Радио карта (radio map) — географиялык аймактагы радио сигналдын таралышын же жол жоготуусунун мейкиндик боюнча бөлүштүрүлүшүн көрсөткөн санарип карта. 6G тармактарында бул карталар камтууну оптималдаштыруу, тоскоолдуктарды башкаруу, ресурстарды бөлүштүрүү, унаалар аралык байланыш жана жайгашууну аныктоо сыяктуу тапшырмаларда негизги маалымат катмарларынын бири болуп саналат.

Бирок реалдуу дүйнөдө радио өлчөө чекиттери өтө сейрек болуп, көпчүлүк учурларда аймактын %1'инен да аз бөлүгүн камтыйт. Имараттар, жолдор, унаалар жана башка тоскоолдуктар электромагниттик таралууну дайыма өзгөрткөндүктөн, толук эмес өлчөөлөрдөн жогорку чечилиштагы радио карта түзүү татаал тескери маселе болуп саналат.

Ming Lei жана анын кесиптештери бул маселе үчүн RMF — Radio Mean Flow деп аталган жаңы генеративдик моделди сунуштайт. RMFнин негизги айырмасы — диффузия моделдериндеги көп кадамдуу ызы-чууну азайтуу процессин колдонбой, MeanFlow ыкмасы аркылуу ызы-чуудан максаттуу радио картага түздөн-түз бир алдыга өткөрүүдө өзгөртүү жаратышы.

Модель сейрек сигнал өлчөөлөрүнө гана таянбайт. Имарат геометриясы, базалык станциянын жайгашуусу, сейрек өлчөөлөр жана динамикалык тоскоолдуктар үчүн төрт өзүнчө өзгөчөлүк чыгаруу механизмин колдонот. Бул маалыматтар multi-scale cross-attention аркылуу U-Net түзүмүнө берилет.

RadioMapSeer benchmark-ындагы тажрыйбаларда RMF салыштырылган ыкмалардын арасында эң төмөн RMSE жана эң жогорку PSNR маанилерин алган; ар бир үлгү үчүн болжол менен 0,05 секунддук чыгаруу убактысы менен көп кадамдуу диффузия ыкмасынан кыйла ылдамыраак иштеген. Ошол эле учурда жыйынтыктар синтетикалык ray-tracing маалыматтарына негизделет; реалдуу талаа өлчөөлөрү менен ырастоо азырынча жүргүзүлө элек.

Радио карта деген эмне жана ал 6G үчүн эмне үчүн маанилүү?

Радио карта берүүчү менен кабыл алуучунун ортосундагы сигналдын басаңдашы географиялык аймак боюнча кандай бөлүштүрүлөрүн көрсөтөт. Бул басаңдоо эркин мейкиндиктеги аралыкка гана көз каранды эмес; имараттар, унаалар, дубалдар жана башка түзүлүштөр сигналды сиңирип, чагылдырып, чачыратып же дифракцияга учуратышы мүмкүн.

Ошондуктан тармак операторлору “базалык станция кайда?” деген суроо менен гана чектелбейт. Белгилүү бир жердеги сигналдын күчү, камтуу боштуктары, көлөкөлөнгөн аймактар жана динамикалык тоскоолдуктар жараткан өзгөрүүлөр да маанилүү.

Жогорку сапаттагы радио карталар төмөнкүдөй тапшырмаларда колдонулушу мүмкүн:

• камтууну оптималдаштыруу,
• тоскоолдуктарды башкаруу,
• динамикалык спектрди башкаруу,
• унаадан унаага байланыш,
• жайгашууну аныктоо,
• өзгөчө кырдаалдар үчүн тармакты пландоо,
• 6G ресурстарын бөлүштүрүү.

Эмне үчүн түздөн-түз өлчөө жетишсиз?

Шаардын ар бир чарчы метрине радио сенсор орнотуу реалдуу эмес. Өлчөө инфраструктурасынын баасы жана жайгаштыруунун татаалдыгы себептүү реалдуу дүйнөдөгү үлгү алуу тыгыздыгы көп учурда өтө төмөн болот.

Ошондуктан толук радио карта аз сандагы реалдуу өлчөөлөр жана имарат менен берүүчүнүн геометриясы сыяктуу айлана-чөйрөлүк алдын ала маалыматтардын негизинде бааланууга тийиш.

Классикалык интерполяция эмне үчүн чектелүү болушу мүмкүн?

