Ushbu tadqiqot Frequency Division Duplex (FDD) massive MIMO tizimlarida bazaviy stansiyaga qaytarilishi kerak bo‘lgan yuqori o‘lchamli kanal holati ma’lumotini (Channel State Information, CSI) tezroq va ixchamroq ko‘rinishga keltirishni o‘rganadi. Mualliflar ishlab chiqqan TAP (Tap-Assisted Parametric CSI Compression) usuli o‘tgan va joriy kanal chastota javoblaridan vaqt bo‘yicha axborot ajratadigan yengil 1D neyron tarmoq yordamida ustun ko‘p yo‘lli tarqalish kechikishlarini bitta o‘tishda baholaydi; kasrli kechikishlarni sub-grid interpolatsiya bilan aniqlaydi va fazoviy kompleks amplitudalarni yopiq ko‘rinishdagi eng kichik kvadratlar yechimi orqali hisoblaydi. 3GPP asosidagi yoki 3GPP bilan mos besh xil simulyatsiya muhitidagi natijalarda TAP bir megabaytdan kichik model hajmi va taxminan 0,48–0,64 ms oralig‘ida hisobot qilingan inference vaqtlarida kuchli CFR-NMSE ko‘rsatkichlarini beradi. Biroq natijalar asosan ray-tracing va stokastik kanal simulyatsiyalariga tayanadi; ish real simsiz maydonda over-the-air verifikatsiya taqdim etmaydi va mavjud matematik tuzilma uzoq-maydon tekis to‘lqin farazi bilan cheklangan.

TAPning asosiy g‘oyasi klassik compressed sensing usullarining fizik talqin qilinuvchanligini deep learning’ning tez inference xususiyati bilan birlashtirishdir. Klassik Orthogonal Matching Pursuit (OMP) kechikish fazosidagi ustun yo‘llarni ketma-ket qidirgani uchun aniq, ammo iterativ va qimmat hisoblash jarayonini hosil qiladi. TAP esa o‘tgan CSI namunalarining vaqt bo‘yicha uzluksizligidan foydalanib ehtimoliy fizik kechikishlarni neyron tarmoq bilan bevosita aniqlashni, keyin esa eng kichik kvadratlar yechimini faqat bir marta bajarishni maqsad qiladi. Shunday qilib, tarmoq kanalning hammasini yodlaydigan katta encoder-decoder bo‘lish o‘rniga fizik kechikish parametrlarini topishga yo‘naltiriladi.

Tadqiqotning Turkiya nuqtai nazaridan ahamiyati usulning bevosita muayyan davlat tarmog‘iga bog‘lanmaganidadir. FDD massive MIMO va kelajakdagi antennalar soni katta bo‘lgan simsiz tizimlarda CSI feedback yukini kamaytirishga qaratilgan bu yondashuv Turkiyadagi ilmiy-tadqiqot va ishlanmalarda ham o‘rganilishi mumkin. Biroq maqoladagi UMa, InF, UMi, InH va CDL-A natijalarini Turkiyadagi real operator maydonlariga bevosita ko‘chirish ilmiy jihatdan to‘g‘ri emas. Mahalliy chastota taqsimotlari, real bazaviy stansiya massivlari, terminal apparati, mobillik, bino va relyefdan kelib chiqadigan tarqalish xususiyatlari hamda real CSI-RS o‘lchovlari bilan alohida verifikatsiya talab etiladi.

Tadqiqotning asosiy muammosi nima?

FDD massive MIMOda bazaviy stansiya (BS) downlink kanalini uplink kanalidan to‘g‘ridan-to‘g‘ri hosil qila olmaydi. Shu sababli foydalanuvchi uskunasi (User Equipment, UE) downlink kanalini baholashi, juda yuqori o‘lchamli CSI ma’lumotini siqishi va cheklangan sig‘imli uplink control channel orqali bazaviy stansiyaga qaytarishi kerak. Antennalar soni va OFDM subcarrierlar soni oshgan sari to‘liq kanal chastota javobi (Channel Frequency Response, CFR) matritsasi ham kattalashadi.

