Katika usanifu wa Open Radio Access Network (O-RAN) ulioundwa kwa ajili ya 6G, lengo ni kwamba usimamizi wa mtandao usijibu tu hali ya sasa, bali pia utabiri hali za redio za muda mfupi ujao na kuandaa vitendo vya udhibiti mapema. Kwa hili, xApp zinazoendesha kwenye Near-Real-Time RAN Intelligent Controller (Near-RT RIC) zinapaswa kutabiri RSRP, SINR, mzigo wa trafiki na KPI nyingine za redio kwa ucheleweshaji mdogo. Hata hivyo, utaratibu wa self-attention katika miundo ya kawaida ya Transformer unaweza kuongeza gharama za ukokotoaji na kumbukumbu kwa namna ya mraba kadiri dirisha la wakati linavyoongezeka.

Linear Quantum-Inspired State-Space (LiQSS) inayopendekezwa katika utafiti huu si modeli inayofanya kazi kwenye kompyuta ya kwanta. Usanifu huu ni modeli ya kawaida ya akili bandia iliyochochewa na wazo la uwakilishi wa Tensor Train / Matrix Product State wenye rank ya chini katika mifumo ya kwanta ya miili mingi. Self-attention huondolewa; mifumo ya muda huigwa kwa viini thabiti vya nafasi-hali vya HiPPO–LegS, makadirio makubwa ya mstari kwa factorizations za TT/MPS, na mahusiano kati ya KPI kwa tabaka nyepesi za squeeze–excitation na gated ChannelMix.

Modeli imetathminiwa kwenye madirisha yanayosogea 59.441 yaliyotokana na KPI 13 za O-RAN. Jukumu kuu ni kutabiri thamani inayofuata ya RSRP kutoka kwa telemetria yenye vigezo vingi ya hatua 32 za wakati zilizopita. Katika usanidi mkuu, LiQSS yenye vigezo 44.109 tu vinavyofunzwa iliunda modeli ndogo takriban mara 10,8–15,8 kuliko marejeo yaliyopangwa ya SSM yaliyotumiwa katika chanzo na takriban mara 155 ndogo kuliko ulinganisho wa Chronos-GPT, huku ikitoa kosa la utabiri linaloshindana au la chini zaidi.

Katika jedwali kuu la majaribio, RMSE 0,286599, MAE 0,164083 na \(R^2=0,993276\) zimeripotiwa kwa LiQSS. Hata hivyo, upeo wa matokeo ni muhimu: utafiti umewekewa mipaka na seti maalumu ya data ya KPI za O-RAN, utabiri wa hatua moja wa RSRP, modeli za ulinganisho zilizofanywa kuwa kompakt na mazingira ya NVIDIA T4 GPU. Matokeo hayaungi mkono hitimisho kwamba “mitandao ya tensori ni bora kwa ujumla kuliko modeli zote za Transformer” au kwamba “ukokotoaji wa kwanta umetatua tatizo la 6G”.

Kwa nini utabiri ni muhimu ndani ya O-RAN?

O-RAN ni usanifu unaolenga kufanya mtandao wa ufikiaji wa redio uwe wazi zaidi, uweze kupangwa kwa programu na ugawanywe katika vipengele. Utafiti unatenganisha hasa tabaka mbili za udhibiti:

• Non-RT RIC: Hufanya kazi kama uundaji wa sera, mafunzo ya modeli na usimamizi wa mzunguko wa maisha katika mizani ya wakati iliyo zaidi ya sekunde moja.
• Near-RT RIC: Huendesha xApp nyeti kwa ucheleweshaji katika mizani ya udhibiti ya takriban 10 ms hadi 1 s.

Near-RT RIC inaweza kupokea telemetria kutoka kwa vipengele vya RAN kama O-CU na O-DU kupitia kiolesura cha E2. Modeli ya huduma ya E2SM-KPM huwezesha vipimo vya KPI kuripotiwa kwa vipindi maalumu.

Vekta ya KPI yenye vigezo vingi inayopokelewa wakati \(t\) huonyeshwa kwa

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

Katika utafiti, KPI \(K=13\) zinatumika.

KPI 13 zinazofuatiliwa

Jaribio kuu hutabiri hatua inayofuata ya wakati ya RSRP.

Kwa Nini LiQSS Inaitwa “Iliyochochewa na Kwanta”?