IDW же Kriging сыяктуу интерполяция ыкмалары өлчөнгөн чекиттердин ортосундагы боштуктарды статистикалык түрдө толтура алат. Бирок шаар чөйрөсүндөгү радио таралуу аралыкка гана көз каранды жылмакай бет эмес. Бир имарат эки жакын чекиттин ортосундагы түз көрүү сызыгын толугу менен өзгөртүшү мүмкүн.

Ошондуктан мейкиндик аралыкка гана негизделген интерполяция имарат көлөкөлөнүшү жана динамикалык тоскоолдуктар сыяктуу электромагниттик өзгөчөлүктөрдү жетиштүү деңгээлде чагылдыра албай калышы мүмкүн.

Диффузия моделдеринин артыкчылыгы жана баасы

Диффузия моделдери жогорку сапаттагы генеративдик натыйжаларды бере алат. Бирок типтүү ыкма ызы-чуулуу баштапкы абалдан максатка ондогон ырааттуу denoising кадамдары аркылуу жетет.

Радио картаны тез-тез кайра түзүү талап кылынган динамикалык 6G сценарийлеринде бул итеративдик процесс олуттуу эсептөө кечигүүсүнө айланышы мүмкүн.

MeanFlow эмне үчүн бир кадамда генерация жасай алат?

Стандарттык flow matching ызы-чуу менен маалымат бөлүштүрүлүшүнүн ортосундагы өтүүдө заматтык ылдамдык талаасын үйрөнөт. MeanFlow болсо бул түзүмдү орточо ылдамдык талаасы түшүнүгү менен кайра формулировкалайт.

Заматтык ылдамдык өтүүнүн белгилүү бир учурдагы багытын чагылдырса, орточо ылдамдык белгилүү убакыт аралыгындагы жалпы жылышты чагылдырат.

Радио карта контекстинде бул төмөнкүнү билдирет: модель көптөгөн майда “ызы-чууну азайтуу” кадамдарын өз-өзүнчө колдонгондун ордуна, ызы-чуудан максаттуу картага керектүү жалпы өзгөрүүнү үйрөнүүгө аракет кылат.

Негизги flow жолу

Изилдөөдө маалымат үлгүсү x менен ызы-чуу ε ортосундагы сызыктуу жол төмөнкүдөй берилет:

z_t = a_tx + b_tε

Сызыктуу график үчүн:

z_t = (1 − t)x + tε

Радио карта маселесинде x максаттуу жол-жоготуу картасын, ε Gaussian ызы-чуусун билдирет.

MeanFlow орточо ылдамдык талаасы

MeanFlow белгилүү убакыт аралыгындагы жалпы ылдамдык таасирин орточо талаа катары аныктайт:

u(z_t, r, t) = 1/(t−r) ∫_r^t v(z_τ,τ)dτ

Бул түзүм тармакка өтүү жолунун бир гана учурун эмес, бүтүндөй аралыктын кумулятивдик жүрүм-турумун үйрөнүүгө мүмкүнчүлүк берет.

Бир кадамдуу үлгү алуу

Окутуу аяктагандан кийин үлгү алуу жалпысынан:

z_r = z_t − (t−r)u_θ(z_t,r,t)

түрүндө болот.

Бир кадамдуу генерация үчүн бул туюнтма:

z₀ = z₁ − u_θ(z₁,0,1)

түрүнө жөнөкөйлөшөт. Ошентип, жыйынтык үчүн нейрон тармагын бир гана жолу баалоо жетиштүү болот.

RMF кайсы айлана-чөйрөлүк маалыматтарды бирге колдонот?

RMFнин негизги архитектуралык күчү MeanFlow менен катар көп өзгөчөлүктү бириктирүүдөн келип чыгат. Төрт негизги айлана-чөйрөлүк маалымат өзүнчө жолдор менен иштетилет:

Имарат өзгөчөлүктөрү эмне үчүн эки өзүнчө жолдон чыгарылат?

Имарат четтери радио таралууда маанилүү жогорку жыштыктагы геометриялык деталдарды алып жүрөт. Ошондуктан модель имарат картасын эки параллелдүү иштетүү жолуна жөнөтөт.

Биринчи жол FFT аркылуу жыштык аймагына өтүп, үйрөнүлүүчү жогорку өткөрмө чыпка менен курч чек араларды баса белгилейт. Экинчи жол CNN аркылуу жергиликтүү мейкиндик үлгүлөрүн үйрөнөт. Андан кийин эки өзгөчөлүк топтому бириктирилет.

