6G uchun ishlab chiqilgan Open Radio Access Network (O-RAN) arxitekturasida tarmoq boshqaruvi faqat joriy holatga javob berishi emas, balki yaqin kelajakdagi radio sharoitlarini oldindan bashorat qilib, boshqaruv harakatlarini tayyorlashi koʻzda tutiladi. Buning uchun Near-Real-Time RAN Intelligent Controller (Near-RT RIC) ustida ishlaydigan xApp'lar RSRP, SINR, trafik yuklamasi va boshqa radio KPI'larini past kechikish bilan bashorat qilishi kerak. Biroq klassik Transformer modellarining self-attention mexanizmi vaqt oynasi uzaygani sari hisoblash va xotira xarajatini kvadratik ravishda oshirishi mumkin.

Ushbu tadqiqotda taklif etilgan Linear Quantum-Inspired State-Space (LiQSS) kvant kompyuterida ishlaydigan model emas. Arxitektura kvant koʻp-jismli tizimlaridagi past-rankli Tensor Train / Matrix Product State tasvirlash gʻoyasidan ilhomlangan klassik sunʼiy intellekt modelidir. Self-attention olib tashlanadi; vaqt naqshlari barqaror HiPPO–LegS holat-fazosi yadrolari bilan, katta chiziqli proyeksiyalar TT/MPS faktorizatsiyalari bilan, KPI'lar oʻrtasidagi munosabatlar esa yengil squeeze–excitation va gated ChannelMix qatlamlari bilan modellashtiriladi.

Model 13 O-RAN KPI'sidan hosil qilingan 59.441 sirgʻaluvchi oyna ustida baholangan. Asosiy vazifa — oldingi 32 vaqt qadamidagi koʻp oʻzgaruvchili telemetriyadan keyingi RSRP qiymatini bashorat qilish. Asosiy konfiguratsiyada atigi 44.109 ta oʻrgatiladigan parametrga ega LiQSS manbada qoʻllangan tuzilmali SSM etalonlaridan taxminan 10,8–15,8 baravar va Chronos-GPT taqqoslashidan taxminan 155 baravar kichik modelni hosil qilib, raqobatbardosh yoki undan past bashorat xatosini taʼminlagan.

Asosiy test jadvalida LiQSS uchun RMSE 0,286599, MAE 0,164083 va \(R^2=0,993276\) qayd etilgan. Shu bilan birga, natijalarning qamrovi muhim: tadqiqot muayyan O-RAN KPI maʼlumotlar toʻplami, bir qadamli RSRP bashorati, ixchamlashtirilgan taqqoslash modellari va NVIDIA T4 GPU muhiti bilan cheklangan. Natijalar “tenzor tarmoqlari barcha Transformer modellaridan universal ravishda yaxshiroq” yoki “kvant hisoblash 6G muammosini hal qildi” degan xulosani qoʻllab-quvvatlamaydi.

O-RAN ichida bashorat qilish nega muhim?

O-RAN radio kirish tarmogʻini yanada ochiq, dasturlashtiriladigan va komponentlarga ajratilgan holga keltirishni maqsad qilgan arxitekturadir. Tadqiqotda ikki boshqaruv qatlami alohida ajratiladi:

• Non-RT RIC: Bir soniyadan yuqori vaqt masshtablarida siyosat yaratish, modelni oʻqitish va hayot siklini boshqarish kabi vazifalarni bajaradi.
• Near-RT RIC: Taxminan 10 ms bilan 1 s oraligʻidagi boshqaruv masshtablarida kechikishga sezgir xApp'larni ishga tushiradi.

Near-RT RIC O-CU va O-DU kabi RAN komponentlaridan E2 interfeysi orqali telemetriya olishi mumkin. E2SM-KPM xizmat modeli KPI oʻlchovlarining muayyan oraliqlarda hisobot qilinishini taʼminlaydi.

Vaqt \(t\) da olingan koʻp oʻzgaruvchili KPI vektori

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

bilan ifodalanadi. Tadqiqotda \(K=13\) KPI qoʻllanadi.

Kuzatiladigan 13 KPI

Asosiy tajriba RSRPning keyingi vaqt qadamini bashorat qiladi.

LiQSS Nega “Kvantdan Ilhomlangan” Deb Ataladi?

