⚡ electrical engineering

A Comparative Analysis of MLP and Kolmogorov-Arnold Networks (KAN) for Faster-than-Nyquist (FTN) Signaling Detection

Este artículo demuestra que las Redes de Kolmogorov-Arnold (KAN) superan significativamente a los perceptrones multicapa (MLP) en la detección BPSK de Más Rápido que Nyquist (FTN), logrando una tasa de error de bit 18,6 veces menor a 10 dB al utilizar solo un octavo del ancho oculto, ofreciendo así una solución más eficiente en parámetros para el manejo de la interferencia entre símbolos.

Autores originales: Sude Ertan, Osman Tokluoglu, Enver Cavus

Publicado 2026-08-04

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Sude Ertan, Osman Tokluoglu, Enver Cavus

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enviar un mensaje secreto a un amigo usando un walkie-talkie, pero quieres meter tantas palabras como sea posible en un solo minuto. En el mundo de la radio y la comunicación digital, existe una regla de oro llamada el "límite de Nyquist". Es como una señal de límite de velocidad que dice: "Solo puedes enviar un símbolo (un punto o una raya) cada X segundos, o las señales empezarán a mezclarse". Durante décadas, los ingenieros han respetado este límite para mantener los mensajes claros. Pero, ¿qué pasaría si pudieras romper el límite de velocidad? ¿Qué pasaría si apretaras los puntos y las rayas más cerca unos de otros? Esto se llama señalización "Más rápida que Nyquist" (FTN, por sus siglas en inglés). Es un truco ingenioso para empaquetar más datos en el mismo espacio, pero tiene un inconveniente: las señales empiezan a solaparse e interferir entre sí, como coches incorporándose a una autopista demasiado rápido.

Para solucionar este lío, el receptor necesita un detective superinteligente para averiguar qué señal es cuál. Los detectives de la vieja escuela (llamados BCJR) son increíblemente precisos, pero son como un tanque gigante y lento: necesitan una potencia de cálculo masiva para resolver el rompecabezas, lo cual es difícil de integrar en dispositivos pequeños que funcionan con batería. Recientemente, los científicos han intentado utilizar "redes neuronales" —cerebros informáticos que aprenden de ejemplos— para actuar como estos detectives. La gran pregunta es: ¿qué tipo de cerebro informático es el mejor para desenredar estas señales desordenadas sin necesidad de un superordenador?

Este artículo se sumerge en una batalla directa entre dos tipos de detectives de redes neuronales: el clásico MLP (Perceptrón Multicapa) y un modelo más nuevo y de moda llamado KAN (Red Kolmogorov-Arnold). Los investigadores configuraron una simulación masiva, generando casi cuatro millones de ejemplos de estas señales desordenadas y superpuestas. Entrenaron a ambos tipos de redes para identificar el mensaje correcto a partir de una ventana de 6 de muestras ruidosas. El objetivo era ver cuál podía detectar la señal correcta con el menor número de errores (Tasa de Error de Bit) utilizando la menor cantidad de "potencia cerebral" (parámetros).

Los resultados fueron sorprendentes. El detective MLP clásico necesitaba un cerebro ancho y voluminoso (con un ancho de capa oculta de 32) para hacer un trabajo decente. Aun así, a una calidad de señal de 10 decibelios, cometía errores unas 130 veces de cada millón. El detective KAN, sin embargo, fue un maestro de la eficiencia. Resolvió el mismo rompecabezas con un cerebro diminuto (un ancho de capa oculta de solo 4) y cometió errores solo 7 veces de cada millón. Ese es una mejora masiva: el KAN fue 18,6 veces más preciso que el MLP, a pesar de utilizar una capa oculta que era una octava parte de su tamaño.

El artículo argumenta que la razón de esta victoria es cómo están construidos los dos tipos de redes. El MLP es como un equipo de trabajadores donde todos se colocan en un gran círculo y gritan sus opiniones a la vez; para acertar la respuesta, necesitas un equipo enorme. El KAN es diferente; pone el "pensamiento" en las conexiones entre los trabajadores en lugar de en los trabajadores mismos. Esto le permite manejar los solapamientos específicos y desordenados de las señales de una manera mucho más natural. En estas simulaciones, el KAN no solo venció al MLP; alcanzó el mismo nivel de perfección que el gigante y lento detective "tanque" (el BCJR), pero lo hizo con una fracción mínima de la complejidad. Los autores sugieren que para los futuros dispositivos que necesiten enviar más datos con menos batería y menos hardware, esta nueva forma de pensar "basada en el borde" podría ser la clave para desbloquear una comunicación más rápida y limpia.

Resumen Técnico: Un Análisis Comparativo de MLP y Redes Kolmogorov-Arnold (KAN) para la Detección de Señalización Más Rápida que Nyquist (FTN)

Planteamiento del Problema
La señalización Más Rápida que Nyquist (FTN, por sus siglas en inglés) es una técnica utilizada para aumentar la eficiencia espectral transmitiendo símbolos en intervalos más cortos que el límite de Nyquist ( $T_{FTN} = \tau T$ , donde $\tau < 1$ ). Si bien este enfoque aumenta las tasas de transmisión (por ejemplo, un incremento del 25% para $\tau=0.8$ ), introduce deliberadamente una interferencia entre símbolos (ISI) determinista. Esto transforma el problema de detección de una simple estimación símbolo a símbolo en una compleja tarea de estimación de secuencias. Los detectores clásicos óptimos, como el algoritmo BCJR, pueden acercarse al rendimiento óptimo pero sufren de una complejidad computacional que escala exponencialmente con la memoria del canal, lo que los hace impracticables para receptores en tiempo real o con restricciones de hardware. En consecuencia, existe la necesidad de detectores aprendidos que puedan aproximar las regiones de decisión no lineales de los canales FTN con una menor complejidad.

