6G üçün nəzərdə tutulan Open Radio Access Network (O-RAN) arxitekturasında şəbəkə idarəetməsinin yalnız mövcud vəziyyətə reaksiya verməsi deyil, yaxın gələcəkdəki radio şəraitini əvvəlcədən proqnozlaşdıraraq idarəetmə hərəkətlərini hazırlaması hədəflənir. Bunun üçün Near-Real-Time RAN Intelligent Controller (Near-RT RIC) üzərində işləyən xApp-lər RSRP, SINR, trafik yükü və digər radio KPI-larını aşağı gecikmə ilə proqnozlaşdırmalıdır. Lakin klassik Transformer modellərinin self-attention mexanizmi zaman pəncərəsi uzandıqca hesablama və yaddaş xərcini kvadratik şəkildə artıra bilər.

Bu tədqiqatda təklif olunan Linear Quantum-Inspired State-Space (LiQSS) kvant kompüterində işləyən model deyil. Arxitektura, kvant çoxcisimli sistemlərin aşağı ranklı Tensor Train / Matrix Product State təmsili ideyasından ilhamlanan klassik süni intellekt modelidir. Self-attention çıxarılır; zaman nümunələri sabit HiPPO–LegS vəziyyət-fəzası nüvələri ilə, böyük xətti proyeksiyalar TT/MPS faktorlaşdırmaları ilə, KPI-lar arasındakı əlaqələr isə yüngül squeeze–excitation və gated ChannelMix qatları ilə modelləşdirilir.

Model 13 O-RAN KPI-sından törədilən 59.441 sürüşən pəncərə üzərində qiymətləndirilmişdir. Əsas tapşırıq keçmiş 32 zaman addımındakı çoxdəyişənli telemetriyadan növbəti RSRP qiymətini proqnozlaşdırmaqdır. Əsas konfiqurasiyada cəmi 44.109 öyrədilə bilən parametrə malik LiQSS, mənbədə istifadə olunan strukturlaşdırılmış SSM istinadlarından təxminən 10,8–15,8 dəfə və Chronos-GPT müqayisəsindən təxminən 155 dəfə kiçik model yaradaraq rəqabətli və ya daha aşağı proqnoz xətası təmin etmişdir.

Əsas test cədvəlində LiQSS üçün RMSE 0,286599, MAE 0,164083 və \(R^2=0,993276\) bildirilir. Bununla belə, nəticələrin əhatə dairəsi vacibdir: tədqiqat müəyyən bir O-RAN KPI verilənlər toplusu, bir addımlıq RSRP proqnozu, kompaktlaşdırılmış müqayisə modelləri və NVIDIA T4 GPU mühiti ilə məhdudlaşır. Tapıntılar “tensör şəbəkələri bütün Transformer modellərindən universal olaraq daha yaxşıdır” və ya “kvant hesablaması 6G problemini həll etmişdir” nəticəsini dəstəkləmir.

O-RAN daxilində proqnozlaşdırma niyə vacibdir?

O-RAN radio giriş şəbəkəsini daha açıq, proqramlaşdırıla bilən və komponentlərə ayrılmış hala gətirməyi hədəfləyən arxitekturadır. Tədqiqatda iki idarəetmə qatı xüsusilə fərqləndirilir:

• Non-RT RIC: Bir saniyədən yuxarı zaman miqyasında siyasətin formalaşdırılması, modelin öyrədilməsi və həyat dövrünün idarə edilməsi kimi tapşırıqları yerinə yetirir.
• Near-RT RIC: Təxminən 10 ms ilə 1 s arasındakı idarəetmə miqyasında gecikməyə həssas xApp-ləri işlədir.

Near-RT RIC, O-CU və O-DU kimi RAN komponentlərindən E2 interfeysi vasitəsilə telemetri ala bilər. E2SM-KPM xidmət modeli KPI ölçmələrinin müəyyən intervallarla hesabatlandırılmasını təmin edir.

Zaman \(t\)-də alınan çoxdəyişənli KPI vektoru

\[ x_t= \left[ x_t^{(1)},x_t^{(2)},\ldots,x_t^{(K)} \right]^\top \in\mathbb R^K \]

ilə göstərilir. Tədqiqatda \(K=13\) KPI istifadə olunur.

