Ин таҳқиқот меомӯзад, ки чӣ гуна дар системаҳои massive MIMO-и Frequency Division Duplex (FDD) маълумоти баландандозаи ҳолати канал (Channel State Information, CSI), ки бояд ба пойгоҳи асосӣ баргардонда шавад, ба намоиши тезтар ва хурдтар табдил дода шавад. Усули TAP (Tap-Assisted Parametric CSI Compression), ки муаллифон таҳия кардаанд, бо як шабакаи сабуки 1D-и нейронӣ аз ҷавобҳои басомадии гузашта ва ҷории канал иттилои замониро ҷудо карда, таъхирҳои асосии паҳншавии бисёрмасираро дар як гузариш баҳогузорӣ мекунад; таъхирҳои касриро бо sub-grid interpolation муайян мекунад ва амплитудаҳои мураккаби фазоиро бо ҳалли least-squares-и шакли пӯшида ҳисоб мекунад. Дар панҷ муҳити симулятсионии бар пояи 3GPP ё мутобиқ бо 3GPP, TAP бо ҳаҷми модели камтар аз як мегабайт ва вақти inference-и гузоришшудаи тақрибан 0,48–0,64 ms performance-и қавии CFR-NMSE нишон медиҳад. Бо вуҷуди ин, натиҷаҳо асосан ба ray tracing ва stochastic channel simulation такя мекунанд; таҳқиқот real over-the-air verification надорад ва сохтори математикӣ ба far-field plane-wave assumption маҳдуд аст.

Идеяи асосии TAP ин аст, ки interpretability-и физикии усулҳои classical compressed sensing бо inference-и тези deep learning якҷо карда шавад. Orthogonal Matching Pursuit (OMP)-и классикӣ азбаски роҳҳои асосиро дар delay space пайдарпай ҷустуҷӯ мекунад, дақиқ аст, аммо раванд iterative ва computationally expensive мешавад. TAP бошад continuity-и замонии CSI samples-и гузаштагонро истифода мебарад, то physical delays-и эҳтимолиро бо neural network бевосита муайян карда, сипас least-squares solution-ро танҳо як маротиба иҷро кунад. Ҳамин тавр, шабака ба ҷойи як encoder-decoder-и калон, ки тамоми каналро азбар кунад, ба ёфтани physical delay parameters тамаркуз мекунад.

Аз нигоҳи Туркия, маънои ин таҳқиқот дар он аст, ки усул ба шабакаи як кишвари муайян мустақим вобаста нест. Ин равиш барои кам кардани CSI feedback load дар FDD massive MIMO ва wireless systems-и оянда бо шумораи зиёди antenna метавонад дар корҳои research and development-и Туркия низ баррасӣ шавад. Аммо натиҷаҳои UMa, InF, UMi, InH ва CDL-A-и мақоларо ба real operator fields-и Туркия мустақиман интиқол додан аз нигоҳи илмӣ дуруст нест. Local frequency allocations, real base-station arrays, terminal hardware, mobility, propagation properties-и бино ва релеф ва real CSI-RS measurements бояд алоҳида санҷида шаванд.

Масъалаи асосии таҳқиқот чист?

Дар FDD massive MIMO пойгоҳи асосӣ (BS) наметавонад downlink channel-ро бевосита аз uplink channel ба даст орад. Аз ин рӯ User Equipment (UE) бояд downlink channel-ро estimate кунад, CSI-и хеле баландандозаро фишурда ва тавассути uplink control channel-и иқтидораш маҳдуд ба BS баргардонад. Бо зиёд шудани antenna count ва OFDM subcarrier count, матритсаи пурраи Channel Frequency Response (CFR) низ калон мешавад.

Таҳқиқот равишҳои мавҷударо ба се гурӯҳ ҷудо мекунад. Compressed sensing methods ба мисли OMP, LASSO ва TVAL3 ба physical sparsity дар delay domain такя мекунанд, аммо iterative computation latency эҷод мекунад. Deep learning methods ба мисли оилаи CsiNet inference-и тез медиҳанд, вале метавонанд ба antenna geometry-и муайян ва statistics-и training environment вобаста шаванд. 3GPP Type-1 ва Type-2 codebooks аз нигоҳи computation сабуканд, аммо дар таҳқиқот бо reconstruction error-и баландтар муқоиса шудаанд.