Ingawa LiQSS haitumii prosesa ya kwanta wala kufanya ukokotoaji wa kimwili juu ya hali za kwanta, inaleta katika usanifu wa ujifunzaji wa mashine wazo la kuwakilisha hali zenye vipimo vikubwa kwa mitandao ya tensori yenye rank ya chini katika mifumo ya kwanta ya miili mingi. Hasa, bond dimension / TT rank katika miundo ya Matrix Product State na Tensor Train hugeuka kuwa kigezo cha usanidi kinachoweka kikomo uwezo wa muunganisho wa kimataifa wa modeli na kudhibiti idadi ya vigezo.

Tatizo la vipimo katika hali za miili mingi

Nafasi ya hali ya kwanta inayoundwa kwa pamoja na mifumo midogo \(L\) ina umbo la zao la tensori

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

Kwa kuwa idadi ya vipengele katika tensori kamili ya coefficients ni

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

uwakilishi wa moja kwa moja hukua kwa kasi ya eksponensheli kadiri mfumo unavyokua.

MPS au Tensor Train katika istilahi za ujifunzaji wa mashine wa thamani halisi huwakilisha tensori hii kubwa kama mnyororo wa viini vidogo:

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

Vipimo vya kati \(r_\ell\) huitwa TT rank au bond dimension. Hivi hudhibiti kiwango cha uhusiano wenye nguvu ambacho uwakilishi unaweza kubeba.

LiQSS inatumiaje wazo hili?

Katika modeli, vekta latent yenye vipimo \(D\) katika kila hatua ya wakati huchukuliwa kama viwango vya uhuru vinavyoingiliana. Mageuzi ya muda huchakatwa kwa mfumo tofauti wa nafasi-hali kwenye kila chaneli latent. Mwingiliano kati ya chaneli huongezwa kwa kutumia waendeshaji wa gating/kuchanganya wanaodhibitika na wenye gharama ndogo zaidi badala ya self-attention kamili.

Mabadiliko mawili makubwa zaidi ya mstari ya kimataifa pia hubanwa katika umbo la mtandao wa tensori:

• Makadirio ya ingizo \(\mathbb R^K\rightarrow\mathbb R^D\): TTIn
• Kichwa cha utabiri \(\mathbb R^D\rightarrow\mathbb R\): TTHead

Kwa hiyo, maana ya “quantum-inspired” si kuongeza kasi kwa kwanta; ni kuwakilisha waendeshaji wakubwa wa mstari kwa viini vya tensori vyenye rank ya chini.

Nini Kinatumika Badala ya Transformer Self-Attention?

LiQSS huondoa utaratibu wa self-attention unaolinganishwa moja kwa moja jozi zote za token katika mfululizo wa wakati. Badala yake hutumia viini vya kisababishi vinavyotokana na miundo ya mstari ya nafasi-hali yenye msingi wa HiPPO–LegS. Viini hivi hutekelezwa katika umbo la depthwise causal convolution na kuchakata taarifa katika dirisha la nyuma bila kuangalia siku zijazo.

Tatizo la utabiri wa hatua moja

Dirisha la ingizo lenye hatua \(L\) za wakati zilizopita

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

hufafanuliwa.

Jukumu la modeli ni

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

kutabiri KPI lengwa inayofuata.

Katika majaribio makuu

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

hutumika. Yaani, modeli hutabiri thamani moja tu inayofuata ya RSRP kutoka kwa sampuli 32 zilizopita.

Dinamiksi za nafasi-hali za HiPPO–LegS

Kwa kila chaneli latent, mfumo msingi wa mstari huandikwa kama

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

na

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

huandikwa kwa umbo hili.

Generator ya HiPPO–LegS ya wakati endelevu hubadilishwa kuwa ya kidijitali kwa transform ya Tustin:

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

Recurrence inayopatikana kutoka hapa hutengeneza thamani za tap za kiini cha muda, na matokeo hutekelezwa kama depthwise causal convolution.

Mchanganyiko badala ya kipimo kimoja cha wakati

Katika kila block, badala ya kiini kimoja cha HiPPO–LegS hutumika mchanganyiko wenye vipengele \(C_m\):

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

Kila kipengele kina kipimo chake cha wakati kinachojifunzwa \(\Delta t^{(b,m)}\) na vigezo vya chaneli. Katika modeli kuu, vipengele viwili vimetumika kwa kila block.

Mbinu na Matokeo ya Utafiti

Mtiririko wa data wa LiQSS kutoka mwanzo hadi mwisho

Kwa nini gating na kuchanganya chaneli kunatumika?

