Radio xarita (radio map) geografik hududdagi radio signal tarqalishi yoki yo‘l yo‘qotishining fazoviy taqsimotini ko‘rsatuvchi raqamli xaritadir. 6G tarmoqlarida bu xaritalar qamrovni optimallashtirish, xalaqitlarni boshqarish, resurslarni taqsimlash, transport vositalari o‘rtasidagi aloqa va joylashuvni aniqlash kabi vazifalarda asosiy ma’lumot qatlamlaridan biridir.

Biroq real dunyoda radio o‘lchov nuqtalari nihoyatda siyrak va ko‘p hollarda hududning %1'idan ham kam qismini qamrab oladi. Binolar, yo‘llar, transport vositalari va boshqa to‘siqlar elektromagnit tarqalishni doimiy ravishda o‘zgartirgani sababli, yetishmaydigan o‘lchovlardan yuqori aniqlikdagi radio xarita yaratish murakkab teskari masaladir.

Ming Lei va hamkasblari ushbu muammo uchun RMF — Radio Mean Flow deb nomlangan yangi generativ modelni taklif qiladi. RMFning asosiy farqi diffuziya modellaridagi ko‘p bosqichli shovqinni yo‘qotish jarayonidan foydalanmasligi; MeanFlow yondashuvi orqali shovqindan maqsadli radio xaritaga to‘g‘ridan-to‘g‘ri bitta oldinga o‘tishda o‘tishni hosil qilishidir.

Model faqat siyrak signal o‘lchovlariga qaramaydi. Bino geometriyasi, tayanch stansiya joylashuvi, siyrak o‘lchovlar va dinamik to‘siqlar uchun to‘rtta alohida xususiyat ajratib olish mexanizmidan foydalanadi. Bu ma’lumotlar multi-scale cross-attention orqali U-Net tuzilmasiga uzatiladi.

RadioMapSeer benchmarkidagi tajribalarda RMF taqqoslangan usullar orasida eng past RMSE va eng yuqori PSNR qiymatlarini olgan; har bir namuna uchun taxminan 0,05 soniyalik inferensiya vaqti bilan ko‘p bosqichli diffuziya yondashuviga nisbatan sezilarli darajada tezroq ishlagan. Shunga qaramay, natijalar sintetik ray-tracing ma’lumotlariga asoslangan; haqiqiy dala o‘lchovlari bilan tekshirish hali o‘tkazilmagan.

Radio xarita nima va u 6G uchun nega muhim?

Radio xarita uzatuvchi bilan qabul qiluvchi o‘rtasidagi signal susayishining geografik hudud bo‘ylab qanday taqsimlanishini ko‘rsatadi. Bu susayish faqat erkin fazodagi masofaga bog‘liq emas; binolar, transport vositalari, devorlar va boshqa tuzilmalar signalni yutishi, qaytarishi, sochishi yoki difraksiyaga uchratishi mumkin.

Shu sababli tarmoq operatorlari faqat “tayanch stansiya qayerda?” degan savol bilan qiziqmaydi. Muayyan joydagi signal kuchi, qamrov bo‘shliqlari, soyalanish hududlari va dinamik to‘siqlar keltirib chiqaradigan o‘zgarishlar ham muhimdir.

Yuqori sifatli radio xaritalardan quyidagi vazifalarda foydalanish mumkin:

• qamrovni optimallashtirish,
• xalaqitlarni boshqarish,
• dinamik spektr boshqaruvi,
• transport vositasidan transport vositasiga aloqa,
• joylashuvni aniqlash,
• favqulodda tarmoqni rejalashtirish,
• 6G resurslarini taqsimlash.

Nega to‘g‘ridan-to‘g‘ri o‘lchash yetarli emas?

Shaharning har bir kvadrat metriga radio sensor o‘rnatish real emas. O‘lchov infratuzilmasining xarajati va joylashtirish qiyinligi sababli real dunyodagi namuna olish zichligi ko‘pincha juda past bo‘ladi.

Shuning uchun to‘liq radio xarita oz sonli haqiqiy o‘lchovlar hamda bino va uzatuvchi geometriyasi kabi atrof-muhit aprior ma’lumotlaridan baholanishi kerak.

Klassik interpolatsiya nega cheklangan bo‘lishi mumkin?