Канали физикӣ чӣ гуна модел мешавад?

Таҳқиқот системаи single-cell, FDD massive MIMO ва OFDM-ро баррасӣ мекунад. BS дорои N_r × N_c uniform planar antenna array ва P polarization мебошад. Шумораи умумии antenna ports:

\[ N_{\mathrm{ant}} = P N_r N_c \]

муайян мешавад.

Channel frequency response барои як subcarrier ва antenna element ҳамчун ҷамъбасти multipath components модел мешавад:

\[ H[n,m]=\sum_{l=1}^{L}\alpha_{l,m}e^{-j2\pi f_n\tau_l} \]

Дар ин ҷо \(\alpha_{l,m}\) complex spatial amplitude-и роҳи l дар antenna-и m, \(\tau_l\) physical propagation delay ва \(f_n\) frequency-и subcarrier-и n аст. Critical physical assumption-и таҳқиқот ин аст, ки дар far-field delay-и як multipath component дар тамоми antenna array умумӣ ҳисоб мешавад ва фарқи байни antennas асосан ба complex spatial amplitudes гузаронда мешавад.

Вақте дар frequency axis inverse fast Fourier transform (IFFT) татбиқ мешавад, канал ба delay domain ҳамчун Channel Impulse Response (CIR) мегузарад. Азбаски энергия дар атрофи шумораи маҳдуди dominant physical paths ҷамъ мешавад, CIR сохтори sparse дорад. TAP ин хусусияти физикиро мустақим истифода мекунад.

Чаро OMP-и классикӣ кофӣ тез нест?

OMP дар ҳар iteration current residual signal-ро бо delay dictionary муқоиса мекунад, strongest atom-ро интихоб мекунад, active dictionary-ро васеъ мекунад, least-squares solution иҷро мекунад ва residual-ро аз нав ҳисоб мекунад. Пас бо зиёд шудани path count, IFFT, correlation ва matrix solve такрор мешаванд.

Дар Figure 2-и таҳқиқот нишон дода мешавад, ки бо зиёд шудани path count NMSE беҳтар мешавад, аммо processing time ҳам назаррас меафзояд. Дар матн барои K = 10 тақрибан 1000 ms processing time оварда шудааст. Аммо дар Table IV-и баъдӣ барои OMP (K = 10) 630,15 ms гузориш шудааст. Азбаски ин ду рақам дар як source фарқ мекунанд, онҳоро ба як exact OMP latency муттаҳид кардан набояд; ҳар ду нишон медиҳанд, ки усул хеле болотар аз ҳадафи sub-millisecond мемонад.

Чаро якбора интихоб кардани IFFT peak ҳалли масъала нест?

Муаллифон ду сабаби асосиро шарҳ медиҳанд. Аввал spectral leakage. Bandwidth-и маҳдуд дар frequency domain мисли rectangular window амал карда, дар delay domain main lobe ва side lobes-и sinc-shaped месозад. Side lobe-и як strong physical path метавонад ҳамчун real but weaker path нодуруст интихоб шавад.

Масъалаи дуюм grid mismatch аст, яъне physical delays ба digital delay grid айнан намеафтанд. Агар real delay байни ду grid point бошад, energy ба atoms-и ҳамсоя паҳн мешавад. Oversampling-и dictionary resolution-ро зиёд мекунад, аммо neighboring atoms-ро ба ҳам сахт correlated месозад. Ҳамин тавр, як physical path метавонад ба чанд роҳи ҷудогона монанд шавад.

Чаро delay error махсусан муҳим аст?

Таҳқиқот танҳо empirical comparison намекунад, балки математикӣ таҳлил мекунад, ки delay estimation error чӣ гуна ба CFR reconstruction error табдил мешавад. Барои як physical path агар real delay \(\tau\) ва estimate \(\hat{\tau}=\tau+\Delta\tau\) бошад, least-squares метавонад amplitude ва constant phase-ро ислоҳ кунад, аммо frequency-dependent phase slope-и аз delay error пайдошударо нест карда наметавонад.