İzlənən 13 KPI

Əsas təcrübə RSRP-nin növbəti zaman addımını proqnozlaşdırır.

LiQSS Niyə “Kvantdan İlhamlanan” Adlandırılır?

LiQSS kvant prosessorundan istifadə etmədiyi və kvant vəziyyətləri üzərində fiziki hesablama aparmadığı halda, kvant çoxcisimli sistemlərdə yüksəkölçülü vəziyyətlərin aşağı ranklı tensör şəbəkələri ilə təmsil edilməsi ideyasını maşın öyrənməsi arxitekturasına daşıyır. Xüsusilə Matrix Product State və Tensor Train strukturlarındakı bond dimension / TT rank modeldə qlobal əlaqələndirmə tutumunu məhdudlaşdıran və parametr sayını idarə edən konfiqurasiya dəyişəninə çevrilir.

Çoxcisimli vəziyyətlərdə ölçü problemi

\(L\) ədəd alt sistemin birlikdə yaratdığı kvant vəziyyət fəzası tensör hasili ilə

\[ \mathcal H = \bigotimes_{\ell=1}^{L} \mathbb C^{d_\ell} \]

şəklindədir. Tam əmsal tensöründəki elementlərin sayı

\[ \prod_{\ell=1}^{L}d_\ell \]

olduğuna görə sistem böyüdükcə birbaşa təmsil eksponensial olur.

MPS və ya real qiymətli maşın öyrənməsi terminologiyasındakı Tensor Train bu böyük tensörü kiçik nüvələrin zənciri şəklində ifadə edir:

\[ \psi_{i_1,\ldots,i_L} = \sum_{\alpha_1,\ldots,\alpha_{L-1}} G^{(1)}_{i_1,\alpha_1} G^{(2)}_{\alpha_1,i_2,\alpha_2} \cdots G^{(L)}_{\alpha_{L-1},i_L}. \]

Aradakı \(r_\ell\) ölçüləri TT rank və ya bond dimension adlandırılır. Bunlar təmsilin nə qədər güclü korrelyasiya daşıya biləcəyini idarə edir.

LiQSS bu ideyadan necə istifadə edir?

Modeldə hər zaman addımındakı \(D\)-ölçülü latent vektor qarşılıqlı təsir edən sərbəstlik dərəcələri kimi düşünülür. Zaman təkamülü hər latent kanal üzərində ayrıca vəziyyət-fəzası sistemi ilə emal olunur. Kanalların bir-biri ilə qarşılıqlı təsiri isə tam self-attention əvəzinə idarə olunan və daha ucuz qapılama/qarışdırma operatorları ilə əlavə edilir.

Ən böyük qlobal xətti çevirmələrdən ikisi də tensör şəbəkəsi formasında sıxılır:

• \(\mathbb R^K\rightarrow\mathbb R^D\) giriş proyeksiyası: TTIn
• \(\mathbb R^D\rightarrow\mathbb R\) proqnoz başlığı: TTHead

Beləliklə, “quantum-inspired” ifadəsinin mənası kvant sürətlənməsi deyil; böyük xətti operatorların aşağı ranklı tensör nüvələri ilə təmsil edilməsidir.

Transformer Self-Attention Əvəzinə Nə İstifadə Olunur?

LiQSS zaman boyunca bütün token cütlərini birbaşa müqayisə edən self-attention mexanizmini aradan qaldırır. Bunun əvəzinə HiPPO–LegS əsaslı xətti vəziyyət-fəzası modellərindən törədilən səbəbli nüvələrdən istifadə edir. Bu nüvələr depthwise causal convolution formasında tətbiq edilərək keçmiş pəncərədəki məlumatı gələcəyə baxmadan emal edir.

Bir addımlıq proqnoz problemi

Keçmiş \(L\) zaman addımını ehtiva edən giriş pəncərəsi

\[ X_t= [x_{t-L+1},\ldots,x_t] \in\mathbb R^{L\times K} \]

kimi təyin olunur.

