⚡ electrical engineering

Double-Directional Wireless Channel Modeling Using Statistics-Aided Machine Learning

यह शोध पत्र एक सांख्यिकी-सहायता प्राप्त मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता है जो भविष्य के दोहरी-दिशात्मक वायरलेस चैनल वास्तविकताओं को उत्पन्न करने के लिए एक हाइब्रिड TimesNet-TimeFilter मॉडल का उपयोग करता है, जिसे शीर्ष- $M$ मल्टी-पाथ घटकों के एक निश्चित उपसमुच्चय पर प्रशिक्षित किया गया है, जो पूर्ण समय-परिवर्तनीय चैनल के सांख्यिकीय गुणों से सटीक रूप से मेल खाते हैं, जिससे लघु समय अवधि और परिवर्तनशील इनपुट आयामों के संबंध में मौजूदा समाधानों की सीमाओं को दूर किया जा सके।

मूल लेखक: Richmond Boamah, Ferdous Pervej

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Richmond Boamah, Ferdous Pervej

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 अगले कुछ दिनों के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आप जानते हैं कि हवा, बारिश और बादल लगातार बदलते रहते हैं, और कभी-कभी अचानक कोई तूफान आ जाता है जबकि धूप वाला हिस्सा गायब हो जाता है। वायरलेस इंटरनेट (Wi-Fi, 5G, आदि) की दुनिया में, यह "मौसम" वायरलेस चैनल (wireless channel) है—वह अदृश्य रास्ता जिससे रेडियो तरंगें एक टावर से आपके फोन तक पहुँचती हैं।

यह शोध पत्र इस बात का परिचय देता है कि कैसे इस "वायरलेस मौसम" के व्यवहार की भविष्यवाणी करने का एक नया, अधिक स्मार्ट तरीका विकसित किया गया है, जो विशेष रूप से डबल-डायरेक्शनल चैनल मॉडलिंग (Double-Directional Channel Modeling) नामक एक जटिल प्रकार की भविष्यवाणी पर केंद्रित है।

यहाँ समस्या और उनके समाधान का विवरण दिया गया है, जिसे सरल उपमाओं (analogies) का उपयोग करके समझाया गया है:

समस्या: "बहुत अधिक चर (Variables)" की दुविधा

एक वास्तविक शहर में, रेडियो तरंगें इमारतों, कारों और लोगों से टकराकर वापस आती हैं। प्रत्येक उछाल (bounce) को एक मल्टी-पाथ कंपोनेंट (MPC) कहा जाता है।

अराजकता (The Chaos): कभी 5 उछाल होते हैं; कभी 50। कभी एक कार गुजर जाती है और एक नया उछाल पैदा करती है; कभी एक इमारत पुराने उछाल को रोक देती है।
AI का संघर्ष: अधिकांश आर्टिफिशियल इंटेलिजेंस (AI) मॉडल कठोर रोबोट की तरह होते हैं। वे निश्चित संख्या में इनपुट की अपेक्षा करते हैं (जैसे, "मुझे ठीक 10 नंबर दें")। यदि वास्तविक दुनिया उन्हें एक सेकंड में 50 नंबर और दूसरे सेकंड में 5 नंबर देती है, तो रोबोट भ्रमित हो जाता है और काम करना बंद कर देता है।
अल्पकालिक जाल (The Short-Term Trap): मौजूदा AI मॉडल अगले एक सेकंड के सटीक मौसम की भविष्यवाणी करने में अच्छे हैं, लेकिन वे लंबे समय के दौरान (सांख्यिकी/statistics) समग्र पैटर्न की भविष्यवाणी करने में विफल रहते हैं। वे एक धूप वाले दिन की भविष्यवाणी कर सकते हैं जबकि वास्तविक रुझान एक तूफान का होता है।

समाधान: "Top-M" फ़िल्टर और "सांख्यिकीय दर्पण (Statistical Mirror)"

