Дар меъмории Open Radio Access Network (O-RAN), ки барои 6G тарҳрезӣ шудааст, ҳадаф он аст, ки идоракунии шабака на танҳо ба ҳолати мавҷуда вокуниш нишон диҳад, балки шароити радиоро дар ояндаи наздик пешгӯӣ карда, амалҳои идоракуниро пешакӣ омода созад. Барои ин, xApp-ҳое, ки дар Near-Real-Time RAN Intelligent Controller (Near-RT RIC) кор мекунанд, бояд RSRP, SINR, сарбории трафик ва дигар KPI-ҳои радиоро бо таъхири кам пешгӯӣ намоянд. Аммо механизми self-attention дар моделҳои классикии Transformer ҳангоми дароз шудани равзанаи вақт метавонад хароҷоти ҳисоббарорӣ ва хотираро ба таври квадратикӣ зиёд кунад.

Linear Quantum-Inspired State-Space (LiQSS), ки дар ин таҳқиқот пешниҳод шудааст, моделе нест, ки дар компютери квантӣ кор кунад. Ин меъморӣ модели классикии зеҳни сунъист, ки аз идеяи намоиши паст-рангии Tensor Train / Matrix Product State дар системаҳои квантии бисёрҷисмӣ илҳом гирифтааст. Self-attention хориҷ карда мешавад; қолабҳои вақтӣ бо ядроҳои устувори HiPPO–LegS-и фазои ҳолат, проексияҳои бузурги хаттӣ бо факторизатсияҳои TT/MPS ва робитаҳои байни KPI-ҳо бо қабатҳои сабуки squeeze–excitation ва gated ChannelMix моделсозӣ мешаванд.

Модел дар 59.441 равзанаи лағжанда, ки аз 13 KPI-и O-RAN ҳосил шудаанд, арзёбӣ шудааст. Вазифаи асосӣ пешгӯии қимати навбатии RSRP аз телеметрияи бисёртағйирёбандаи 32 қадами вақти гузашта мебошад. Дар конфигуратсияи асосӣ LiQSS ҳамагӣ 44.109 параметри омӯзишшаванда дорад ва нисбат ба эталонҳои сохторёфтаи SSM, ки дар манбаъ истифода шудаанд, тақрибан 10,8–15,8 маротиба ва нисбат ба муқоисаи Chronos-GPT тақрибан 155 маротиба хурдтар буда, хатои пешгӯии рақобатпазир ё камтарро таъмин кардааст.

Дар ҷадвали асосии санҷишӣ барои LiQSS RMSE 0,286599, MAE 0,164083 ва \(R^2=0,993276\) гузориш шудааст. Бо вуҷуди ин, доираи натиҷаҳо муҳим аст: таҳқиқот бо маҷмӯи мушаххаси маълумоти KPI-и O-RAN, пешгӯии якқадамаи RSRP, моделҳои муқоисавии фишурдашуда ва муҳити NVIDIA T4 GPU маҳдуд аст. Натиҷаҳо хулосаи “шабакаҳои тензорӣ аз ҳамаи моделҳои Transformer ба таври умумӣ беҳтаранд” ё “ҳисоббарории квантӣ масъалаи 6G-ро ҳал кардааст”-ро дастгирӣ намекунанд.

Чаро пешгӯӣ дар дохили O-RAN муҳим аст?

O-RAN меъмориест, ки ҳадаф дорад шабакаи дастрасии радиоро кушодатар, барномарезишаванда ва ба ҷузъҳо тақсимшуда гардонад. Дар таҳқиқот ду қабати идоракунӣ махсус ҷудо карда мешаванд:

• Non-RT RIC: Дар миқёсҳои вақтӣ аз як сония зиёд вазифаҳое чун таҳияи сиёсат, омӯзиши модел ва идоракунии давраи ҳаётро иҷро мекунад.
• Near-RT RIC: Дар миқёсҳои идоракунии тақрибан аз 10 ms то 1 s xApp-ҳои ҳассос ба таъхирро иҷро мекунад.

