⚡ electrical engineering

Structured Latent Dynamics in Wireless CSI via Homomorphic World Models

यह शोध पत्र एक स्व-पर्यवेक्षित (self-supervised) JEPA-आधारित ढांचे को प्रस्तुत करता है जो ली बीजगणित-व्युत्पन्न होमोमोर्फिक अपडेट्स का उपयोग करके एक संरचित लेटेंट स्पेस में वायरलेस चैनल स्टेट इंफॉर्मेशन डायनेमिक्स को मॉडल करता है, जो लोकलाइजेशन और मोबिलिटी-अवेयर शेड्यूलिंग जैसे स्केलेबल अनुप्रयोगों को सक्षम करने के लिए DICHASUS डेटासेट पर उत्कृष्ट टोपोलॉजी संरक्षण और भविष्य के पूर्वानुमान प्राप्त करता है।

मूल लेखक: Salmane Naoumi, Mehdi Bennis, Marwa Chafii

प्रकाशित 2026-03-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Salmane Naoumi, Mehdi Bennis, Marwa Chafii

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप रेडियो तरंगों से बनी एक विशाल, अदृश्य भूलभुलैया (maze) में रास्ता खोजने की कोशिश कर रहे हैं। हर बार जब आप चलते हैं, तो भूलभुलैया का "आकार" थोड़ा बदल जाता है क्योंकि दीवारों, फर्नीचर और अन्य वस्तुओं के सापेक्ष आपकी स्थिति सिग्नल को बदल देती है। यह वायरलेस कम्युनिकेशन (Wireless Communication) की दुनिया है, और इस सिग्नल का वर्णन करने वाले डेटा को चैनल स्टेट इंफॉर्मेशन (CSI) कहा जाता है।

समस्या क्या है? यह डेटा अव्यवस्थित, विशाल और हर मिलीसेकंड में बदलने वाला है। यह अनुमान लगाना कि सिग्नल आगे कहाँ जाएगा, एक एकल स्नैपशॉट को देखकर एक अराजक तूफान में उड़ते हुए पत्ते के पथ का अनुमान लगाने जैसा है।

यह पेपर इसे हल करने के लिए एक "वर्ल्ड मॉडल" (World Model) की अवधारणा का उपयोग करके एक चतुर नया तरीका पेश करता है। यहाँ सरल शब्दों में इसका विवरण दिया गया है:

1. मूल विचार: रेडियो में "सपना देखना" सीखना

एक वर्ल्ड मॉडल को एक कंप्यूटर के मस्तिष्क के भीतर एक वीडियो गेम इंजन की तरह समझें। केवल यह देखने के बजाय कि अभी क्या दिख रहा है, यह मॉडल दुनिया का एक छोटा, सरलीकृत मानचित्र (एक "लेटेंट स्पेस") बनाता है। फिर यह उस मानचित्र का उपयोग भविष्य का अनुकरण (simulate) करने के लिए करता है।

उपमा: कल्पना कीजिए कि आप एक ड्राइविंग गेम खेल रहे हैं। आपको यह जानने के लिए कि यदि आप स्टीयरिंग व्हील को बाईं ओर घुमाते हैं तो कार बाईं ओर जाएगी, सड़क के हर कंकड़ को देखने की आवश्यकता नहीं है। आपके पास "फिजिक्स" का एक आंतरिक मॉडल है।
इस पेपर में: AI रेडियो तरंगों की "फिजिक्स" के आंतरिक मॉडल को सीखता है। यह सीखता है कि यदि कोई उपयोगकर्ता एक निश्चित गति से उत्तर की ओर बढ़ता है, तो रेडियो सिग्नल एक विशिष्ट, अनुमानित तरीके से बदलेगा।

2. गुप्त नुस्खा: "होमोमोर्फिक" गणित (लेगो ब्लॉक दृष्टिकोण)

अधिकांश AI मॉडल इन परिवर्तनों को अनुमान लगाकर सीखने की कोशिश करते हैं, जो बहुत अव्यवस्थित हो सकता है। यह पेपर Lie Algebra पर आधारित होमोमोर्फिक डायनेमिक्स (Homomorphic Dynamics) नामक एक विशेष गणितीय ट्रिक पेश करता है।