LiQSS kvant protsessoridan foydalanmasa va kvant holatlari ustida fizik hisoblash bajarmasa-da, kvant koʻp-jismli tizimlarida yuqori oʻlchamli holatlarni past-rankli tenzor tarmoqlari bilan ifodalash gʻoyasini mashinali oʻqitish arxitekturasiga olib kiradi. Xususan, Matrix Product State va Tensor Train tuzilmalaridagi bond dimension / TT rank modeldagi global bogʻlanish sigʻimini cheklaydigan va parametrlar sonini nazorat qiladigan konfiguratsiya oʻzgaruvchisiga aylanadi.

Koʻp-jismli holatlardagi oʻlcham muammosi

\(L\) ta quyi tizim birgalikda hosil qiladigan kvant holat fazosi tenzor koʻpaytmasi orqali

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

koʻrinishida boʻladi. Toʻliq koeffitsiyent tenzoridagi elementlar soni

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

boʻlgani sababli tizim kattalashgani sari toʻgʻridan-toʻgʻri tasvir eksponensial ravishda oʻsadi.

MPS yoki haqiqiy qiymatli mashinali oʻqitish terminologiyasidagi Tensor Train ushbu katta tenzorni kichik yadrolar zanjiri koʻrinishida ifodalaydi:

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

Oradagi \(r_\ell\) oʻlchamlar TT rank yoki bond dimension deb ataladi. Ular tasvir qancha kuchli korrelyatsiyani tashiy olishini nazorat qiladi.

LiQSS bu gʻoyadan qanday foydalanadi?

Modelda har bir vaqt qadamidagi \(D\)-oʻlchamli latent vektor oʻzaro taʼsirlashuvchi erkinlik darajalari kabi qaraladi. Vaqt evolyutsiyasi har bir latent kanal boʻyicha alohida holat-fazosi tizimi bilan qayta ishlanadi. Kanallarning oʻzaro taʼsiri esa toʻliq self-attention oʻrniga boshqariladigan va arzonroq gating/aralashtirish operatorlari bilan qoʻshiladi.

Eng katta global chiziqli oʻzgartirishlarning ikkitasi ham tenzor tarmogʻi koʻrinishida siqiladi:

• \(\mathbb R^K\rightarrow\mathbb R^D\) kirish proyeksiyasi: TTIn
• \(\mathbb R^D\rightarrow\mathbb R\) bashorat boshi: TTHead

Demak, “quantum-inspired” iborasining maʼnosi kvant tezlashuvi emas; katta chiziqli operatorlarni past-rankli tenzor yadrolari bilan ifodalashdir.

Transformer Self-Attention Oʻrniga Nima Ishlatiladi?

LiQSS vaqt boʻylab barcha token juftlarini bevosita taqqoslaydigan self-attention mexanizmini olib tashlaydi. Uning oʻrniga HiPPO–LegS asosidagi chiziqli holat-fazosi modellaridan hosil qilingan sababiy yadrolardan foydalanadi. Bu yadrolar depthwise causal convolution koʻrinishida qoʻllanib, oʻtgan oynadagi maʼlumotni kelajakka qaramasdan qayta ishlaydi.

Bir qadamli bashorat muammosi

Oldingi \(L\) vaqt qadamini oʻz ichiga olgan kirish oynasi

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

koʻrinishida aniqlanadi.

Modelning vazifasi

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

orqali keyingi maqsad KPI'ni bashorat qilishdir.

Asosiy tajribalarda

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

qoʻllanadi. Yaʼni model oldingi 32 namunadan faqat keyingi bitta RSRP qiymatini bashorat qiladi.

HiPPO–LegS holat-fazosi dinamikasi

Har bir latent kanal uchun asosiy chiziqli tizim

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

va

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

koʻrinishida yoziladi.

Uzluksiz-vaqt HiPPO–LegS generatori Tustin oʻzgartirishi orqali diskretlashtiriladi:

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

Shundan olingan recurrence vaqt yadrosining tap qiymatlarini hosil qiladi va natija depthwise causal convolution sifatida qoʻllanadi.

Bitta vaqt masshtabi oʻrniga aralashma

Har bir blokda bitta HiPPO–LegS yadrosi oʻrniga \(C_m\) komponentli aralashma ishlatiladi:

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

Har bir komponentning oʻz oʻrganiladigan vaqt masshtabi \(\Delta t^{(b,m)}\) va kanal parametrlari mavjud. Asosiy modelda har bir blok uchun ikkita komponent ishlatilgan.