Near-RT RIC метавонад аз ҷузъҳои RAN монанди O-CU ва O-DU тавассути интерфейси E2 телеметрия қабул кунад. Модели хидматии E2SM-KPM имкон медиҳад, ки ченкуниҳои KPI дар фосилаҳои муайян гузориш дода шаванд.

Вектори бисёртағйирёбандаи KPI, ки дар вақти \(t\) гирифта мешавад, бо

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

нишон дода мешавад. Дар таҳқиқот \(K=13\) KPI истифода мешавад.

13 KPI-и пайгиришаванда

Таҷрибаи асосӣ қадами навбатии вақти RSRP-ро пешгӯӣ мекунад.

Чаро LiQSS “Илҳомгирифта аз Квант” Номида Мешавад?

Гарчанде LiQSS аз протсессори квантӣ истифода намекунад ва дар ҳолатҳои квантӣ ҳисобкунии физикӣ анҷом намедиҳад, он идеяи намоиши ҳолатҳои баландандоза бо шабакаҳои тензории паст-ранг дар системаҳои квантии бисёрҷисмиро ба меъмории омӯзиши мошинӣ интиқол медиҳад. Аз ҷумла, bond dimension / TT rank дар сохторҳои Matrix Product State ва Tensor Train ба тағйирёбандаи конфигуратсионӣ табдил меёбад, ки қобилияти пайвастагии глобалии моделро маҳдуд ва шумораи параметрҳоро назорат мекунад.

Мушкилоти андоза дар ҳолатҳои бисёрҷисмӣ

Фазои ҳолати квантие, ки аз якҷояшавии \(L\) зерсистема ба вуҷуд меояд, бо ҳосили тензорӣ

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

ифода мешавад. Азбаски шумораи элементҳо дар тензори пурраи коэффитсиентҳо

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

аст, бо калон шудани система намоиши мустақим ба таври экспоненсиалӣ меафзояд.

MPS ё Tensor Train дар истилоҳоти омӯзиши мошинии қиматҳои воқеӣ ин тензори бузургро ҳамчун занҷири ядроҳои хурд ифода мекунад:

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

Андозаҳои мобайнии \(r_\ell\) TT rank ё bond dimension номида мешаванд. Онҳо назорат мекунанд, ки намоиш то чӣ андоза метавонад коррелятсияи қавиро нигоҳ дорад.

LiQSS ин идеяро чӣ гуна истифода мебарад?

Дар модел, вектори латентии \(D\)-андоза дар ҳар қадами вақт ҳамчун дараҷаҳои озодии мутақобилан таъсиркунанда тасаввур мешавад. Эволютсияи вақт дар ҳар канали латентӣ бо системаи алоҳидаи фазои ҳолат коркард мешавад. Таъсири мутақобилаи каналҳо бошад, ба ҷойи self-attention-и пурра тавассути операторҳои идорашаванда ва арзонтари gating/омехтакунӣ илова мешавад.

Ду табдилдиҳии бузурги хаттии глобалӣ низ ба шакли шабакаи тензорӣ фишурда мешаванд:

• Проексияи вуруди \(\mathbb R^K\rightarrow\mathbb R^D\): TTIn
• Сарлавҳаи пешгӯии \(\mathbb R^D\rightarrow\mathbb R\): TTHead

Аз ин рӯ, маънои ибораи “quantum-inspired” суръатбахшии квантӣ нест; балки намоиши операторҳои бузурги хаттӣ бо ядроҳои тензории паст-ранг мебошад.

Ба Ҷойи Transformer Self-Attention Чӣ Истифода Мешавад?

LiQSS механизми self-attention-ро, ки ҳамаи ҷуфтҳои token-ро дар тӯли вақт мустақим муқоиса мекунад, хориҷ менамояд. Ба ҷойи он ядроҳои сабабӣ истифода мешаванд, ки аз моделҳои хаттии фазои ҳолат дар асоси HiPPO–LegS ҳосил шудаанд. Ин ядроҳо дар шакли depthwise causal convolution татбиқ шуда, иттилооти равзанаи гузаштаро бе нигоҳ кардан ба оянда коркард мекунанд.