Upper bound-и ҳосилшуда:

\[ \mathrm{CFR\!-\!NMSE} \leq \frac{4\pi^2 E_f}{N_{\mathrm{sc}}}\Delta\tau^2 \]

мебошад. Дар ин ҷо:

• \(N_{\mathrm{sc}}\): шумораи OFDM subcarriers.
• \(\Delta\tau\): physical delay estimation error.
• \(E_f=\sum_k f_k^2\): energy spread-и frequency points-и истифодашударо ифода мекунад.

Паёми асосӣ ин аст, ки таъсири delay error quadratic меафзояд ва дар wideband systems ҳатто delay error-и хурд метавонад ба CFR error-и назаррас табдил шавад. Дар multipath case error инчунин бо dominant path amplitudes weighted мешавад; аз ин рӯ delay error-и хурд дар strong line-of-sight component махсусан муҳим аст.

TAP чӣ корро дигар мекунад?

TAP iterative atom search-и OMP-ро бо як 1D convolutional neural network-и сабук бо номи DelayNet иваз мекунад. Шабака на танҳо current CFR, балки temporal window-и иборат аз current ва past CFR samples-ро ҳамзамон истифода мекунад. Аввал Hamming window ва IFFT дар subcarrier axis татбиқ шуда, маълумот ба delay domain мегузарад. Temporal sequence барои фарқ кардани coherent motion-и physical paths аз random noise ва transient side-lobe structures иттилоъ медиҳад.

DelayNet дар delay axis multi-label probability heatmap мебарорад. Дар architecture ба ҷойи fully-connected layers-и вобаста ба antenna dimensions, antenna averaging ва depthwise separable convolution истифода мешавад. Ҳадаф ин аст, ки trainable parameter count бо row ва column count-и antenna array зиёд нашавад.

Fractional delay чӣ гуна ёфт мешавад?

Дар detailed method section ба се probability value дар атрофи top K local peaks parabola fit карда шуда, sub-grid offset ҳисоб мешавад:

\[ \Delta_i = \frac{1}{2} \frac{p_{i-1}-p_{i+1}} {p_{i-1}-2p_i+p_{i+1}} \]

Сипас physical delay:

\[ \hat{\tau}_k=(i+\Delta_i)\Delta t \]

ба даст меояд. Ин амал delay-ро танҳо дар discrete grid points маҳдуд намекунад ва азбаски gradient метавонад ба DelayNet баргардад, қисми end-to-end trainable structure мебошад.

Эзоҳи дохилии source: дар contributions list ин sub-grid mechanism ҳамчун “symmetric linear power-weighted center-of-mass extractor” тавсиф шудааст, аммо detailed method section equation-и parabolic interpolation-и болоиро медиҳад. Ин мақола Equation 23-и mathematically explicit-ро асос мегирад ва ин ду definition-ро ҳамчун як method хомӯшона муттаҳид намекунад.

Spatial amplitudes чӣ гуна ҳисоб мешаванд?

Баъд аз муайян кардани continuous delays, Fourier dictionary:

\[ A[n,k]=e^{-j2\pi f_n\hat{\tau}_k} \]

сохта мешавад. Complex path amplitudes барои ҳамаи antennas бо як regularized least-squares solution ҳисоб мешаванд:

\[ \hat{X}=(A^HA+\lambda I)^{-1}A^H H_{\mathrm{tgt}} \]

Дар ин марҳила trainable parameter-и нав истифода намешавад. Дар sample calculation-и муаллифон барои K = 20, N_sc = 1620 ва N_ant = 64 ин algebraic recovery тақрибан 18 MFLOP аст; тамоми pipeline бо DelayNet камтар аз 153 MFLOP ҳисоб шудааст.

Чаро дар BS neural decoder лозим нест?

Feedback payload-и TAP аз physical parameters сохта мешавад: estimated delays, normalized spatial amplitudes ва scale information. BS ҳамон continuous Fourier dictionary-ро аз нав сохта:

\[ \hat{H}=A\hat{X} \]

амалро иҷро мекунад. Аз ин рӯ дар BS ба neural decoder-и алоҳидаи CsiNet-like эҳтиёҷ нест. “Decoder-free” маънои инро надорад, ки channel reconstruction умуман иҷро намешавад; балки reconstruction ба ҷойи learned neural decoder бо algebraic matrix operation анҷом мешавад.

Training loss чӣ гуна таъриф шудааст?