Tadqiqot Usuli va Natijalari

Boshidan oxirigacha LiQSS maʼlumot oqimi

Kanal gating va aralashtirish nega ishlatiladi?

State-space yadrolari latent kanallardagi vaqt evolyutsiyasini alohida-alohida qayta ishlaydi. Biroq radio KPI'lari bir-biridan mustaqil emas. Masalan, RSRP, SINR, CQI va MCS kabi oʻzgaruvchilar bir xil tarmoq sharoitlaridan taʼsirlanishi mumkin.

LiQSS bu oʻzaro taʼsirlarni toʻliq temporal attention ishlatmasdan ikki mexanizm orqali qoʻshadi.

Avval vaqt boʻyicha oʻrtacha olinadi:

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

Soʻng squeeze–excitation darvozasi kanal gain'larini hosil qiladi:

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

Ikkinchi bosqichda har bir vaqt qadamida gated ChannelMix qoʻllanadi:

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

va

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

Shu tariqa KPI kanallari bir-biriga taʼsir qilishi mumkin, ammo vaqt oʻqida \(L\times L\) attention matritsasi tuzilmaydi.

Blok tuzilishi

Manba umumlashtirgan tuzilma

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

gʻoyasiga asoslanadi. Haqiqiy code-matched arxitekturada dropout, bir nechta residual bogʻlanish va layer normalization mavjud.

Oʻqitish jarayoni

Model MSE yoʻqotishi bilan oʻqitiladi. Manbada:

• AdamW optimizer,
• oʻrganish tezligi \(3\times10^{-3}\),
• weight decay \(10^{-4}\),
• gradient clipping 1,0,
• koʻpi bilan 120 epoch,
• 30 epoch early-stopping patience,
• batch size 256,
• CUDA mavjud boʻlsa mixed precision

qoʻllanadi.

Eng yaxshi validation yoʻqotishiga ega checkpoint saqlanadi va test bosqichida gradientlar oʻchirilib bashorat amalga oshiriladi.

LiQSS Nega Chiziqli Masshtablanadi?

Transformer self-attention uzunligi \(L\) boʻlgan ketma-ketlikdagi vaqt qadamlari juftlarini bevosita taqqoslagani sababli \(L^2\) hadini hosil qiladi. LiQSSda temporal qayta ishlash channel-wise holat-fazosi yadrolari va causal convolution orqali olib borilgani uchun manba hisoblash va activation memory nuqtai nazaridan \(L\) ga chiziqli bogʻliqlikni qayd etadi.

Transformer taqqoslanishi

Manba bergan har bir qatlam uchun taxminiy Transformer xarajati:

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

va attention activation memory:

\[ O(L^2). \]

LiQSS turidagi SSM + TT blok uchun:

\[ O(LDN_s+LDD_m) \]

hisoblash va

\[ O(LD+DN_s) \]

activation memory beriladi.

Demak, \(D\), \(N_s\) va kanal-aralashtirish kengligi oʻzgarmas qolsa, oyna uzunligi \(L\) ortgani sari LiQSS tomondagi ketma-ketlik xarajati chiziqli boʻlib qoladi.

Manbaning masshtablanish tajribasi

Manba ushbu oʻsishni real amaliyotda taxminan chiziqli xatti-harakatning tajribaviy koʻrsatkichi sifatida talqin qiladi.

Oʻlchash konteksti haqida ogohlantirish: Asosiy model taqqoslash jadvalidagi LiQSS inference qiymati 0,000456 s boʻlsa, ushbu masshtablanish tajribasida \(L=32\) uchun 0,000038680 s berilgan. PDF bu farqning oʻlchash doirasini batafsil muvofiqlashtirmagani sababli qiymatlar bitta benchmark natijasi sifatida birlashtirilmasligi kerak.

LiQSS Bashorat Aniqligi va Model Hajmi Jihatidan Qanday Natija Beradi?

Asosiy benchmarkda LiQSS manbada ishlatilgan ixcham Transformer va SSM taqqoslashlari orasida past bashorat xatosini juda kichik parametr soni bilan birlashtiradi. Shu bilan birga, taqqoslangan modellarning asl nashr kodlari aynan qayta ishga tushirilmagani, umumiy vaqt va xotira sharoitlariga mos ixcham va standartlashtirilgan implementatsiyalar qoʻllangani manbada aniq qayd etilgan.