Tadqiqot bu muammo bo‘yicha mavjud yondashuvlarni uch guruhda ko‘rib chiqadi. OMP, LASSO va TVAL3 kabi compressed sensing usullari delay domaindagi fizik siyraklikka tayanadi, biroq iterativ hisoblash sababli kechikish keltirib chiqaradi. CsiNet oilasi kabi deep learning usullari tez inference bera oladi, ammo muayyan antenna geometriyalariga va o‘quv muhitlarining statistik xususiyatlariga bog‘lanib qolishi mumkin. 3GPP Type-1 va Type-2 codebooklar esa hisoblash jihatdan yengil bo‘lsa-da, tadqiqotda yuqoriroq rekonstruksiya xatosi bilan taqqoslangan.

Fizik kanal qanday modellashtiriladi?

Tadqiqotda single-cell, FDD massive MIMO va OFDM tizimi ko‘rib chiqiladi. Bazaviy stansiya N_r × N_c uniform planar antenna array va P polarizatsiyaga ega. Umumiy antenna portlari soni:

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

deb aniqlanadi.

Bitta subcarrier va antenna elementi uchun kanal chastota javobi turli ko‘p yo‘lli komponentlar yig‘indisi sifatida modellashtiriladi:

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

Bu yerda \(\alpha_{l,m}\) — l-yo‘lning m-antennadagi kompleks fazoviy amplitudasi; \(\tau_l\) — fizik tarqalish kechikishi; \(f_n\) esa n-subcarrier chastotasidir. Tadqiqotning kritik fizik farazi shuki, uzoq maydonda ayni ko‘p yo‘lli komponentning kechikishi antenna massivi bo‘ylab umumiy deb qabul qilinadi; antennalar orasidagi farq esa asosan kompleks fazoviy amplitudalarga yuklanadi.

Chastota o‘qida inverse fast Fourier transform (IFFT) qo‘llanganda kanal Channel Impulse Response (CIR) ko‘rinishida delay domainga o‘tadi. Energiya cheklangan sondagi ustun fizik yo‘llar atrofida to‘plangani sababli CIR siyrak tuzilma ko‘rsatadi. TAP ana shu fizik xususiyatdan bevosita foydalanadi.

Nega klassik OMP yetarlicha tez emas?

OMP har iteratsiyada joriy residual signalni delay dictionary bilan taqqoslaydi, eng kuchli atomni tanlaydi, active dictionaryni kengaytiradi, least-squares yechimini bajaradi va residualni qayta hisoblaydi. Shu sababli baholangan yo‘llar soni oshgani sari IFFT, korrelyatsiya va matritsa yechimi qayta-qayta bajariladi.

Tadqiqotning 2-rasmida yo‘llar soni oshgani sari NMSE yaxshilanishi bilan birga ishlov berish vaqti ham sezilarli o‘sishi ko‘rsatilgan. Matnda K = 10 uchun taxminan 1000 ms ishlov berish vaqti qayd etilgan. Biroq keyingi IV-jadvalda OMP (K = 10) uchun 630,15 ms hisobot qilingan. Bu ikki raqam bitta manba ichida farq qilgani sababli ularni yagona aniq OMP kechikishi sifatida birlashtirish kerak emas; ikkisi ham usulning sub-millisecond maqsaddan ancha yuqorida qolishini ko‘rsatadi.

IFFT tepasini bir martada tanlash nega yechim emas?

Mualliflar ikki asosiy sababni tushuntiradi. Birinchisi spectral leakage. Cheklangan bandwidth chastota domainida to‘rtburchak oyna kabi ta’sir qilib, delay domainda sinc shaklidagi main lobe va side lobelar hosil qiladi. Kuchli fizik yo‘lning side lobei zaifroq real yo‘l sifatida xato tanlanishi mumkin.