Масъалаи пешгӯии якқадама

Равзанаи вуруд, ки \(L\) қадами вақти гузаштаро дар бар мегирад, ҳамчун

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

таъриф мешавад.

Вазифаи модел ин аст, ки

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

бо он KPI-и ҳадафи навбатиро пешгӯӣ кунад.

Дар таҷрибаҳои асосӣ

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

истифода мешавад. Яъне модел аз 32 намунаи гузашта танҳо як қимати навбатии RSRP-ро пешгӯӣ мекунад.

Динамикаи фазои ҳолати HiPPO–LegS

Барои ҳар канали латентӣ системаи асосии хаттӣ

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

ва

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

ба ин шакл навишта мешавад.

Генератори вақти пайвастаи HiPPO–LegS бо табдили Tustin дискретӣ карда мешавад:

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

Recurrence-и аз ин ҳосилшуда қиматҳои tap-и ядрои вақтро тавлид мекунад ва натиҷа ҳамчун depthwise causal convolution татбиқ мешавад.

Ба ҷойи як миқёси вақт омехта

Дар ҳар блок ба ҷойи як ядрои HiPPO–LegS омехтаи дорои \(C_m\) компонент истифода мешавад:

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

Ҳар компонент миқёси вақти омӯзишшавандаи худ \(\Delta t^{(b,m)}\) ва параметрҳои каналро дорад. Дар модели асосӣ барои ҳар блок ду компонент истифода шудааст.

Усул ва Натиҷаҳои Таҳқиқот

Ҷараёни пурраи маълумоти LiQSS

Чаро gating ва омехтакунии канал истифода мешавад?

Ядроҳои state-space эволютсияи вақтро дар каналҳои латентӣ алоҳида коркард мекунанд. Аммо KPI-ҳои радио аз ҳам мустақил нестанд. Масалан, тағйирёбандаҳое чун RSRP, SINR, CQI ва MCS метавонанд аз як шароити шабака таъсир гиранд.

LiQSS ин таъсирҳои мутақобиларо бе истифодаи temporal attention-и пурра тавассути ду механизм илова мекунад.

Аввал дар тӯли вақт миёна гирифта мешавад:

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

Сипас дарвозаи squeeze–excitation gain-ҳои каналро тавлид мекунад:

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

Дар марҳилаи дуюм дар ҳар қадами вақт gated ChannelMix татбиқ мешавад:

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

ва

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

Бо ин роҳ каналҳои KPI метавонанд ба ҳам таъсир расонанд, аммо дар меҳвари вақт матритсаи attention-и \(L\times L\) сохта намешавад.

Сохтори блок

Сохторе, ки манбаъ ҷамъбаст мекунад, ба идеяи

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

асос меёбад. Дар меъмории воқеии code-matched dropout, якчанд residual connection ва layer normalization мавҷуданд.

Раванди омӯзиш

Модел бо талафоти MSE омӯзонида мешавад. Дар манбаъ:

• AdamW optimizer,
• суръати омӯзиш \(3\times10^{-3}\),
• weight decay \(10^{-4}\),
• gradient clipping 1,0,
• ҳадди аксар 120 epoch,
• 30 epoch early-stopping patience,
• batch size 256,
• агар CUDA дастрас бошад mixed precision

истифода мешаванд.

Checkpoint-и дорои беҳтарин validation loss нигоҳ дошта мешавад ва дар марҳилаи санҷиш бо хомӯш кардани градиентҳо пешгӯӣ анҷом дода мешавад.

Чаро LiQSS Ба Таври Хаттӣ Миқёс Мегирад?

Transformer self-attention ҷуфтҳои қадамҳои вақтро дар пайдарпаии дарозии \(L\) мустақим муқоиса мекунад ва аз ин рӯ узви \(L^2\)-ро ба вуҷуд меорад. Дар LiQSS коркарди temporal тавассути ядроҳои channel-wise-и фазои ҳолат ва causal convolution анҷом мегирад; бинобар ин манбаъ вобастагии хаттӣ аз \(L\)-ро аз ҷиҳати ҳисоббарорӣ ва activation memory гузориш медиҳад.