Modelin vəzifəsi

\[ \widehat y_{t+1} = f_\theta(X_t) \]

ilə növbəti hədəf KPI-nı proqnozlaşdırmaqdır.

Əsas təcrübələrdə

\[ L=32,\qquad H=1 \]

istifadə olunur. Yəni model keçmiş 32 nümunədən yalnız növbəti bir RSRP qiymətini proqnozlaşdırır.

HiPPO–LegS vəziyyət-fəzası dinamikası

Hər latent kanal üçün əsas xətti sistem

\[ s_{\ell+1}^{(d)} = A s_\ell^{(d)} + b^{(d)}e_\ell^{(d)} \]

və

\[ h_\ell^{(d)} = (c^{(d)})^\top s_\ell^{(d)} + d^{(d)}e_\ell^{(d)} \]

şəklində yazılır.

Davamlı-zaman HiPPO–LegS generatoru Tustin çevrilməsi ilə diskretləşdirilir:

\[ \overline A = \left( I-\frac{\Delta t}{2}A_{\mathrm{ct}} \right)^{-1} \left( I+\frac{\Delta t}{2}A_{\mathrm{ct}} \right). \]

Buradan alınan recurrence zaman nüvəsinin tap qiymətlərini yaradır və nəticə depthwise causal convolution kimi tətbiq olunur.

Tək zaman miqyası əvəzinə qarışıq

Hər blokda bir HiPPO–LegS nüvəsi əvəzinə \(C_m\) komponentli qarışıq istifadə olunur:

\[ K^{(b)} = \sum_{m=1}^{C_m} K^{(b,m)}. \]

Hər komponentin öz öyrənilən zaman miqyası \(\Delta t^{(b,m)}\) və kanal parametrləri vardır. Əsas modeldə hər blok üçün iki komponent istifadə edilmişdir.

Tədqiqatın Metodu və Nəticələri

Başdan sona LiQSS məlumat axını

Kanal qapılama və qarışdırma niyə istifadə olunur?

State-space nüvələri latent kanallardakı zaman təkamülünü ayrı-ayrılıqda emal edir. Lakin radio KPI-ları bir-birindən müstəqil deyil. Məsələn, RSRP, SINR, CQI və MCS kimi dəyişənlər eyni şəbəkə şəraitindən təsirlənə bilər.

LiQSS bu qarşılıqlı təsirləri tam temporal attention istifadə etmədən iki mexanizmlə əlavə edir.

Əvvəlcə zaman boyunca orta qiymət alınır:

\[ s= \frac{1}{L} \sum_{\ell=1}^{L} Y_{:,\ell,:}. \]

Daha sonra squeeze–excitation qapısı kanal qazancı yaradır:

\[ g= \sigma \left( \phi(sW_1+b_1)W_2+b_2 \right). \]

İkinci mərhələdə hər zaman addımında gated ChannelMix tətbiq olunur:

\[ [a_\ell,q_\ell] = u_\ell W_\uparrow+b_\uparrow \]

və

\[ \operatorname{Mix}(u_\ell) = \left[ \phi(a_\ell)\odot\sigma(q_\ell) \right] W_\downarrow+b_\downarrow. \]

Beləliklə KPI kanalları bir-birinə təsir edə bilər, lakin zaman oxunda \(L\times L\) attention matrisi yaradılmır.

Blok strukturu

Mənbənin ümumiləşdirdiyi struktur

\[ E \mapsto \operatorname{LN} \left( E+ \operatorname{Mix} ( \operatorname{Gate} ( \operatorname{SSM}(E) ) ) \right) \]

ideyasına əsaslanır. Faktiki code-matched arxitekturada dropout, bir neçə residual əlaqə və layer normalization vardır.

Təlim proseduru

Model MSE itkisi ilə öyrədilir. Mənbədə:

• AdamW optimizer,
• öyrənmə sürəti \(3\times10^{-3}\),
• weight decay \(10^{-4}\),
• gradient clipping 1,0,
• maksimum 120 epoch,
• 30 epoch early-stopping patience,
• batch size 256,
• CUDA mövcuddursa mixed precision

istifadə olunur.

