6G үчүн иштелип чыккан Open Radio Access Network (O-RAN) архитектурасында тармакты башкаруу учурдагы абалга гана жооп бербестен, жакынкы келечектеги радио шарттарын алдын ала божомолдоп, башкаруу аракеттерин даярдоосу максат кылынат. Бул үчүн Near-Real-Time RAN Intelligent Controller (Near-RT RIC) үстүндө иштеген xApp'тер RSRP, SINR, трафик жүгү жана башка радио KPI'ларды аз кечигүү менен божомолдошу керек. Бирок классикалык Transformer моделдеринин self-attention механизми убакыт терезеси узарган сайын эсептөө жана эс тутум чыгымын квадраттык түрдө көбөйтүшү мүмкүн.

Бул изилдөөдө сунушталган Linear Quantum-Inspired State-Space (LiQSS) кванттык компьютерде иштеген модель эмес. Архитектура кванттык көп-денелүү системалардагы төмөн рангдуу Tensor Train / Matrix Product State өкүлчүлүк идеясына шыктанган классикалык жасалма интеллект модели болуп саналат. Self-attention алынып салынат; убакыттык үлгүлөр туруктуу HiPPO–LegS абал-мейкиндиги өзөктөрү менен, чоң сызыктуу проекциялар TT/MPS факторизациялары менен, ал эми KPI'лар арасындагы байланыштар жеңил squeeze–excitation жана gated ChannelMix катмарлары менен моделденет.

Модель 13 O-RAN KPI'дан алынган 59.441 жылма терезеде бааланган. Негизги милдет — өткөн 32 убакыт кадамындагы көп өзгөрмөлүү телеметриядан кийинки RSRP маанисин божомолдоо. Негизги конфигурацияда болгону 44.109 үйрөтүлүүчү параметри бар LiQSS булакта колдонулган структураланган SSM шилтемелеринен болжол менен 10,8–15,8 эсе жана Chronos-GPT салыштырмасынан болжол менен 155 эсе кичине модель түзүп, атаандаш же андан төмөн божомол катасын камсыз кылган.

Негизги тест таблицасында LiQSS үчүн RMSE 0,286599, MAE 0,164083 жана \(R^2=0,993276\) билдирилет. Ошол эле учурда натыйжалардын чеги маанилүү: изилдөө белгилүү бир O-RAN KPI маалымат топтому, бир кадамдык RSRP божомолу, компактташтырылган салыштыруу моделдери жана NVIDIA T4 GPU чөйрөсү менен чектелет. Жыйынтыктар “тензордук тармактар бардык Transformer моделдеринен универсалдуу түрдө жакшы” же “кванттык эсептөө 6G көйгөйүн чечти” деген тыянакты колдобойт.

O-RAN ичинде божомолдоо эмне үчүн маанилүү?

O-RAN радио жетүү тармагын ачыгыраак, программалануучу жана компоненттерге бөлүнгөн кылууну көздөгөн архитектура. Изилдөөдө башкаруунун эки катмары өзгөчө ажыратылат:

• Non-RT RIC: Бир секунддан жогору убакыт масштабдарында саясат түзүү, моделди үйрөтүү жана жашоо циклин башкаруу сыяктуу милдеттерди аткарат.
• Near-RT RIC: Болжол менен 10 ms менен 1 s аралыгындагы башкаруу масштабдарында кечигүүгө сезгич xApp'терди иштетет.

Near-RT RIC O-CU жана O-DU сыяктуу RAN компоненттеринен E2 интерфейси аркылуу телеметрия ала алат. E2SM-KPM кызмат модели KPI өлчөөлөрүнүн белгилүү аралыкта отчет берилишин камсыздайт.

Убакыт \(t\)-де алынган көп өзгөрмөлүү KPI вектору

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

менен көрсөтүлөт. Изилдөөдө \(K=13\) KPI колдонулат.

Көзөмөлдөнгөн 13 KPI

Негизги эксперимент RSRPнин кийинки убакыт кадамын божомолдойт.

LiQSS Эмне Үчүн “Кванттан Шыктанган” Деп Аталат?

