6G için tasarlanan Open Radio Access Network (O-RAN) mimarisinde ağ yönetiminin yalnız mevcut duruma tepki vermesi değil, yakın gelecekteki radyo koşullarını önceden tahmin ederek kontrol eylemlerini hazırlaması hedeflenir. Bunun için Near-Real-Time RAN Intelligent Controller (Near-RT RIC) üzerinde çalışan xApp'lerin RSRP, SINR, trafik yükü ve diğer radyo KPI'larını düşük gecikmeyle tahmin etmesi gerekir. Ancak klasik Transformer modellerinin self-attention mekanizması, zaman penceresi uzadıkça hesaplama ve bellek maliyetini kuadratik olarak büyütebilir.

Bu çalışmada önerilen Linear Quantum-Inspired State-Space (LiQSS), kuantum bilgisayarda çalışan bir model değildir. Mimari, kuantum çok-cisimli sistemlerin düşük-ranklı Tensor Train / Matrix Product State temsil düşüncesinden esinlenen klasik bir yapay zekâ modelidir. Self-attention kaldırılır; zamansal örüntüler kararlı HiPPO–LegS durum-uzayı çekirdekleriyle, büyük doğrusal projeksiyonlar TT/MPS faktörizasyonlarıyla, KPI'lar arası ilişkiler ise hafif squeeze–excitation ve gated ChannelMix katmanlarıyla modellenir.

Model 13 O-RAN KPI'sından türetilen 59.441 kayan pencere üzerinde değerlendirilmiştir. Ana görev, geçmiş 32 zaman adımındaki çok değişkenli telemetriden bir sonraki RSRP değerini tahmin etmektir. Ana yapılandırmada yalnız 44.109 eğitilebilir parametre bulunan LiQSS, kaynakta kullanılan yapılandırılmış SSM referanslarından yaklaşık 10,8–15,8 kat ve Chronos-GPT karşılaştırmasından yaklaşık 155 kat daha küçük bir model oluştururken rekabetçi veya daha düşük tahmin hatası sağlamıştır.

Ana test tablosunda LiQSS için RMSE 0,286599, MAE 0,164083 ve \(R^2=0,993276\) raporlanmaktadır. Bununla birlikte sonuçların kapsamı önemlidir: çalışma belirli bir O-RAN KPI veri kümesi, tek-adım RSRP tahmini, kompaktlaştırılmış karşılaştırma modelleri ve NVIDIA T4 GPU ortamıyla sınırlıdır. Bulgular “tensör ağları bütün Transformer modellerinden evrensel olarak daha iyidir” ya da “kuantum hesaplama 6G problemini çözmüştür” sonucunu desteklemez.

O-RAN içinde tahmin neden önemli?

O-RAN, radyo erişim ağını daha açık, programlanabilir ve bileşenlere ayrılmış hale getirmeyi amaçlayan bir mimaridir. Çalışmada iki kontrol katmanı özellikle ayrılır:

• Non-RT RIC: Bir saniyenin üzerindeki zaman ölçeklerinde politika oluşturma, model eğitimi ve yaşam döngüsü yönetimi gibi görevleri yürütür.
• Near-RT RIC: Yaklaşık 10 ms ile 1 s arasındaki kontrol ölçeklerinde gecikmeye duyarlı xApp'leri çalıştırır.

Near-RT RIC, O-CU ve O-DU gibi RAN bileşenlerinden E2 arabirimi üzerinden telemetri alabilir. E2SM-KPM servis modeli, KPI ölçümlerinin belirli aralıklarla raporlanmasını sağlar.

Zaman \(t\)'de alınan çok değişkenli KPI vektörü

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

ile gösterilir. Çalışmada \(K=13\) KPI kullanılmaktadır.

İzlenen 13 KPI

Ana deney RSRP'nin bir sonraki zaman adımını tahmin eder.

LiQSS Neden “Kuantum-Esinli” Olarak Adlandırılıyor?