लेखकों ने इसे ठीक करने के लिए दो-चरणीय जादू का प्रस्ताव दिया है।

1. "Top-M" फ़िल्टर (सितारों को चुनना)

हर एक रेडियो तरंग के उछाल को ट्रैक करने की कोशिश करने के बजाय (जो असंभव है क्योंकि संख्या बदलती रहती है), AI केवल सबसे महत्वपूर्ण Top-M उछालों पर ध्यान केंद्रित करने का निर्णय लेता है।

उपमा: एक भीड़भाड़ वाले कॉन्सर्ट की कल्पना करें। भीड़ में मौजूद हर व्यक्ति के चेहरे को याद रखने के बजाय (जो लोगों के आने-जाने से बदलता रहता है), आप केवल मंच पर मौजूद शीर्ष 5 VIPs को ट्रैक करते हैं। भले ही भीड़ बदल जाए, जब तक आप जानते हैं कि VIP कहाँ हैं, आपके पास शो के माहौल का एक अच्छा अंदाजा होता है।
गणित: वे शीर्ष $M$ सबसे मजबूत संकेतों को चुनते हैं (जहाँ $M$ एक छोटी संख्या है, जैसे 5 या 10) और बाकी को अनदेखा कर देते हैं। यह AI को काम करने के लिए एक निश्चित, प्रबंधनीय डेटा सूची प्रदान करता है।

2. "ग्राफ" मैप (बिंदुओं को जोड़ना)

एक बार जब उनके पास Top-M संकेत होते हैं, तो वे उन्हें केवल एक मानक कैलकुलेटर में नहीं डालते। वे एक ग्राफ (Graph) बनाते हैं।

उपमा: रेडियो संकेतों को एक मानचित्र पर शहरों के रूप में सोचें। AI इन शहरों के बीच रेखाएं खींचता है कि वे एक-दूसरे के कितने समान हैं (एक "मैनहट्टन दूरी" नियम का उपयोग करके, जैसे शहर के ब्लॉक गिनना)। यह एक नेटवर्क बनाता जहाँ AI देख सकता है कि संकेत स्थान और समय में एक-दूसरे से कैसे संबंधित हैं, न कि केवल उन्हें संख्याओं की एक सपाट सूची के रूप में देखना।

3. हाइब्रिड इंजन (TNTF)

उन्होंने एक नया AI इंजन बनाया जिसे TNTF (TimeFilter + TimesNet) कहा जाता है।

उपमा: इसे एक सुपर-स्मार्ट जासूस के रूप में सोचें जो दो चीजों में कुशल है:
1. समय (Time): सेकंडों में चीजें कैसे बदलती हैं (जैसे दिल की धड़कन) इसके पैटर्न को पहचानना।
2. स्थान (Space): एक कमरे या शहर में चीजें कैसे व्यवस्थित हैं, इसे समझना।
  इन दोनों को मिलाकर, मॉडल रेडियो तरंगों के घूमने के "जटिल पैटर्न" को सीखता है।

4. "सांख्यिकीय दर्पण" (गुप्त सूत्र/Secret Sauce)

आमतौर पर, AI एक संकेत के सटीक भविष्य के मान (value) का अनुमान लगाने की कोशिश करता है। लेखक कहते हैं, "नहीं, आइए सांख्यिकी (statistics) का अनुमान लगाएं।"