LiQSS кванттык процессор колдонбогону жана кванттык абалдарда физикалык эсептөө жүргүзбөгөнү менен, кванттык көп-денелүү системаларда жогорку өлчөмдүү абалдарды төмөн рангдуу тензордук тармактар менен көрсөтүү идеясын машиналык үйрөнүү архитектурасына алып келет. Өзгөчө Matrix Product State жана Tensor Train түзүлүштөрүндөгү bond dimension / TT rank модельдеги глобалдык байланыш жөндөмүн чектеген жана параметрлердин санын көзөмөлдөгөн конфигурациялык өзгөрмөгө айланат.

Көп-денелүү абалдардагы өлчөм көйгөйү

\(L\) даана подсистемадан биргелешип түзүлгөн кванттык абал мейкиндиги тензордук көбөйтүү менен

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

түрүндө берилет. Толук коэффициент тензорундагы элементтердин саны

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

болгондуктан система чоңойгон сайын түз өкүлчүлүк экспоненциалдуу өсөт.

MPS же реалдуу маанилүү машиналык үйрөнүү терминологиясындагы Tensor Train бул чоң тензорду кичине өзөктөрдүн чынжыры түрүндө көрсөтөт:

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

Арадагы \(r_\ell\) өлчөмдөрү TT rank же bond dimension деп аталат. Алар өкүлчүлүк канчалык күчтүү корреляцияны алып жүрө аларын көзөмөлдөйт.

LiQSS бул идеяны кантип колдонот?

Моделде ар бир убакыт кадамындагы \(D\)-өлчөмдүү латенттик вектор өз ара аракеттенген эркиндик даражалары сыяктуу каралат. Убакыт эволюциясы ар бир латенттик канал боюнча өзүнчө абал-мейкиндик системасы менен иштетилет. Каналдардын өз ара аракеттенүүсү болсо толук self-attention ордуна башкарылуучу жана арзаныраак gating/аралаштыруу операторлору менен кошулат.

Эң чоң глобалдык сызыктуу өзгөртүүлөрдүн экөө да тензордук тармак формасына кысылат:

• \(\mathbb R^K\rightarrow\mathbb R^D\) кириш проекциясы: TTIn
• \(\mathbb R^D\rightarrow\mathbb R\) божомол башы: TTHead

Демек, “quantum-inspired” сөзүнүн мааниси кванттык ылдамдануу эмес; чоң сызыктуу операторлорду төмөн рангдуу тензордук өзөктөр менен көрсөтүү болуп саналат.

Transformer Self-Attention Ордуна Эмне Колдонулат?

LiQSS убакыт боюнча бардык token жуптарын түз салыштырган self-attention механизмин алып салат. Анын ордуна HiPPO–LegS негизиндеги сызыктуу абал-мейкиндик моделдеринен алынган себептик өзөктөр колдонулат. Бул өзөктөр depthwise causal convolution түрүндө колдонулуп, өткөн терезедеги маалыматты келечекке карабай иштетет.

Бир кадамдык божомол маселеси

Өткөн \(L\) убакыт кадамын камтыган кириш терезеси

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

деп аныкталат.

Моделдин милдети

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

аркылуу кийинки максаттуу KPI'ны божомолдоо.

Негизги эксперименттерде

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

колдонулат. Башкача айтканда, модель өткөн 32 үлгүдөн кийинки бир гана RSRP маанисин божомолдойт.

HiPPO–LegS абал-мейкиндик динамикасы

Ар бир латенттик канал үчүн негизги сызыктуу система

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

жана

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

түрүндө жазылат.

Үзгүлтүксүз-убакыт HiPPO–LegS генератору Tustin өзгөртүүсү менен дискреттештирилет:

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

Мындан алынган recurrence убакыт өзөгүнүн tap маанилерин чыгарат жана натыйжа depthwise causal convolution катары колдонулат.

Бир убакыт масштабынын ордуна аралашма

Ар бир блокто бир HiPPO–LegS өзөгүнүн ордуна \(C_m\) компоненттүү аралашма колдонулат:

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

Ар бир компоненттин өз үйрөнүлүүчү убакыт масштабы \(\Delta t^{(b,m)}\) жана канал параметрлери бар. Негизги моделде ар бир блок үчүн эки компонент колдонулган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Баштан-аяк LiQSS маалымат агымы

Канал gating жана аралаштыруу эмне үчүн колдонулат?

