⚡ electrical engineering

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

Questo articolo dimostra che le reti Kolmogorov-Arnold (KAN) superano significativamente i multilayer perceptrons (MLP) nel rilevamento BPSK Faster-than-Nyquist (FTN), ottenendo un bit error rate 18,6 volte inferiore a 10 dB pur utilizzando solo un ottavo della larghezza dei livelli nascosti, offrendo così una soluzione più efficiente in termini di parametri per la gestione dell'interferenza intersimbolica.

Autori originali: Sude Ertan, Osman Tokluoglu, Enver Cavus

Pubblicato 2026-08-04

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Sude Ertan, Osman Tokluoglu, Enver Cavus

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di inviare un messaggio segreto a un amico usando un walkie-talkie, ma vuoi inserire quante più parole possibile in un singolo minuto. Nel mondo della radio e della comunicazione digitale, esiste una regola d'oro chiamata "limite di Nyquist". È come un segnale stradale che indica il limite di velocità che dice: "Puoi inviare un solo simbolo (un punto o una linea) ogni X secondi, altrimenti i segnali inizieranno a confondersi". Per decenni, gli ingegneri hanno rispettato questo limite per mantenere i messaggi chiari. Ma cosa succederebbe se potessi infrangere il limite di velocità? Cosa succederebbe se stringessi i punti e le linee l'uno all'altro? Questa è chiamata segnalazione "Faster-than-Nyquist" (FTN). È un trucco astuto per impacchettare più dati nello stesso spazio, ma comporta un costo: i segnali iniziano a sovrapporsi e a interferire tra loro, come auto che si immettono in un'autostrada troppo velocemente.

Per risolvere questo pasticcio, il ricevitore ha bisogno di un detective super intelligente per capire quale sia il segnale corretto. I detective della vecchia scuola (chiamati BCJR) sono incredibilmente accurati, ma sono come un enorme e lento carro armato: richiedono una potenza di calcolo massiccia per risolvere l'enigma, il che è difficile da inserire in piccoli dispositivi alimentati a batteria. Recentemente, gli scienziati hanno provato a usare le "reti neurali" — cervelli informatici che imparano dagli esempi — per agire come questi detective. La grande domanda è: quale tipo di cervello informatico è il migliore nel districare questi segnali disordinati senza aver bisogno di un supercomputer?

Questo articolo esplora una sfida testa a testa tra due tipi di detective a rete neurale: il classico MLP (Perceptrone Multistrato) e un modello più recente e alla moda chiamato KAN (Rete di Kolmogorov-Arnold). I ricercatori hanno allestito una simulazione massiccia, generando quasi quattro milioni di esempi di questi segnali disordinati e sovrapposti. Hanno insegnato a entrambi i tipi di reti a identificare il messaggio corretto da una finestra di 65 campioni rumorosi. L'obiettivo era vedere quale potesse individuare il segnale giusto con il minor numero di errori (Bit Error Rate) utilizzando la minor quantità di "potenza cerebrale" (parametri).

I risultati sono stati sorprendenti. Il detective MLP classico aveva bisogno di un cervello ampio e ingombrante (con una larghezza dello strato nascosto di 32) per fare un lavoro decente. Anche allora, a una qualità del segnale di 10 decibel, commetteva errori circa 130 volte su un milione. Il detective KAN, invece, era un maestro di efficienza. Ha risolto lo stesso enigma con un cervello minuscolo (una larghezza dello strato nascosto di appena 4) e ha commesso errori solo 7 volte su un milione. Questo è un miglioramento massiccio: il KAN è stato 18,6 volte più accurato dell'MLP, nonostante utilizzasse uno strato nascosto che era un ottavo della dimensione.

