arXiv · 05.08.2026 ·Исследования и наука

MultiPathFormer: новая архитектура для беспроводных сетей на базе ИИ

Исследователи представили MultiPathFormer — архитектуру фундаментальной модели, предназначенную для анализа многолучевого распространения радиосигналов. В отличие от существующих решений, которые фокусируются на маскированной реконструкции тензоров каналов, новая модель интегрирует физические характеристики беспроводной среды, что значительно повышает точность оценки каналов, прогнозирования лучей и локализации объектов в сложных условиях связи.

Традиционные подходы к обучению беспроводных моделей часто игнорируют фундаментальные законы распространения волн, полагаясь исключительно на статистические закономерности данных. MultiPathFormer решает эту проблему, внедряя механизмы, учитывающие геометрию и физические свойства среды, что позволяет модели лучше адаптироваться к динамическим изменениям в сетях 5G и перспективных системах 6G.

Интеграция физических принципов в архитектуру трансформера позволяет эффективнее обрабатывать сигналы в условиях высокой многолучевости, где отражения и задержки создают помехи. Это приближает создание универсальных моделей, способных автономно оптимизировать работу сетевой инфраструктуры без необходимости ручной настройки параметров для каждого конкретного сценария развертывания.

Ключевые факты

Модель MultiPathFormer разработана для решения задач оценки каналов, предсказания лучей и точной локализации.
Архитектура учитывает физические характеристики распространения радиосигналов, в отличие от стандартных методов маскированной реконструкции.
Решение ориентировано на повышение эффективности работы беспроводных сетей следующего поколения.
Исследование базируется на анализе многолучевого распространения, критически важного для стабильности высокочастотных каналов связи.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука Мультимодальный трансформер для классификации сигналов в нанопоровых сенсорах Исследователи представили архитектуру мультимодального трансформера, предназначенную для анализа сложных сигналов ионного тока в нанопоровых экспериментах. Модель позволяет с высокой точностью идентифицировать биомаркеры, преобразуя нестабильные временные ряды в структурированные данные. Это решение значительно повышает надежность диагностики на молекулярном уровне, автоматизируя процесс распознавания паттернов, который ранее требовал трудоемкой ручной обработки или менее эффективных алгоритмов. arXiv · Машинное обучение PEHT: новая архитектура трансформера для прогнозирования сетевого трафика Исследователи представили Parameter-Efficient Hybrid Transformer (PEHT) — специализированную архитектуру для прогнозирования нагрузки в городских сотовых сетях. Модель эффективно обрабатывает сложные паттерны мобильности и динамику заторов, интегрируя внешние данные о дорожной ситуации. Новый подход позволяет оптимизировать распределение сетевых ресурсов, сохраняя при этом высокую точность предсказаний при ограниченных вычислительных затратах на обучение и инференс. arXiv · Машинное обучение Адаптивный ML-фреймворк для оптимизации траекторий БПЛА в сетях 6G Исследователи представили адаптивный фреймворк машинного обучения, предназначенный для оптимизации траекторий беспилотных летательных аппаратов (БПЛА), выполняющих роль открытых радиомодулей (O-RU) в сетях 6G. Решение позволяет дронам эффективно адаптироваться к динамическим условиям среды без необходимости полного переобучения моделей при смене сценариев, что критически важно для обеспечения стабильного покрытия в масштабируемых сотовых сетях будущего. arXiv · Машинное обучение Применение глубокого обучения для подавления помех в OFDM-системах Исследователи представили новый метод борьбы с узкополосными помехами (NBI) в системах мультиплексирования с ортогональным частотным разделением каналов (OFDM) с помощью глубокого обучения. Подход заменяет традиционные методы сжатого зондирования, устраняя их высокую задержку и проблемы с нелинейными искажениями, что значительно повышает точность мягкой демодуляции и общую надежность передачи данных в условиях зашумленного радиоэфира. arXiv · Машинное обучение Новый метод маршрутизации в Mixture of LoRA Experts на основе ценности информации Исследователи представили новый подход к маршрутизации в архитектурах Mixture of LoRA Experts (MoLE). Вместо стандартного выбора экспертов на основе неопределенности модели, авторы предлагают использовать метрику «ценности информации» (Value-of-Information). Это позволяет эффективнее распределять вычислительные ресурсы, активируя только те адаптеры, которые действительно вносят вклад в точность предсказания, а не просто реагируют на высокую энтропию модели. arXiv · Исследования и наука Модульные фундаментные модели для анализа временных рядов в цифровых двойниках Исследователи представили архитектуру модульных фундаментных моделей, предназначенных для обработки сложных временных рядов в системах цифровых двойников и предиктивного обслуживания. Новый подход решает проблему узкой специализации существующих решений, предлагая масштабируемый способ извлечения данных из гетерогенных источников, что критически важно для мониторинга промышленного оборудования и прогнозирования его состояния в реальном времени. arXiv · Исследования и наука Применение Flow Matching для улучшения семантической связи в MIMO-системах Исследователи представили фреймворк Restoration Flow Matching (RFM) для повышения качества семантической передачи данных в MIMO-системах. Метод решает проблему деградации сигнала из-за неточных данных о состоянии канала (CSI) и ошибок выравнивания. Использование генеративного подхода на базе потоков позволяет эффективно восстанавливать семантическую информацию, минимизируя искажения при передаче в сложных условиях беспроводных сетей. arXiv · Исследования и наука TFGformer: новый подход к прогнозированию временных рядов через RAG и графовое обучение Исследователи представили TFGformer — модель для прогнозирования многомерных временных рядов, объединяющую графовое обучение и RAG. В отличие от стандартных моделей, полагающихся на статические веса, TFGformer динамически извлекает исторические паттерны из внешних данных. Это позволяет эффективнее обрабатывать гетерогенные показатели IoT-датчиков, обеспечивая высокую точность долгосрочных прогнозов для задач предиктивного обслуживания и управления ресурсами в сложных инфраструктурных системах. arXiv · Машинное обучение Обнаружение аномалий в радиочастотном спектре с помощью метода Quantum Kitchen Sinks Исследователи представили метод обнаружения аномалий в радиочастотных сетях, основанный на архитектуре Quantum Kitchen Sinks (QKS). Подход использует гибридные квантовые карты признаков для анализа спектрограмм, что позволяет эффективно выявлять вредоносные передачи в беспроводных каналах. Метод адаптирован для работы на современных квантовых устройствах с ограниченными ресурсами, обеспечивая высокую точность классификации сигналов при минимальных вычислительных затратах. arXiv · Исследования и наука Physics-Informed Fourier-Wavelet Transformer для моделирования гидродинамики Исследователи представили архитектуру Physics-Informed Fourier-Wavelet Transformer (PFWT), предназначенную для ускорения численного моделирования гидродинамики. Модель эффективно реконструирует поля скоростей, объединяя методы Фурье-преобразований и вейвлет-анализа. Новый подход позволяет точнее воспроизводить как глобальные потоки, так и локальные мелкомасштабные структуры, которые часто упускаются традиционными суррогатными моделями в сложных физических системах.

← Все материалы