التقدم يعد بمستقبل واعد في عالم الذكاء الاصطناعي والاتصالات.