Ramani ya redio (radio map) ni ramani ya kidijitali inayoonyesha usambazaji wa anga wa uenezaji wa mawimbi ya redio au upotevu wa njia katika eneo la kijiografia. Katika mitandao ya 6G, ramani hizi ni mojawapo ya tabaka za msingi za data kwa kazi kama uboreshaji wa ufunikaji, usimamizi wa mwingiliano, ugawaji wa rasilimali, mawasiliano kati ya magari na uwekaji nafasi.

Hata hivyo, katika ulimwengu halisi vituo vya kupimia redio ni vichache sana na katika hali nyingi hufunika hata chini ya %1 ya eneo. Kwa kuwa majengo, barabara, magari na vizuizi vingine hubadilisha uenezaji wa sumakuumeme kila wakati, kutengeneza ramani ya redio yenye mwonekano wa juu kutoka kwa vipimo visivyokamilika ni tatizo gumu la kinyume.

Ming Lei na wenzake wanapendekeza modeli mpya ya kizalishaji inayoitwa RMF — Radio Mean Flow kwa tatizo hili. Tofauti kuu ya RMF ni kwamba haitumii mchakato wa hatua nyingi wa kuondoa kelele unaotumiwa katika modeli za diffusion; kwa kutumia mbinu ya MeanFlow, hutoa ubadilishaji wa moja kwa moja kutoka kelele hadi ramani lengwa ya redio katika mpito mmoja wa mbele.

Modeli haiangalii tu vipimo vichache vya ishara. Inatumia mifumo minne tofauti ya uchimbaji wa vipengele kwa jiometria ya majengo, eneo la kituo cha msingi, vipimo vichache na vizuizi vinavyobadilika. Taarifa hizi hupelekwa kwenye muundo wa U-Net kupitia multi-scale cross-attention.

Katika majaribio ya benchmark ya RadioMapSeer, RMF ilipata RMSE ya chini zaidi na PSNR ya juu zaidi miongoni mwa mbinu zilizolinganishwa; kwa muda wa inferensi wa takriban sekunde 0,05 kwa sampuli, ilifanya kazi kwa kasi kubwa zaidi kuliko mbinu ya diffusion ya hatua nyingi. Hata hivyo, matokeo yanategemea data sanisi ya ray-tracing; uthibitishaji kwa vipimo halisi vya uwanjani bado haujafanywa.

Ramani ya redio ni nini na kwa nini ni muhimu kwa 6G?

Ramani ya redio inaonyesha jinsi upungufu wa ishara kati ya kisambazaji na kipokezi unavyosambazwa katika eneo la kijiografia. Upungufu huu hautegemei tu umbali wa nafasi huru; majengo, magari, kuta na miundo mingine inaweza kufyonza, kuakisi, kutawanya au kusababisha diffraction ya ishara.

Kwa hiyo, waendeshaji wa mtandao hawajishughulishi tu na swali “kituo cha msingi kiko wapi?” Nguvu ya ishara katika eneo fulani, mapengo ya ufunikaji, maeneo yenye kivuli na mabadiliko yanayosababishwa na vizuizi vinavyobadilika pia ni muhimu.

Ramani za redio zenye ubora wa juu zinaweza kutumika katika kazi zifuatazo:

• uboreshaji wa ufunikaji,
• usimamizi wa mwingiliano,
• usimamizi wa spektra unaobadilika,
• mawasiliano kutoka gari hadi gari,
• uwekaji nafasi,
• upangaji wa mtandao wa dharura,
• ugawaji wa rasilimali za 6G.

Kwa nini kupima moja kwa moja hakutoshi?

Si halisi kuweka sensa ya redio katika kila mita mraba ya jiji. Kwa sababu ya gharama ya miundombinu ya upimaji na ugumu wa usambazaji, msongamano wa sampuli katika ulimwengu halisi mara nyingi huwa mdogo sana.

Kwa hiyo, ramani kamili ya redio lazima ikadiriwe kutoka kwa idadi ndogo ya vipimo halisi na taarifa tangulizi za mazingira kama jiometria ya majengo na kisambazaji.

Kwa nini interpolasheni ya kawaida inaweza kuwa na mipaka?