TAP end-to-end бо objective-и дукомпонентӣ омӯзонида мешавад. Компоненти аввал MSE loss байни target heatmap, ки аз real physical delays сохта шудааст, ва output-и DelayNet мебошад. Барои ҳар real path Gaussian distribution, ки бо amplitude weighted шудааст, ҷойгир мешавад. Компоненти дуюм CFR-NMSE loss-и final full CFR reconstruction аст. Ҳамин тавр шабака на танҳо delay peaks-ро ишора кардан, балки contribution-и ин delays ба final channel reconstruction-ро ҳам меомӯзад.

Муҳитҳои таҷрибавӣ то чӣ андоза фарқ мекунанд?

Evaluation панҷ propagation environment-ро дар бар мегирад: Sionna RT-based Urban Macrocell (UMa) ва Indoor Factory (InF), DeepMIMO-based Urban Microcell (UMi) ва Indoor Hotspot (InH), ва 3GPP CDL-A, ки тавассути Sionna-PHY сохта шудааст. Илова бар ин, дар 1×32 ULA antenna geometry scalability evaluation-и алоҳида мавҷуд аст.

Дар қисми зиёди main tests 1620 subcarriers ва 60 kHz subcarrier spacing истифода мешаванд. Carrier frequency барои UMa, InF ва CDL-A 2,14 GHz; барои UMi 3,5 GHz; барои InH 2,5 GHz аст. Дар UMa ва InF 8×8 dual-polarized arrays, дар UMi ва InH 8×8 single-polarized arrays истифода мешаванд. Temporal window length барои UMa, InF, UMi ва InH 9, барои CDL-A 1 аст.

Channel structure байни муҳитҳо чӣ гуна тағйир меёбад?

Figures 4 ва 5 нишон медиҳанд, ки delay profiles-и indoor ва outdoor яксон нестанд. Дар indoor environment energy ба multipath components-и бештар тақсим мешавад ва барои гирифтани %95 total energy delay components-и бештар лозим шуда метавонад. Дар outdoor UMa average structure sparseтар аст, аммо distant reflections метавонанд tail-и delay distribution-ро дароз кунанд.

Аз ин рӯ TAP ба fixed K path count комилан вобаста нест; maximum estimated path count аз рӯи broad environment category танзим мешавад. Масалан, UMa барои K_max = 20, InF барои K_max = 90 ва CDL-A барои K_max = 40 истифода шудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• TAP дар simulated environments-и арзёбишуда бо physics-informed single-pass delay estimation CSI compression-и high-accuracy иҷро карда метавонад.
• Model size дар tested TAP configurations аз 1 MB кам мемонад.
• Inference time дар TAP rows тақрибан 0,48–0,64 ms гузориш шудааст.
• Transfer experiments ба propagation environments-и гуногун бе post-training fine-tuning иҷро шудаанд.
• Дар zero-shot transfer ба antenna arrays-и гуногун CFR-NMSE degradation дар geometries-и санҷидашуда аз 3 dB кам мондааст.
• Low CFR-NMSE-и TAP дар CDL-A system-level experiment ба spectral-efficiency results-и наздик ба perfect-CSI curve табдил шудааст.
• Robustness tests дар quantization ва CSI-RS estimation noise низ анҷом шудаанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад ё ҳанӯз исбот накардааст

• Commercial field success дар real operator network нишон дода нашудааст.
• Sim-to-real transfer бо real over-the-air channel measurements тасдиқ нашудааст.
• Current TAP structure барои near-field XL-MIMO valid нишон дода нашудааст.
• FR2 millimeter-wave ва hybrid beamforming conditions бо current results тасдиқ нашудаанд.
• Tested zero-shot generalization universal generalization proof барои ҳамаи channel environments нест.
• Sub-1-MB model size ва sub-millisecond latency барои ҳамаи UE platforms берун аз software/hardware ва simulation conditions-и мақола кафолат нест.