IDW yoki Kriging kabi interpolatsiya usullari o‘lchangan nuqtalar orasidagi bo‘shliqlarni statistik jihatdan to‘ldirishi mumkin. Ammo shahar muhitidagi radio tarqalish faqat masofaga bog‘liq silliq sirt emas. Bitta bino ikki yaqin nuqta orasidagi to‘g‘ridan-to‘g‘ri ko‘rish chizig‘ini butunlay o‘zgartirishi mumkin.

Shu sababli faqat fazoviy masofaga asoslangan interpolatsiya bino soyalanishi va dinamik to‘siqlar kabi elektromagnit xususiyatlarni yetarlicha ifodalay olmasligi mumkin.

Diffuziya modellarining afzalligi va narxi

Diffuziya modellari yuqori sifatli generativ natijalarni bera oladi. Biroq odatiy yondashuv shovqinli boshlang‘ich holatdan maqsadga o‘nlab ketma-ket denoising bosqichlari orqali yetib boradi.

Radio xaritani tez-tez qayta yaratish talab etiladigan dinamik 6G ssenariylarida bu iterativ jarayon sezilarli hisoblash kechikishiga aylanishi mumkin.

MeanFlow nega bir bosqichda generatsiya qila oladi?

Standart flow matching shovqin va ma’lumot taqsimoti o‘rtasidagi o‘tish davomida oniy tezlik maydonini o‘rganadi. MeanFlow esa bu tuzilmani o‘rtacha tezlik maydoni tushunchasi bilan qayta ifodalaydi.

Oniy tezlik o‘tishning muayyan vaqtdagi yo‘nalishini ifodalasa, o‘rtacha tezlik muayyan vaqt oralig‘idagi umumiy siljishni ifodalaydi.

Radio xarita kontekstida bu shuni anglatadi: model ko‘plab kichik “shovqinni kamaytirish” bosqichlarini alohida-alohida qo‘llash o‘rniga, shovqindan maqsad xaritagacha zarur bo‘lgan umumiy o‘tishni o‘rganishga harakat qiladi.

Asosiy flow yo‘li

Tadqiqotda ma’lumot namunasi x va shovqin ε orasidagi chiziqli yo‘l quyidagicha ifodalanadi:

z_t = a_tx + b_tε

Chiziqli jadval uchun:

z_t = (1 − t)x + tε

Radio xarita masalasida x maqsadli yo‘l-yo‘qotish xaritasini, ε esa Gaussian shovqinni ifodalaydi.

MeanFlow o‘rtacha tezlik maydoni

MeanFlow muayyan vaqt oralig‘idagi umumiy tezlik ta’sirini o‘rtacha maydon sifatida belgilaydi:

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

Bu tuzilma tarmoqqa o‘tish yo‘lining faqat bir lahzasini emas, butun oraliqning kumulyativ xatti-harakatini o‘rganish imkonini beradi.

Bir bosqichli namuna olish

O‘qitish tugagandan so‘ng namuna olish umumiy holda:

z_r = z_t − (t−r)u_θ(z_t,r,t)

ko‘rinishida bo‘ladi.

Bir bosqichli generatsiya uchun bu ifoda:

z₀ = z₁ − u_θ(z₁,0,1)

ko‘rinishigacha soddalashadi. Shunday qilib, natija uchun atigi bitta neyron tarmoq baholashi talab qilinadi.

RMF qaysi atrof-muhit ma’lumotlarini birgalikda ishlatadi?

RMFning asosiy arxitektura kuchi MeanFlow bilan birga ko‘p xususiyatli birlashtirishdan keladi. To‘rtta asosiy atrof-muhit ma’lumoti alohida yo‘llar orqali qayta ishlanadi:

Bino xususiyatlari nega ikki alohida yo‘l orqali olinadi?

Bino qirralari radio tarqalishda muhim yuqori chastotali geometrik tafsilotlarni tashiydi. Shu sababli model bino xaritasini ikkita parallel qayta ishlash yo‘liga yuboradi.

Birinchi yo‘l FFT orqali chastota sohasiga o‘tadi va o‘rganiladigan yuqori o‘tkazuvchi filtr bilan keskin chegaralarni ajratib ko‘rsatadi. Ikkinchi yo‘l CNN orqali mahalliy fazoviy naqshlarni o‘rganadi. Keyin ikkala xususiyat to‘plami birlashtiriladi.