State-space өзөктөрү латенттик каналдардагы убакыт эволюциясын өз-өзүнчө иштетет. Бирок радио KPI'лар бири-биринен көз карандысыз эмес. Мисалы, RSRP, SINR, CQI жана MCS сыяктуу өзгөрмөлөр бир эле тармак шарттарынан таасир алышы мүмкүн.

LiQSS бул өз ара аракеттерди толук temporal attention колдонбостон эки механизм менен кошот.

Алгач убакыт боюнча орточо мааниси алынат:

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

Андан кийин squeeze–excitation дарбазасы канал gain'дерин чыгарат:

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

Экинчи этапта ар бир убакыт кадамында gated ChannelMix колдонулат:

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

жана

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

Ошентип KPI каналдары бири-бирине таасир эте алат, бирок убакыт огунда \(L\times L\) attention матрицасы түзүлбөйт.

Блок түзүлүшү

Булак жыйынтыктаган түзүлүш

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

идеясына негизделет. Чыныгы code-matched архитектурада dropout, бир нече residual байланыш жана layer normalization бар.

Окутуу процедурасы

Модель MSE жоготуусу менен үйрөтүлөт. Булакта:

• AdamW optimizer,
• үйрөнүү ылдамдыгы \(3\times10^{-3}\),
• weight decay \(10^{-4}\),
• gradient clipping 1,0,
• эң көп 120 epoch,
• 30 epoch early-stopping patience,
• batch size 256,
• CUDA жеткиликтүү болсо mixed precision

колдонулат.

Эң жакшы validation жоготуусу бар checkpoint сакталат жана тест этабында градиенттер өчүрүлүп божомол жүргүзүлөт.

LiQSS Эмне Үчүн Сызыктуу Масштабдалат?

Transformer self-attention узундугу \(L\) болгон ырааттуулуктагы убакыт кадамдарынын жуптарын түз салыштыргандыктан \(L^2\) мүчөсүн пайда кылат. LiQSSта temporal иштетүү channel-wise абал-мейкиндик өзөктөрү жана causal convolution аркылуу жүргүзүлгөндүктөн, булак эсептөө жана activation memory боюнча \(L\)-ге сызыктуу көз карандылыкты билдирет.

Transformer салыштыруусу

Булак берген катмар башына болжолдуу Transformer чыгымы:

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

жана attention activation memory:

\[ O(L^2). \]

LiQSS тибиндеги SSM + TT блок үчүн:

\[ O(LDN_s+LDD_m) \]

эсептөө жана

\[ O(LD+DN_s) \]

activation memory берилет.

Демек \(D\), \(N_s\) жана канал-аралаштыруу кеңдиги туруктуу калганда, терезе узундугу \(L\) чоңойгон сайын LiQSS жагындагы ырааттуулук чыгымы сызыктуу бойдон калат.

Булактын масштабдоо эксперименти

Булак бул өсүштү реалдуу колдонмодогу болжолдуу сызыктуу жүрүм-турумдун эксперименттик көрсөткүчү катары чечмелейт.

Өлчөө контексти боюнча эскертүү: Негизги модель салыштыруу таблицасында LiQSS inference мааниси 0,000456 s болсо, бул масштабдоо экспериментинде \(L=32\) үчүн 0,000038680 s берилген. PDF бул айырманын өлчөө чөйрөсүн толук дал келтирбегендиктен, маанилер бир benchmark натыйжасы катары бириктирилбеши керек.

LiQSS Божомол Тактыгы жана Модель Өлчөмү Боюнча Кандай Натыйжа Берет?

Негизги benchmarkта LiQSS булакта колдонулган компакт Transformer жана SSM салыштырууларынын ичинде төмөн божомол катасын өтө аз параметр саны менен айкалыштырат. Ошол эле учурда салыштырылган моделдердин түп нуска басылма коддору сөзмө-сөз кайра иштетилбегени, жалпы убакыт жана эс тутум шарттарына ылайык компакт жана стандартташтырылган ишке ашыруулар колдонулганы булакта ачык айтылат.

Негизги жыйынтык таблицасынан тандалган салыштыруулар

LiQSSтын тесттик \(R^2\) мааниси

\[ R^2=0,993276 \]

деп билдирилет.