LiQSS bir kuantum işlemci kullanmadığı ve kuantum durumları üzerinde fiziksel hesaplama yapmadığı halde, kuantum çok-cisimli sistemlerde yüksek boyutlu durumların düşük-ranklı tensör ağlarıyla temsil edilmesi fikrini makine öğrenmesi mimarisine taşır. Özellikle Matrix Product State ve Tensor Train yapılarındaki bond dimension / TT rank, modelde global bağlantı kapasitesini sınırlayan ve parametre sayısını kontrol eden bir yapılandırma değişkenine dönüşür.

Çok-cisimli durumlarda boyut problemi

\(L\) adet alt sistemin birlikte oluşturduğu kuantum durum uzayı tensör çarpımıyla

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

biçimindedir. Tam katsayı tensöründeki eleman sayısı

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

olduğundan sistem büyüdükçe doğrudan temsil üstel hale gelir.

MPS veya gerçek değerli makine öğrenmesi terminolojisindeki Tensor Train, bu büyük tensörü küçük çekirdeklerin zinciri biçiminde ifade eder:

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

Aradaki \(r_\ell\) boyutları TT rank veya bond dimension olarak adlandırılır. Bunlar temsilin ne kadar güçlü korelasyon taşıyabileceğini kontrol eder.

LiQSS bu fikri nasıl kullanıyor?

Modelde her zaman adımındaki \(D\)-boyutlu latent vektör, etkileşen serbestlik dereceleri gibi düşünülür. Zaman evrimi her latent kanal üzerinde ayrı bir durum-uzayı sistemiyle işlenir. Kanalların birbirleriyle etkileşimi ise tam self-attention yerine kontrollü ve daha ucuz kapılama/karıştırma operatörleriyle eklenir.

En büyük global doğrusal dönüşümlerden ikisi de tensör ağı biçimine sıkıştırılır:

• \(\mathbb R^K\rightarrow\mathbb R^D\) giriş projeksiyonu: TTIn
• \(\mathbb R^D\rightarrow\mathbb R\) tahmin başlığı: TTHead

Dolayısıyla “quantum-inspired” ifadesinin anlamı, kuantum hızlanması değil; büyük doğrusal operatörlerin düşük-ranklı tensör çekirdekleriyle temsil edilmesidir.

Transformer Self-Attention Yerine Ne Kullanılıyor?

LiQSS, zaman boyunca bütün token çiftlerini doğrudan karşılaştıran self-attention mekanizmasını kaldırır. Bunun yerine HiPPO–LegS tabanlı doğrusal durum-uzayı modellerinden türetilen nedensel çekirdekler kullanır. Bu çekirdekler depthwise causal convolution biçiminde uygulanarak geçmiş penceredeki bilgiyi geleceğe bakmadan işler.

Tek-adımlı tahmin problemi

Geçmiş \(L\) zaman adımını içeren giriş penceresi

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

olarak tanımlanır.

Modelin görevi

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

ile bir sonraki hedef KPI'ı tahmin etmektir.

Ana deneylerde

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

kullanılır. Yani model 32 geçmiş örnekten tek bir sonraki RSRP değerini tahmin eder.

HiPPO–LegS durum-uzayı dinamikleri

Her latent kanal için temel doğrusal sistem

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

ve

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

biçiminde yazılır.

Sürekli-zaman HiPPO–LegS üreticisi Tustin dönüşümüyle ayrıklaştırılır:

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

Bundan elde edilen recurrence, zamansal çekirdeğin tap değerlerini üretir ve sonuç depthwise causal convolution olarak uygulanır.

Tek zaman ölçeği yerine karışım

Her blokta tek bir HiPPO–LegS çekirdeği yerine \(C_m\) bileşenli bir karışım kullanılır:

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

Her bileşenin kendi öğrenilen zaman ölçeği \(\Delta t^{(b,m)}\) ve kanal parametreleri bulunur. Ana modelde blok başına iki bileşen kullanılmıştır.