Ikkinchi muammo grid mismatch, ya’ni fizik kechikishlarning raqamli delay grid nuqtalariga aynan tushmasligi. Haqiqiy kechikish ikki grid nuqtasi orasida bo‘lsa, energiya qo‘shni atomlarga tarqaladi. Dictionaryni ortiqcha sampling qilish resolutionni oshirsa-da, qo‘shni atomlarning o‘zaro juda yuqori korrelyatsiyali bo‘lishiga olib keladi. Natijada bitta fizik yo‘l bir nechta alohida yo‘l sifatida qabul qilinishi mumkin.

Kechikish xatosi nega ayniqsa muhim?

Tadqiqot faqat eksperimental taqqoslash bilan cheklanmay, delay estimation xatosining CFR rekonstruksiya xatosiga qanday aylanishini matematik ravishda ham tahlil qiladi. Bitta fizik yo‘l uchun haqiqiy kechikish \(\tau\), baho esa \(\hat{\tau}=\tau+\Delta\tau\) deb olinsa, least-squares yechimi amplituda va doimiy fazani tuzata olsa ham, delay xatosi sabab hosil bo‘ladigan chastotaga bog‘liq faza qiyaligini yo‘qota olmaydi.

Tadqiqotda hosil qilingan yuqori chegara:

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

ko‘rinishida berilgan. Bu yerda:

• \(N_{\mathrm{sc}}\): OFDM subcarrierlar soni.
• \(\Delta\tau\): fizik kechikishni baholash xatosi.
• \(E_f=\sum_k f_k^2\): ishlatilgan chastota nuqtalarining tarqalish energiyasini ifodalaydi.

Bu bog‘lanishning asosiy xabari kechikish xatosi ta’sirining kvadratik o‘sishi va keng polosali tizimlarda kichik delay xatolarining ham sezilarli CFR xatosiga aylanishidir. Ko‘p yo‘lli holatda xato ustun yo‘l amplitudalari bilan ham og‘irlashtiriladi; shu sababli kuchli line-of-sight komponentidagi kichik delay xatosi ayniqsa muhim.

TAP nimani boshqacha qiladi?

TAP klassik OMPning iterativ atom qidiruvini DelayNet deb nomlangan yengil 1D convolutional neural network bilan almashtiradi. Tarmoq faqat joriy CFRni emas, balki joriy va o‘tgan CFR namunalaridan tashkil topgan vaqt oynasini birgalikda ishlatadi. Avval subcarrier o‘qida Hamming window va IFFT qo‘llanib, ma’lumotlar delay domainga o‘tkaziladi. Vaqt ketma-ketligi fizik yo‘llarning vaqt bo‘yicha izchil harakatini tasodifiy shovqin va vaqtinchalik side-lobe tuzilmalaridan ajratishga yordam beradi.

DelayNet delay o‘qida multi-label probability heatmap hosil qiladi. Arxitekturada antenna o‘lchamlariga bevosita bog‘liq fully-connected qatlamlar o‘rniga antenna averaging va depthwise separable convolution ishlatiladi. Shu tariqa o‘rgatiladigan parametrlar sonining antenna massivining qator va ustun soni bilan o‘smasligi maqsad qilinadi.

Kasrli kechikish qanday topiladi?

Batafsil usul bo‘limida eng yuqori K lokal tepa atrofidagi uchta ehtimollik qiymatiga parabola moslashtirilib sub-grid offset hisoblanadi:

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

So‘ng fizik kechikish:

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

ko‘rinishida olinadi. Bu amal kechikishning faqat diskret grid nuqtalarida qolib ketishining oldini oladi va gradientning DelayNetga qayta oqishiga imkon bergani uchun end-to-end o‘qitiladigan tuzilmaning bir qismi hisoblanadi.

Manba ichidagi izoh: maqolaning contributions ro‘yxatida bu sub-grid mexanizmi “symmetric linear power-weighted center-of-mass extractor” deb ta’riflangan, batafsil usul bo‘limida esa yuqoridagi parabolik interpolatsiya tenglamasi berilgan. Ushbu maqola matematik jihatdan ochiq ta’riflangan 23-tenglamani asos qilib oladi va ikki ta’rifni bir usuldek jimlik bilan birlashtirmaydi.

Fazoviy amplitudalar qanday hisoblanadi?