Asosiy natijalar jadvalidan tanlangan taqqoslashlar

LiQSSning test \(R^2\) qiymati

\[ R^2=0,993276 \]

deb qayd etilgan.

Persistence va mean baseline ga nisbatan skill

Model yana ikkita sodda bashorat etaloni bilan taqqoslanadi. Persistence baseline keyingi qiymat oxirgi kuzatilgan qiymat boʻladi deb faraz qiladi:

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

LiQSS uchun manba

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

va

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

qiymatlarini bildiradi.

Bu natijalar test MSE'si persistence etalonining taxminan %8,01 qismigacha va mean baseline xatosining taxminan %6,03 qismigacha kamaygan deb talqin qilinadi.

Parametr samaradorligi

44.109 parametrli LiQSS uchun manba quyidagi model-hajm farqlarini bildiradi:

• WM–MS3Mga nisbatan taxminan 10,8× kichik,
• MS3Mga nisbatan taxminan 15,8× kichik,
• Crossformerga nisbatan taxminan 36× kichik,
• Chronos-GPTga nisbatan taxminan 155× kichik.

Ushbu ustunlikning muhim qismi kirish va chiqishdagi katta dense chiziqli qatlamlarning TT/MPS operatorlari bilan almashtirilishidan kelib chiqadi.

Sezgirlik tahlili nimani koʻrsatadi?

Yuqoriroq sigʻim har doim ham pastroq xato bermagan. Masalan, TT rank 16 eng past RMSEni taʼminlasa-da kechikishni oshiradi; \(C_m=4\) yengil yaxshilanish bergan boʻlsa, kattaroq aralashmalar aniqlikni yana pasaytiradi. Shu sababli manba \(r=4\), \(C_m=2\), \(N_s=32\) sozlamasini Near-RT aniqlik-samaradorlik muvozanati uchun asosiy ish nuqtasi sifatida ishlatadi.

KPI vaqt qatorlaridagi xatti-harakat

Manba 3-rasmda oxirgi 700 test namunasi uchun RSRP, RSRQ, SINR, PRB, spectral efficiency, CQI va RI boʻyicha haqiqiy qiymatlar bilan bashoratlarni taqqoslaydi. Sekin oʻzgaradigan tendensiyalar va koʻplab qisqa muddatli oʻzgarishlar yaqindan kuzatilgani; eng sezilarli farqlar esa keskin rejim oʻzgarishlari atrofida yuzaga kelgani qayd etiladi.

Bu kuzatuv model har bir keskin tarmoq oʻzgarishini aniq oldindan koʻradi degani emas. Strictly causal bir qadamli bashorat bajarilgani uchun kutilmagan oʻtishlar model nuqtai nazaridan tabiiy xato sohalaridir.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

• TT/MPS bilan siqilgan holat-fazosi arxitekturasi ushbu O-RAN maʼlumotlar toʻplamida juda kam parametr bilan raqobatbardosh RSRP bashoratini taʼminlay olgan.
• Self-attention ishlatmasdan uzunlik \(L\) ga chiziqli ketma-ketlik qayta ishlashi ishlab chiqilgan.
• HiPPO–LegS aralashmasi turli vaqt masshtablarini bir blokda modellashtirish imkonini beradi.
• SE gating va gated ChannelMix temporal attention siz KPI kanallari oʻrtasida oʻzaro taʼsirni taʼminlaydi.
• Manbada ishlatilgan taqqoslash konfiguratsiyalarida LiQSS koʻplab Transformer va SSM etalonlaridan kichikroq va tezroq.
• TT rank, state dimension va mixture soni oshgani sari aniqlik monoton ravishda oshmasligi koʻrsatilgan.

Tadqiqot qoʻllab-quvvatlamaydigan talqinlar

• LiQSS kvant kompyuterida ishlamaydi va kvant hisoblash tezlashuvi koʻrsatilmagan.
• Natijalar barcha Transformer arxitekturalari LiQSSdan yomonligini isbotlamaydi.
• Tadqiqot haqiqiy tijoriy 6G tarmogʻida boshidan oxirigacha jonli boshqaruv muvaffaqiyatini koʻrsatmaydi.
• Tajribaning asosiy vazifasi bir qadamli RSRP bashorati; koʻp qadamli barcha KPI bashoratlari ayni samaradorlik bilan tasdiqlanmagan.
• Taqqoslash modellari asl codebase'larning aynan faithful re-run'i emas; umumiy baholash shartlariga mos ixchamlashtirilgan implementatsiyalardir.
• Yuqori \(R^2\) qiymati toʻgʻridan-toʻgʻri yaxshiroq scheduling, handover, energiya optimallashtirish yoki foydalanuvchi QoE natijasi degani emas; ushbu boshqaruv chiqishlari tajribada bevosita oʻlchanmagan.
• Parametr va inference ustunliklari ishlatilgan GPU, implementatsiya, batch/oʻlchash usuli va model konfiguratsiyasidan mustaqil universal konstantalar emas.