Бул дизайн кең масштабдагы имарат жайгашуусун да, дубал жана имарат чети сыяктуу жергиликтүү деталдарды да сактоону көздөйт.

Базалык станция жөн гана координата катары берилбейт

Базалык станциянын жайгашуусу моделге жөн гана пиксель же координата катары берилбестен, картанын ар бир уячасынын берүүчүгө чейинки нормалдаштырылган аралыгын көрсөткөн аралык талаасына айландырылат.

Coordinate attention механизми да бул талаага кошулуп, электромагниттик таралуунун багыттык көз карандылыктарын үйрөнүү максат кылынат.

Сейрек өлчөөлөрдө эмне үчүн GNN колдонулат?

Ар бир радио өлчөө чекити graph node катары каралат. Чекиттердин ортосундагы байланыштар мейкиндик аралык жана көрүү сызыгынын шарттарына жараша түзүлөт.

Модель ошондой эле эркин мейкиндикте жол жоготуунун аралыкка жараша өзгөрүшүнө байланыштуу физикалык алдын ала маалыматтарды edge салмактарына жана node өзгөчөлүктөрүнө киргизет.

Ошентип, GNN “жакын чекиттердин мааниси окшош” деген божомол менен гана иштебейт; имарат жана көрүү сызыгы шарттарынын радио таралууга таасирин да эске алууга аракет кылат.

Төрт өзгөчөлүк кантип бириктирилет?

Төрт өзгөчөлүк агымы бириктирилип, жалпы 160 каналдуу conditioning tensor түзүлөт:

C = Concat(F_building, F_station, F_vehicle, F_sample)

Изилдөөдө канал бөлүштүрүлүшү:

• имарат: 64 канал,
• базалык станция: 32 канал,
• унаа: 32 канал,
• сейрек өлчөө: 32 канал

деп белгиленген.

Cross-attention эмне үчүн колдонулат?

Айлана-чөйрөлүк маалымат моделдин киришинде бир жолу гана берилбейт. Multi-scale cross-attention механизми бул өзгөчөлүктөрдүн U-Netтин ар кандай чечилиш деңгээлдериндеги өкүлчүлүк катмарлары менен кайра-кайра өз ара аракеттенишин камсыз кылат.

Ошентип, төмөн чечилиште кең масштабдагы шаар геометриясы, жогорку чечилиште болсо курч имарат жана сигнал чек аралары сакталат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Колдонулган маалымат топтому

Модель RadioMapSeerде бааланган. Dataset реалдуу OpenStreetMap географиясынан алынган шаар геометрияларын колдонгону менен, сигнал карталары ray-tracing симуляциясы аркылуу түзүлгөн.

Алты шаар бар:

• Ankara,
• Berlin,
• Glasgow,
• London,
• Ljubljana,
• Tel Aviv.

Жалпы 700 уникалдуу карта сценарийи колдонулган. Алардын 500ү окутууга, 100ү валидацияга жана 100ү тестке бөлүнгөн; географиялык кайчылашуу жок.

Ар бир карта 256 m × 256 m аймакты 256 × 256 пиксель катары көрсөтөт. Симуляцияда 5,9 GHz ташуучу жыштык, 23 dBm берүүчү кубаттуулук жана 1,5 m transceiver бийиктиги колдонулган.

Баалоо көрсөткүчтөрү

Моделдин көрсөткүчү төрт негизги метрика менен бааланган:

• NMSE: Нормалдаштырылган орточо квадраттык ката,
• RMSE: Пиксель деңгээлиндеги орточо катанын квадраттык тамыры,
• SSIM: Структуралык окшоштук,
• PSNR: Сигнал-ызы-чуу катышына негизделген кайра калыбына келтирүү сапаты.

RMSE жана NMSE үчүн төмөн маанилер; SSIM жана PSNR үчүн жогорку маанилер жакшыраак көрсөткүчтү билдирет.

Окутуунун деталдары

RMF Python 3.9 жана PyTorch 1.12.1 менен ишке ашырылган. Окутуу NVIDIA GeForce RTX 3090 Ti GPUда болжол менен 18 саатка созулуп, batch size 4 деп белгиленген. Киргизүү өлчөмү 256 × 256 пиксель.

Оптималдаштыруу үчүн AdamW колдонулуп, үйрөнүү ылдамдыгы 10⁻⁴төн 10⁻⁶га чейин төмөндөтүлгөн.