उपमा: कल्पना कीजिए कि आपके पास लेगो ब्लॉक्स (Lego blocks) का एक सेट है।
- मानक AI: ब्लॉक्स को एक रैंडम तरीके से जोड़ने की कोशिश करता है ताकि एक टावर बनाया जा सके। कभी-कभी वे गिर जाते हैं।
- इस पेपर का AI: एक विशेष "लेगो सिस्टम" का उपयोग करता है जहाँ प्रत्येक ब्लॉक का एक विशिष्ट आकार होता है जो केवल अन्य ब्लॉक्स के साथ एक पूर्ण, तार्किक तरीके से फिट बैठता है। यदि आप एक "उत्तर की ओर बढ़ें" वाला ब्लॉक जोड़ते हैं, तो वह वर्तमान टावर पर बिल्कुल वहीं फिट हो जाता है जहाँ उसे होना चाहिए।
यह क्यों मायने रखता है: यह सुनिश्चित करता है कि AI का आंतरिक मानचित्र ज्यामितीय रूप से सुसंगत बना रहे। यदि आप एक घेरे में घूमते हैं, तो AI का आंतरिक मानचित्र एक घेरा बनाएगा, न कि एक टेढ़ा-मेढ़ा ढेर। यह रेडियो तरंगों के "ब्रह्मांड के नियमों" का सम्मान करता है।

3. यह कैसे सीखता है: "टीचर-स्टूडेंट" गेम

इस मॉडल को किसी मानव शिक्षक की आवश्यकता नहीं है जो इसे बताए, "आप गलत हैं, उपयोगकर्ता वास्तव में बिंदु X पर है।" यह सेल्फ-सुपरवाइज्ड (self-supervised) तरीके से सीखता है, जैसे कि एक छात्र अपने ही एक थोड़े बड़े संस्करण के खिलाफ खेल खेल रहा हो।

स्टूडेंट (ऑनलाइन एनकोडर): वर्तमान रेडियो सिग्नल को देखता है और यह अनुमान लगाता है कि उपयोगकर्ता कितनी तेजी से चल रहा है, इसके आधार पर भविष्य में सिग्नल कैसा दिखेगा।
टीचर (टारगेट एनकोडर): स्टूडेंट का एक "धीमी गति वाला" संस्करण जिसने अधिक डेटा देखा है। यह भविष्य का सिग्नल वास्तव में कैसा दिखता है, इसका "सही" उत्तर प्रदान करता है।
सबक: स्टूडेंट टीचर के अनुमान से मेल खाने की कोशिश करता है। समय के साथ, स्टूडेंट भविष्य की भविष्यवाणी करने में इतना कुशल हो जाता है कि वह पूरे वायरलेस वातावरण का एक सटीक, संक्षिप्त मानचित्र बना लेता है।

4. परिणाम: एक "चैनल चार्ट"

अंतिम उत्पाद एक चैनल चार्ट (Channel Chart) है।

उपमा: कल्पना कीजिए कि यह एक शहर का नक्शा है। आमतौर पर, यह जानने के लिए कि आप कहाँ हैं, आपको GPS निर्देशांकों की आवश्यकता होती है। यह AI एक ऐसा मानचित्र बनाता है जहाँ मानचित्र पर दूरी, वास्तविक दुनिया की दूरी के बराबर होती है, भले ही इसने प्रशिक्षण के दौरान कभी भी GPS निर्देशांक नहीं देखे हों।
यदि दो लोग एक कमरे में पास-पास खड़े हैं, तो उनके "रेडियो फिंगरप्रिंट" इस AI मानचित्र पर पास-पास होंगे। यदि वे दूर हैं, तो उनके फिंगरप्रिंट भी दूर होंगे।
जादू: क्योंकि मॉडल ने गति के नियमों (होमोमोर्फिक हिस्सा) को सीखा है, इसलिए यह केवल अपनी गति और दिशा जानकर भविष्य में उपयोगकर्ता कहाँ होगा, इसका अनुमान लगा सकता है, भले ही वह किसी ऐसे कमरे में हो जहाँ वह पहले कभी नहीं गया।

आपको इसकी परवाह क्यों करनी चाहिए?

यह केवल गणित के बारे में नहीं है; यह भविष्य के वायरलेस नेटवर्क को स्मार्ट और तेज़ बनाने के बारे में है।

कोई लैग नहीं: नेटवर्क उपयोगकर्ता के पहुँचने से पहले ही "देख" सकता है कि वह कहाँ आ रहा है और तुरंत कनेक्शन तैयार कर सकता है।
बेहतर लोकलाइजेशन: यह महंगे GPS हार्डवेयर की आवश्यकता के बिना, केवल रेडियो तरंगों को सुनकर आपके स्थान का सटीक पता लगा सकता है।
जनरलाइजेशन (Generalization): क्योंकि इसने केवल विशिष्ट कमरों को याद करने के बजाय गति के नियमों को सीखा है, यह बिना पुन: प्रशिक्षित (retrain) हुए नए भवनों, नए शहरों और नए वातावरणों में भी काम करता है।