Manba va Usul Haqida Izoh

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

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

Muassasalar: 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.

Manba turi: Sunʼiy intellekt, simsiz tarmoq telemetriyasi va vaqt qatori bashoratini birlashtirgan tadqiqot preprinti.

Platforma: SSRN.

SSRN Abstract ID: 6963866.

DOI: 10.2139/ssrn.6963866.

SSRN nashr sanasi: 18 iyun 2026.

Taqriz holati: Manba PDF material taqrizdan oʻtmagan preprint ekanini aniq bildiradi.

Litsenziya/mualliflik huquqi: SSRN qaydi “All rights reserved; no reuse allowed without permission” maʼlumotini beradi. Verianla matni manba jumlalarini, rasmlarini yoki asl arxitektura sxemalarining vizual tuzilishini qayta ishlatmaydi; ilmiy bogʻlanishlar va xabar qilingan sonli natijalarni mustaqil oʻquv tuzilmasida tushuntiradi.

Kod: Manba model kodi notijorat foydalanish uchun ommaga ochiq ekanini bildiradi. Bu bayonot asosiy SSRN maqolasi litsenziyasi avtomatik ravishda kodga ham tatbiq etiladi degani emas.

Maʼlumot: Manba ishlatilgan O-RAN KPI maʼlumotlar toʻplami IEEE DataPort orqali eʼlon qilinganini bildiradi. Maʼlumotlar toʻplamining alohida litsenziya shartlari Verianla tomonidan ushbu maqola litsenziyasi bilan bir xil deb qabul qilinmagan.

Maʼlumot hajmi: Manba 13 KPI boʻyicha 59.441 sirgʻaluvchi oynani oʻz ichiga olgan tajriba toʻplamini bildiradi.

Asosiy maqsad: Keyingi qadam RSRP bashorati.

Asosiy apparat: CUDA qoʻllab-quvvatlaydigan bitta NVIDIA T4 GPU.

Baholash yondashuvi: Xronologik train/validation/test boʻlinishi, faqat trening qismi bilan normallashtirish va strictly causal inference.

Muhim taqqoslash cheklovi: Manba baseline implementatsiyalar asl codebase'larning faithful re-run'i emasligini; teng vaqt va xotira sharoitlarida taqqoslanadigan ixcham versiyalar sifatida tayyorlanganini aniq bildiradi.

Manba ichidagi miqdoriy izoh 1: Abstract Transformer taqqoslashlarida eng koʻpi bilan 2,74× inference tezlashuvi yozilgan boʻlsa, 4-jadval va 6.1.3-boʻlim Crossformer uchun taxminan 2,96× farqni beradi.

Manba ichidagi miqdoriy izoh 2: Asosiy benchmarkda LiQSS inference vaqti 0,000456 s boʻlsa, 4-rasmdagi masshtablanish tajribasida \(L=32\) uchun 0,000038680 s qayd etilgan. Manba ushbu ikki oʻlchash konteksti oʻrtasidagi farqni toʻliq muvofiqlashtirmaydi.

Vizualni qayta qurish: Mos. Manbaning asl rasmlarini taqlid qilish oʻrniga E2 telemetriyasi, TT/MPS kirish proyeksiyasi, HiPPO–LegS SSM bloklari, kanal oʻzaro taʼsiri, causal readout va RSRP bashoratini butunlay yangi Verianla sxemasi bilan koʻrsatish mos keladi.

Verianla Live / Live Figure: Mos. 32 vaqt qadamli KPI oynasining model qatlamlari boʻylab qayta ishlanishi va bashorat boshiga yetib borishini koʻrsatuvchi oʻzgarmas-parametrli animatsiya tayyorlash mumkin. Manbadan tashqari samaradorlik bashorati yoki foydalanuvchiga koʻra qayta hisoblangan 6G tarmoq natijasi yaratilmasligi kerak.