Persistence жана mean baseline менен салыштыргандагы skill

Модель дагы эки жөнөкөй божомол шилтемеси менен салыштырылат. Persistence baseline кийинки маани акыркы байкалган маани болот деп кабыл алат:

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

LiQSS үчүн булак

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

жана

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

маанилерин билдирет.

Бул жыйынтыктар тест MSEси persistence шилтемесинин болжол менен %8,01ине жана mean baseline катасынын болжол менен %6,03үнө чейин азайтылган деп чечмеленет.

Параметр натыйжалуулугу

44.109 параметрлүү LiQSS үчүн булак төмөнкү модель-өлчөм айырмаларын билдирет:

• WM–MS3Mге караганда болжол менен 10,8× кичине,
• MS3Mге караганда болжол менен 15,8× кичине,
• Crossformerге караганда болжол менен 36× кичине,
• Chronos-GPTге караганда болжол менен 155× кичине.

Бул артыкчылыктын маанилүү бөлүгү кириш жана чыгыштагы чоң dense сызыктуу катмарлардын TT/MPS операторлору менен алмаштырылышынан келип чыгат.

Сезгичтик анализи эмнени көрсөтөт?

Жогорку кубаттуулук ар дайым төмөн катаны берген эмес. Мисалы, TT rank 16 эң төмөн RMSEни бергени менен кечигүүнү көбөйтөт; \(C_m=4\) аз гана жакшыртуу бергенде, чоңураак аралашмалар тактыкты кайра төмөндөтөт. Ошондуктан булак \(r=4\), \(C_m=2\), \(N_s=32\) жөндөөсүн Near-RT тактык-натыйжалуулук тең салмагы үчүн негизги иш чекити катары колдонот.

KPI убакыт катарларындагы жүрүм-турум

Булак 3-сүрөттө акыркы 700 тест үлгүсү үчүн RSRP, RSRQ, SINR, PRB, spectral efficiency, CQI жана RI боюнча чыныгы маанилер менен божомолдорду салыштырат. Жай өзгөргөн тренддер жана көптөгөн кыска мөөнөттүү өзгөрүүлөр жакындан ээрчилери; эң көрүнүктүү айырмачылыктар күтүүсүз режим өзгөрүүлөрүнүн айланасында пайда болору билдирилет.

Бул байкоо модель ар бир күтүүсүз тармак өзгөрүүсүн так алдын ала көрөт дегенди билдирбейт. Strictly causal бир кадамдык божомол жасалгандыктан, күтүлбөгөн өтүүлөр модель үчүн табигый ката аймактары болуп саналат.

Изилдөө колдогон жыйынтыктар

• TT/MPS менен кысылган абал-мейкиндик архитектурасы бул O-RAN маалымат топтомунда өтө аз параметр саны менен атаандаш RSRP божомолун камсыз кыла алган.
• Self-attention колдонбостон узундугу \(L\)-ге сызыктуу ырааттуулук иштетүү иштелип чыккан.
• HiPPO–LegS аралашмасы ар башка убакыт масштабдарын бир блокто моделдөөгө мүмкүндүк берет.
• SE gating жана gated ChannelMix temporal attention жок эле KPI каналдарынын ортосунда өз ара аракетти камсыз кылат.
• Булакта колдонулган салыштыруу конфигурацияларында LiQSS көптөгөн Transformer жана SSM шилтемелерине караганда кичине жана ылдамыраак.
• TT rank, state dimension жана mixture саны көбөйгөн сайын тактык монотондуу жогорулабасы көрсөтүлгөн.

Изилдөө колдобогон түшүндүрмөлөр

• LiQSS кванттык компьютерде иштебейт жана кванттык эсептөө ылдамдануусу көрсөтүлгөн эмес.
• Натыйжалар бардык Transformer архитектуралары LiQSSтан начар экенин далилдебейт.
• Изилдөө чыныгы коммерциялык 6G тармагында баштан-аяк жандуу башкаруунун ийгилигин көрсөткөн эмес.
• Эксперименттин негизги милдети бир кадамдык RSRP божомолу; көп кадамдык бардык KPI божомолдору ошол эле натыйжа менен текшерилген эмес.
• Салыштыруу моделдери түп нуска codebase'тердин faithful re-run'дары эмес; жалпы баалоо шарттарына ылайык компактташтырылган ишке ашыруулар.
• Жогорку \(R^2\) мааниси түздөн-түз жакшыраак scheduling, handover, энергия оптималдаштыруу же колдонуучу QoE натыйжасын билдирбейт; бул башкаруу чыгыштары экспериментте түз өлчөнгөн эмес.
• Параметр жана inference артыкчылыктары колдонулган GPU, ишке ашыруу, batch/өлчөө ыкмасы жана модель конфигурациясынан көз каранды эмес универсалдуу туруктуулар эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түп нуска аталышы: LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G