L'articolo sostiene che il motivo di questa vittoria risieda nel modo in cui i due tipi di reti sono costruiti. L'MLP è come una squadra di lavoratori dove tutti stanno in un grande cerchio e urlano le proprie opinioni contemporaneamente; per dare la risposta corretta, serve una squadra enorme. Il KAN è diverso; pone il "pensiero" sulle connessioni tra i lavoratori piuttosto che sui lavoratori stessi. Ciò gli permette di gestire le specifiche e disordinate sovrapposizioni dei segnali in modo molto più naturale. In queste simulazioni, il KAN non ha solo battuto l'MLP; ha raggiunto lo stesso livello di perfezione del gigante e lento detective "carro armato" (il BCJR), ma lo ha fatto con una frazione minima della complessità. Gli autori suggeriscono che per i futuri dispositivi che devono inviare più dati con meno batteria e meno hardware, questo nuovo modo di pensare "basato sui bordi" potrebbe essere la chiave per sbloccare una comunicazione più veloce e pulita.

Sintesi Tecnica: Un'Analisi Comparativa tra MLP e Kolmogorov-Arnold Networks (KAN) per la Rilevazione di Segnalazione Faster-than-Nyquist (FTN)

Definizione del Problema
La segnalazione Faster-than-Nyquist (FTN) è una tecnica utilizzata per aumentare l'efficienza spettrale trasmettendo simboli a intervalli più brevi del limite di Nyquist ( $T_{FTN} = \tau T$ , dove $\tau < 1$ ). Sebbene questo approccio aumenti i tassi di trasmissione (ad esempio, un incremento del 25% per $\tau=0,8$ ), introduce deliberatamente un'interferenza intersimbolica (ISI) deterministica. Ciò trasforma il problema della rilevazione da una semplice stima simbolo per simbolo in un compito complesso di stima della sequenza. I rilevatori classici ottimali, come l'algoritmo BCJR, possono avvicinarsi alle prestazioni ottimali ma soffrono di una complessità computazionale che scala esponenzialmente con la memoria del canale, rendendoli impraticabili per ricevitori in tempo reale o con vincoli hardware. Di conseguenza, vi è la necessità di rilevatori appresi che possano approssimare le regioni decisionali non lineari dei canali FTN con una complessità inferiore.

Metodologia
Lo studio conduce un confronto sistematico e diretto tra due architetture di reti neurali per la rilevazione BPSK FTN sotto rumore bianco gaussiano additivo (AWGN):

Multilayer Perceptron (MLP): Un baseline standard in cui la non linearità viene applicata alle attivazioni dei nodi (strati nascosti). Gli autori hanno eseguito uno "sweep della larghezza" attraverso dimensioni degli strati nascosti $\{8, 16, 32, 64, 128, 264\}$ per identificare la configurazione ottimale.
Kolmogorov-Arnold Network (KAN): Un'architettura basata sul teorema di rappresentazione di Kolmogorov-Arnold, in cui la non linearità è posizionata sugli archi tramite funzioni B-spline apprendibili invece che sui nodi. Sono state valutate due configurazioni ( $w4\_g5$ e $w8\_g3$ ).

Configurazione Sperimentale

Dataset: È stato generato un dataset Monte Carlo su larga scala comprendente quasi 4 milioni di finestre etichettate (3.999.936 totali).
Parametri: Lo studio si è concentrato su un fattore di impacchettamento temporale $\tau = 0,8$ e valori di rapporto segnale-rumore (SNR) compresi tra 7 e 10 dB.
Rappresentazione dell'Input: I rilevatori operano su una finestra ricevuta di 65 campioni centrata sul simbolo target ( $r_k = [r_{k-32}, \dots, r_{k+32}]^T$ ).
Addestramento: Entrambi i modelli hanno utilizzato la perdita di Cross-Entropy Binaria e l'ottimizzatore Adam.
Baseline di Confronto: Le prestazioni sono state misurate rispetto a un baseline FTN a decisione hard e al riferimento ottimale BCJR.