Mbinu za interpolasheni kama IDW au Kriging zinaweza kujaza mapengo kati ya vituo vilivyopimwa kwa takwimu. Hata hivyo, uenezaji wa redio katika mazingira ya mijini si uso laini unaotegemea umbali pekee. Jengo moja linaweza kubadilisha kabisa mstari wa kuona wa moja kwa moja kati ya vituo viwili vilivyo karibu.

Kwa hiyo, interpolasheni inayotegemea umbali wa anga pekee inaweza kutowakilisha vya kutosha sifa za sumakuumeme kama kivuli cha majengo na vizuizi vinavyobadilika.

Faida na gharama ya modeli za diffusion

Modeli za diffusion zinaweza kutoa matokeo ya kizalishaji yenye ubora wa juu. Lakini mbinu ya kawaida hufikia lengo kutoka hali ya mwanzo yenye kelele kupitia hatua nyingi mfululizo za denoising.

Katika hali za 6G zinazobadilika ambako ramani ya redio inahitaji kuundwa upya mara kwa mara, mchakato huu wa kurudia unaweza kuwa ucheleweshaji mkubwa wa hesabu.

Kwa nini MeanFlow inaweza kuzalisha kwa hatua moja?

Flow matching ya kawaida hujifunza uga wa kasi wa papo hapo katika ubadilishaji kati ya kelele na usambazaji wa data. MeanFlow huunda upya muundo huu kwa dhana ya uga wa kasi wa wastani.

Wakati kasi ya papo hapo inawakilisha mwelekeo wa ubadilishaji katika wakati fulani, kasi ya wastani inawakilisha uhamishaji wa jumla katika kipindi fulani cha muda.

Katika muktadha wa ramani ya redio, hii inamaanisha kuwa badala ya kutumia hatua nyingi ndogo za “kupunguza kelele” moja baada ya nyingine, modeli hujaribu kujifunza ubadilishaji wa jumla unaohitajika kutoka kelele hadi ramani lengwa.

Njia ya msingi ya flow

Katika utafiti, njia ya mstari kati ya sampuli ya data x na kelele ε inaelezwa kama ifuatavyo:

z_t = a_tx + b_tε

Kwa ratiba ya mstari:

z_t = (1 − t)x + tε

Katika tatizo la ramani ya redio, x inawakilisha ramani lengwa ya path-loss na ε inawakilisha kelele ya Gaussian.

Uga wa kasi wa wastani wa MeanFlow

MeanFlow hufafanua athari ya jumla ya kasi katika kipindi fulani cha muda kama uga wa wastani:

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

Muundo huu huwezesha mtandao kujifunza si wakati mmoja tu wa njia ya ubadilishaji, bali tabia limbikizi ya kipindi kizima.

Usampulishaji wa hatua moja

Baada ya mafunzo kukamilika, usampulishaji kwa ujumla huwa:

z_r = z_t − (t−r)u_θ(z_t,r,t)

.

Kwa uzalishaji wa hatua moja, usemi huu hurahisishwa kuwa:

z₀ = z₁ − u_θ(z₁,0,1)

. Hivyo, tathmini moja tu ya mtandao wa neva inahitajika ili kupata matokeo.

RMF hutumia taarifa zipi za mazingira kwa pamoja?

Nguvu kuu ya usanifu wa RMF, pamoja na MeanFlow, hutokana na muunganisho wa vipengele vingi. Taarifa nne kuu za mazingira huchakatwa kupitia njia tofauti:

Kwa nini vipengele vya majengo hutolewa kupitia njia mbili tofauti?

Kingo za majengo hubeba maelezo muhimu ya jiometri ya masafa ya juu katika uenezaji wa redio. Kwa hiyo, modeli hutuma ramani ya majengo kwenye njia mbili sambamba za uchakataji.

Njia ya kwanza huingia katika kikoa cha masafa kwa FFT na kuangazia mipaka mikali kwa kichujio cha high-pass kinachoweza kujifunzwa. Njia ya pili hujifunza mifumo ya anga ya eneo kupitia CNN. Kisha seti mbili za vipengele huunganishwa.

Muundo huu unalenga kuhifadhi mpangilio mpana wa majengo pamoja na maelezo ya eneo kama kuta na kingo za majengo.