संक्षेप में: लेखकों ने एक ऐसा AI बनाया है जो रेडियो तरंगों की "फिजिक्स" को सीखता है। केवल अतीत को याद करने के बजाय, इसने भविष्य के बारे में "सपना देखना" सीखा है, जिससे वायरलेस दुनिया का एक पूर्ण, ज्यामितीय मानचित्र तैयार हुआ है जो नेटवर्क को उपयोगकर्ता की गति का पूर्वानुमान लगाने और निर्बाक रूप से जुड़े रहने में मदद करता है।

यहाँ शोध पत्र "Structured Latent Dynamics in Wireless CSI via Homomorphic World Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र चैनल स्टेट इंफॉर्मेशन (CSI) से वायरलेस चैनलों के भविष्य कहने योग्य (predictive) और संरचित प्रतिनिधित्व (structured representations) सीखने की चुनौती को संबोधित करता है। हालाँकि वर्ल्ड मॉडल्स (WMs) ने भविष्य की अवस्थाओं के अनुकरण (simulating future states) के लिए AI में प्रभावशीलता सिद्ध की है, लेकिन वायरलेस प्रणालियों पर इन्हें लागू करना कठिन है क्योंकि:

उच्च-आयामी, शोरयुक्त अवलोकन (High-dimensional, noisy observations): CSI डेटा जटिल और विशाल होता है।
कालिक जागरूकता का अभाव (Lack of temporal awareness): मौजूदा चैनल चार्टिंग (CC) विधियाँ (जो CSI को एक निम्न-आयामी स्थान में मैप करती हैं ताकि स्थानिक निकटता बनी रहे) आमतौर पर स्थिर होती हैं, जो बिना किसी टेम्पोरल डायनेमिक्स को मॉडल किए, हस्तनिर्मित मेट्रिक्स या कंट्रास्टिव लर्निंग पर निर्भर करती हैं।
असंरचित गतिकी (Unstructured dynamics): पूर्व-भविसीय (prior predictive) मॉडल अक्सर अवस्था परिवर्तनों को जेनेरिक न्यूरल नेटवर्क मैपिंग के रूप में मानते हैं, जिनमें ज्यामितीय निरंतरता (geometric consistency) का अभाव होता है और वे अनदेखे मोशन पैटर्न या वातावरण में सामान्यीकरण (generalize) करने में विफल रहते हैं।

मूल प्रश्न यह है: क्या एक वर्ल्ड मॉडल का लेटेंट स्पेस रेडियो वातावरण का एक अर्थपूर्ण, मेट्रिकली निष्ठावान (metrically faithful) प्रतिनिधित्व हो सकता है जो स्थानिक चार्टिंग और कालिक भविष्यवाणी (temporal prediction) दोनों का समर्थन करे?

2. कार्यप्रणाली (Methodology)

लेखक एक स्व-पर्यवेक्षित (self-supervised), भविष्य कहने योग्य वर्ल्ड मॉडल प्रस्तावित करते हैं जो जॉइंट एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (JEPA) ढांचे पर आधारित है, जिसे विशेष रूप से वायरलेस चैनलों के लिए तैयार किया गया है।

A. सिस्टम मॉडल और डेटा

इनपुट: वाइडबैंड मल्टी-एंटीना CSI टेंसर ( $H_t$ ) जो ग्राउंड-ट्रुथ पोजीशन से प्राप्त यूजर वेलोसिटी ( $a_t$ ) के साथ युग्मित है।
फॉर्मूलेशन: समस्या को एक मार्कोव निर्णय प्रक्रिया (MDP) के रूप में मॉडल किया गया है जहाँ यूजर की गति (motion) "एक्शन" के रूप में कार्य करती है जो चैनल अवस्था के विकास को संचालित करती है।
प्रीप्रोसेसिंग: जटिल CSI को वास्तविक-मान वाले टेंसर (परिमाण और चरण) में परिवर्तित किया जाता है और एक ResNet-शैली के एनकोडर द्वारा प्रोसेस किया जाता है।

B. मुख्य आर्किटेक्चर: होमोमोर्फिक लेटेंट डायनेमिक्स (Homomorphic Latent Dynamics)

मुख्य नवाचार जेनेरिक ट्रांजिशन फंक्शन को Lie Algebra से प्राप्त होमोमोर्फिक अपडेट्स से बदलना है।