Continuous kechikishlar aniqlangach, Fourier dictionary:

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

ko‘rinishida quriladi. Barcha antennalar uchun kompleks yo‘l amplitudalari yagona regularized least-squares yechimi bilan hisoblanadi:

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

Bu bosqichda yangi trainable parametr ishlatilmaydi. Mualliflarning namunaviy hisobida K = 20, N_sc = 1620 va N_ant = 64 uchun ushbu algebraik recovery taxminan 18 MFLOP; DelayNet bilan birga butun pipeline 153 MFLOPdan kam deb hisoblangan.

Nega bazaviy stansiyada neural decoder kerak emas?

TAPning feedback yuki fizik parametrlar asosida tuziladi: baholangan kechikishlar, normallashtirilgan fazoviy amplitudalar va scale ma’lumoti. Bazaviy stansiya ayni continuous Fourier dictionaryni qayta qurib:

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

amalini bajaradi. Shu sababli bazaviy stansiyada CsiNetga o‘xshash alohida neural decoder ishga tushirish talab qilinmaydi. Bu yerda “decoder-free” kanal umuman qayta qurilmaydi degani emas, balki rekonstruksiya learned neural decoder o‘rniga algebraik matritsa amali bilan bajarilishini anglatadi.

Training loss qanday aniqlanadi?

TAP end-to-end ikki komponentli objective function bilan o‘qitiladi. Birinchi komponent haqiqiy fizik kechikishlardan tuzilgan target heatmap bilan DelayNet outputi orasidagi MSE loss. Har bir haqiqiy yo‘l uchun amplitudasi bilan og‘irlashtirilgan Gaussian taqsimot joylashtiriladi. Ikkinchi komponent esa yakuniy to‘liq CFR rekonstruksiyasining CFR-NMSE lossidir. Shu tariqa tarmoq nafaqat delay peaklarni belgilashni, balki ushbu kechikishlarning yakuniy kanal rekonstruksiyasiga qo‘shadigan hissasini ham o‘rganadi.

Eksperimental muhitlar qanchalik farq qiladi?

Baholash beshta asosiy tarqalish muhitini qamrab oladi: Sionna RT asosidagi Urban Macrocell (UMa) va Indoor Factory (InF), DeepMIMO asosidagi Urban Microcell (UMi) va Indoor Hotspot (InH), hamda Sionna-PHY orqali yaratilgan 3GPP CDL-A. Tadqiqotda bundan tashqari 1×32 ULA antenna geometriyasida alohida scalability baholashi ham mavjud.

Asosiy testlarning katta qismida 1620 subcarrier va 60 kHz subcarrier spacing ishlatiladi. UMa, InF va CDL-A uchun carrier frequency 2,14 GHz; UMi uchun 3,5 GHz; InH uchun 2,5 GHz. UMa va InF testlarida 8×8 dual-polarized array; UMi va InHda 8×8 single-polarized array ishlatiladi. Temporal window uzunligi UMa, InF, UMi va InH uchun 9; CDL-A uchun 1 qilib o‘rnatilgan.

Kanal tuzilmasi muhitdan muhitga qanday o‘zgaradi?

4- va 5-rasmlar indoor va outdoor muhitlarning delay profillari bir xil emasligini ko‘rsatadi. Indoor muhitda energiya ko‘proq multipath komponentlarga tarqaladi va umumiy energiyaning %95 qismini ushlash uchun ko‘proq delay komponent talab qilinishi mumkin. Outdoor UMa muhitida o‘rtacha tuzilma siyrakroq bo‘lsa-da, uzoq refleksiyalar sabab delay distribution tail cho‘zilishi mumkin.