लक्ष्य: उन्हें इस बात की परवाह नहीं है कि AI दोपहर 2:00 बजे गिरने वाली बारिश की सटीक बूंद का अनुमान लगाता है या नहीं। उन्हें इस बात की परवाह है कि क्या AI यह अनुमान लगा सकता है कि "20% समय बारिश होगी" या "हवा उत्तर से चलेगी।"
विधि: वे AI को एक विशेष "लॉस फंक्शन" (स्कोरिंग सिस्टम) का उपयोग करके प्रशिक्षित करते हैं। यदि AI एक ऐसा भविष्य का परिदृश्य उत्पन्न करता है जो वास्तविकता से अलग दिखता है लेकिन जिसका सांख्यिकीय आकार (statistical shape) समान है (समान औसत विलंब, समान कोणों का फैलाव), तो उसे उच्च स्कोर मिलता है।
उपमा: कल्पना कीजिए कि एक चित्रकार एक परिदृश्य (landscape) की नकल करने की कोशिश कर रहा है। एक सामान्य AI हर पत्ते को बिल्कुल उसी जगह चित्रित करने की कोशिश करता है जहाँ वह है। यह नया AI एक ऐसा चित्र बनाने की कोशिश करता है जो उस परिदृश्य जैसा महसूस होता है—इसमें सही मात्रा में हरा रंग, सही मात्रा में नीला रंग और सही छाया होती है, भले ही व्यक्तिगत पत्ते थोड़ी अलग जगहों पर हों।

परिणाम: क्या यह काम करता है?

लेखकों ने दो प्रकार के "विश्व" पर परीक्षण किया:

सिंथेटिक विश्व (Synthetic World): यादृच्छिक नियमों वाला एक कंप्यूटर-जनरेटेड शहर।
वास्तविक विश्व (Real World): रे-ट्रेसिंग (ray-tracing) का उपयोग करके बनाया गया यूटा स्टेट यूनिवर्सिटी का एक डिजिटल ट्विन (जो यह सिम्युलेट करता है कि प्रकाश/रेडियो तरंगें वास्तविक इमारतों से कैसे टकराती हैं)।

निष्कर्ष:

बेहतर दीर्घकालिक अनुमान: जबकि अन्य मॉडल तब विफल हो जाते हैं जब भविष्यवाणी का समय लंबा हो जाता है, यह मॉडल सटीक रहने में सक्षम रहा क्योंकि इसने सूक्ष्म विवरणों के बजाय सांख्यिकी (बड़ी तस्वीर) पर ध्यान केंद्रित किया।
मजबूती (Robustness): भले ही उन्होंने केवल बहुत कम शीर्ष संकेतों (जैसे केवल 2 या 5) को देखा, फिर भी इस मॉडल ने ऐसे परिणाम दिए जो वास्तविक दुनिया के "मौसम" पैटर्न से पूरी तरह मेल खाते थे।
तुलना: अन्य शानदार AI मॉडल (जैसे Transformers या GANs) की तुलना में, इस "सांख्यिकी-सहायता प्राप्त" दृष्टिकोण ने लगातार ऐसे परिणाम दिए जो वास्तविक 'ग्राउंड ट्रुथ' (वास्तविक स्थिति) के अधिक करीब थे।

सारांश

यह शोध पत्र वायरलेस संकेतों को मॉडल करने का एक नया तरीका प्रस्तुत करता है जो एक अराजक प्रणाली के हर चलते हुए हिस्से की भविष्यवाणी करने की कोशिश करने के बजाय उसे छोड़ देता है। इसके बजाय, यह:

शोर (noise) को फ़िल्टर करता है ताकि सबसे महत्वपूर्ण संकेतों पर ध्यान केंद्रित किया जा सके।
उन्हें एक जुड़े हुए नेटवर्क की तरह मैप करता है।
AI को भविष्य के सटीक विवरणों के बजाय उसके समग्र सांख्यिकीय आकार से मेल खाने के लिए प्रशिक्षित करता है।

यह सिस्टम को यह भविष्यवाणी करने की अनुमति देता है कि वायरलेस सिग्नल लंबे समय तक कैसे व्यवहार करेंगे, जो बेहतर, अधिक विश्वसनीय संचार नेटवर्क डिजाइन करने के लिए अत्यंत महत्वपूर्ण है।

तकनीकी सारांश: सांख्यिकी-सहायता प्राप्त मशीन लर्निंग का उपयोग करके द्वि-दिशात्मक वायरलेस चैनल मॉडलिंग