Viini vya state-space huchakata mageuzi ya muda katika chaneli latent kila moja kivyake. Hata hivyo, KPI za redio hazijitegemei. Kwa mfano, vigezo kama RSRP, SINR, CQI na MCS vinaweza kuathiriwa na hali zilezile za mtandao.

LiQSS huongeza mwingiliano huu kwa njia mbili bila kutumia temporal attention kamili.

Kwanza, wastani huchukuliwa katika mwelekeo wa wakati:

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

Kisha lango la squeeze–excitation hutengeneza gain za chaneli:

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

Katika hatua ya pili, gated ChannelMix hutekelezwa katika kila hatua ya wakati:

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

na

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

Kwa njia hii chaneli za KPI zinaweza kuathiriana, lakini matriksi ya attention ya \(L\times L\) haitengenezwi kwenye mhimili wa wakati.

Muundo wa block

Muundo unaofupishwa na chanzo unatokana na wazo la

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

Katika usanifu halisi wa code-matched kuna dropout, miunganisho mingi ya residual na layer normalization.

Utaratibu wa mafunzo

Modeli hufunzwa kwa MSE loss. Katika chanzo hutumika:

• AdamW optimizer,
• learning rate \(3\times10^{-3}\),
• weight decay \(10^{-4}\),
• gradient clipping 1,0,
• kiwango cha juu cha 120 epoch,
• 30 epoch early-stopping patience,
• batch size 256,
• mixed precision ikiwa CUDA inapatikana

hutumika.

Checkpoint yenye validation loss bora zaidi huhifadhiwa, na katika hatua ya majaribio utabiri hufanywa huku gradients zimezimwa.

Kwa Nini LiQSS Hukua kwa Mizani ya Mstari?

Transformer self-attention, katika mfuatano wenye urefu \(L\), hulinganisha moja kwa moja jozi za hatua za wakati na kwa hiyo hutoa kiashiria cha \(L^2\). Kwa kuwa uchakataji wa temporal katika LiQSS unafanywa kupitia viini vya nafasi-hali vya channel-wise na causal convolution, chanzo kinaripoti utegemezi wa mstari kwa \(L\) kwa upande wa ukokotoaji na activation memory.

Ulinganisho na Transformer

Gharama ya takriban ya Transformer kwa kila tabaka iliyotolewa na chanzo ni:

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

na attention activation memory:

\[ O(L^2). \]

Kwa block ya aina ya LiQSS SSM + TT:

\[ O(LDN_s+LDD_m) \]

kwa ukokotoaji na

\[ O(LD+DN_s) \]

kwa activation memory.

Kwa hiyo, \(D\), \(N_s\) na upana wa kuchanganya chaneli vinapobaki thabiti, gharama ya mfuatano upande wa LiQSS hubaki ya mstari kadiri urefu wa dirisha \(L\) unavyoongezeka.

Jaribio la scaling la chanzo

Chanzo kinatafsiri ongezeko hili kama kiashiria cha majaribio cha tabia takriban ya mstari katika matumizi halisi.

Onyo kuhusu muktadha wa kipimo: Wakati thamani ya inference ya LiQSS katika jedwali kuu la ulinganisho wa modeli ni 0,000456 s, katika jaribio hili la scaling thamani ya \(L=32\) ni 0,000038680 s. Kwa kuwa PDF haioanishi kwa kina upeo wa vipimo vya tofauti hii, thamani hizi hazipaswi kuunganishwa kama matokeo ya benchmark moja.

LiQSS Inatoa Matokeo Gani kwa Usahihi wa Utabiri na Ukubwa wa Modeli?

Katika benchmark kuu, LiQSS inaunganisha kosa dogo la utabiri na idadi ndogo sana ya vigezo kati ya ulinganisho wa kompakt wa Transformer na SSM uliotumiwa katika chanzo. Hata hivyo, chanzo kinaeleza wazi kwamba misimbo ya awali ya machapisho ya modeli zinazolinganishwa haikuendeshwa tena kwa namna ya moja kwa moja; badala yake, implementions kompakt na zilizosanifishwa zinazolingana na masharti ya pamoja ya muda na kumbukumbu zilitumika.

Ulinganisho uliochaguliwa kutoka jedwali kuu la matokeo

Thamani ya test \(R^2\) ya LiQSS

\[ R^2=0,993276 \]

imeripotiwa.