Shu sababli TAP mutlaqo qat’iy K yo‘l soniga bog‘lanmaydi; umumiy muhit kategoriyasiga qarab maksimal baholanadigan yo‘llar soni moslanadi. Tadqiqotda misol sifatida UMa uchun K_max = 20, InF uchun K_max = 90 va CDL-A uchun K_max = 40 ishlatilgan.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• TAP baholangan simulyatsiya muhitlarida physics-informed, single-pass delay estimation bilan yuqori aniqlikdagi CSI compression amalga oshira oladi.
• Sinov qilingan TAP konfiguratsiyalarida model hajmi 1 MBdan kichik bo‘lib qoladi.
• Inference vaqtlari TAP qatorlarida taxminan 0,48–0,64 ms oralig‘ida hisobot qilingan.
• Turli tarqalish muhitlariga trainingdan keyin qayta fine-tuning qilinmasdan transfer tajribalari bajarilgan.
• Turli antenna arraylarga zero-shot transferda hisobot qilingan CFR-NMSE buzilishi ko‘rib chiqilgan geometriyalarda 3 dBdan past qolgan.
• TAPning past CFR-NMSEsi CDL-A system-level tajribada perfect CSI egri chizig‘iga yaqin spectral efficiency natijalariga aylangan.
• Quantization va CSI-RS estimation noise ostida alohida robustness tajribalari o‘tkazilgan.

Tadqiqot qo‘llab-quvvatlamaydigan yoki hali isbotlamagan natijalar

• Real operator tarmog‘ida tijoriy maydon muvaffaqiyati ko‘rsatilmagan.
• Real over-the-air kanal o‘lchovlari bilan sim-to-real transfer tasdiqlanmagan.
• Hozirgi TAP tuzilmasining near-field XL-MIMO uchun yaroqliligi ko‘rsatilmagan.
• FR2 millimeter-wave va hybrid beamforming sharoitlari joriy natijalar bilan verifikatsiya qilinmagan.
• Sinov qilingan zero-shot generalization barcha mumkin bo‘lgan kanal muhitlarida universal generalization isboti emas.
• Bir megabaytdan kichik model hajmi va sub-millisecond latency maqoladagi software/hardware hamda simulation sharoitlaridan tashqari barcha UE platformalari uchun kafolat emas.

Tadqiqotning Usuli va Natijalari

Asosiy baholash mezoni: CFR-NMSE

Tadqiqot CsiNetning cropped delay-angle patch ustida hisoblangan “patch NMSE” qiymatidan foydalanish bilan cheklanmay, to‘liq channel frequency response matritsasidagi CFR-NMSEni asosiy mezon sifatida oladi:

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

Bu farq muhim. CsiNetga o‘xshash usul delay-angle patchni crop qilganda patch tashqarisida qolgan channel energiya nolga tenglashtiriladi. Mualliflar Parseval munosabati orqali real CFR xatosi tarmoqning patch ichidagi rekonstruksiya xatosini ham, butunlay tashlab yuborilgan patch tashqarisidagi energiyani ham qamrab olishini ko‘rsatadi. Shu sababli tadqiqotdagi taqqoslashlar to‘liq CFR-NMSE bo‘yicha bajariladi.

TAPning besh muhitda hisobot qilingan ko‘rsatkichlari

Quyidagi qiymatlar tadqiqotning III-jadvalidagi natijalardir. CFR-NMSE dBda; yanada manfiy qiymat pastroq rekonstruksiya xatosini anglatadi.

III-jadvalning asosiy xabari faqat o‘rtacha qiymatlar pastligi emas. UMa namunalarining %92,71 qismi −10 dBdan yaxshi CFR-NMSEga erishgan, boshqa to‘rt muhitda esa bu ulush %99,65–%100 oralig‘ida hisobot qilingan. Biroq muhitlar ayni fizik sharoit va ayni compression ratio ga ega emas; shuning uchun qatorlarni bevosita “qaysi muhit osonroq?” tartibi sifatida o‘qish mumkin emas.

Siqish sifati va feedback yuki o‘rtasidagi muvozanat

8-rasmda TAP turli compression ratio larida Pareto curve hosil qiladi. UMa muhitida TAP CR = 0,0124 da −21,22 dB NMSE hisobot qiladi, CR = 0,0012 gacha kamaytirilganda ham −18,10 dB oladi. Maqoladagi CsiNet-UPA ekvivalenti CR = 0,0224 da −9,14 dB deb berilgan.