Усул ва Натиҷаҳои Таҳқиқот

Меъёри асосии evaluation: CFR-NMSE

Ба ҷойи истифодаи танҳо “patch NMSE”, ки барои cropped delay-angle patch-и CsiNet ҳисоб мешавад, таҳқиқот full channel frequency response matrix CFR-NMSE-ро меъёри асосӣ мегирад:

\[ \mathrm{NMSE} = 10\log_{10} \left( \frac{\lVert H-\hat{H}\rVert_F^2} {\lVert H\rVert_F^2} \right) \]

Ин фарқ муҳим аст. Вақте CsiNet-like method delay-angle patch-ро crop мекунад, channel energy берун аз patch сифр мешавад. Муаллифон бо Parseval relation нишон медиҳанд, ки real CFR error ҳам network reconstruction error дар patch ва ҳам energy-и пурра партофташудаи берун аз patch-ро дар бар мегирад. Аз ин рӯ comparisons дар таҳқиқот бо full CFR-NMSE анҷом мешаванд.

Performance-и TAP дар панҷ environment

Арзишҳои зерин аз Table III мебошанд. CFR-NMSE дар dB аст; арзиши negative-тари бештар reconstruction error-и камтарро нишон медиҳад.

Паёми асосии Table III танҳо паст будани mean values нест. %92,71 samples-и UMa CFR-NMSE беҳтар аз −10 dB доранд, дар дигар чор environment ин rate аз %99,65 то %100 гузориш шудааст. Аммо environments physical conditions ва compression ratios-и якхела надоранд, бинобар ин rows-ро ҳамчун ranking-и мустақими “кадом environment осонтар аст?” хондан мумкин нест.

Тавозуни compression quality ва feedback load

Дар Figure 8 TAP дар compression ratios-и гуногун Pareto curve месозад. Дар UMa TAP дар CR = 0,0124 NMSE-и −21,22 dB медиҳад ва ҳатто дар CR = 0,0012 ҳам −18,10 dB мегирад. CsiNet-UPA-и мақола дар CR = 0,0224 −9,14 dB аст.

Дар InF CsiNet-UPA дар CR = 0,0105 −7,82 dB медиҳад, TAP дар CR = 0,0112 −10,99 dB ва дар CR = 0,0279 −20,08 dB мерасад. Ин comparison нишон медиҳад, ки TAP на танҳо error value, балки trade-off-и error ва feedback load-ро ҳадаф мегирад.

Model size, latency ва computational load

Table IV яке аз муҳимтарин table-ҳои таҳқиқот барои арзёбии reconstruction accuracy бо computational cost мебошад.

Ин table claim-и TAP-ро дурусттар нишон медиҳад: TAP дар ҳар comparison absolute lowest NMSE намедиҳад. Масалан, TAP/UMa бо −21,22 dB нисбат ба OMP-и −31,16 dB error-и баландтар дорад; аммо OMP 630,15 ms latency дорад, дар ҳоле ки TAP 0,6239 ms. LASSO низ −30,22 dB reconstruction accuracy-и қавӣ дорад, аммо бо CR = 0,25 ва 88648,56 ms processing time computational/feedback cost-и комилан дигар дорад. Пас contribution-и асосӣ танҳо “lowest error” нест; balance-и accuracy, latency, model size ва compression load мебошад.

Model size-и CsiNet-UPA/UMa 657,1579 MB аст, дар ҳоле ки TAP-UMa 0,9921 MB. Ифодаи муаллифон “тақрибан 660 маротиба хурдтар” аз ҳамин size difference меояд.

Generalization ба antenna geometries-и гуногун

Дар Figure 10 model ба 4×16, 16×4 ва дигар UPA sizes-и аз training geometry фарқкунанда татбиқ мешавад. Тибқи таҳқиқот, дар се training environment ҳангоми гузаштан ба mismatched geometries CFR-NMSE degradation нисбат ба matched geometry аз 3 dB кам мемонад. Дар 1×32 ULA experiment-и Table II CsiNet-UPA mean −15,54 dB медиҳад, дар ҳоле ки TAP models-и дар environments-и гуногун trained аз −25,88 то −37,01 dB mean CFR-NMSE медиҳанд.

Zero-shot generalization байни environments

Figure 9 5×5 matrix аз панҷ training ва панҷ evaluation environment дорад. Ҳар TAP model танҳо дар як source environment trained мешавад ва дар environments-и дигар бе retraining иҷро мешавад. Масалан, model-и дар InF trained дар UMi evaluation −47,16 dB CFR-NMSE, model-и дар UMa trained дар InH evaluation −26,56 dB медиҳад.