Ən yaxşı doğrulama itkisinə malik checkpoint saxlanılır və test mərhələsində qradiyentlər söndürülərək proqnoz həyata keçirilir.

LiQSS Niyə Xətti Miqyaslanır?

Transformer self-attention, uzunluğu \(L\) olan ardıcıllıqda zaman addımları arasındakı cütləri birbaşa müqayisə etdiyinə görə \(L^2\) termini yaradır. LiQSS-da temporal emal channel-wise vəziyyət-fəzası nüvələri və causal convolution vasitəsilə aparıldığına görə mənbə hesablama və aktivasiya yaddaşı baxımından \(L\)-yə xətti asılılıq bildirir.

Transformer müqayisəsi

Mənbənin verdiyi hər qat üçün təxmini Transformer xərci:

\[ O(LD^2+L^2D) \]

və attention aktivasiya yaddaşı:

\[ O(L^2). \]

LiQSS tipli SSM + TT blok üçün:

\[ O(LDN_s+LDD_m) \]

hesablama və

\[ O(LD+DN_s) \]

aktivasiya yaddaşı verilir.

Beləliklə \(D\), \(N_s\) və kanal-qarışdırma eni sabit qaldıqda pəncərə uzunluğu \(L\) artdıqca LiQSS tərəfində ardıcıllıq xərci xətti qalır.

Mənbənin miqyaslanma təcrübəsi

Mənbə bu artımı real tətbiqdə təxminən xətti davranışın eksperimental göstəricisi kimi şərh edir.

Ölçmə konteksti xəbərdarlığı: Əsas model müqayisə cədvəlində LiQSS inference qiyməti 0,000456 s olduğu halda, bu miqyaslanma təcrübəsində \(L=32\) üçün 0,000038680 s verilmişdir. PDF bu fərqin ölçmə əhatəsini ətraflı şəkildə uzlaşdırmadığı üçün dəyərlər vahid benchmark nəticəsi kimi birləşdirilməməlidir.

LiQSS Proqnoz Dəqiqliyi və Model Ölçüsü Baxımından Hansı Nəticəni Verir?

Əsas benchmarkda LiQSS mənbədə istifadə olunan kompakt Transformer və SSM müqayisələri arasında aşağı proqnoz xətasını çox kiçik parametr sayı ilə birləşdirir. Bununla belə, müqayisə edilən modellərin orijinal nəşr kodlarının eynilə yenidən işlədilmədiyi, ümumi zaman və yaddaş şərtlərinə uyğun kompakt və standartlaşdırılmış tətbiqlərdən istifadə edildiyi mənbədə açıq şəkildə bildirilir.

Əsas nəticə cədvəlindən seçilmiş müqayisələr

LiQSS-ın test \(R^2\) dəyəri

\[ R^2=0,993276 \]

kimi bildirilir.

Persistence və mean baseline ilə müqayisədə skill

Model həmçinin iki sadə proqnoz istinadı ilə müqayisə edilir. Persistence baseline növbəti dəyərin son müşahidə olunan dəyər olduğunu fərz edir:

\[ \widehat y^{(R)}_{t+1}=y_t. \]

LiQSS üçün mənbə

\[ \operatorname{Skill}(R)=0,919865 \]

və

\[ \operatorname{Skill}(M)=0,939650 \]

dəyərlərini bildirir.

Bu nəticələr test MSE-sinin persistence istinadının təxminən %8,01-i və mean baseline xətasının təxminən %6,03-ü səviyyəsinə endirildiyi şəklində şərh olunur.

Parametr səmərəliliyi

44.109 parametrli LiQSS üçün mənbə aşağıdakı model-ölçüsü fərqlərini bildirir:

• WM–MS3M ilə müqayisədə təxminən 10,8× daha kiçik,
• MS3M ilə müqayisədə təxminən 15,8× daha kiçik,
• Crossformer ilə müqayisədə təxminən 36× daha kiçik,
• Chronos-GPT ilə müqayisədə təxminən 155× daha kiçik.