InF misolida CsiNet-UPA CR = 0,0105 bilan −7,82 dB beradi, TAP esa o‘xshash CR = 0,0112 da −10,99 dB, CR = 0,0279 da −20,08 dBga erishadi. Bu taqqoslash TAP faqat xato qiymatiga emas, balki xato va feedback yuki birgalikda hosil qiladigan trade-offga qaratilganini ko‘rsatadi.

Model hajmi, latency va hisoblash yuki

IV-jadval rekonstruksiya aniqligini hisoblash xarajati bilan birga baholash uchun tadqiqotning eng muhim jadvallaridan biridir.

Bu jadval TAPning da’vosini aniqroq joylashtiradi: TAP har bir taqqoslashda mutlaq eng past NMSEni bermaydi. Masalan UMa TAP qatoridagi −21,22 dB OMPning −31,16 dB qiymatiga qaraganda kattaroq xato anglatadi; biroq OMP uchun hisobot qilingan 630,15 ms latencyga qarshi TAP 0,6239 ms. LASSO ham −30,22 dB bilan kuchli rekonstruksiya aniqligi ko‘rsatadi, ammo 0,25 compression ratio va 88648,56 ms ishlov berish vaqti bilan mutlaqo boshqa hisoblash/feedback xarajatiga ega. Shuning uchun tadqiqotning asosiy hissasi shunchaki “eng past xato” emas; aniqlik, latency, model hajmi va compression yuki o‘rtasidagi umumiy muvozanatdir.

CsiNet-UPA ning UMa model hajmi 657,1579 MB bo‘lsa, ayni jadvalda TAP-UMa 0,9921 MB. Mualliflarning “taxminan 660 marta kichik” degan ifodasi ana shu hajm farqidan kelib chiqadi.

Turli antenna geometriyalariga generalization

10-rasmda model trainingda ishlatilgan antenna geometriyasidan farqli 4×16, 16×4 va boshqa UPA o‘lchamlariga qo‘llanadi. Tadqiqotga ko‘ra, uchta asosiy training muhitida mismatched geometriyalarga o‘tilganda CFR-NMSE degradation matched geometriyaga nisbatan 3 dBdan kichik qolgan. II-jadvaldagi 1×32 ULA tajribasida CsiNet-UPA o‘rtacha −15,54 dB bersa, turli muhitlarda o‘qitilgan TAP modellari −25,88 dan −37,01 dB gacha o‘rtacha CFR-NMSE hisobot qiladi.

Muhitlararo zero-shot generalization

9-rasmda beshta training muhiti va beshta evaluation muhitidan tashkil topgan 5×5 matritsa mavjud. Har TAP modeli bitta source muhitda o‘qitilib, boshqa muhitlarda retraining qilinmasdan ishlatiladi. Masalan, InFda o‘qitilgan model UMi evaluationda −47,16 dB CFR-NMSE; UMada o‘qitilgan model InH evaluationda −26,56 dB hisobot qiladi.

Bu natijalar zero-shot environment transfer uchun kuchli simulation evidence beradi. Biroq baholash baribir maqolada aniqlangan data-generation muhitlari orasida bajarilgan; real geografik field yoki mustaqil operator tarmog‘iga generalization tajribada sinovdan o‘tkazilmagan.

System-level spectral efficiency

11-rasmda CDL-A muhitidagi rekonstruksiya qilingan CSI bazaviy stansiyada linear spatial precoder yaratish uchun ishlatiladi. TAP curve ko‘rib chiqilgan SNR oralig‘ida “Perfect CSI” upper boundni yaqindan kuzatadi. CsiNet-UPA va ayrim boshqa usullarda CFR amplitude va phase buzilishlari ko‘proq spectral efficiency lossga aylanadi.

Bu tajriba past CFR-NMSE faqat abstrakt error metric emasligini, balki ayni simulation framework ichida downlink spectral efficiencyga ham aks etishini ko‘rsatadi. Biroq natija real user data-rate measurement emas, balki rekonstruksiya qilingan CSIdan hosil qilingan system-level simulationdir.

Quantization ostida nima bo‘ladi?

