Resumen Técnico: CHANNELKAN

Enunciado del Problema

La predicción precisa de la Información del Estado del Canal (CSI) es crítica para mejorar la fiabilidad y la eficiencia espectral de los sistemas masivos MIMO-OFDM, particularmente en escenarios de alta movilidad. En los sistemas de Duplicación por División de Tiempo (TDD), el envejecimiento del canal causado por fluctuaciones rápidas (desplazamientos Doppler) y la propagación multitrayecto vuelve obsoleta la CSI estimada antes de que pueda utilizarse para la asignación de recursos.

Los enfoques de aprendizaje profundo existentes enfrentan una limitación fundamental: luchan por capturar conjuntamente dos tipos distintos de dependencias temporales requeridas para una predicción precisa:

1. Variaciones locales a corto plazo: Fluctuaciones rápidas entre pasos de tiempo adyacentes.
2. Dependencias no lineales de largo alcance: La evolución temporal general a través de toda la ventana de observación.

Arquitecturas específicas tienen desventajas inherentes:

• RNN (LSTM/GRU): Efectivas para correlaciones a corto plazo, pero sufren de desvanecimiento del gradiente al modelar dependencias de largo alcance.
• CNN: Eficientes en la extracción de características espaciales-frecuenciales locales, pero están restringidas por campos receptores fijos, limitando su capacidad para capturar dependencias más allá de los vecindarios locales.
• Transformers: Capaces de modelar dependencias globales mediante autoatención, pero sufren de complejidad cuadrática y dependen de proyecciones lineales que pueden no ajustarse adecuadamente a la evolución temporal altamente no lineal de los canales inalámbricos.

Metodología

Los autores proponen CHANNELKAN, una arquitectura híbrida que integra Redes Neuronales Convolucionales (CNN) y Redes de Kolmogorov-Arnold (KAN) para desacoplar y modelar conjuntamente dependencias a corto plazo y de largo alcance. El modelo opera sobre conjuntos de datos de canales compatibles con 3GPP generados por el simulador QuaDRiGa y consta de cuatro módulos principales:

1. Módulo de Expansión de Doble Dominio (DDE)

Este módulo genera representaciones complementarias de la CSI para proporcionar características de entrada más ricas:

• Representación en el Dominio de la Frecuencia (CFR): La entrada se aplanada para preservar las correlaciones en el dominio de las subportadoras.
• Representación en el Dominio del Retardo (CIR): La CSI se transforma mediante la Transformada Discreta Inversa de Fourier (IDFT) para revelar componentes multitrayecto dispersos.
• Las características de ambos dominios se concatenan para formar un vector de características de doble dominio.

2. Módulo de Mejora de Información de Frecuencia Multiescala (MSFE)

Para suprimir el ruido y las fluctuaciones redundantes mientras se preservan los patrones clave, este módulo:

• Aplica una Transformada Rápida de Fourier de valor real (rFFT) a lo largo de la dimensión temporal.
• Selecciona componentes de frecuencia dominantes en múltiples escalas utilizando una estrategia de selección Top-K.
• Construye máscaras binarias para filtrar componentes triviales y reconstruye las características mejoradas en el dominio del tiempo mediante la inversa de FFT (irFFT).
• Agrega características multiescala utilizando capas densas aprendibles.

3. Módulo de Extracción de Características CNN-KAN de Doble Dominio (DFE)

Este componente central procesa las características mejoradas a través de ramas paralelas para los dominios CFR y CIR:

• Extracción de Características Locales (CNN): Capas convolucionales en cascada extraen correlaciones espaciales-frecuenciales locales intra-paso de tiempo.
• Modelado de Dependencias de Largo Alcance (KAN): La salida se remodela en una matriz 2D y se procesa mediante capas KAN de Chebyshev. A diferencia de las capas totalmente conectadas estándar con activaciones fijas, las KAN colocan funciones univariadas aprendibles (específicamente polinomios de Chebyshev) en los bordes de la red. Esto permite un mapeo no lineal holístico de toda la matriz de características para modelar la evolución temporal inter-paso de tiempo.

4. Módulo de Fusión de Doble Dominio (DDF)

Las características de las ramas CFR y CIR se concatenan y pasan a través de una capa de fusión densa para producir la predicción final. La salida se remodela y se transforma inversamente para recuperar la CSI predicha de valor complejo.

Contribuciones Clave

El artículo describe cuatro contribuciones principales:

1. Arquitectura Híbrida CNN-KAN: La primera aplicación de KANs a la predicción de canales. Desacopla explícitamente las tareas de modelado: las CNN manejan las correlaciones espaciales-frecuenciales locales a corto plazo, mientras que las KAN basadas en polinomios de Chebyshev modelan la evolución temporal no lineal de largo alcance.
2. Mejora de Frecuencia Multiescala: Un módulo que utiliza filtrado basado en FFT para seleccionar componentes espectrales dominantes en múltiples escalas, fortaleciendo efectivamente las características clave del canal y suprimiendo el ruido.
3. Marco de Doble Dominio: Un marco de procesamiento y fusión que explota conjuntamente las representaciones de CSI en el dominio de la frecuencia y en el dominio del retardo para proporcionar información complementaria y mejorar la robustez.
4. Validación Exhaustiva: Experimentos extensos en conjuntos de datos compatibles con 3GPP que validan el modelo a través de diversas velocidades y Relaciones Señal-Ruido (SNR), respaldados por estudios de ablación que confirman la necesidad de cada módulo.

Resultados Experimentales

Los experimentos se realizaron en conjuntos de datos de QuaDRiGa con una ventana histórica de $T=16$ y un horizonte de predicción de $L=4$. El modelo se comparó contra líneas base de RNN, LSTM, GRU, CNN y Transformer.

• Rendimiento NMSE: CHANNELKAN logró consistentemente el Error Cuadrático Medio Normalizado (NMSE) más bajo en todas las velocidades probadas (10–100 km/h). Mostró una ventaja significativa a altas velocidades (por ejemplo, NMSE $\approx$ 0.0609 a 100 km/h), donde los modelos base (particularmente RNN y Transformers) se degradaron rápidamente.
• Robustez al Ruido: El modelo superó a todas las líneas base en niveles de SNR (0–30 dB), con superioridad notable en niveles bajos de SNR, atribuida al módulo de mejora de frecuencia multiescala.
• Métricas del Sistema: CHANNELKAN logró la mayor Eficiencia Espectral (SE) de 6.414 bps/Hz y la menor Tasa de Error de Bits (BER) de 0.00771.
• Eficiencia: A pesar del rendimiento superior, el modelo mantuvo un tamaño de parámetros moderado de 24.5 MB, lo cual es competitivo en comparación con la línea base Transformer (65 MB).

Significado y Afirmaciones

El artículo afirma que CHANNELKAN aborda con éxito el desafío de la "captura conjunta" que los métodos de aprendizaje profundo existentes no logran resolver. Al aprovechar la naturaleza complementaria de las CNN (extracción local) y las KAN (ajuste no lineal holístico), el modelo logra un equilibrio entre eficiencia y flexibilidad.

Los autores enfatizan que esta es la primera aplicación de KANs a la predicción de canales. Los resultados sugieren que desacoplar el modelado de dependencias a corto y largo plazo conduce a un rendimiento superior en entornos de alta movilidad. El artículo concluye que, aunque el modelo es efectivo, se requiere trabajo futuro para reducir los costos computacionales para el despliegue en tiempo real y validar la generalización en datos de canales medidos (del mundo real).