एनकोडर ( $\zeta$ ): कच्चे CSI को एक लेटेंट वेक्टर $z_t$ में मैप करता है।
एक्शन प्रोजेक्शन: एक लर्न करने योग्य मैपिंग $\phi_\Theta$ वेलोसिटी कंट्रोल वेक्टर $a_t$ को एक Lie algebra $\mathfrak{gl}(D)$ में प्रोजेक्ट करती है।
ग्रुप एलिमेंट जनरेशन: Lie algebra तत्व को एक्सपोनेंशिएट (exponentiate) करके एक Lie group तत्व (एक लीनियर ऑपरेटर) बनाया जाता है:
$\rho_\Theta(a_t) = \exp(\phi_\Theta(a_t))$
स्ट्रक्चर्ड ट्रांजिशन: भविष्य की लेटेंट अवस्थाओं को इन ऑपरेटर्स को क्रमिक रूप से कंपोज (compose) करके प्रेडिक्ट किया जाता है:
$\hat{z}_{t+h} = \left( \prod_{i=0}^{h-1} \rho_\Theta(a_{t+i}) \right) z_t$
यह सुनिश्चित करता है कि लेटेंट डायनेमिक्स कंपोजिशनल (एक्शन का क्रम बीजगणितीय रूप से महत्वपूर्ण है) और ज्यामितीय रूप से सुसंगत (smooth transformations) हैं।

C. प्रशिक्षण उद्देश्य (Training Objective - Self-Supervised)

मॉडल को बिना स्थानिक लेबल के, एक टीचर-स्टूडेंट सेटअप (JEPA शैली) का उपयोग करके एंड-टू-एंड प्रशिक्षित किया जाता है:

टीचर: ऑनलाइन एनकोडर का एक एक्सपोनेंशियल मूविंग एवरेज (EMA) लक्ष्य एम्बेडिंग्स ( $\bar{z}$ ) उत्पन्न करता है।
स्टूडेंट: वर्तमान अवस्था और एक्शन सीक्वेंस के आधार पर भविष्य के एम्बेडिंग्स ( $\hat{z}$ ) की भविष्यवाणी करता है।
लॉस फंक्शन ( $L_{total}$ ): पाँच घटकों का एक भारित योग (weighted sum) है:
1. टीचर-फोर्सिंग लॉस ( $L_{TF}$ ): प्रेडिक्टेड स्टेप्स को टारगेट के साथ संरेखित करता है।
2. रोलआउट लॉस ( $L_{roll}$ ): दीर्घकालिक निरंतरता सुनिश्चित करने के लिए अंतिम होराइजन स्टेप को सुपरवाइज करता है।
3. VICReg रेगुलराइजेशन ( $L_{var}, L_{cov}$ ): लेटेंट आयामों के बीच वेरिएंस और डिकोरिलेशन को लागू करके रिप्रेजेंटेशन कोलैप्स को रोकता है।
4. इनवर्स डायनेमिक्स लॉस ( $L_{IDM}$ ): लगातार लेटेंट अवस्थाओं से एक्शन प्रेडिक्ट करने के लिए प्रोत्साहित करके यह सुनिश्चित करता है कि लेटेंट स्पेस मोशन जानकारी को एनकोड करे।

3. मुख्य योगदान (Key Contributions)

एकीकृत प्रेडिक्टिव वर्ल्ड मॉडल: एक स्व-पर्यवेक्षित ढांचा जो कच्चे CSI से चैनल चार्टिंग और टेम्पोरल डायनेमिक्स को एक साथ सीखता है, जिससे प्री-ट्रेनिंग या हस्तनिर्मित डिसिमिलैरिटी मेट्रिक्स की आवश्यकता समाप्त हो जाती है।
होमोमोर्फिक लेटेंट ट्रांजिशन्स: वायरलेस चैनल मॉडलिंग में Lie algebra पैरामीट्राइजेशन का पहला अनुप्रयोग। यह लेटेंट स्पेस में एक संरचित, कंपोजिशनल ज्योमेट्री को लागू करता है, जिससे मॉडल मनमाने एक्शन सीक्वेंस के लिए सामान्यीकरण करने में सक्षम होता है।
मेट्रिकली फेथफुल चैनल चार्टिंग: यह प्रदर्शित करता है कि सीखा गया एनकोडर एक फॉरवर्ड चार्टिंग फंक्शन (FCF) के रूप में कार्य करता है, जो उच्च-आयामी CSI को एक ऐसे लेटेंट स्पेस में मैप करता है जहाँ यूक्लिडियन दूरियां भौतिक स्थानिक विस्थापन (physical spatial displacements) के साथ सह-संबंधित होती हैं।
सामान्यीकरण (Generalization): मॉडल बिना रिट्रेनिंग के अनदेखे वातावरण में भविष्य की चैनल अवस्थाओं की भविष्यवाणी करने और प्रक्षेपवक्र (trajectories) को पुनर्गठित करने में सफल रहता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