Real feedbackda continuous amplitude qiymatlari chekli bit ketma-ketligiga aylantirilishi kerak. 12-rasmda spatial amplitudalarga turli bit kengliklarida uniform scalar quantization qo‘llanadi. TAPning unquantized error floori taxminan −35,4 dB bo‘lgani uchun bitlar soni kamaygani sari quantization noise ta’siri aniqroq ko‘rinadi. Shunga qaramay mualliflar natijalarida TAP taxminan 4–6 bit/latent dimension darajasida ham taqqoslangan baseline usullardan pastroq absolut CFR-NMSEni saqlaydi.

CSI-RS estimation noise ga chidamlilik

13-rasm UEga yetib kelgan dastlabki channel estimate shovqinli bo‘lgan holatda usulni tekshiradi. UMa va InF natijalarida TAP performance past CSI-RS SNR qiymatlarida ham nisbatan saqlanadi. Mualliflar buni ikki mexanizm bilan tushuntiradi: antenna elementlarining umumiy fizik kechikishlari bo‘yicha spatial averaging va o‘tgan CFR namunalaridan keladigan temporal context.

Bu izohni sinash uchun CDL-A testida temporal window length ataylab W = 1 qilinadi. CDL-A egri chizig‘ining tezroq yomonlashuvi tadqiqotning o‘z ablation mantiqida temporal history shovqinga chidamlilikka muhim hissa qo‘shishini qo‘llab-quvvatlaydi.

Eng muhim matematik cheklov: near-field XL-MIMO

TAPning joriy modeli far-field farazida har bir fizik yo‘l uchun antennalar orasida umumiy bitta delaydan foydalanadi. Near-field XL-MIMOda esa spherical wavefront sabab ayni yo‘lning arrival delayi antenna elementiga qarab o‘zgarishi mumkin:

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

TAP bitta umumiy \(\hat{\tau}_l\) ni ishlatadi, LS solver esa har antenna uchun faqat frequency-independent kompleks phase/amplitude coefficientni moslay oladi. Manbada hosil qilingan residual phase error:

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

ko‘rinishida. Birinchi had frequency-dependent phase slope, ikkinchisi esa LS qo‘llay oladigan constant phase shift. Shu sababli LS yechimi phase slopeni yo‘qota olmaydi. Mualliflar mavjud TAP arxitekturasi near-field XL-MIMOga bevosita kengaytirilmasligini aniq tan oladi.

Umumiy ilmiy baholash

Tadqiqotning eng kuchli tomoni neyron tarmoqni butun CSI matritsasini abstrakt latent fazoga siqish uchun ishlatish o‘rniga fizik ma’noga ega multipath delaysni baholashga yo‘naltirishidir. Delays neural tarmoqdan, kompleks amplitudalar analitik LS yechimidan, bazaviy stansiyadagi rekonstruksiya esa fizik Fourier dictionarydan olinadi. Bu ajratish model hajmining antenna geometriyasidan nisbatan mustaqil qolishiga va bazaviy stansiyada learned decoder ehtiyojining yo‘qolishiga yordam beradi.

Yana bir kuchli jihat faqat o‘rtacha NMSE bilan cheklanmay, P90/P95 error darajalari, compression-NMSE Pareto tahlili, environment transfer, antenna geometry transfer, hisoblash yuki, system-level spectral efficiency, quantization va CSI-RS noise kabi turli testlarning birgalikda berilishidir.

Eng muhim cheklov esa bu natijalarning barchasi simulation va simulation-based datasetlar doirasida qolishidir. Mualliflar ham keyingi ishda real over-the-air channel measurements bilan sim-to-real gapni sinash, near-field MIMO va FR2 millimeter-wave tizimlariga kengaytirish zarurligini ko‘rsatadi.

Manba va Usul Izohi

To‘liq original ish nomi: Temporal Channel Estimation for Generalized CSI Feedback

Mualliflar va tartibi: Minwoo Kim; Hyeonsu Lyu; Sehyun Ryu; Sojeong Park; Hyun Jong Yang.

Teng hissa / teng birinchi muallif: Yuklangan versiyada teng hissa yoki teng birinchi mualliflik bayonoti mavjud emas.