Ин натиҷаҳо барои zero-shot environment transfer evidence-и қавии simulation медиҳанд. Аммо evaluation байни data-generation environments-и худи мақола анҷом шудааст; generalization ба real geographic field ё independent operator network experimental санҷида нашудааст.

System-level spectral efficiency

Дар Figure 11 reconstructed CSI дар CDL-A environment барои сохтани linear spatial precoder дар BS истифода мешавад. TAP curve дар SNR range-и баррасишуда “Perfect CSI” upper bound-ро наздик пайгирӣ мекунад. Дар CsiNet-UPA ва баъзе дигар methods CFR amplitude ва phase distortion ба spectral-efficiency loss-и бештар табдил мешаванд.

Ин experiment нишон медиҳад, ки low CFR-NMSE танҳо abstract error metric нест ва дар ҳамон simulation framework ба downlink spectral efficiency ҳам табдил мешавад. Аммо ин real user data-rate measurement нест; system-level simulation аз reconstructed CSI мебошад.

Дар зери quantization чӣ мешавад?

Дар real feedback continuous amplitude values бояд ба finite bit sequence табдил шаванд. Дар Figure 12 ба spatial amplitudes uniform scalar quantization бо bit widths-и гуногун татбиқ шудааст. Азбаски unquantized error floor-и TAP тақрибан −35,4 dB аст, бо кам шудани bits таъсири quantization noise бештар дида мешавад. Бо вуҷуди ин, натиҷаҳои муаллифон нишон медиҳанд, ки TAP ҳатто дар тақрибан 4–6 bit/latent dimension аз baseline methods absolute CFR-NMSE-и пасттарро нигоҳ медорад.

Robustness ба CSI-RS estimation noise

Figure 13 усулро вақте меомӯзад, ки initial channel estimate дар UE noisy аст. Дар UMa ва InF performance-и TAP ҳатто дар low CSI-RS SNR нисбатан нигоҳ дошта мешавад. Муаллифон инро бо ду mechanism шарҳ медиҳанд: spatial averaging бар common physical delays-и antenna elements ва temporal context аз past CFR samples.

Барои санҷидани ин explanation, дар CDL-A temporal window length қасдан W = 1 гузошта мешавад. Faster degradation-и CDL-A curve дар logic-и ablation-и худи таҳқиқот нишон медиҳад, ки temporal history ба noise robustness contribution-и муҳим дорад.

Маҳдудияти муҳимтарини математикӣ: near-field XL-MIMO

Current model-и TAP дар far-field барои ҳар physical path як common delay байни antennas истифода мекунад. Дар near-field XL-MIMO, аз сабаби spherical wavefront, arrival delay-и ҳамон path метавонад аз antenna element вобаста шавад:

\[ [h_{l,m}]_k = \alpha_{l,m} \exp\left[-j2\pi f_k(\tau_l+\Delta\tau_{l,m})\right] \]

TAP як common \(\hat{\tau}_l\) истифода мекунад, дар ҳоле ки LS solver барои ҳар antenna танҳо frequency-independent complex phase/amplitude coefficient танзим мекунад. Residual phase error-и source:

\[ \epsilon_{m,k} = -2\pi f_k\Delta\tau_{l,m} -\theta_m \]

мебошад. Аъзои аввал frequency-dependent phase slope ва дуюм constant phase shift аст, ки LS метавонад татбиқ кунад. Аз ин рӯ LS solution phase slope-ро бартараф карда наметавонад. Муаллифон ошкоро қабул мекунанд, ки current TAP architecture ба near-field XL-MIMO мустақим васеъ намешавад.

Арзёбии умумии илмӣ

Қавитарин ҷиҳати таҳқиқот дар он аст, ки neural network ба ҷойи фишурдани тамоми CSI matrix ба abstract latent space, ба estimation-и multipath delays-и физикӣ meaningful тамаркуз мекунад. Delays аз neural network, complex amplitudes аз analytical LS solution ва BS reconstruction аз physical Fourier dictionary меоянд. Ин separation имкон медиҳад model size аз antenna geometry нисбатан independent монад ва learned decoder дар BS лозим нашавад.

Ҷиҳати дигари қавӣ он аст, ки танҳо mean NMSE не, балки P90/P95 error levels, compression-NMSE Pareto analysis, environment transfer, antenna geometry transfer, computational load, system-level spectral efficiency, quantization ва CSI-RS noise якҷо санҷида шудаанд.

