Resumo Técnico: CHANNELKAN

Declaração do Problema

A previsão precisa da Informação do Estado do Canal (CSI) é crítica para aprimorar a confiabilidade e a eficiência espectral de sistemas massivos MIMO-OFDM, particularmente em cenários de alta mobilidade. Em sistemas de Duplexação por Divisão de Tempo (TDD), o envelhecimento do canal causado por flutuações rápidas (deslocamentos Doppler) e propagação multipath torna a CSI estimada desatualizada antes que possa ser utilizada para alocação de recursos.

As abordagens existentes de aprendizado profundo enfrentam uma limitação fundamental: elas lutam para capturar conjuntamente dois tipos distintos de dependências temporais necessários para uma previsão precisa:

1. Variações locais de curto prazo: Flutuações rápidas entre passos de tempo adjacentes.
2. Dependências não lineares de longo alcance: A evolução temporal geral em toda a janela de observação.

Arquiteturas específicas apresentam desvantagens inerentes:

• RNNs (LSTM/GRU): Eficazes para correlações de curto prazo, mas sofrem com o desaparecimento do gradiente ao modelar dependências de longo alcance.
• CNNs: Eficientes na extração de características espaciais-frequenciais locais, mas são restritas por campos receptivos fixos, limitando sua capacidade de capturar dependências além de vizinhanças locais.
• Transformers: Capazes de modelar dependências globais via autoatenção, mas sofrem com complexidade quadrática e dependem de projeções lineares que podem não se adequar adequadamente à evolução temporal altamente não linear dos canais sem fio.

Metodologia

Os autores propõem o CHANNELKAN, uma arquitetura híbrida que integra Redes Neurais Convolucionais (CNNs) e Redes de Kolmogorov-Arnold (KANs) para desacoplar e modelar conjuntamente dependências de curto prazo e de longo alcance. O modelo opera em conjuntos de dados de canal compatíveis com 3GPP gerados pelo simulador QuaDRiGa e consiste em quatro módulos principais:

1. Módulo de Expansão de Domínio Duplo (DDE)

Este módulo gera representações complementares da CSI para fornecer características de entrada mais ricas:

• Representação no Domínio da Frequência (CFR): A entrada é achatada para preservar correlações no domínio da subportadora.
• Representação no Domínio do Atraso (CIR): A CSI é transformada via Transformada Discreta Inversa de Fourier (IDFT) para revelar componentes esparsos de multipath.
• As características de ambos os domínios são concatenadas para formar um vetor de características de domínio duplo.

2. Módulo de Aprimoramento de Informação de Frequência Multi-Escala (MSFE)

Para suprimir ruído e flutuações redundantes enquanto preserva padrões-chave, este módulo:

• Aplica uma Transformada Rápida de Fourier de valor real (rFFT) ao longo da dimensão temporal.
• Seleciona componentes de frequência dominantes em múltiplas escalas usando uma estratégia de seleção Top-K.
• Constrói máscaras binárias para filtrar componentes triviais e reconstrói as características aprimoradas no domínio do tempo via FFT inversa (irFFT).
• Agrega características multi-escala usando camadas densas aprendíveis.

3. Módulo de Extração de Características CNN-KAN de Domínio Duplo (DFE)

Este componente central processa as características aprimoradas através de ramificações paralelas para ambos os domínios CFR e CIR:

• Extração de Características Locais (CNN): Camadas convolucionais em cascata extraem correlações espaciais-frequenciais locais intra-passo de tempo.
• Modelagem de Dependência de Longo Alcance (KAN): A saída é remodelada em uma matriz 2D e processada por camadas Chebyshev KAN. Diferentemente de camadas totalmente conectadas padrão com ativações fixas, as KANs colocam funções univariadas aprendíveis (especificamente polinômios de Chebyshev) nas arestas da rede. Isso permite um mapeamento não linear holístico de toda a matriz de características para modelar a evolução temporal inter-passo de tempo.

4. Módulo de Fusão de Domínio Duplo (DDF)

As características das ramificações CFR e CIR são concatenadas e passadas através de uma camada de fusão densa para produzir a previsão final. A saída é remodelada e inversamente transformada para recuperar a CSI prevista de valor complexo.

Contribuições Principais

O artigo delineia quatro contribuições principais:

1. Arquitetura Híbrida CNN-KAN: A primeira aplicação de KANs à previsão de canal. Desacopla explicitamente tarefas de modelagem: CNNs lidam com correlações espaciais-frequenciais locais de curto prazo, enquanto KANs baseadas em polinômios de Chebyshev modelam a evolução temporal não linear de longo alcance.
2. Aprimoramento de Frequência Multi-Escala: Um módulo que usa filtragem baseada em FFT para selecionar componentes espectrais dominantes em múltiplas escalas, fortalecendo efetivamente características-chave do canal e suprimindo ruído.
3. Estrutura de Domínio Duplo: Uma estrutura de processamento e fusão que explora conjuntamente representações de CSI no domínio da frequência e no domínio do atraso para fornecer informações complementares e aprimorar a robustez.
4. Validação Abrangente: Experimentos extensivos em conjuntos de dados compatíveis com 3GPP validando o modelo em diversas velocidades e Relações Sinal-Ruído (SNRs), apoiados por estudos de ablação que confirmam a necessidade de cada módulo.

Resultados Experimentais

Os experimentos foram conduzidos em conjuntos de dados QuaDRiGa com uma janela histórica de $T=16$ e um horizonte de previsão de $L=4$. O modelo foi comparado com baselines de RNN, LSTM, GRU, CNN e Transformer.

• Desempenho NMSE: O CHANNELKAN alcançou consistentemente o menor Erro Quadrático Médio Normalizado (NMSE) em todas as velocidades testadas (10–100 km/h). Mostrou uma vantagem significativa em altas velocidades (por exemplo, NMSE $\approx$ 0,0609 a 100 km/h), onde os modelos baseline (particularmente RNNs e Transformers) degradaram-se rapidamente.
• Robustez ao Ruído: O modelo superou todas as baselines em níveis de SNR (0–30 dB), com superioridade notável em níveis baixos de SNR, atribuída ao módulo de aprimoramento de frequência multi-escala.
• Métricas do Sistema: O CHANNELKAN alcançou a maior Eficiência Espectral (SE) de 6,414 bps/Hz e a menor Taxa de Erro de Bit (BER) de 0,00771.
• Eficiência: Apesar do desempenho superior, o modelo manteve um tamanho moderado de parâmetros de 24,5 MB, o que é competitivo comparado à baseline Transformer (65 MB).

Significado e Alegações

O artigo alega que o CHANNELKAN aborda com sucesso o desafio da "captura conjunta" que os métodos existentes de aprendizado profundo falham em resolver. Ao aproveitar a natureza complementar das CNNs (extração local) e das KANs (ajuste não linear holístico), o modelo alcança um equilíbrio entre eficiência e flexibilidade.

Os autores enfatizam que esta é a primeira aplicação de KANs à previsão de canal. Os resultados sugerem que desacoplar a modelagem de dependências de curto e longo prazo leva a um desempenho superior em ambientes de alta mobilidade. O artigo conclui que, embora o modelo seja eficaz, trabalhos futuros são necessários para reduzir os custos computacionais para implantação em tempo real e validar a generalização em dados de canal medidos (do mundo real).