Skill dhidi ya persistence na mean baseline

Modeli pia inalinganishwa na marejeo mawili rahisi ya utabiri. Persistence baseline hudhani kuwa thamani inayofuata ni thamani ya mwisho iliyozingatiwa:

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

Kwa LiQSS, chanzo kinaripoti

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

na

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

kama thamani.

Matokeo haya yanafasiriwa kuwa test MSE imepunguzwa hadi takriban %8,01 ya rejea ya persistence na takriban %6,03 ya kosa la mean baseline.

Ufanisi wa vigezo

Kwa LiQSS yenye vigezo 44.109, chanzo kinaripoti tofauti hizi za ukubwa wa modeli:

• takriban 10,8× ndogo kuliko WM–MS3M,
• takriban 15,8× ndogo kuliko MS3M,
• takriban 36× ndogo kuliko Crossformer,
• takriban 155× ndogo kuliko Chronos-GPT.

Sehemu muhimu ya faida hii hutokana na kubadilisha tabaka kubwa za dense linear za ingizo na towe kwa waendeshaji wa TT/MPS.

Uchambuzi wa unyeti unaonyesha nini?

Uwezo mkubwa zaidi haukutoa kosa dogo zaidi kila wakati. Kwa mfano, TT rank 16 hutoa RMSE ya chini zaidi lakini huongeza ucheleweshaji; \(C_m=4\) hutoa uboreshaji mdogo, huku michanganyiko mikubwa zaidi ikipunguza tena usahihi. Kwa hiyo chanzo hutumia mpangilio wa \(r=4\), \(C_m=2\), \(N_s=32\) kama sehemu kuu ya uendeshaji kwa uwiano wa usahihi na ufanisi wa Near-RT.

Tabia kwenye mfululizo wa wakati wa KPI

Katika Kielelezo 3, chanzo kinalinganisha thamani halisi na utabiri wa RSRP, RSRQ, SINR, PRB, spectral efficiency, CQI na RI kwa sampuli 700 za mwisho za majaribio. Inaripotiwa kuwa mielekeo inayobadilika polepole na mabadiliko mengi ya muda mfupi yanafuatiliwa kwa karibu; tofauti zinazoonekana zaidi hutokea karibu na mabadiliko ya ghafla ya hali.

Uchunguzi huu haumaanishi kwamba modeli hutabiri kwa uhakika kila mabadiliko ya ghafla ya mtandao. Kwa kuwa utabiri wa hatua moja wa strictly causal unafanywa, mabadiliko yasiyotarajiwa ni maeneo ya kawaida ya kosa kwa modeli.

Matokeo yanayoungwa mkono na utafiti

• Usanifu wa nafasi-hali uliobanwa kwa TT/MPS umeweza kutoa utabiri wa RSRP unaoshindana kwa idadi ndogo sana ya vigezo kwenye seti hii ya data ya O-RAN.
• Uchakataji wa mfuatano wenye gharama ya mstari kwa urefu \(L\) umeundwa bila kutumia self-attention.
• Mchanganyiko wa HiPPO–LegS huruhusu mizani tofauti ya wakati kuigwa ndani ya block moja.
• SE gating na gated ChannelMix huwezesha mwingiliano kati ya chaneli za KPI bila temporal attention.
• Katika usanidi wa ulinganisho uliotumiwa katika chanzo, LiQSS ni ndogo na ya haraka zaidi kuliko marejeo mengi ya Transformer na SSM.
• Imeonyeshwa kuwa usahihi hauongezeki kila mara kwa namna ya monotonic kadiri TT rank, state dimension na idadi ya mixture zinavyoongezeka.

Tafsiri ambazo utafiti hauungi mkono

• LiQSS haifanyi kazi kwenye kompyuta ya kwanta na hakuna kuongeza kasi kwa ukokotoaji wa kwanta kulikoonyeshwa.
• Matokeo hayathibitishi kwamba usanifu wote wa Transformer ni mbaya kuliko LiQSS.
• Utafiti hauonyeshi mafanikio ya udhibiti wa moja kwa moja wa end-to-end katika mtandao halisi wa kibiashara wa 6G.
• Jukumu kuu la jaribio ni utabiri wa hatua moja wa RSRP; utabiri wa hatua nyingi wa KPI zote haujathibitishwa kwa utendaji uleule.
• Modeli za ulinganisho si faithful re-run za codebase za awali; ni implementions zilizofanywa kuwa kompakt kulingana na masharti ya pamoja ya tathmini.
• Thamani ya juu ya \(R^2\) haimaanishi moja kwa moja scheduling bora, handover bora, uboreshaji wa nishati au matokeo bora ya QoE ya mtumiaji; matokeo haya ya udhibiti hayakupimwa moja kwa moja katika jaribio.
• Faida za vigezo na inference si constants za ulimwengu zisizotegemea GPU iliyotumiwa, implementation, mbinu ya batch/kipimo na usanidi wa modeli.