Kituo cha msingi hakitolewi kama koordinati pekee

Badala ya kutoa eneo la kituo cha msingi kwa modeli kama pikseli au koordinati pekee, hubadilishwa kuwa uga wa umbali unaoonyesha umbali uliosawazishwa wa kila seli ya ramani hadi kisambazaji.

Mekanizimu ya coordinate attention pia huongezwa kwenye uga huu ili kujifunza utegemezi wa mwelekeo wa uenezaji wa sumakuumeme.

Kwa nini GNN hutumiwa katika vipimo vichache?

Kila kituo cha upimaji wa redio huchukuliwa kama graph node. Miunganisho kati ya vituo hujengwa kulingana na umbali wa anga na masharti ya mstari wa kuona.

Modeli pia huweka taarifa tangulizi za kimwili kuhusu jinsi path-loss inavyobadilika na umbali katika nafasi huru ndani ya uzito wa edge na vipengele vya node.

Hivyo, GNN haifanyi kazi tu kwa dhana kwamba “thamani za vituo vilivyo karibu zinafanana”; pia hujaribu kuzingatia athari za majengo na masharti ya mstari wa kuona katika uenezaji wa redio.

Vipengele vinne vinaunganishwaje?

Mtiririko wa vipengele vinne unaunganishwa ili kuunda conditioning tensor yenye jumla ya njia 160:

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

Katika utafiti, mgawanyo wa njia uliwekwa kuwa:

• jengo: njia 64,
• kituo cha msingi: njia 32,
• gari: njia 32,
• kipimo kichache: njia 32

.

Kwa nini Cross-attention hutumiwa?

Taarifa za mazingira hazitolewi mara moja tu kwenye ingizo la modeli. Mekanizimu ya Multi-scale cross-attention huwezesha vipengele hivi kuingiliana mara kwa mara na tabaka za uwakilishi za U-Net katika viwango tofauti vya mwonekano.

Kwa njia hii, jiometria ya jiji ya kiwango kikubwa inaweza kuhifadhiwa katika mwonekano wa chini, huku mipaka mikali ya majengo na ishara ikihifadhiwa katika mwonekano wa juu.

Mbinu na Matokeo ya Utafiti

Seti ya data iliyotumiwa

Modeli imetathminiwa kwenye RadioMapSeer. Ingawa dataset hutumia jiometria za miji zinazotokana na jiografia halisi ya OpenStreetMap, ramani za ishara zimetengenezwa kwa simuleringi ya ray-tracing.

Kuna miji sita:

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

Jumla ya hali 700 za kipekee za ramani zilitumiwa. Kati ya hizo, 500 zilitengwa kwa mafunzo, 100 kwa uthibitishaji na 100 kwa majaribio; hakuna mwingiliano wa kijiografia.

Kila ramani inawakilisha eneo la 256 m × 256 m kama pikseli 256 × 256. Simuleringi hutumia masafa ya carrier ya 5,9 GHz, nguvu ya kisambazaji ya 23 dBm na urefu wa transceiver wa 1,5 m.

Vigezo vya tathmini

Utendaji wa modeli ulitathminiwa kwa vigezo vinne kuu:

• NMSE: Hitilafu ya wastani ya mraba iliyosawazishwa,
• RMSE: Mzizi wa mraba wa hitilafu ya wastani katika kiwango cha pikseli,
• SSIM: Mfanano wa kimuundo,
• PSNR: Ubora wa uundaji upya unaotegemea uwiano wa ishara kwa kelele.

Thamani za chini ni bora kwa RMSE na NMSE; thamani za juu ni bora kwa SSIM na PSNR.

Maelezo ya mafunzo

RMF ilitekelezwa kwa Python 3.9 na PyTorch 1.12.1. Mafunzo kwenye GPU ya NVIDIA GeForce RTX 3090 Ti yalichukua takriban saa 18, na batch size iliwekwa kuwa 4. Ukubwa wa ingizo ni pikseli 256 × 256.

AdamW ilitumika kwa uboreshaji na kiwango cha kujifunza kilipunguzwa kutoka 10⁻⁴ hadi 10⁻⁶.