100 өлчөө чекити менен негизги жыйынтыктар

Бул жыйынтыктар менен RMF салыштырылган ыкмалардын арасында RMSE жана PSNR боюнча эң жакшы натыйжаны көрсөткөн.

RadioDiff менен ылдамдык–сапат балансы

RadioDiff динамикалык тоскоолдуксуз сценарийде SSIM 0,9683 менен RMFнин 0,9674 маанисинен бир аз жогору; динамикалык тоскоолдуктуу абалда болсо 0,9661 менен RMFнин 0,9557 маанисинен жогору структуралык окшоштук берет.

Ал эми RadioDiffтин ар бир үлгү үчүн чыгаруу убактысы болжол менен 9,74 секунд, RMFники болсо болжол менен 0,05 секунд.

Ошондуктан авторлор RMFни “ар бир метрикада абсолюттук артык модель” деп мүнөздөбөйт. RadioDiff айрым кабылдоо/структуралык метрикаларда чакан артыкчылыкка ээ болсо да, RMF ылдамдык менен пиксель деңгээлиндеги тактыктын ортосунда күчтүүрөөк иштөө чекитин сунуштайт.

Бир кадамдуу RMF чындап канчалык ылдам?

100 өлчөөлүү тажрыйбада:

• U-Net: 0,018 s,
• RadioUNet: 0,021 s,
• RME-GAN: 0,038 s,
• RF-1step: 0,048 s,
• RMF: 0,05 s,
• RadioDiff: 9,74 s.

RMF эң жөнөкөй CNN моделдеринен жайыраак болгону менен, жогорку тактыктагы диффузия ыкмасынан болжол менен эки тартип даражасына тезирээк. Изилдөө RMFни өзгөчө 100 msден төмөн натыйжа талап кылынган убакытка сезимтал колдонуу сценарийлерине ылайыкташтырат.

MeanFlow чындап айырма жаратабы?

Изилдөөчүлөр муну текшерүү үчүн RMF менен так эле бирдей U-Net, FFT, GNN жана coordinate-attention архитектурасын колдонгон, бирок MeanFlow ордуна стандарттык Rectified Flow максаты менен окутулган RF-1step салыштыруусун кошкон.

Динамикалык тоскоолдуктуу 100-өлчөөлүү сценарийде RMF:

• RF-1stepке салыштырмалуу RMSEни болжол менен %8,9 жакшырткан,
• PSNRде 0,67 dB артыкчылык берген.

Бул көзөмөлдөнгөн салыштыруу көрсөткүчтөрдүн айырмасы архитектуралык өзгөчөлүк бутактарынан гана эмес, MeanFlow окутуу максатынан да келип чыгарын көрсөтөт.

Эч кандай радио өлчөө жок болсо модель эмне кылат?

Изилдөөнүн эң татаал тажрыйбаларынын бири нөл өлчөө сценарийи. Бул жерде модельде түздөн-түз path-loss өлчөө чекити жок. Имарат геометриясы, базалык станция жана бар болсо динамикалык тоскоолдук маалыматы гана колдонулат.

Статикалык абалда RMF RadioDiffке салыштырмалуу RMSEде болжол менен %7,5 жакшыртуу жана PSNRде 1,45 dB өсүш көрсөткөн.

Динамикалык абалда да PSNR 36,52 dB деңгээлинде калган. Бул жыйынтык түз сигнал өлчөөсү жок болгондо айлана-чөйрөлүк алдын ала маалыматтарды туура иштетүү өзгөчө маанилүү болорун көрсөтөт.

GNN чындап классикалык интерполяциядан жакшыбы?

Изилдөөчүлөр GNN бутагын IDW жана Ordinary Kriging менен алмаштырып, көзөмөлдөнгөн салыштыруу жүргүзүшкөн.

GNN Ordinary Krigingге салыштырмалуу RMSEде %7,7; IDWге салыштырмалуу %11,2 жакшыртуу көрсөткөн.

Авторлор муну физикалык жактан түшүндүрүүгө болот деп эсептешет: IDW аралык салмагын гана колдонот, Kriging мейкиндик стационардуулукту болжолдойт; GNN болсо аралык менен катар көрүү сызыгын жана таралуу алдын ала маалыматтарын да коддой алат.

Кайсы архитектуралык компонент эң маанилүү?