Maelezo ya Chanzo na Mbinu

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

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

Taasisi: 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.

Aina ya chanzo: Preprint ya utafiti inayounganisha akili bandia, telemetria ya mtandao usiotumia waya na utabiri wa mfululizo wa wakati.

Jukwaa: SSRN.

SSRN Abstract ID: 6963866.

DOI: 10.2139/ssrn.6963866.

Tarehe ya kuchapishwa SSRN: 18 Juni 2026.

Hali ya mapitio ya rika: PDF ya chanzo inaeleza wazi kwamba ni preprint ambayo haijapitia mapitio ya rika.

Leseni/hakimiliki: Rekodi ya SSRN inasema “All rights reserved; no reuse allowed without permission”. Maandishi ya Verianla hayatumii tena sentensi za chanzo, vielelezo vyake au mpangilio wa kuona wa michoro yake ya awali ya usanifu; yanaeleza mahusiano ya kisayansi na matokeo ya nambari yaliyoripotiwa katika muundo huru wa kielimu.

Kodi: Chanzo kinasema kwamba kodi ya modeli inapatikana kwa umma kwa matumizi yasiyo ya kibiashara. Kauli hii haimaanishi kwamba leseni ya makala kuu ya SSRN inahamishwa kiotomatiki kwenye kodi.

Data: Chanzo kinasema kwamba seti ya data ya O-RAN KPI iliyotumiwa imechapishwa kupitia IEEE DataPort. Masharti tofauti ya leseni ya seti hiyo ya data hayajachukuliwa na Verianla kuwa sawa na leseni ya makala hii.

Ukubwa wa data: Chanzo kinaripoti seti ya majaribio yenye madirisha yanayosogea 59.441 kutoka KPI 13.

Lengo kuu: Utabiri wa RSRP wa hatua inayofuata.

Vifaa vikuu: NVIDIA T4 GPU moja inayounga mkono CUDA.

Mbinu ya tathmini: Mgawanyo wa train/validation/test kwa mpangilio wa wakati, normalization kwa sehemu ya mafunzo pekee na strictly causal inference.

Kizuizi muhimu cha ulinganisho: Chanzo kinaeleza wazi kwamba implementations za baseline si faithful re-run za codebase za awali; ziliandaliwa kama matoleo kompakt yanayoweza kulinganishwa chini ya masharti sawa ya wakati na kumbukumbu.

Dokezo la kiasi la ndani ya chanzo 1: Abstract inataja hadi 2,74× inference speedup katika ulinganisho wa Transformer, ilhali Jedwali 4 na Sehemu 6.1.3 zinatoa tofauti ya takriban 2,96× kwa Crossformer.

Dokezo la kiasi la ndani ya chanzo 2: Katika benchmark kuu, muda wa inference wa LiQSS ni 0,000456 s, ilhali katika jaribio la scaling la Kielelezo 4 kwa \(L=32\) limeripotiwa 0,000038680 s. Chanzo hakioanishi kikamilifu tofauti kati ya miktadha hii miwili ya vipimo.

Ujenzi upya wa taswira: Unafaa. Badala ya kuiga vielelezo vya awali vya chanzo, inafaa kuonyesha telemetria ya E2, makadirio ya ingizo ya TT/MPS, block za HiPPO–LegS SSM, mwingiliano wa chaneli, causal readout na utabiri wa RSRP kwa mchoro mpya kabisa wa Verianla.

Verianla Live / Live Figure: Inafaa. Inawezekana kuandaa uhuishaji wenye vigezo visivyobadilika unaoonyesha jinsi dirisha la KPI la hatua 32 za wakati linavyochakatwa kupitia tabaka za modeli hadi kufikia kichwa cha utabiri. Utabiri wa utendaji nje ya chanzo au matokeo ya mtandao wa 6G yaliyokokotolewa upya kulingana na mtumiaji hayapaswi kutengenezwa.