Matokeo makuu kwa vituo 100 vya upimaji

Kwa matokeo haya, RMF ilitoa matokeo bora zaidi kwa RMSE na PSNR miongoni mwa mbinu zilizolinganishwa.

Uwiano wa kasi–ubora dhidi ya RadioDiff

Katika hali isiyo na kizuizi kinachobadilika, RadioDiff hutoa SSIM 0,9683, ambayo ni juu kidogo ya thamani ya RMF ya 0,9674; katika hali yenye kizuizi kinachobadilika, hutoa mfanano wa kimuundo wa 0,9661, juu ya 0,9557 ya RMF.

Kwa upande mwingine, muda wa inferensi wa RadioDiff kwa kila sampuli ni takriban sekunde 9,74, huku wa RMF ukiwa takriban sekunde 0,05.

Kwa hiyo, waandishi hawaielezi RMF kama “modeli bora kabisa katika kila kipimo”. Ingawa RadioDiff ina faida ndogo katika baadhi ya vigezo vya kiutambuzi/kimuundo, RMF hutoa sehemu ya uendeshaji iliyo imara zaidi kati ya kasi na usahihi wa kiwango cha pikseli.

RMF ya hatua moja ina kasi kiasi gani kwa kweli?

Katika jaribio la vipimo 100:

• 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.

Ingawa RMF ni polepole kuliko modeli rahisi zaidi za CNN, ina kasi ya takriban viwango viwili vya ukubwa kuliko mbinu ya diffusion yenye usahihi wa juu. Utafiti unaweka RMF hasa katika hali za matumizi nyeti kwa muda zinazohitaji matokeo chini ya 100 ms.

Je, MeanFlow inaleta tofauti kweli?

Ili kupima hili, watafiti waliongeza ulinganisho wa RF-1step, unaotumia usanifu uleule kabisa wa U-Net, FFT, GNN na coordinate-attention kama RMF lakini umefunzwa kwa lengo la kawaida la Rectified Flow badala ya MeanFlow.

Katika hali ya vipimo 100 yenye kizuizi kinachobadilika, RMF:

• ikilinganishwa na RF-1step, iliboresha RMSE kwa takriban %8,9,
• ikatoa faida ya 0,67 dB katika PSNR.

Ulinganisho huu uliodhibitiwa unaonyesha kwamba tofauti ya utendaji haitokani tu na matawi ya vipengele vya usanifu, bali pia na lengo la mafunzo la MeanFlow.

Modeli hufanya nini ikiwa hakuna kipimo chochote cha redio?

Mojawapo ya majaribio magumu zaidi katika utafiti ni hali ya vipimo sifuri. Hapa hakuna kituo chochote cha moja kwa moja cha kipimo cha path-loss katika modeli. Jiometria ya majengo, kituo cha msingi na, ikiwa vipo, taarifa za kizuizi kinachobadilika pekee ndizo hutumiwa.

Katika hali tuli, RMF ilionyesha uboreshaji wa takriban %7,5 katika RMSE na ongezeko la 1,45 dB katika PSNR ikilinganishwa na RadioDiff.

Katika hali inayobadilika pia, PSNR ilibaki katika kiwango cha 36,52 dB. Matokeo haya yanaonyesha kwamba uchakataji sahihi wa taarifa tangulizi za mazingira huwa muhimu hasa wakati hakuna kipimo cha moja kwa moja cha ishara.

Je, GNN ni bora kweli kuliko interpolasheni ya kawaida?

Watafiti walibadilisha tawi la GNN kwa IDW na Ordinary Kriging na kufanya ulinganisho uliodhibitiwa.

GNN iliboresha RMSE kwa %7,7 ikilinganishwa na Ordinary Kriging na kwa %11,2 ikilinganishwa na IDW.

Waandishi wanaona hili linaweza kuelezwa kimwili: IDW hutumia uzito wa umbali pekee, Kriging hudhani uthabiti wa anga; GNN inaweza pia kusimba mstari wa kuona na taarifa tangulizi za uenezaji pamoja na umbali.

Ni kijenzi gani cha usanifu kilicho muhimu zaidi?