Bu dizayn ham keng masshtabli bino joylashuvini, ham devor va bino qirrasi kabi lokal tafsilotlarni saqlashni maqsad qiladi.

Tayanch stansiya faqat koordinata sifatida berilmaydi

Tayanch stansiya joylashuvi modelga shunchaki piksel yoki koordinata sifatida berilishi o‘rniga, xaritaning har bir katagining uzatuvchigacha normallashtirilgan masofasini ko‘rsatuvchi masofa maydoniga aylantiriladi.

Coordinate attention mexanizmi ham ushbu maydonga qo‘shilib, elektromagnit tarqalishning yo‘nalishga bog‘liqliklarini o‘rganish maqsad qilinadi.

Siyrak o‘lchovlarda nega GNN ishlatiladi?

Har bir radio o‘lchov nuqtasi graph node sifatida qaraladi. Nuqtalar orasidagi bog‘lanishlar fazoviy masofa va ko‘rish chizig‘i shartlariga ko‘ra quriladi.

Model, shuningdek, erkin fazoda yo‘l yo‘qotishining masofaga qarab o‘zgarishiga oid fizik aprior ma’lumotlarni edge og‘irliklari va node xususiyatlariga kiritadi.

Shunday qilib, GNN faqat “yaqin nuqtalarning qiymati o‘xshash” farazi bilan ishlamaydi; bino va ko‘rish chizig‘i shartlarining radio tarqalishiga ta’sirini ham hisobga olishga harakat qiladi.

To‘rtta xususiyat qanday birlashtiriladi?

To‘rtta xususiyat oqimi birlashtirilib, jami 160 kanalli conditioning tensor hosil qilinadi:

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

Tadqiqotda kanal taqsimoti:

• bino: 64 kanal,
• tayanch stansiya: 32 kanal,
• transport vositasi: 32 kanal,
• siyrak o‘lchov: 32 kanal

deb belgilangan.

Cross-attention nega ishlatiladi?

Atrof-muhit ma’lumotlari model kirishida faqat bir marta berilmaydi. Multi-scale cross-attention mexanizmi ushbu xususiyatlarning U-Netning turli aniqlik darajalaridagi ifoda qatlamlari bilan qayta-qayta o‘zaro ta’sirlashishini ta’minlaydi.

Shunday qilib, past aniqlikda keng masshtabli shahar geometriyasi, yuqori aniqlikda esa keskin bino va signal chegaralari saqlanishi mumkin.

Tadqiqot Usuli va Natijalari

Foydalanilgan ma’lumotlar to‘plami

Model RadioMapSeerda baholangan. Dataset real OpenStreetMap geografiyasidan olingan shahar geometriyalaridan foydalansa-da, signal xaritalari ray-tracing simulyatsiyasi orqali yaratilgan.

Oltita shahar mavjud:

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

Jami 700 noyob xarita ssenariysi ishlatilgan. Ularning 500 tasi o‘qitish, 100 tasi tekshirish va 100 tasi test uchun ajratilgan; geografik ustma-ust tushish mavjud emas.

Har bir xarita 256 m × 256 m hududni 256 × 256 piksel sifatida ifodalaydi. Simulyatsiyada 5,9 GHz tashuvchi chastota, 23 dBm uzatuvchi quvvati va 1,5 m transceiver balandligi ishlatilgan.

Baholash mezonlari

Model samaradorligi to‘rtta asosiy mezon bilan baholangan:

• NMSE: Normallashtirilgan o‘rtacha kvadratik xato,
• RMSE: Piksel darajasidagi o‘rtacha xatoning kvadrat ildizi,
• SSIM: Strukturaviy o‘xshashlik,
• PSNR: Signal-shovqin nisbatiga asoslangan qayta tiklash sifati.

RMSE va NMSE uchun past qiymatlar; SSIM va PSNR uchun yuqori qiymatlar yaxshiroq samaradorlikni anglatadi.

O‘qitish tafsilotlari

RMF Python 3.9 va PyTorch 1.12.1 bilan amalga oshirilgan. O‘qitish NVIDIA GeForce RTX 3090 Ti GPUda taxminan 18 soat davom etgan, batch size 4 deb belgilangan. Kirish o‘lchami 256 × 256 pikseldir.