Муқоиса бо Transformer

Хароҷоти тахминии Transformer барои ҳар қабат, ки манбаъ медиҳад:

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

ва attention activation memory:

\[ O(L^2). \]

Барои блоки навъи LiQSS SSM + TT:

\[ O(LDN_s+LDD_m) \]

ҳисоббарорӣ ва

\[ O(LD+DN_s) \]

activation memory дода мешавад.

Аз ин рӯ, агар \(D\), \(N_s\) ва паҳнои омехтакунии канал собит бимонанд, бо зиёд шудани дарозии равзана \(L\) хароҷоти пайдарпаӣ дар LiQSS хаттӣ мемонад.

Таҷрибаи миқёспазирии манбаъ

Манбаъ ин афзоишро ҳамчун нишондиҳандаи таҷрибавии рафтори тақрибан хаттӣ дар истифодаи воқеӣ шарҳ медиҳад.

Огоҳӣ оид ба контексти ченкунӣ: Дар ҷадвали асосии муқоисаи модел қимати inference барои LiQSS 0,000456 s аст, дар ҳоле ки дар ин таҷрибаи миқёспазирӣ барои \(L=32\) 0,000038680 s дода шудааст. Азбаски PDF доираи ченкунии ин фарқро ба таври муфассал мувофиқ намекунад, ин қиматҳо набояд ҳамчун як натиҷаи ягонаи benchmark якҷо карда шаванд.

LiQSS Аз Ҷиҳати Дақиқии Пешгӯӣ ва Андозаи Модел Чӣ Натиҷа Медиҳад?

Дар benchmark-и асосӣ LiQSS дар байни муқоисаҳои компактии Transformer ва SSM, ки дар манбаъ истифода шудаанд, хатои пасти пешгӯиро бо шумораи хеле ками параметрҳо муттаҳид мекунад. Бо вуҷуди ин, манбаъ равшан мегӯяд, ки кодҳои аслии нашршудаи моделҳои муқоисавӣ айнан аз нав иҷро нашудаанд ва версияҳои компакт ва стандартшуда, ки ба шароити умумии вақт ва хотира мутобиқ шудаанд, истифода шудаанд.

Муқоисаҳои интихобшуда аз ҷадвали асосии натиҷаҳо

Қимати тестии \(R^2\)-и LiQSS

\[ R^2=0,993276 \]

гузориш шудааст.

Skill нисбат ба persistence ва mean baseline

Модел инчунин бо ду эталони соддаи пешгӯӣ муқоиса мешавад. Persistence baseline чунин фарз мекунад, ки қимати навбатӣ ҳамон қимати охирини мушоҳидашуда аст:

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

Барои LiQSS манбаъ

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

ва

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

қиматҳоро гузориш медиҳад.

Ин натиҷаҳо чунин тафсир мешаванд, ки MSE-и санҷишӣ то тақрибан %8,01-и эталони persistence ва то тақрибан %6,03-и хатои mean baseline коҳиш ёфтааст.

Самаранокии параметрҳо

Барои LiQSS-и дорои 44.109 параметр манбаъ чунин фарқиятҳои андозаи моделро гузориш медиҳад:

• нисбат ба WM–MS3M тақрибан 10,8× хурдтар,
• нисбат ба MS3M тақрибан 15,8× хурдтар,
• нисбат ба Crossformer тақрибан 36× хурдтар,
• нисбат ба Chronos-GPT тақрибан 155× хурдтар.

Қисми муҳими ин бартарӣ аз он меояд, ки қабатҳои бузурги dense-и хаттӣ дар вуруд ва баромад бо операторҳои TT/MPS иваз шудаанд.

Таҳлили ҳассосият чиро нишон медиҳад?

