في عالم الذكاء الاصطناعي (AI)، تتطور النماذج العميقة مثل الذاكرة طويلة المدى قصيرة الأمد (LSTM) باستمرار، حيث أثبتت قدرتها المبهرة في تقدير القنوات في بيئات السيارات عالية الحركة. وعلى الرغم من ذلك، فإن الطبيعة الغامضة لهذه النماذج وتأثيراتها المعمارية قد تحد من كفاءتها وثقتك فيها.

تواجه الأساليب التقليدية للذكاء الاصطناعي القابل للتفسير (XAI) تحديات كبيرة، حيث تعتمد على عمليات تكرارية مكلفة وتقدم تصفية على مستوى الإدخال دون معالجة تحسين التركيب المعماري. في محاولة لتجاوز هذه القيود، تم تقديم إطار العمل X-RACE، الذي يعد اختصاراً لـ XAI-assisted Recurrent Neural Network Attribution for Channel Estimation.

يعتمد X-RACE على استراتيجية تحسينية ثنائية منخفضة التعقيد، تقوم بتقييم وتقليص المكونات الداخلة غير ذات الصلة والوحدات المخفية الداخلية دفعة واحدة. كما يضيف X-RACE مقاييس زمنية جديدة في مجال الذكاء الاصطناعي القابل للتفسير، مثل: زمن التشبع (Saturation Time)، وتحول الأهمية (Importance Drift)، وتباين الصلة (Relevance Contrast) لتوصيف ديناميكيات التعلم ومؤشرات الذاكرة ضمن نموذج LSTM.

تظهر الدراسات المعمقة أن X-RACE يمكنه تقليل تعقيد الاستدلال بنسبة 44.1% على الأقل، مع تحسين أو الحفاظ على جودة أداء معدل الأخطاء (Bit Error Rate - BER)، مما يجعله يتفوق على الأساليب التقليدية في الذكاء الاصطناعي القابل للتفسير. هذا الابتكار يعد خطوة مهمة نحو تحقيق كفاءة أعلى وموثوقية في عمليات تقدير القنوات في المستقبل.