समस्या विवरण
डबल-डायरेक्शनल (DD) वायरलेस चैनल मॉडल यथार्थवादी सिस्टम डिज़ाइन के लिए महत्वपूर्ण है क्योंकि यह समय, विलंब (delay), प्रस्थान की दिशा (DoD), और आगमन की दिशा (DoA) सहित पूर्ण प्रसार जानकारी प्रदान करता है। हालांकि, मौजूदा मॉडलिंग दृष्टिकोणों को महत्वपूर्ण सीमाओं का सामना करना पड़ता है:

परिवर्तनीय MPC गणना: गतिशील वातावरण में, परस्पर क्रिया करने वाली वस्तुओं की जन्म-मृत्यु प्रक्रिया (birth-death process) के कारण मल्टी-पाथ कंपोनेंट्स (MPCs) की संख्या बदलती रहती है। यह परिवर्तनशीलता मानक मशीन लर्निंग (ML) मॉडल के लिए एक विसंगति पैदा करती है, जिन्हें आमतौर पर निश्चित इनपुट और आउटपुट आयामों (dimensions) की आवश्यकता होती है।
अल्पकालिक सीमाएँ: मौजूदा भविष्य कहनेवाला (predictive) ML समाधान अक्सर केवल अल्प समय अंतराल के लिए भविष्य के चैनल वास्तविकताओं को संरेखित करते हैं, जिससे सांख्यिकीय रूप से महत्वपूर्ण दीर्घकालिक अनुक्रम (sequences) उत्पन्न करने में विफलता होती है।
सांख्यिकीय विसंगति: जबकि जनरेटिव मॉडल मौजूद हैं, वे आंशिक डेटा पर प्रशिक्षित होने पर पूर्ण चैनल के वास्तविक सांख्यिकी (ground-truth statistics) से मेल खाने में संघर्ष करते हैं।
कंप्यूटेशनल व्यवहार्यता: नियतात्मक रे ट्रेसिंग (Deterministic ray tracing) सामान्य तैनाती के लिए बहुत अधिक कंप्यूटेशनल रूप से महंगी है, जबकि स्टोकेस्टिक मॉडल अक्सर विशिष्ट पर्यावरणीय ज्यामिति को अनदेखा कर देते हैं।

कार्यप्रणाली
लेखक एक सांख्यिकी-सहायता प्राप्त मशीन लर्निंग (SA-ML) समाधान प्रस्तावित करते हैं जो एक हाइब्रिड TimesNet-TimeFilter (TNTF) मॉडल पर केंद्रित है। यह कार्यप्रणाली तीन चरणों वाली प्रक्रिया के माध्यम से चर MPC समस्या को संबोधित करती है:

डेटा तैयारी और ग्राफ निर्माण:
- Top-M चयन: सभी MPCs को प्रोसेस करने के बजाय, मॉडल एक निश्चित आकार के इनपुट टेंसर को बनाने के लिए शीर्ष- $M$ MPCs के एक निश्चित उपसमुच्चय (subset) का चयन करता है (जहाँ $M \ll N_{total}$ )।
- पैरामीटर-विशिष्ट पैचिंग: लेखक MPC विशेषताओं को अनुक्रमिक पैचिंग के बजाय भौतिक प्रकार (जैसे गेन, डिले, अज़ीमुथ/एलीवेशन कोण) के आधार पर समूहों में विभाजित करते हैं।
- ग्राफ निर्माण: टाइम स्टेप्स के बीच पैच के बीच समानता को मापने के लिए मैनहट्टन दूरी ( $L_1$ मेट्रिक) का उपयोग करके, K-निकटतम पड़ोसियों (KNN) के माध्यम से एक एडजेसेंसी मैट्रिक्स बनाया जाता है। यह मॉडल को चैनल डेटा को एक सीखने योग्य ग्राफ के रूप में मानने की अनुमति देता है।
हाइब्रिड TNTF मॉडल आर्किटेक्चर:
- एम्बेडिंग और एनकोडिंग: पैच को उच्च-आयामी फीचर स्पेस में एम्बेड किया जाता है।
- स्पेक्ट्रल डोमेन विश्लेषण (SDA): मॉडल 1D टाइम-सीरीज पैच को 2D फ्रीक्वेंसी-डोमेन रिप्रजेंटेशन में बदलने के लिए फास्ट फूरियर ट्रांसफॉर्म (FFT) का उपयोग करता है। यह जटिल टेम्पोरल पैटर्न और आवधिकता (periodicities) को सीखने की सुविधा देता है।
- पैरामीटर-इनसेप्शन और एग्रीगेशन: एक पैरामीटर-इनसेप्शन ब्लॉक 2D डोमेन में पैटर्न सीखता है, जिसके बाद डेटा को 1D सीरीज़ में वापस लाने के लिए पीरियड एग्रीगेशन किया जाता है।
- ग्राफ न्यूरल नेटवर्क (GNN) एकीकरण: ग्राफ को ईगो-ग्राफ में विभाजित किया जाता है। एक मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) तंत्र स्थानिक (spatial), टेम्पोरल और स्पैटियो-टेम्पोरल निर्भरताओं को कैप्चर करने के लिए प्रत्येक नोड (पैच) के लिए इष्टतम फिल्टर चुनता है। इन सहसंबंधों को एकत्रित करने के लिए मैसेज पासिंग का उपयोग किया जाता है।
सांख्यिकी-सहायता प्राप्त प्रशिक्षण:
- मॉडल को एक कस्टम लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है जो केवल पॉइंट-वाइज प्रेडिक्शन एरर ही नहीं, बल्कि चैनल सांख्यिकी में विचलन को भी स्पष्ट रूप से दंडित करता है।
- लॉस फंक्शन $\phi(s, \hat{s}, g, \hat{g})$ में डिले स्प्रेड (DS), अज़ीमुथ और ज़ेनिथ में एंगुलर स्प्रेड (AS), और कुल गेन के लिए पद शामिल हैं।
- इसका उद्देश्य भविष्य के शीर्ष- $M$ चैनल वास्तविकताओं को इस तरह उत्पन्न करना है कि उनकी गणना की गई सांख्यिकी, भविष्य के पूर्ण MPCs से प्राप्त ग्राउंड-ट्रुथ सांख्यिकी से बारीकी से मेल खाती हो।

प्रमुख योगदान

फिक्स्ड-सबसेट ग्राफ निर्माण: यह पेपर एक विधि पेश करता है जो MPCs के एक शीर्ष- $M$ उपसमुच्चय को निकालने और प्रोपेगेशन-नॉलेज-आधारित पैचिंग (पैरामीटर प्रकार द्वारा समूहीकरण) और मैनहट्टन दूरी का उपयोग करके सीखने योग्य ग्राफ डेटा बनाने का प्रस्ताव करता है, जो चर-आयाम इनपुट समस्या को हल करता है।
हाइब्रिड TNTF मॉडल: लेखक एक नया आर्किटेक्चर डिजाइन करते हैं जो DD चैनल फीचर्स के जटिल सहसंबंधों को कुशलतापूर्वक मॉडल करने के लिए TimesNet (स्पेक्ट्रल विश्लेषण और पीरियड एग्रीगेशन के लिए) और TimeFilter (ग्राफ-आधारित सहसंबंध सीखने के लिए) को जोड़ता है।
सांख्यिकी-सहायता प्राप्त प्रशिक्षण ढांचा: एक प्रशिक्षण पद्धति प्रस्तावित की गई है जो जनरेटिव मॉडल को पूर्ण चैनल की सांख्यिकीय विशेषताओं (DS, AS, Gain) से मेल खाने के लिए मजबूर करती है, भले ही इसे MPCs के कम सेट पर प्रशिक्षित किया गया हो।