Çalışmanın Yöntemi ve Bulguları

Uçtan uca LiQSS veri akışı

Kanal kapılama ve karıştırma neden kullanılıyor?

State-space çekirdekleri latent kanallardaki zamansal evrimi ayrı ayrı işler. Ancak radyo KPI'ları birbirinden bağımsız değildir. Örneğin RSRP, SINR, CQI ve MCS gibi değişkenler aynı ağ koşullarından etkilenebilir.

LiQSS bu etkileşimleri tam temporal attention kullanmadan iki mekanizmayla ekler.

İlk olarak zaman boyunca ortalama alınır:

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

Daha sonra squeeze–excitation kapısı kanal kazançları üretir:

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

İkinci aşamada her zaman adımında gated ChannelMix uygulanır:

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

ve

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

Böylece KPI kanalları birbirini etkileyebilir, fakat zaman ekseninde \(L\times L\) attention matrisi oluşturulmaz.

Blok yapısı

Kaynağın özetlediği yapı

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

fikrine dayanır. Gerçek kod-matched mimaride dropout, birden fazla residual bağlantı ve layer normalization bulunur.

Eğitim prosedürü

Model MSE kaybıyla eğitilir. Kaynakta:

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

kullanılır.

En iyi doğrulama kaybına sahip checkpoint saklanır ve test aşamasında gradyanlar kapatılarak tahmin gerçekleştirilir.

LiQSS Neden Doğrusal Ölçekleniyor?

Transformer self-attention, uzunluk \(L\) olan bir dizide zaman adımları arasındaki çiftleri doğrudan karşılaştırdığı için \(L^2\) terimi üretir. LiQSS'ta temporal işlem channel-wise durum-uzayı çekirdekleri ve causal convolution üzerinden yürüdüğünden kaynak, hesaplama ve aktivasyon belleği açısından \(L\)'ye doğrusal bağımlılık bildirir.

Transformer karşılaştırması

Kaynağın verdiği katman başına yaklaşık Transformer maliyeti:

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

ve attention aktivasyon belleği:

\[ O(L^2). \]

LiQSS tipi SSM + TT blok için:

\[ O(LDN_s+LDD_m) \]

hesaplama ve

\[ O(LD+DN_s) \]

aktivasyon belleği verilir.

Dolayısıyla \(D\), \(N_s\) ve kanal-karıştırma genişliği sabit kaldığında pencere uzunluğu \(L\) büyüdükçe LiQSS tarafındaki sekans maliyeti doğrusal kalır.

Kaynağın ölçeklenme deneyi

Kaynak bu artışı gerçek uygulamada yaklaşık doğrusal davranışın deneysel göstergesi olarak yorumlar.

Ölçüm bağlamı uyarısı: Ana model karşılaştırma tablosundaki LiQSS inference değeri 0,000456 s iken bu ölçeklenme deneyinde \(L=32\) için 0,000038680 s verilmiştir. PDF bu farkın ölçüm kapsamını ayrıntılı biçimde uzlaştırmadığından değerler tek bir benchmark sonucu gibi birleştirilmemelidir.

LiQSS Tahmin Doğruluğu ve Model Boyutu Açısından Ne Sonuç Veriyor?

Ana benchmarkta LiQSS, kaynakta kullanılan kompakt Transformer ve SSM karşılaştırmaları içinde düşük tahmin hatasını çok küçük parametre sayısıyla birleştiriyor. Bununla birlikte karşılaştırılan modellerin özgün yayın kodlarının birebir yeniden çalıştırılmadığı, ortak zaman ve bellek koşullarına göre kompakt ve standardize edilmiş uygulamalar kullanıldığı kaynak tarafından açıkça belirtiliyor.

Ana sonuç tablosundan seçilmiş karşılaştırmalar

LiQSS'ın test \(R^2\) değeri

\[ R^2=0,993276 \]

olarak raporlanır.