Маҳдудияти асосӣ ин аст, ки ҳамаи натиҷаҳо дар simulation ва simulation-based datasets мемонанд. Муаллифон низ future work-ро барои санҷидани sim-to-real gap бо real over-the-air measurements ва васеъ кардан ба near-field MIMO ва FR2 millimeter-wave systems зарур медонанд.

Эзоҳи Манбаъ ва Усул

Номи пурраи аслии кор: Temporal Channel Estimation for Generalized CSI Feedback

Муаллифон ва тартиб: Minwoo Kim; Hyeonsu Lyu; Sehyun Ryu; Sojeong Park; Hyun Jong Yang.

Equal contribution / co-first author: Дар версияи боршуда чунин изҳорот нест.

Corresponding author: Hyun Jong Yang.

Муассисаҳо: Дар source Minwoo Kim, Sehyun Ryu ва Sojeong Park бо Department of Electrical Engineering, Pohang University of Science and Technology (POSTECH), Pohang 37673, South Korea алоқаманданд. Барои Hyeonsu Lyu ва Hyun Jong Yang “Institute of New Media and Communications, Seoul 08826, South Korea” навишта шудааст. Hyun Jong Yang инчунин бо Department of Electrical and Computer Engineering, Seoul National University, Seoul 08826, South Korea алоқаманд аст. Азбаски affiliation line дар source closure/punctuation-и нопурра дорад, матн хомӯшона аз нав сохта нашудааст.

Навъи source ва publication status: Ин кор preprint-и peer-review нашуда аст; натиҷаҳо бояд бо дарназардошти ин publication stage арзёбӣ шаванд.

Platform: arXiv, Electrical Engineering and Systems Science / Signal Processing (eess.SP).

arXiv ID: arXiv:2608.01713v1.

Submission date: 3 августи 2026.

DOI: 10.48550/arXiv.2608.01713. Ин DOI аз ҷониби arXiv тавассути DataCite барои arXiv record дода шудааст ва ҳамчун peer-reviewed journal DOI тафсир намешавад.

Official link:https://arxiv.org/abs/2608.01713

Journal / conference / publisher: Дар версияи баррасишуда peer-reviewed journal ё conference publication нишон дода нашудааст.

License: arXiv.org non-exclusive distribution license. Ин license ҳамчун Creative Commons reuse license арзёбӣ нашудааст; аз ин рӯ original figures мустақим нусхабардорӣ нашудаанд.

Funding: Дар версияи баррасишуда funding statement-и алоҳида нест.

Data availability: Дар версияи баррасишуда data-availability statement-и алоҳида нест.

Conflict of interest: Дар версияи баррасишуда statement-и алоҳида нест.

CRediT/author contributions: Дар версияи баррасишуда CRediT ё detailed contribution statement нест.

Source-internal editorial inconsistencies: Дар саҳифаи аввал “Manuscript received April 19, 2021; revised August 16, 2021” навишта шудааст, аммо кор дар arXiv бо санаи 2026 пешниҳод шудааст ва bibliography publications-и 2026-ро ҳам дар бар мегирад. Аз ин рӯ 2021 dates ҳамчун real current submission/revision dates истифода нашудаанд. Инчунин definition-и sub-grid extractor дар contributions section бо explicit parabolic interpolation-и Equation 23 пурра мувофиқ нест. Дар abstract, contributions ва conclusion барои performance improvement dB ranges-и гуногун истифода шудаанд; бинобар ин Verianla direct numeric values-и comparative tables-ро асос гирифтааст.

Methodological boundary: Натиҷаҳо ба Sionna RT, DeepMIMO, Sionna-PHY/CDL-A ва related simulation setups асос меёбанд. Real field/over-the-air validation пешниҳод нашудааст. Architecture ба far-field common-delay assumption вобаста аст ва structural limitation барои near-field XL-MIMO ошкор нишон дода шудааст.

Content method: Ин шарҳи Verianla аз нигоҳи scientific findings танҳо ба кори баррасишуда асос ёфтааст. External sources танҳо барои verification-и title, author order, arXiv ID, DOI, publication status ва license истифода шудаанд; scientific experiment, performance result ё mechanism-и нави беруна илова нашудааст.