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

Мекемелер: 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.

Булактын түрү: Жасалма интеллект, зымсыз тармак телеметриясы жана убакыт катарларын божомолдоону бириктирген изилдөө preprint'и.

Платформа: SSRN.

SSRN Abstract ID: 6963866.

DOI: 10.2139/ssrn.6963866.

SSRN жарыяланган күнү: 18 июнь 2026.

Рецензия абалы: Булак PDF бул материал рецензиядан өтө элек preprint экенин ачык билдирет.

Лицензия/автордук укук: SSRN жазуусу “All rights reserved; no reuse allowed without permission” деген маалыматты берет. Verianla тексти булактын сүйлөмдөрүн, фигураларын же түп нуска архитектуралык схемаларынын визуалдык түзүлүшүн кайра колдонбойт; илимий байланыштарды жана билдирилген сандык натыйжаларды өз алдынча окутуучу түзүлүштө түшүндүрөт.

Код: Булак модель коду коммерциялык эмес колдонуу үчүн коомчулукка ачык экенин билдирет. Бул билдирүү негизги SSRN макаласынын лицензиясы автоматтык түрдө кодго да өтөт дегенди билдирбейт.

Маалымат: Булак колдонулган O-RAN KPI маалымат топтому IEEE DataPort аркылуу жарыяланганын билдирет. Маалымат топтомунун өзүнчө лицензия шарттары Verianla тарабынан бул макаланын лицензиясына тең деп кабыл алынган эмес.

Маалымат көлөмү: Булак 13 KPI боюнча 59.441 жылма терезени камтыган эксперимент топтомун билдирет.

Негизги максат: Кийинки кадамдагы RSRP божомолу.

Негизги жабдык: CUDA колдогон бир NVIDIA T4 GPU.

Баалоо ыкмасы: Хронологиялык train/validation/test бөлүнүшү, окутуу бөлүгү менен гана нормалдаштыруу жана strictly causal inference.

Маанилүү салыштыруу чектөөсү: Булак baseline ишке ашыруулар түп нуска codebase'тердин faithful re-run'дары эмес экенин; тең убакыт жана эс тутум шарттарында салыштырылуучу компакт версиялар катары даярдалганын ачык билдирет.

Булак ичиндеги сандык эскертүү 1: Abstract Transformer салыштырууларында эң көп 2,74× inference ылдамдануусу жазылганда, 4-таблица жана 6.1.3-бөлүм Crossformer үчүн болжол менен 2,96× айырма берет.

Булак ичиндеги сандык эскертүү 2: Негизги benchmarkта LiQSS inference убактысы 0,000456 s болсо, 4-сүрөттөгү масштабдоо экспериментинде \(L=32\) үчүн 0,000038680 s билдирилет. Булак бул эки өлчөө контекстинин ортосундагы айырманы толук шайкеш келтирбейт.

Визуалды кайра түзүү: Ылайыктуу. Булактын түп нуска фигураларын туурагандын ордуна E2 телеметриясын, TT/MPS кириш проекциясын, HiPPO–LegS SSM блокторун, каналдык өз ара аракетти, causal readout'ту жана RSRP божомолун толугу менен жаңы Verianla схемасы аркылуу көрсөтүү ылайыктуу.

Verianla Live / Live Figure: Ылайыктуу. 32 убакыт кадамдуу KPI терезесинин модель катмарлары аркылуу иштетилип, божомол башына жетишин көрсөткөн туруктуу-параметрлүү анимация даярдоого болот. Булактан тышкаркы натыйжа божомолу же колдонуучуга жараша кайра эсептелген 6G тармак натыйжасы чыгарылбашы керек.