Persistence ve mean baseline karşısındaki skill

Model ayrıca iki basit tahmin referansıyla karşılaştırılır. Persistence baseline, bir sonraki değerin son gözlenen değer olduğunu varsayar:

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

LiQSS için kaynak

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

ve

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

değerlerini bildirir.

Bu sonuçlar test MSE'sinin persistence referansının yaklaşık %8,01'i ve mean baseline hatasının yaklaşık %6,03'ü düzeyine indirildiği biçiminde yorumlanır.

Parametre verimliliği

44.109 parametreli LiQSS için kaynak şu model-boyutu farklarını bildirir:

• WM–MS3M'ye göre yaklaşık 10,8× daha küçük,
• MS3M'ye göre yaklaşık 15,8× daha küçük,
• Crossformer'a göre yaklaşık 36× daha küçük,
• Chronos-GPT'ye göre yaklaşık 155× daha küçük.

Bu avantajın önemli bölümü, giriş ve çıkıştaki büyük dense doğrusal katmanların TT/MPS operatörleriyle değiştirilmesinden gelir.

Duyarlılık analizi ne gösteriyor?

Daha yüksek kapasite her zaman daha düşük hata üretmemiştir. Örneğin TT rank 16 en düşük RMSE'yi sağlarken gecikmeyi yükseltir; \(C_m=4\) hafif iyileşme sağlarken daha büyük karışımlar doğruluğu tekrar düşürür. Kaynak bu nedenle \(r=4\), \(C_m=2\), \(N_s=32\) ayarını Near-RT doğruluk-verimlilik dengesi için ana çalışma noktası olarak kullanır.

KPI zaman serileri üzerindeki davranış

Kaynak Şekil 3'te son 700 test örneği için RSRP, RSRQ, SINR, PRB, spectral efficiency, CQI ve RI üzerinde gerçek değer ile tahminleri karşılaştırır. Yavaş değişen eğilimlerin ve birçok kısa dönemli değişimin yakından izlendiği; en görünür ayrışmaların ise ani rejim değişimlerinin çevresinde oluştuğu raporlanır.

Bu gözlem, modelin kesin biçimde her ani ağ değişimini öngördüğü anlamına gelmez. Strictly causal tek-adımlı tahmin yapıldığı için beklenmedik geçişler model açısından doğal hata bölgeleridir.

Çalışmanın desteklediği sonuçlar

• TT/MPS ile sıkıştırılmış durum-uzayı mimarisi, bu O-RAN veri kümesinde çok küçük parametre sayısıyla rekabetçi RSRP tahmini sağlayabilmiştir.
• Self-attention kullanılmadan uzunluk \(L\)'ye doğrusal sekans işleme tasarlanmıştır.
• HiPPO–LegS karışımı farklı zamansal ölçeklerin aynı blokta modellenmesine izin verir.
• SE gating ve gated ChannelMix, temporal attention olmadan KPI kanalları arasında etkileşim sağlar.
• Kaynakta kullanılan karşılaştırma yapılandırmalarında LiQSS, birçok Transformer ve SSM referansından daha küçük ve daha hızlıdır.
• TT rank, state dimension ve mixture sayısı büyüdükçe doğruluğun monoton artmadığı gösterilmiştir.

Çalışmanın desteklemediği yorumlar

• LiQSS kuantum bilgisayarda çalışmamaktadır ve kuantum hesaplama hızlanması gösterilmemiştir.
• Sonuçlar bütün Transformer mimarilerinin LiQSS'tan daha kötü olduğunu kanıtlamaz.
• Çalışma gerçek bir ticari 6G şebekesinde uçtan uca canlı kontrol başarısını göstermemektedir.
• Deneyin ana görevi tek-adımlı RSRP tahminidir; çok-adımlı tüm KPI tahminleri aynı performansla doğrulanmış değildir.
• Karşılaştırma modelleri özgün kod tabanlarının birebir yeniden çalıştırmaları değildir; ortak değerlendirme koşullarına göre kompaktlaştırılmış uygulamalardır.
• Yüksek \(R^2\) değeri doğrudan daha iyi scheduling, handover, enerji optimizasyonu veya kullanıcı QoE sonucu anlamına gelmez; bu kontrol çıktıları deneyde doğrudan ölçülmemiştir.
• Parametre ve inference avantajları kullanılan GPU, uygulama, batch/ölçüm yöntemi ve model yapılandırmalarından bağımsız evrensel sabitler değildir.