Иқтидори баландтар ҳамеша хатои камтар надодааст. Масалан, TT rank 16 пасттарин RMSE-ро таъмин мекунад, вале таъхирро зиёд менамояд; \(C_m=4\) беҳбудии сабук медиҳад, аммо омехтаҳои калонтар дақиқиро боз паст мекунанд. Аз ин рӯ, манбаъ танзими \(r=4\), \(C_m=2\), \(N_s=32\)-ро ҳамчун нуқтаи асосии корӣ барои тавозуни дақиқӣ-самаранокии Near-RT истифода мекунад.

Рафтор дар силсилаҳои вақти KPI

Манбаъ дар Шакли 3 қиматҳои воқеӣ ва пешгӯиро барои RSRP, RSRQ, SINR, PRB, spectral efficiency, CQI ва RI дар 700 намунаи охирини санҷишӣ муқоиса мекунад. Гузориш мешавад, ки тамоюлҳои сусттағйирёбанда ва бисёр тағйироти кӯтоҳмуддат аз наздик пайгирӣ шудаанд; фарқиятҳои намоёнтарин бошад, дар атрофи тағйироти ногаҳонии режим ба вуҷуд меоянд.

Ин мушоҳида маънои онро надорад, ки модел ҳар тағйироти ногаҳонии шабакаро ҳатман пешгӯӣ мекунад. Азбаски пешгӯии якқадамаи strictly causal анҷом дода мешавад, гузаришҳои ғайричашмдошт барои модел минтақаҳои табиии хато мебошанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Меъмории фазои ҳолати бо TT/MPS фишурдашуда дар ин маҷмӯи маълумоти O-RAN тавонистааст бо шумораи хеле ками параметрҳо пешгӯии рақобатпазири RSRP-ро таъмин кунад.
• Бе истифодаи self-attention коркарди пайдарпаии хаттӣ нисбат ба дарозии \(L\) тарҳрезӣ шудааст.
• Омехтаи HiPPO–LegS имкон медиҳад, ки миқёсҳои гуногуни вақт дар як блок моделсозӣ шаванд.
• SE gating ва gated ChannelMix бе temporal attention таъсири мутақобилаи байни каналҳои KPI-ро таъмин мекунанд.
• Дар конфигуратсияҳои муқоисавии манбаъ LiQSS аз бисёр эталонҳои Transformer ва SSM хурдтар ва тезтар аст.
• Нишон дода шудааст, ки бо зиёд шудани TT rank, state dimension ва шумораи mixture дақиқӣ ҳатман ба таври монотонӣ зиёд намешавад.

Тафсирҳое, ки таҳқиқот дастгирӣ намекунад

• LiQSS дар компютери квантӣ кор намекунад ва суръатбахшии ҳисоббарории квантӣ нишон дода нашудааст.
• Натиҷаҳо исбот намекунанд, ки ҳамаи меъмориҳои Transformer аз LiQSS бадтаранд.
• Таҳқиқот муваффақияти идоракунии зиндаи end-to-end-ро дар шабакаи воқеии тиҷоратии 6G нишон намедиҳад.
• Вазифаи асосии таҷриба пешгӯии якқадамаи RSRP аст; ҳамаи пешгӯиҳои бисёрқадамаи KPI бо ҳамин сатҳи кор тасдиқ нашудаанд.
• Моделҳои муқоисавӣ faithful re-run-и дақиқи codebase-ҳои аслӣ нестанд; онҳо версияҳои компактшудае мебошанд, ки барои шароити умумии арзёбӣ омода шудаанд.
• Қимати баланди \(R^2\) мустақиман маънои scheduling, handover, оптимизатсияи энергия ё QoE-и беҳтари корбарро надорад; ин натиҷаҳои идоракунӣ дар таҷриба мустақим чен нашудаанд.
• Бартариҳои параметр ва inference константаҳои универсалӣ ва аз GPU, татбиқ, усули batch/ченкунӣ ва конфигуратсияи модел мустақил нестанд.

Ёддошт оид ба Манбаъ ва Усул

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

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

Муассисаҳо: 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.