Contributi Chiave

Creazione del Dataset: Generazione di un dataset FTN-BPSK su larga scala e etichettato specificamente per $\tau=0,8$ e SNR 7–10 dB.
Confronto Sistematico: Una valutazione controllata di KAN rispetto a MLP in condizioni identiche (stessa dimensione della finestra, split del dataset e valori di SNR) per determinare quale modello rappresenti più efficientemente i confini decisionali FTN.
Analisi dell'Efficienza: Valutazione delle prestazioni del Bit Error Rate (BER) rispetto alla complessità del modello (numero di parametri e larghezza nascosta).
Benchmarking delle Prestazioni: Dimostrazione della capacità di KAN di avvicinarsi alle prestazioni di riferimento BCJR senza l'associata complessità di stima della sequenza.

Risultati

Prestazioni: La configurazione KAN selezionata (larghezza nascosta 4, dimensione della griglia spline 5) ha superato costantemente la migliore configurazione MLP (larghezza nascosta 32) in tutti i valori di SNR.
- A 10 dB di SNR, l'MLP ha ottenuto un BER di $1,3 \times 10^{-4}$ .
- Il KAN ha ottenuto un BER di $7,0 \times 10^{-6}$ , eguagliando il riferimento BCJR.
- Ciò rappresenta un miglioramento di 18,6 volte nel BER per KAN rispetto a MLP a 10 dB.
Efficienza dei Parametri:
- Il miglior MLP ha utilizzato 2.145 parametri (larghezza nascosta 32).
- Il KAN selezionato ha utilizzato circa 3.920 parametri (larghezza nascosta 4).
- Nonostante il KAN abbia circa 1,83 volte più parametri grezzi, ha utilizzato una larghezza di strato nascosto che era solo 1/8 di quella dell'MLP.
- Gli autori definiscono una metrica di efficienza dei parametri ( $\eta$ ) come il rapporto tra il miglioramento del BER e l'incremento dei parametri, calcolando un valore di circa 10,2, indicando che KAN fornisce un guadagno di prestazioni significativamente maggiore per unità di incremento dei parametri.
Scalabilità dell'SNR: Il divario di prestazioni si è ampliato all'aumentare dell'SNR. Mentre l'MLP si avvicinava alla saturazione ad alti SNR, il KAN continuava a diminuire il proprio tasso di errore, suggerendo che modella in modo più completo i confini decisionali fini del canale ISI.

Significatività e Rivendicazioni
L'articolo sostiene che l'architettura KAN offre una "superiorità qualitativa e fondamentale" rispetto agli MLP per la rilevazione FTN grazie al suo allineamento strutturale con il canale di comunicazione. Nello specifico:

Modellazione Basata sugli Archi: Posizionando funzioni spline apprendibili sugli archi, i KAN possono modellare l'effetto di ogni componente di input indipendentemente, catturando le interazioni locali e strutturate dell'ISI in modo più efficace rispetto alle attivazioni condivise dei nodi degli MLP.
Rappresentazione Compatta: I KAN possono formare uno spazio di caratteristiche significativo con una larghezza di strato nascosto pari anche solo a 1/8 di quella richiesta da un MLP, rendendoli estremamente attraenti per l'hardware embedded o con risorse limitate dove l'impronta di memoria e la latenza di inferenza sono critiche.
Convergenza Ottimale: Lo studio dimostra che un approccio KAN guidato dai dati può convergere alla soluzione ottimale BCJR senza richiedere algoritmi di stima della sequenza computazionalmente costosi.

Gli autori concludono che i KAN rappresentano una forte alternativa ai baseline densi MLP per problemi di comunicazione dove la sensibilità ai parametri e l'efficienza energetica sono fondamentali. Il lavoro futuro prevede di investigare le prestazioni dei KAN in canali con fading multipath e su piattaforme hardware in tempo reale, nonché la loro generalizzazione a diversi fattori di impacchettamento temporale e modulazioni di ordine superiore.

Articoli simili