Optimallashtirish uchun AdamW ishlatilgan va o‘rganish tezligi 10⁻⁴dan 10⁻⁶gacha pasaytirilgan.

100 o‘lchov nuqtasi bilan asosiy natijalar

Ushbu natijalar bilan RMF taqqoslangan usullar orasida RMSE va PSNR bo‘yicha eng yaxshi natijani bergan.

RadioDiff bilan tezlik–sifat muvozanati

RadioDiff dinamik to‘siqsiz ssenariyda SSIM 0,9683 bilan RMFning 0,9674 qiymatidan biroz yuqori; dinamik to‘siqli holatda esa 0,9661 bilan RMFning 0,9557 qiymatidan yuqori strukturaviy o‘xshashlikni taqdim etadi.

Bunga qarshi, RadioDiffning har bir namuna uchun inferensiya vaqti taxminan 9,74 soniya, RMFniki esa taxminan 0,05 soniyadir.

Shu sababli mualliflar RMFni “har bir metrikda mutlaq ustun model” deb atamaydi. RadioDiff ayrim idrokiy/strukturaviy mezonlarda kichik ustunlikka ega bo‘lsa-da, RMF tezlik va piksel darajasidagi aniqlik o‘rtasida kuchliroq ish nuqtasini taqdim etadi.

Bir bosqichli RMF haqiqatan qanchalik tez?

100 o‘lchovli tajribada:

• 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.

RMF eng oddiy CNN modellaridan sekinroq bo‘lsa-da, yuqori aniqlikdagi diffuziya yondashuvidan taxminan ikki tartib darajasi tezroq. Tadqiqot RMFni ayniqsa 100 ms dan kam natija talab qilinadigan vaqtga sezgir foydalanish ssenariylariga joylashtiradi.

MeanFlow haqiqatan farq qiladimi?

Tadqiqotchilar buni sinash uchun RMF bilan aynan bir xil U-Net, FFT, GNN va coordinate-attention arxitekturasidan foydalanadigan, biroq MeanFlow o‘rniga standart Rectified Flow maqsadi bilan o‘qitilgan RF-1step taqqoslovini qo‘shgan.

Dinamik to‘siqli 100-o‘lchovli ssenariyda RMF:

• RF-1stepga nisbatan RMSEni taxminan %8,9 yaxshilagan,
• PSNRda 0,67 dB ustunlik bergan.

Ushbu nazoratli taqqoslash samaradorlik farqi faqat arxitektura xususiyat tarmoqlaridan emas, MeanFlow o‘qitish maqsadidan ham kelishini ko‘rsatadi.

Hech qanday radio o‘lchovi bo‘lmasa model nima qiladi?

Tadqiqotning eng qiyin tajribalaridan biri nol o‘lchov ssenariysidir. Bu yerda modelda hech qanday bevosita path-loss o‘lchov nuqtasi yo‘q. Faqat bino geometriyasi, tayanch stansiya va mavjud bo‘lsa dinamik to‘siq ma’lumotlaridan foydalaniladi.

Statik holatda RMF RadioDiffga nisbatan RMSEda taxminan %7,5 yaxshilanish va PSNRda 1,45 dB o‘sishni ko‘rsatgan.

Dinamik holatda ham PSNR 36,52 dB darajasida qolgan. Bu natija bevosita signal o‘lchovi bo‘lmaganda atrof-muhit aprior ma’lumotlarini to‘g‘ri qayta ishlash ayniqsa muhim bo‘lishini ko‘rsatadi.

GNN haqiqatan klassik interpolatsiyadan yaxshiroqmi?

Tadqiqotchilar GNN tarmog‘ini IDW va Ordinary Kriging bilan almashtirib, nazoratli taqqoslash o‘tkazgan.

GNN Ordinary Krigingga nisbatan RMSEda %7,7; IDWga nisbatan %11,2 yaxshilanish ko‘rsatgan.

Mualliflar buni fizik jihatdan tushuntirish mumkin deb hisoblaydi: IDW faqat masofa vaznidan foydalansa, Kriging fazoviy statsionarlikni faraz qiladi; GNN esa masofa bilan birga ko‘rish chizig‘i va tarqalish apriorlarini ham kodlay oladi.

