في عالم الاتصالات المتقدمة، أصبحت القدرة على التنبؤ بحالة القناة (Channel State Prediction - CSP) أمرًا بالغ الأهمية لضمان أداء الشبكات اللاسلكية. مؤخرًا، سلطت الأبحاث الضوء على قوة نماذج التحويل (Transformer) ونماذج اللغات الضخمة (Large Language Models - LLMs) في تحقيق أداء ممتاز في هذا المجال. ومع ذلك، يعاني المتخصصون من مشكلة زيادة التكاليف الحاسوبية والتأخير الزمني المرتبط بإنتاج هذه النماذج بسبب الأساليب التقليدية التي تعتمد على تسلسل البيانات الكبير.

في سعينا لحل هذه المشكلات، نعرض MambaCSP، وهو نموذج هجين يعتمد على نموذج المساحة الحالتية (State Space Model - SSM) مع إضافة طبقات اهتمام خفيفة الوزن. يستخدم MambaCSP نموذجًا خطيًا يُتيح تحقيق تنبؤات سريعة وفعالة مع تقليل استهلاك الذاكرة ورفع معدل الأداء بنسبة تصل إلى 3.0x.

انطلقت سلسلة من المحاكيات المعتمدة على نظام متعدد المدخلات متعدد المخرجات (MISO-OFDM) التي أظهرت تحسنًا ملحوظًا في دقة التنبؤ بنسبة تتراوح بين 9% و12% عند مقارنة MambaCSP بأساليب LLM التقليدية.

تعتبر النتائج مثيرة للإعجاب حيث تُظهر أن MambaCSP قد يفتح آفاقًا جديدة لتكنولوجيا الذكاء الاصطناعي (AI) في تحسين أداء الشبكات اللاسلكية، مما يجعلها خيارًا مثاليًا للانتشار في البيئات ذات الموارد المحدودة.

هل أنتم مستعدون لاكتشاف المستقبل الذي يعد به MambaCSP؟ شاركونا آرائكم في التعليقات!