Katika utafiti wa ablation wenye vituo 100 vya upimaji na kizuizi kinachobadilika, athari kubwa zaidi ya kijenzi kimoja ilionekana katika tawi la GNN. GNN ilipoondolewa, RMSE ilipanda kutoka 0,0143 hadi 0,0153, na PSNR ikashuka kutoka 36,91 hadi 35,89 dB.

Vipengele vyote vya mazingira vinapoondolewa na MeanFlow pekee kutumiwa, RMSE hushuka hadi 0,0165 na PSNR hadi 34,67 dB. Matokeo haya yanaonyesha kwamba mafanikio ya modeli hayatokani na MeanFlow pekee, bali na muunganiko wa MeanFlow na muunganisho wa vipengele vingi vya mazingira.

Katika vipimo sifuri, kipengele muhimu zaidi hubadilika

Wakati hakuna kipimo, GNN tayari haifanyi kazi. Katika hali hii, kijenzi muhimu zaidi huwa coordinate attention.

Coordinate attention ilipoondolewa katika hali ya vipimo sifuri yenye mabadiliko, RMSE ilipanda kutoka 0,0162 hadi 0,0183, na PSNR ikashuka kutoka 36,52 hadi 35,36 dB.

Ugunduzi huu unaonyesha kwamba wakati hakuna data ya moja kwa moja ya ishara, eneo la kijiometri la kituo cha msingi na taarifa ya uenezaji wa mwelekeo huwa muhimu zaidi.

Kwa nini barakoa ya conditioning hutumia operesheni ya kiwango cha juu?

RMF huunganisha matriksi za jengo, kituo cha msingi, kipimo na kizuizi kinachobadilika chini ya matriksi ya pamoja ya conditioning K.

Watafiti walilinganisha mbinu za jumla, jumla yenye uzito, learned 1×1 convolution gate na element-wise maximum.

Element-wise maximum ilitoa matokeo bora zaidi katika vigezo vyote vitatu vikuu katika jaribio hili.

Je, modeli hufanya kazi pia katika miji ambayo haijawahi kuiona?

Watafiti walifanya uthibitishaji mtambuka wa leave-one-city-out katika miji sita ya RadioMapSeer. Katika kila mzunguko, mafunzo yalifanywa kwa miji mitano na mji wa sita ukaachwa kabisa kwa majaribio.

Matokeo ya wastani ya RMF:

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

Kwa RadioDiff:

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

Modeli zote mbili zilipata kuzorota kwa takriban %16 katika RMSE ikilinganishwa na jaribio la ndani ya usambazaji. Hii inaonyesha kwamba mofolojia za miji ambazo hazijaonekana bado ni tatizo muhimu la ujumlishaji.

Matokeo ya RMF kwa kila jiji

Matokeo yanayoungwa mkono na utafiti

• Uzalishaji wa hatua moja unaotegemea MeanFlow unaweza kutoa uundaji upya wa ramani ya redio yenye ubora wa juu kwenye RadioMapSeer.
• RMF ilipata thamani bora zaidi za RMSE na PSNR miongoni mwa mbinu zilizolinganishwa.
• Muundo wa hatua moja hupunguza kwa kiasi kikubwa ucheleweshaji wa inferensi ikilinganishwa na mbinu ya diffusion ya hatua nyingi.
• Matumizi ya pamoja ya taarifa za majengo, kituo cha msingi, vipimo vichache na vizuizi vinavyobadilika huboresha matokeo kwa kiasi kikubwa.
• GNN hutoa mchango muhimu hasa wakati vipimo vichache vinapatikana.
• Wakati hakuna vipimo, jiometria ya kituo cha msingi na coordinate attention huwa muhimu zaidi.
• RMF ilidumisha faida yake dhidi ya RadioDiff hata katika miji isiyoonekana; hata hivyo, utendaji ulipungua katika modeli zote mbili.