Mas’ul muallif: Hyun Jong Yang.

Muassasalar: Manbada Minwoo Kim, Sehyun Ryu va Sojeong Park, Department of Electrical Engineering, Pohang University of Science and Technology (POSTECH), Pohang 37673, South Korea bilan bog‘langan. Hyeonsu Lyu va Hyun Jong Yang uchun “Institute of New Media and Communications, Seoul 08826, South Korea” iborasi keltirilgan. Hyun Jong Yang bundan tashqari Department of Electrical and Computer Engineering, Seoul National University, Seoul 08826, South Korea bilan ham bog‘langan. Manbadagi affiliation qatorida yopilmagan/qisman punktuatsion xato bo‘lgani sabab matn jimlik bilan qayta tuzilmagan.

Manba turi va nashr holati: Ushbu ish peer reviewdan o‘tmagan preprintdir; natijalar shu nashr bosqichi hisobga olinib baholanishi kerak.

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

arXiv identifikatori: arXiv:2608.01713v1.

Topshirish sanasi: 3-avgust 2026.

DOI: 10.48550/arXiv.2608.01713. Bu DOI arXiv yozuvi uchun DataCite orqali arXiv tomonidan berilgan DOI bo‘lib, peer-reviewed jurnal DOI sifatida talqin qilinmasligi kerak.

Rasmiy havola:https://arxiv.org/abs/2608.01713

Jurnal / konferensiya / nashriyot: Ko‘rib chiqilgan versiyada peer-reviewed jurnal yoki konferensiya nashri ko‘rsatilmagan.

Litsenziya: arXiv.org non-exclusive distribution license. Ushbu litsenziya Creative Commons qayta foydalanish litsenziyasi sifatida baholanmagan; shu sababli manba maqolaning original rasmlari bevosita ko‘chirilmagan.

Moliyalashtirish: Ko‘rib chiqilgan versiyada alohida funding bayonoti mavjud emas.

Ma’lumotlar mavjudligi: Ko‘rib chiqilgan versiyada alohida data-availability bayonoti mavjud emas.

Manfaatlar to‘qnashuvi: Ko‘rib chiqilgan versiyada alohida conflict-of-interest bayonoti mavjud emas.

CRediT/muallif hissalari: Ko‘rib chiqilgan versiyada CRediT yoki batafsil author-contribution bayonoti mavjud emas.

Manba ichidagi tahririy nomuvofiqliklar: Birinchi sahifada “Manuscript received April 19, 2021; revised August 16, 2021” matni mavjud bo‘lishiga qaramay, ish arXivda 2026 yil sanasi bilan topshirilgan va bibliografiyasi 2026 yil nashrlarini ham o‘z ichiga oladi. Shu sababli 2021 sanalari real joriy submission/revision sanalari sifatida ishlatilmagan. Bundan tashqari, contributions bo‘limidagi sub-grid extractor ta’rifi bilan 23-tenglamadagi aniq parabolik interpolatsiya ta’rifi to‘liq mos emas. Performance improvement haqida abstract, contributions va conclusion bo‘limlarida turli dB diapazonlari ham ishlatilgan; shu sababli Verianla matni taqqoslash jadvallaridagi bevosita raqamli qiymatlarni asos qilib olgan.

Metodologik chegara: Natijalar Sionna RT, DeepMIMO, Sionna-PHY/CDL-A va tegishli simulation setup larga asoslanadi. Tadqiqot real field/over-the-air verifikatsiya bermaydi. Arxitektura far-field common-delay faraziga bog‘liq va near-field XL-MIMO uchun strukturaviy cheklov aniq ko‘rsatilgan.

Kontent usuli: Ushbu Verianla sharhi ilmiy natijalar bo‘yicha faqat ko‘rib chiqilgan ishga asoslanadi. Tashqi manbalar faqat title, author order, arXiv identifier, DOI, publication status va license kabi bibliografik maydonlarni tekshirish uchun ishlatilgan; ishga tashqaridan yangi ilmiy tajriba, performance result yoki mechanism qo‘shilmagan.