100 өлчөө чекити жана динамикалык тоскоолдук шартындагы ablation изилдөөсүндө эң чоң жалгыз компонент таасири GNN бутагында байкалган. GNN алынып салынганда RMSE 0,0143төн 0,0153кө жогорулап, PSNR 36,91ден 35,89 dBге төмөндөгөн.

Бардык айлана-чөйрөлүк өзгөчөлүктөр алынып салынып, MeanFlow гана колдонулганда RMSE 0,0165ке, PSNR 34,67 dBге төмөндөйт. Бул жыйынтык моделдин ийгилиги MeanFlowдон гана эмес, MeanFlow менен көп айлана-чөйрөлүк өзгөчөлүктөрдү бириктирүүнүн айкалышынан келип чыгарын көрсөтөт.

Нөл өлчөөдө эң маанилүү өзгөчөлүк өзгөрөт

Өлчөө жок болгондо GNN ансыз да активдүү эмес. Бул сценарийде эң маанилүү компонент coordinate attention болуп калат.

Coordinate attention алынып салынганда динамикалык нөл-өлчөө сценарийинде RMSE 0,0162ден 0,0183кө жогорулап, PSNR 36,52ден 35,36 dBге төмөндөгөн.

Бул табылга түз сигнал маалыматы жок кезде базалык станциянын геометриялык жайгашуусу жана багыттык таралуу маалыматы көбүрөөк мааниге ээ болорун көрсөтөт.

Conditioning маскасы эмне үчүн максималдык операцияны колдонот?

RMF имарат, базалык станция, өлчөө жана динамикалык тоскоолдук матрицаларын жалпы conditioning матрицасы K астында бириктирет.

Изилдөөчүлөр кошуу, салмактуу кошуу, үйрөнүлгөн 1×1 convolution gate жана element-wise maximum ыкмаларын салыштырышкан.

Element-wise максимум бул тажрыйбада үч негизги метриканын бардыгы боюнча эң жакшы жыйынтык берген.

Модель мурда көрбөгөн шаарларда да иштейби?

Изилдөөчүлөр алты RadioMapSeer шаарында leave-one-city-out кайчылаш валидация жүргүзүшкөн. Ар бир айлампада беш шаар менен окутуу жүргүзүлүп, алтынчы шаар тест үчүн толугу менен сыртта калтырылган.

RMFнин орточо жыйынтыгы:

• RMSE: 0,0166 ± 0,0003
• PSNR: 35,86 ± 0,14 dB

RadioDiff үчүн:

• RMSE: 0,0180 ± 0,0004
• PSNR: 35,01 ± 0,16 dB

Эки модель тең бөлүштүрүү ичиндеги тестке салыштырмалуу RMSE боюнча болжол менен %16 начарлаган. Бул мурда көрүлбөгөн шаар морфологиялары дагы эле маанилүү жалпылоо көйгөйү экенин көрсөтөт.

Шаарлар боюнча RMF жыйынтыктары

Изилдөө колдогон жыйынтыктар

• MeanFlow негизиндеги бир кадамдуу генерация RadioMapSeerде жогорку сапаттагы радио картаны кайра калыбына келтирүүнү камсыз кыла алат.
• RMF салыштырылган ыкмалардын арасында RMSE жана PSNR боюнча эң жакшы маанилерди алган.
• Бир кадамдуу түзүм көп кадамдуу диффузия ыкмасына салыштырмалуу чыгаруу кечигүүсүн абдан чоң деңгээлде азайтат.
• Имарат, базалык станция, сейрек өлчөө жана динамикалык тоскоолдук маалыматтарын бирге колдонуу жыйынтыктарды олуттуу жакшыртат.
• GNN өзгөчө сейрек өлчөө бар болгондо маанилүү салым кошот.
• Өлчөө жок болгондо базалык станциянын геометриясы жана coordinate attention көбүрөөк маанилүү болуп калат.
• RMF мурда көрүлбөгөн шаарларда да RadioDiffке карата артыкчылыгын сактаган; бирок эки моделде тең көрсөткүч төмөндөгөн.