Qaysi arxitektura komponenti eng muhim?

100 o‘lchov nuqtasi va dinamik to‘siq holatidagi ablation tadqiqotida eng katta bitta komponent ta’siri GNN tarmog‘ida kuzatilgan. GNN olib tashlanganda RMSE 0,0143dan 0,0153ga oshgan, PSNR 36,91dan 35,89 dBga tushgan.

Barcha atrof-muhit xususiyatlari olib tashlanib, faqat MeanFlow ishlatilganda RMSE 0,0165ga, PSNR 34,67 dBga tushadi. Bu natija model muvaffaqiyati faqat MeanFlowdan emas, MeanFlow bilan ko‘p atrof-muhit xususiyatlarini birlashtirish uyg‘unligidan kelishini ko‘rsatadi.

Nol o‘lchovda eng muhim xususiyat o‘zgaradi

O‘lchov bo‘lmaganda GNN allaqachon faol emas. Ushbu ssenariyda eng muhim komponent coordinate attentionga aylanadi.

Coordinate attention olib tashlanganda dinamik nol-o‘lchov ssenariysida RMSE 0,0162dan 0,0183ga oshgan, PSNR 36,52dan 35,36 dBga tushgan.

Ushbu topilma bevosita signal ma’lumoti bo‘lmaganda tayanch stansiyaning geometrik joylashuvi va yo‘nalishli tarqalish ma’lumoti muhimroq bo‘lishini ko‘rsatadi.

Conditioning niqobi nega maksimum amalidan foydalanadi?

RMF bino, tayanch stansiya, o‘lchov va dinamik to‘siq matritsalarini umumiy conditioning matritsasi K ostida birlashtiradi.

Tadqiqotchilar yig‘indi, vaznli yig‘indi, o‘rganilgan 1×1 convolution gate va element-wise maximum usullarini taqqoslagan.

Element-wise maksimum ushbu tajribada uchta asosiy metrikning barchasida eng yaxshi natijani bergan.

Model hech qachon ko‘rmagan shaharlarda ham ishlaydimi?

Tadqiqotchilar oltita RadioMapSeer shahrida leave-one-city-out kross-validatsiya o‘tkazgan. Har bir aylanishda beshta shahar bilan o‘qitish amalga oshirilgan, oltinchi shahar test uchun butunlay tashqarida qoldirilgan.

RMFning o‘rtacha natijasi:

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

RadioDiff uchun:

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

Har ikkala model ham taqsimot ichidagi testga nisbatan RMSEda taxminan %16 yomonlashgan. Bu ko‘rilmagan shahar morfologiyalari hali ham muhim umumlashtirish muammosi ekanini ko‘rsatadi.

Shaharlar bo‘yicha RMF natijalari

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• MeanFlow asosidagi bir bosqichli generatsiya RadioMapSeerda yuqori sifatli radio xaritani qayta tiklashni ta’minlashi mumkin.
• RMF taqqoslangan usullar orasida RMSE va PSNR bo‘yicha eng yaxshi qiymatlarni olgan.
• Bir bosqichli tuzilma ko‘p bosqichli diffuziya yondashuviga nisbatan inferensiya kechikishini juda katta darajada kamaytiradi.
• Bino, tayanch stansiya, siyrak o‘lchov va dinamik to‘siq ma’lumotlarini birgalikda ishlatish natijalarni sezilarli yaxshilaydi.
• GNN ayniqsa siyrak o‘lchov mavjud bo‘lganda muhim hissa qo‘shadi.
• O‘lchov bo‘lmaganda tayanch stansiya geometriyasi va coordinate attention yanada muhim bo‘ladi.
• RMF ko‘rilmagan shaharlarda ham RadioDiffga nisbatan ustunligini saqlagan; biroq har ikkala modelda ham samaradorlik pasayishi kuzatilgan.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• RMFning haqiqiy 6G dala tarmoqlarida xuddi shunday samaradorlik ko‘rsatishi hali isbotlanmagan.
• Modelning real vaqtli tijoriy 6G joylashtirishga tayyor ekani ko‘rsatilmagan.
• RadioDiff barcha mezonlarda orqada emas; ayrim SSIM va NMSE natijalarida ustunligini saqlaydi.
• 0,05 soniyalik inferensiya vaqti barcha apparatlarda kafolatlangan qiymat emas; test RTX 3090 Ti qurilmasida o‘tkazilgan.
• Sintetik ray-tracing ma’lumotlari real dunyoning barcha elektromagnit murakkabligini ifodalamaydi.
• Model hali ko‘p diapazonli, ko‘p antennali, mmWave, RIS yoki ISAC muhitlarida tekshirilmagan.