Bu üstünlüyün mühüm hissəsi giriş və çıxışdakı böyük dense xətti qatların TT/MPS operatorları ilə əvəz edilməsindən qaynaqlanır.

Həssaslıq təhlili nə göstərir?

Daha yüksək tutum həmişə daha aşağı xəta yaratmamışdır. Məsələn, TT rank 16 ən aşağı RMSE-ni təmin etsə də gecikməni artırır; \(C_m=4\) cüzi yaxşılaşma təmin etdiyi halda daha böyük qarışıqlar dəqiqliyi yenidən aşağı salır. Mənbə buna görə \(r=4\), \(C_m=2\), \(N_s=32\) ayarını Near-RT dəqiqlik-səmərəlilik tarazlığı üçün əsas iş nöqtəsi kimi istifadə edir.

KPI zaman sıraları üzərində davranış

Mənbə Şəkil 3-də son 700 test nümunəsi üçün RSRP, RSRQ, SINR, PRB, spectral efficiency, CQI və RI üzrə faktiki dəyərlərlə proqnozları müqayisə edir. Yavaş dəyişən meyllərin və bir çox qısamüddətli dəyişmənin yaxından izlənildiyi; ən nəzərəçarpan fərqlərin isə qəfil rejim dəyişiklikləri ətrafında yarandığı bildirilir.

Bu müşahidə modelin hər qəfil şəbəkə dəyişikliyini mütləq şəkildə qabaqcadan gördüyü demək deyil. Strictly causal bir addımlıq proqnoz aparıldığı üçün gözlənilməz keçidlər model baxımından təbii xəta bölgələridir.

Tədqiqatın dəstəklədiyi nəticələr

• TT/MPS ilə sıxılmış vəziyyət-fəzası arxitekturası bu O-RAN verilənlər toplusunda çox kiçik parametr sayı ilə rəqabətli RSRP proqnozu təmin edə bilmişdir.
• Self-attention istifadə edilmədən uzunluq \(L\)-yə görə xətti ardıcıllıq emalı hazırlanmışdır.
• HiPPO–LegS qarışığı müxtəlif zaman miqyaslarının eyni blokda modelləşdirilməsinə imkan verir.
• SE gating və gated ChannelMix temporal attention olmadan KPI kanalları arasında qarşılıqlı təsiri təmin edir.
• Mənbədə istifadə olunan müqayisə konfiqurasiyalarında LiQSS bir çox Transformer və SSM istinadından daha kiçik və daha sürətlidir.
• TT rank, state dimension və mixture sayı artdıqca dəqiqliyin monoton artmadığı göstərilmişdir.

Tədqiqatın dəstəkləmədiyi şərhlər

• LiQSS kvant kompüterində işləmir və kvant hesablama sürətlənməsi nümayiş etdirilməmişdir.
• Nəticələr bütün Transformer arxitekturalarının LiQSS-dan daha pis olduğunu sübut etmir.
• Tədqiqat real kommersiya 6G şəbəkəsində başdan sona canlı idarəetmə uğurunu göstərmir.
• Təcrübənin əsas tapşırığı bir addımlıq RSRP proqnozudur; çoxaddımlı bütün KPI proqnozları eyni performansla təsdiqlənməmişdir.
• Müqayisə modelləri orijinal kod bazalarının eynilə yenidən işlədilməsi deyil; ümumi qiymətləndirmə şərtlərinə uyğun kompaktlaşdırılmış tətbiqlərdir.
• Yüksək \(R^2\) dəyəri birbaşa daha yaxşı scheduling, handover, enerji optimallaşdırılması və ya istifadəçi QoE nəticəsi demək deyil; bu idarəetmə çıxışları təcrübədə birbaşa ölçülməmişdir.
• Parametr və inference üstünlükləri istifadə olunan GPU, tətbiq, batch/ölçmə üsulu və model konfiqurasiyasından asılı olmayan universal sabitlər deyil.

Mənbə və Metod Qeydi

Orijinal başlıq: LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G

Müəlliflər: Farhad Rezazadeh; Hatim Chergui; Amir Ashtari Gargari; Mehdi Bennis; Houbing Song; Lingjia Liu; Merouane Debbah.