Изилдөө колдобогон жыйынтыктар

• RMF реалдуу 6G талаа тармактарында ушундай эле көрсөткүчтү көрсөтөрү азырынча далилденген эмес.
• Модель реалдуу убакыттагы коммерциялык 6G жайгаштырууга даяр экени көрсөтүлгөн эмес.
• RadioDiff бардык метрикаларда артта эмес; айрым SSIM жана NMSE натыйжаларында артыкчылыгын сактайт.
• 0,05 секунддук чыгаруу убактысы бардык жабдыктарда кепилденген маани эмес; тест RTX 3090 Tiде жүргүзүлгөн.
• Синтетикалык ray-tracing маалыматы реалдуу дүйнөнүн бардык электромагниттик татаалдыгын чагылдырбайт.
• Модель азырынча көп тилкелүү, көп антенналуу, mmWave, RIS же ISAC чөйрөлөрүндө ырасталган эмес.

Негизги чектөөлөр

Эң маанилүү чектөө — маалымат булагы. RadioMapSeer имарат геометрияларын реалдуу OpenStreetMap маалыматтарынан алганы менен, сигнал бөлүштүрүлүшү детерминисттик ray-tracing аркылуу түзүлөт.

Реалдуу чөйрөдө stochastic multipath fading, антенна pattern бир калыпта эместиги, жер бетинин чагылдыруу касиеттери жана унаалардын татаал электромагниттик чачыроо жүрүм-туруму симуляциядагылардан айырмаланышы мүмкүн.

Ошондуктан макала талаа деңгээлинде так көрсөткүч дооматын койбойт жана реалдуу радио өлчөөлөрү менен ырастоону негизги келечектеги иш катары белгилейт.

Келечектеги иштер

Авторлор өзгөчө төмөнкү изилдөө багыттарын сунуштайт:

1. реалдуу талаа өлчөөлөрүндө ырастоо,
2. көп тилкелүү жана көп антенналуу тармактарга кеңейтүү,
3. убакыт боюнча радио карта божомолу,
4. federated learning менен купуялуулукка багытталган бөлүштүрүлгөн үйрөнүү,
5. ISAC сценарийлерине ыңгайлаштыруу,
6. reconfigurable intelligent surfaces менен интеграция,
7. physics-informed neural network компоненттери менен мурда көрүлбөгөн чөйрөлөргө жалпылоону күчөтүү.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталышы:Single-Step Radio Map Reconstruction with Multi-Feature Fusion via Mean Flow Matching

Авторлор: Ming Lei, You Fu, Ruyun Fu, Shengliang Fang жана Youchen Fan.

Мекемелер: School of Space Information, Space Engineering University, Beijing; School of Business, Anhui University of Technology, Ma'anshan, China.

Журнал:AI, 2026, 7, Article 207.

DOI:10.3390/ai7060207

Жөнөтүлгөн: 24 Март 2026. Кайра кароо: 27 Май 2026. Кабыл алуу: 3 Июнь 2026. Жарыялоо: 5 Июнь 2026.

Изилдөө түрү: Генеративдик жасалма интеллектке негизделген ыкманы иштеп чыгуу, benchmark салыштыруусу жана ablation анализи.

Маалымат топтому: RadioMapSeer; Ankara, Berlin, Glasgow, London, Ljubljana жана Tel Avivден 700 симуляцияланган радио карта сценарийи.

Каржылоо: National Key Laboratory of Space Target Awareness, STA2024KJW0401.

Этика: Institutional Review Board жана informed consent бул изилдөө үчүн колдонулбайт.

Маалыматка жеткиликтүүлүк: RadioMapSeer маалымат топтому коомчулукка ачык.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен. Каржылоочунун изилдөө дизайнына, маалыматтарды талдоого, чечмелөөгө, макаланы жазууга же жарыялоо чечимине катышы жок экени белгиленген.

Лицензия: Creative Commons Attribution (CC BY).

Методологиялык чек: Тажрыйбалар реалдуу талаа радио өлчөөлөрүндө эмес, детерминисттик ray-tracing негизиндеги RadioMapSeer benchmark-ында жүргүзүлгөн. Ошондуктан жыйынтыктар ыкмалар аралык көзөмөлдөнгөн салыштырууну күчтүү колдогону менен, реалдуу 6G жайгаштырууларындагы операциялык көрсөткүчтү түздөн-түз далилдебейт.

Verianla ыкма эскертүүсү: Бул кыргызча мазмун булак макаланын математикалык ыкмасын, архитектурасын, маалымат топтомун, тажрыйба дизайнын, көрсөткүч таблицаларын, ablation натыйжаларын, жалпылоо анализин жана чектөөлөрүн булак маанисине берилген түрдө өз алдынча окутуу түзүмүндө кайра уюштурат. Булактагы сүрөттөр же таблицалар сөзмө-сөз көчүрүлгөн эмес.