परिणाम
प्रस्तावित समाधान को दो डेटासेट्स का उपयोग करके मान्य किया गया था:

सिंथेटिक स्टोकेस्टिक चैनल मॉडल (SCM): पॉइसन पॉइंट प्रोसेस का उपयोग करके उत्पन्न किया गया।
डिटरमिनिस्टिक रे-ट्रेसिंग डेटासेट: यूटा स्टेट यूनिवर्सिटी के पास ओपनस्ट्रीटमैप, ब्लेंडर और सियोना (Sionna) का उपयोग करके उत्पन्न किया गया।

प्रदर्शन निष्कर्ष:

सांख्यिकीय संरेखण: दोनों डेटासेट्स में, प्रस्तावित मॉडल का सांख्यिकी-सहायता प्राप्त संस्करण (TNTF(S)) डिले स्प्रेड और एंगुलर स्प्रेड के लिए संचयी वितरण कार्यों (CDFs) का उत्पादन करता है जो ग्राउंड-ट्रुथ सांख्यिकी से बारीकी से मेल खाते हैं, और नियमित लॉस फंक्शन के साथ प्रशिक्षित मानक प्रेडिक्टिव बेसलाइन्स (Transformer, BiLSTM-Transformer, TimesNet, TimeFilter) से बेहतर प्रदर्शन करते हैं।
$M$ के प्रति मजबूती: तालिका I दिखाती है कि जैसे-जैसे $M$ बढ़ता है (5 से 15 तक), सांख्यिकी के लिए NMSE कम होता जाता है, हालांकि सुधार मामूली है, जो यह सुझाव देता है कि मॉडल छोटे $M$ के साथ भी प्रमुख चैनल विशेषताओं को प्रभावी ढंग से कैप्चर करता है।
दीर्घकालिक स्थिरता: जैसे-जैसे प्रेडिक्शन होराइजन ( $P$ ) बढ़ता है, प्रेडिक्टिव बेसलाइन्स के प्रदर्शन में गिरावट आती है। सांख्यिकी-सहायता प्राप्त TNTF मॉडल ने स्थिरता बनाए रखी, जो दर्शाता है कि व्यक्तिगत वास्तविकताओं को मिलाने के बजाय चैनल सांख्यिकी को मिलाना दीर्घकालिक पीढ़ी के लिए अधिक विश्वसनीय दृष्टिकोण है।
तुलना: TNTF(S) मॉडल ने अन्य सांख्यिकी-सहायता प्राप्त बेसलाइन्स (जैसे, हाइब्रिड BT(S), TNet(S)) की तुलना में लगातार कम सांख्यिकी NMSE प्राप्त किया।

महत्व और दावे
पेपर का दावा है कि इसकी प्राथमिक महत्ता MPCs की "जन्म-मृत्यु" प्रकृति को संबोधित करने में निहित है, जो गतिशील वातावरण में निश्चित-इनपुट ML मॉडल को अप्रभावी बना देती है। व्यक्तिगत चैनल वास्तविकताओं को मिलाने के बजाय चैनल सांख्यिकी को मिलाने के लक्ष्य की ओर शिफ्ट होकर, प्रस्तावित पद्धति भविष्य के DD चैनल वास्तविकताओं के लंबे अनुक्रम उत्पन्न करने में सक्षम बनाती है जो वास्तविक भौतिक वातावरण के सांख्यिकीय रूप से सुसंगत हैं, भले ही उन्हें मल्टी-पाथ कंपोनेंट्स के कम उपसमुच्चय का उपयोग करके प्रशिक्षित किया गया हो। लेखक का तर्क है कि यह दृष्टिकोण वास्तविक सिस्टम डिज़ाइन और मानकीकरण के लिए आवश्यक सांख्यिकीय सटीकता को बनाए रखते हुए, एक कम्प्यूटेशनल रूप से व्यवहार्य विकल्प प्रदान करता है।