Matokeo yasiyoungwa mkono na utafiti

• Bado haijathibitishwa kwamba RMF itatoa utendaji sawa katika mitandao halisi ya 6G ya uwanjani.
• Haijaonyeshwa kwamba modeli iko tayari kwa usambazaji wa kibiashara wa 6G wa wakati halisi.
• RadioDiff haiko nyuma katika vigezo vyote; bado ina faida katika baadhi ya matokeo ya SSIM na NMSE.
• Muda wa inferensi wa sekunde 0,05 si thamani iliyohakikishwa kwenye vifaa vyote; jaribio lilifanywa kwenye RTX 3090 Ti.
• Data sanisi ya ray-tracing haiwakilishi ugumu wote wa sumakuumeme wa ulimwengu halisi.
• Modeli bado haijathibitishwa katika mazingira ya multi-band, multi-antenna, mmWave, RIS au ISAC.

Mapungufu makuu

Kizuizi muhimu zaidi ni chanzo cha data. Ingawa RadioMapSeer huchukua jiometria za majengo kutoka data halisi ya OpenStreetMap, usambazaji wa ishara hutengenezwa kwa ray-tracing ya kideterministiki.

Katika mazingira halisi, stochastic multipath fading, kutokuwa sawia kwa antenna pattern, sifa za uakisi wa ardhi na tabia changamano za kutawanya sumakuumeme za magari zinaweza kutofautiana na za simuleringi.

Kwa hiyo, makala haitoi dai la uhakika la utendaji wa kiwango cha uwanja na inataja uthibitishaji kwa vipimo halisi vya redio kama kazi kuu ya baadaye.

Kazi za baadaye

Waandishi hasa wanapendekeza mielekeo ifuatayo ya utafiti:

1. uthibitishaji kwa vipimo halisi vya uwanjani,
2. kupanua hadi mitandao ya multi-band na multi-antenna,
3. utabiri wa ramani ya redio wa muda,
4. kujifunza kwa kusambazwa kunakolenga faragha kwa federated learning,
5. kurekebisha kwa hali za ISAC,
6. muunganisho na reconfigurable intelligent surfaces,
7. kuimarisha ujumlishaji kwa mazingira yasiyoonekana kwa vipengele vya physics-informed neural network.

Maelezo ya Chanzo na Mbinu

Kichwa asili:Single-Step Radio Map Reconstruction with Multi-Feature Fusion via Mean Flow Matching

Waandishi: Ming Lei, You Fu, Ruyun Fu, Shengliang Fang na Youchen Fan.

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

Jarida:AI, 2026, 7, Article 207.

DOI:10.3390/ai7060207

Imewasilishwa: 24 Machi 2026. Marekebisho: 27 Mei 2026. Imekubaliwa: 3 Juni 2026. Imechapishwa: 5 Juni 2026.

Aina ya utafiti: Uendelezaji wa mbinu inayotegemea akili bandia zalishi, ulinganisho wa benchmark na uchambuzi wa ablation.

Seti ya data: RadioMapSeer; hali 700 za ramani za redio zilizosimuliwa kutoka Ankara, Berlin, Glasgow, London, Ljubljana na Tel Aviv.

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

Maadili: Institutional Review Board na informed consent hazitumiki kwa utafiti huu.

Upatikanaji wa data: Seti ya data ya RadioMapSeer inapatikana hadharani.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi. Imeelezwa kuwa mfadhili hakuwa na jukumu katika muundo wa utafiti, uchambuzi wa data, tafsiri, uandishi wa makala au uamuzi wa uchapishaji.

Leseni: Creative Commons Attribution (CC BY).

Mpaka wa kimetholojia: Majaribio hayakufanywa kwenye vipimo halisi vya redio vya uwanjani, bali kwenye benchmark ya RadioMapSeer inayotegemea ray-tracing ya kideterministiki. Kwa hiyo, ingawa matokeo yanaunga mkono kwa nguvu ulinganisho uliodhibitiwa kati ya mbinu, hayathibitishi moja kwa moja utendaji wa uendeshaji katika usambazaji halisi wa 6G.

Maelezo ya mbinu ya Verianla: Maudhui haya ya Kiswahili yanapanga upya kwa muundo huru wa kufundishia mbinu ya kihisabati, usanifu, seti ya data, muundo wa majaribio, majedwali ya utendaji, matokeo ya ablation, uchambuzi wa ujumlishaji na mapungufu ya makala chanzo, huku yakibaki mwaminifu kwa maana ya chanzo. Picha au majedwali ya chanzo hayajanakiliwa moja kwa moja.