Asosiy cheklovlar

Eng muhim cheklov ma’lumot manbasidir. RadioMapSeer bino geometriyalarini haqiqiy OpenStreetMap ma’lumotlaridan olsa-da, signal taqsimoti deterministik ray-tracing orqali yaratiladi.

Haqiqiy muhitda stochastic multipath fading, antenna pattern notekisliklari, zamin aks ettirish xususiyatlari va transport vositalarining murakkab elektromagnit sochilish xatti-harakatlari simulyatsiyadagidan farq qilishi mumkin.

Shu sababli maqola dala darajasida qat’iy samaradorlik da’vosini ilgari surmaydi va haqiqiy radio o‘lchovlari bilan tekshirishni asosiy kelajak ishi sifatida ko‘rsatadi.

Kelajakdagi ishlar

Mualliflar ayniqsa quyidagi tadqiqot yo‘nalishlarini taklif qiladi:

1. haqiqiy dala o‘lchovlarida tekshirish,
2. ko‘p diapazonli va ko‘p antennali tarmoqlarga kengaytirish,
3. vaqt bo‘yicha radio xarita prognozi,
4. federated learning orqali maxfiylikka yo‘naltirilgan taqsimlangan o‘rganish,
5. ISAC ssenariylariga moslashtirish,
6. reconfigurable intelligent surfaces bilan integratsiya,
7. physics-informed neural network komponentlari bilan ko‘rilmagan muhitlarga umumlashtirishni kuchaytirish.

Manba va Usul Haqida Izoh

Asl sarlavha:Single-Step Radio Map Reconstruction with Multi-Feature Fusion via Mean Flow Matching

Mualliflar: Ming Lei, You Fu, Ruyun Fu, Shengliang Fang va Youchen Fan.

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

Jurnal:AI, 2026, 7, Article 207.

DOI:10.3390/ai7060207

Yuborilgan: 24 Mart 2026. Qayta ko‘rib chiqish: 27 May 2026. Qabul: 3 Iyun 2026. Nashr: 5 Iyun 2026.

Tadqiqot turi: Generativ sun’iy intellektga asoslangan usul ishlab chiqish, benchmark taqqoslash va ablation tahlili.

Ma’lumotlar to‘plami: RadioMapSeer; Ankara, Berlin, Glasgow, London, Ljubljana va Tel Avivdan 700 ta simulyatsiya qilingan radio xarita ssenariysi.

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

Etika: Institutional Review Board va informed consent ushbu tadqiqot uchun qo‘llanilmaydi.

Ma’lumotlarga kirish: RadioMapSeer ma’lumotlar to‘plami ommaga ochiq.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan. Moliyalashtiruvchining tadqiqot dizayni, ma’lumot tahlili, talqin, maqola yozish yoki nashr qarorida roli bo‘lmagani ko‘rsatilgan.

Litsenziya: Creative Commons Attribution (CC BY).

Usuliy chegara: Tajribalar haqiqiy dala radio o‘lchovlarida emas, deterministik ray-tracing asosidagi RadioMapSeer benchmarkida o‘tkazilgan. Shu sababli natijalar usullar o‘rtasidagi nazoratli taqqoslashni kuchli qo‘llab-quvvatlasa-da, haqiqiy 6G joylashtirishlaridagi operatsion samaradorlikni bevosita isbotlamaydi.

Verianla usuliy izohi: Ushbu o‘zbekcha mazmun manba maqolaning matematik usuli, arxitekturasi, ma’lumotlar to‘plami, tajriba dizayni, samaradorlik jadvallari, ablation natijalari, umumlashtirish tahlili va cheklovlarini manba ma’nosiga sodiq holda mustaqil ta’lim tuzilmasida qayta tashkil etadi. Manba rasmlari yoki jadvallari aynan ko‘chirilmagan.