Metodología
El estudio realiza una comparación sistemática y directa entre dos arquitecturas de redes neuronales para la detección de BPSK (desplazamiento de fase binaria) bajo FTN en un canal AWGN (ruido blanco gaussiano aditivo):

Perceptrón Multicapa (MLP): Un estándar de referencia donde la no linealidad se aplica en las activaciones de los nodos (capas ocultas). Los autores realizaron un "barrido de ancho" (width sweep) a través de tamaños de capa oculta $\{8, 16, 32, 64, 128, 256\}$ para identificar la configuración óptima.
Red Kolmogorov-Arnold (KAN): Una arquitectura basada en el teorema de representación de Kolmogorov-Arnold, donde la no linealidad se coloca en las aristas mediante funciones B-spline aprendibles en lugar de en los nodos. Se evaluaron dos configuraciones ( $w4\_g5$ y $w8\_g3$ ).

Configuración Experimental

Conjunto de Datos: Se generó un conjunto de datos Monte Carlo a gran escala que comprende casi 4 millones de ventanas etiquetadas (3,999,936 en total).
Parámetros: El estudio se centró en un factor de empaquetamiento temporal de $\tau = 0.8$ y valores de relación señal-ruido (SNR) que oscilan entre 7 y 10 dB.
Representación de Entrada: Los detectores operan sobre una ventana recibida de 65 muestras centrada en el símbolo objetivo ( $r_k = [r_{k-32}, \dots, r_{k+32}]^T$ ).
Entrenamiento: Ambos modelos utilizaron la pérdida de Entropía Cruzada Binaria y el optimizador Adam.
Líneas de Base de Comparación: El rendimiento se midió frente a una línea de base de decisión dura de FTN y la referencia óptima de BCJR.

Contribuciones Clave

Creación de Conjunto de Datos: Generación de un conjunto de datos FTN-BPSK etiquetado a gran escala específicamente para $\tau=0.8$ y SNR 7–10 dB.
Comparación Sistemática: Una evaluación controlada de KAN frente a MLP bajo condiciones idénticas (mismo tamaño de ventana, división de conjunto de datos y valores de SNR) para determinar qué modelo representa más eficientemente las fronteras de decisión de FTN.
Análisis de Eficiencia: Evaluación del rendimiento de la Tasa de Error de Bit (BER) en relación con la complejidad del modelo (conteo de parámetros y ancho oculto).
Benchmarking de Rendimiento: Demostración de la capacidad de KAN para acercarse al rendimiento de referencia de BCJR sin la complejidad asociada de la estimación de secuencias.

Resultos

Rendimiento: La configuración seleccionada de KAN (ancho oculto 4, tamaño de rejilla de spline 5) superó consistentemente a la mejor configuración de MLP (ancho oculto 32) en todos los valores de SNR.
- A 10 dB de SNR, el MLP logró un BER de $1.3 \times 10^{-4}$ .
- El KAN logró un BER de $7.0 \times 10^{-6}$ , igualando la referencia de BCJR.
- Esto representa una mejora de 18.6 veces en el BER para KAN sobre MLP a 10 dB.
Eficiencia de Parámetros:
- El mejor MLP utilizó 2,145 parámetros (ancho oculto 32).
- El KAN seleccionado utilizó aproximadamente 3,920 parámetros (ancho oculto 4).
- A pesar de que el KAN tiene aproximadamente 1.83 veces más parámetros brutos, utilizó un ancho de capa oculta que fue solo 1/8 del ancho del MLP.
- Los autores definen una métrica de eficiencia de parámetros ( $\eta$ ) como la relación entre la mejora del BER y el incremento de parámetros, calculando un valor de aproximadamente 10.2, lo que indica que KAN proporciona significativamente más ganancia de rendimiento por unidad de incremento de parámetros.
Escalamiento de SNR: La brecha de rendimiento se amplió a medida que la SNR aumentó. Mientras que el MLP se acercaba a la saturación en SNRs más altas, el KAN continuó disminuyendo su tasa de error, lo que sugiere que modela de manera más completa las fronteras de decisión finas del canal de ISI.

Significancia y Reivindicaciones
El artículo afirma que la arquitectura KAN ofrece una "superioridad cualitativa y fundamental" sobre los MLP para la detección FTN debido a su alineación estructural con el canal de comunicación. Específicamente:

Modelado Basado en Aristas: Al colocar funciones spline aprendibles en las aristas, los KAN pueden modelar el efecto de cada componente de entrada de forma independiente, capturando las interacciones locales y estructuradas de la ISI de manera más efectiva que las activaciones de nodos compartidas de los MLP.
Representación Compacta: Los KAN pueden formar un espacio de características significativo con un ancho de capa oculta tan bajo como 1/8 de lo que requiere un MLP, lo que los hace altamente atractivos para hardware embebido o con recursos limitados donde la huella de memoria y la latencia de inferencia son críticas.
Convergencia Óptima: El estudio demuestra que un enfoque de KAN basado en datos puede converger a la solución óptima de BCJR sin requerir algoritmos de estimación de secuencias computacionalmente costosos.

Los autores concluyen que los KAN representan una alternativa sólida frente a las líneas de base densas de MLP para problemas de comunicación donde la sensibilidad de los parámetros y la eficiencia energética son primordiales. El trabajo futuro planea investigar el rendimiento de KAN en canales de desvanecimiento multipath y en plataformas de hardware en tiempo real, así como su generalización a diferentes factores de empaquetamiento temporal y modulaciones de orden superior.

Más como este