Kaynak ve Yöntem Notu

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

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

Kurumlar: 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.

Kaynak türü: Yapay zekâ, kablosuz ağ telemetrisi ve zaman serisi tahminini birleştiren araştırma preprinti.

Platform: SSRN.

SSRN Abstract ID: 6963866.

DOI: 10.2139/ssrn.6963866.

SSRN yayın tarihi: 18 Haziran 2026.

Hakemlik durumu: Kaynak PDF hakem değerlendirmesinden geçmemiş preprint olduğunu açıkça belirtmektedir.

Lisans/telif: SSRN kaydı “All rights reserved; no reuse allowed without permission” bilgisini vermektedir. Verianla metni kaynak cümlelerini, figürlerini veya özgün mimari şemalarının görsel düzenini yeniden kullanmaz; bilimsel ilişkileri ve raporlanan sayısal sonuçları bağımsız öğretici yapıda açıklar.

Kod: Kaynak, model kodunun ticari olmayan kullanım için kamuya açık olduğunu belirtmektedir. Bu ifade ana SSRN makalesinin lisansını koda otomatik olarak aktarmak anlamına gelmez.

Veri: Kaynak, kullanılan O-RAN KPI veri kümesinin IEEE DataPort üzerinden yayımlandığını belirtmektedir. Veri kümesinin ayrı lisans koşulları Verianla tarafından bu makalenin lisansıyla aynı varsayılmamıştır.

Veri büyüklüğü: Kaynak, 13 KPI üzerinden 59.441 kayan pencere içeren deney seti bildirmektedir.

Ana hedef: Bir sonraki adım RSRP tahmini.

Ana donanım: Tek CUDA destekli NVIDIA T4 GPU.

Değerlendirme yaklaşımı: Kronolojik train/validation/test bölmesi, yalnız eğitim bölmesiyle normalizasyon ve strictly causal inference.

Önemli karşılaştırma sınırlılığı: Kaynak, baseline uygulamalarının orijinal codebase'lerin faithful re-run'ı olmadığını; eşit zaman ve bellek koşullarında karşılaştırılabilir kompakt sürümler olarak hazırlandığını açıkça belirtmektedir.

Kaynak-içi nicel not 1: Abstract Transformer karşılaştırmalarında en fazla 2,74× inference hızlanması yazarken Tablo 4 ve Bölüm 6.1.3 Crossformer için yaklaşık 2,96× fark vermektedir.

Kaynak-içi nicel not 2: Ana benchmarkta LiQSS inference süresi 0,000456 s iken Şekil 4 ölçeklenme deneyinde \(L=32\) için 0,000038680 s raporlanmaktadır. Kaynak bu iki ölçüm bağlamı arasındaki farkı tam olarak uzlaştırmamaktadır.

Görsel yeniden inşa: Uygundur. Kaynağın özgün figürlerini taklit etmek yerine E2 telemetrisi, TT/MPS giriş projeksiyonu, HiPPO–LegS SSM blokları, kanal etkileşimi, causal readout ve RSRP tahminini tamamen yeni bir Verianla şemasıyla göstermek uygundur.

Verianla Live / Live Figure: Uygundur. 32 zaman adımlı KPI penceresinin model katmanları boyunca işlenmesini ve tahmin başlığına ulaşmasını gösteren sabit-parametreli bir animasyon hazırlanabilir. Kaynak dışı performans tahmini veya kullanıcıya göre yeniden hesaplanan 6G ağ sonucu üretilmemelidir.