Навъи манбаъ: Preprint-и таҳқиқотӣ, ки зеҳни сунъӣ, телеметрияи шабакаи бесим ва пешгӯии силсилаи вақтро муттаҳид мекунад.

Платформа: SSRN.

SSRN Abstract ID: 6963866.

DOI: 10.2139/ssrn.6963866.

Санаи нашр дар SSRN: 18 июн 2026.

Вазъи баррасии ҳамтоён: PDF-и манбаъ ба таври возеҳ мегӯяд, ки ин preprint аз баррасии ҳамтоён нагузаштааст.

Литсензия/ҳуқуқи муаллиф: Сабти SSRN маълумоти “All rights reserved; no reuse allowed without permission”-ро медиҳад. Матни Verianla ҷумлаҳо, фигураҳо ё тарҳи визуалии схемаҳои аслии меъмории манбаъро дубора истифода намекунад; робитаҳои илмӣ ва натиҷаҳои ададии гузоришшударо дар сохтори мустақили омӯзишӣ шарҳ медиҳад.

Код: Манбаъ мегӯяд, ки коди модел барои истифодаи ғайритиҷоратӣ ба таври оммавӣ дастрас аст. Ин изҳорот маънои онро надорад, ки литсензияи мақолаи асосии SSRN худкор ба код низ татбиқ мешавад.

Маълумот: Манбаъ мегӯяд, ки маҷмӯи маълумоти O-RAN KPI-и истифодашуда тавассути IEEE DataPort нашр шудааст. Шартҳои ҷудогонаи литсензияи маҷмӯи маълумот аз ҷониби Verianla бо литсензияи ин мақола яксон фарз карда нашудаанд.

Андозаи маълумот: Манбаъ маҷмӯи таҷрибавии дорои 59.441 равзанаи лағжанда аз 13 KPI-ро гузориш медиҳад.

Ҳадафи асосӣ: Пешгӯии RSRP дар қадами навбатӣ.

Таҷҳизоти асосӣ: Як NVIDIA T4 GPU бо дастгирии CUDA.

Равиши арзёбӣ: Тақсимоти хронологии train/validation/test, нормализатсия танҳо бо қисми омӯзишӣ ва strictly causal inference.

Маҳдудияти муҳими муқоиса: Манбаъ равшан мегӯяд, ки татбиқҳои baseline faithful re-run-и codebase-ҳои аслӣ нестанд; онҳо ҳамчун версияҳои компакт ва муқоисашаванда дар шароити баробари вақт ва хотира омода шудаанд.

Ёддошти миқдории дохили манбаъ 1: Дар Abstract барои муқоисаҳои Transformer то 2,74× суръатбахшии inference навишта шудааст, дар ҳоле ки Ҷадвали 4 ва Бахши 6.1.3 барои Crossformer тақрибан 2,96× фарқ медиҳанд.

Ёддошти миқдории дохили манбаъ 2: Дар benchmark-и асосӣ вақти inference-и LiQSS 0,000456 s аст, вале дар таҷрибаи миқёспазирии Шакли 4 барои \(L=32\) қимати 0,000038680 s гузориш мешавад. Манбаъ фарқи байни ин ду контексти ченкуниро пурра мувофиқ намекунад.

Бозсозии визуалӣ: Мувофиқ аст. Ба ҷойи тақлиди фигураҳои аслии манбаъ, нишон додани телеметрияи E2, проексияи вуруди TT/MPS, блокҳои HiPPO–LegS SSM, таъсири мутақобилаи каналҳо, causal readout ва пешгӯии RSRP бо схемаи комилан нави Verianla мувофиқ аст.

Verianla Live / Live Figure: Мувофиқ аст. Метавон аниматсияи дорои параметрҳои собит таҳия кард, ки коркарди равзанаи KPI-и 32 қадами вақтро дар қабатҳои модел ва расидани онро ба сарлавҳаи пешгӯӣ нишон диҳад. Пешгӯии кор аз беруни манбаъ ё натиҷаи шабакаи 6G, ки мувофиқи корбар аз нав ҳисоб шудааст, набояд тавлид шавад.