Qurumlar: Universitat Politècnica de Catalunya (UPC); i2CAT Foundation; Centre Tecnologic de Telecomunicacions de Catalunya (CTTC/CERCA); University of Oulu; University of Maryland, Baltimore County; Virginia Tech; Khalifa University of Science and Technology.

Mənbə növü: Süni intellekt, simsiz şəbəkə telemetriyası və zaman sırası proqnozunu birləşdirən tədqiqat preprinti.

Platforma: SSRN.

SSRN Abstract ID: 6963866.

DOI: 10.2139/ssrn.6963866.

SSRN nəşr tarixi: 18 iyun 2026.

Rəyçilik vəziyyəti: Mənbə PDF hakem qiymətləndirməsindən keçməmiş preprint olduğunu açıq şəkildə bildirir.

Lisenziya/müəllif hüququ: SSRN qeydi “All rights reserved; no reuse allowed without permission” məlumatını verir. Verianla mətni mənbənin cümlələrini, fiqurlarını və ya orijinal arxitektura sxemlərinin vizual quruluşunu yenidən istifadə etmir; elmi əlaqələri və bildirilən ədədi nəticələri müstəqil tədris strukturunda izah edir.

Kod: Mənbə model kodunun qeyri-kommersiya istifadəsi üçün ictimaiyyətə açıq olduğunu bildirir. Bu ifadə əsas SSRN məqaləsinin lisenziyasının avtomatik olaraq koda şamil edildiyi demək deyil.

Verilənlər: Mənbə istifadə olunan O-RAN KPI verilənlər toplusunun IEEE DataPort vasitəsilə yayımlandığını bildirir. Verilənlər toplusunun ayrıca lisenziya şərtləri Verianla tərəfindən bu məqalənin lisenziyası ilə eyni hesab edilməmişdir.

Verilənlərin ölçüsü: Mənbə 13 KPI üzrə 59.441 sürüşən pəncərə ehtiva edən təcrübə dəstini bildirir.

Əsas hədəf: Növbəti addım RSRP proqnozu.

Əsas avadanlıq: Bir CUDA dəstəkli NVIDIA T4 GPU.

Qiymətləndirmə yanaşması: Xronoloji train/validation/test bölgüsü, yalnız təlim bölməsi ilə normallaşdırma və strictly causal inference.

Mühüm müqayisə məhdudiyyəti: Mənbə baseline tətbiqlərinin orijinal codebase-lərin faithful re-run-ı olmadığını; bərabər zaman və yaddaş şərtlərində müqayisə edilə bilən kompakt versiyalar kimi hazırlandığını açıq şəkildə bildirir.

Mənbədaxili kəmiyyət qeydi 1: Abstract Transformer müqayisələrində ən çox 2,74× inference sürətlənməsi yazıldığı halda, Cədvəl 4 və Bölmə 6.1.3 Crossformer üçün təxminən 2,96× fərq verir.

Mənbədaxili kəmiyyət qeydi 2: Əsas benchmarkda LiQSS inference müddəti 0,000456 s olduğu halda, Şəkil 4 miqyaslanma təcrübəsində \(L=32\) üçün 0,000038680 s bildirilir. Mənbə bu iki ölçmə konteksti arasındakı fərqi tam şəkildə uzlaşdırmır.

Vizualın yenidən qurulması: Uyğundur. Mənbənin orijinal fiqurlarını təqlid etmək əvəzinə E2 telemetriyasını, TT/MPS giriş proyeksiyasını, HiPPO–LegS SSM bloklarını, kanal qarşılıqlı təsirini, causal readout-u və RSRP proqnozunu tamamilə yeni Verianla sxemi ilə göstərmək uyğundur.

Verianla Live / Live Figure: Uyğundur. 32 zaman addımlı KPI pəncərəsinin model qatları boyunca emal olunmasını və proqnoz başlığına çatmasını göstərən sabit-parametrli animasiya hazırlana bilər. Mənbədən kənar performans proqnozu və ya istifadəçiyə görə yenidən hesablanan 6G şəbəkə nəticəsi yaradılmamalıdır.