डेटासेट: DICHASUS डेटासेट (4 बेस स्टेशन और 32 एंटेना के साथ इंडोर वाइडबैंड मेजरमेंट्स) पर मूल्यांकन किया गया।
बेसलाइन्स: MLP, GRU और FiLM प्रेडिक्टर्स के विरुद्ध तुलना की गई।
मेट्रिक्स: मानक चैनल चार्टिंग मेट्रिक्स का उपयोग किया गया:
- ट्रस्टवर्थनेस (TW) और कंटीन्यूटी (CT): स्थानीय संरचना संरक्षण को मापते हैं (उच्चतर बेहतर है)।
- क्रुस्कल का स्ट्रेस (KS) और राज्स्की का डिस्टेंस (RD): वैश्विक टोपोलॉजिकल अलाइनमेंट को मापते हैं (निम्नतर बेहतर है)।
प्रदर्शन:
- प्रस्तावित विधि ने TW = 0.9948 और CT = 0.9764 प्राप्त किया, जो सभी बेसलाइन्स से बेहतर है।
- इसने GRU (0.7818) और MLP (0.7828) की तुलना में वैश्विक विरूपण (RD = 0.7473) को काफी कम कर दिया।
- एब्लेशन स्टडी: होमोमोर्फिक संरचना (जेनेरिक MLPs का उपयोग करके) या रेगुलराइजेशन (VICReg/IDM) को हटाने से प्रदर्शन में भारी गिरावट आई, जो ज्यामितीय बाधाओं और मोशन-अवेयर सुपरविजन दोनों की आवश्यकता की पुष्टि करता है।
विज़ुअलाइज़ेशन: PCA प्रोजेक्शन के माध्यम से देखे गए लेटेंट रोलआउट, ग्राउंड-ट्रुथ फिजिकल ट्रैजेक्टरीज के साथ बारीकी से मेल खाते हैं, यहाँ तक कि उन टेस्ट पाथ्स के लिए भी जिन्हें ट्रेनिंग के दौरान नहीं देखा गया था।

5. महत्व और भविष्य का प्रभाव (Significance and Future Impact)

स्केलेबल फाउंडेशन: यह कार्य वायरलेस रिप्रेजेंटेशन लर्निंग के लिए एक सिद्धांत आधारित, स्केलेबल आधार प्रदान करता है, जो स्टैटिक मैपिंग से आगे बढ़कर डायनेमिक, प्रेडिक्टिव मॉडलिंग की ओर बढ़ता है।
डाउनस्ट्रीम अनुप्रयोग: परिणामी "प्रेडिक्टिव चैनल चार्ट्स" निम्नलिखित कार्यों को सक्षम करते हैं:
- मोबिलिटी-अवेयर शेड्यूलिंग: चैनल परिवर्तन होने से पहले ही उनका अनुमान लगाना।
- लोकलाइजेशन: स्पष्ट GPS लेबल के बिना CSI से यूजर की स्थिति का अनुमान लगाना।
- बीम ट्रैकिंग और हैंडओवर: सिम्युलेटेड भविष्य की अवस्थाओं के आधार पर प्रोएक्टिव रिसोर्स मैनेजमेंट।
सैद्धांतिक प्रगति: Lie ग्रुप्स के माध्यम से वर्ल्ड मॉडल्स और वायरलेस फिजिक्स को जोड़कर, यह शोध पत्र प्रदर्शित करता है कि लेटेंट डायनेमिक्स पर बीजगणितीय संरचना लागू करने से जटिल भौतिक वातावरणों में बेहतर सामान्यीकरण और ज्यामितीय निष्ठा प्राप्त होती है।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान कार्य एक स्थिर वातावरण को मानता है जिसमें यूजर-मोशन-ड्रिवन डायनेमिक्स है, यह ढांचा जटिल, समय-परिवर्तित रेडियो दृश्यों के बारे में तर्क करने में सक्षम स्वायत्त, अनुकूलन योग्य वायरलेस सिस्टम विकसित करने के लिए एक महत्वपूर्ण पूर्ववर्ती है।