في عالم الاتصالات اللاسلكية، يُعتبر تنبؤ حالة القناة (Channel State Prediction - CSP) أمرًا حيويًا لتحسين كفاءة الشبكات. مع تطور نماذج transformer ونماذج اللغات الكبيرة (Large Language Models - LLM)، تم إثبات قدرتها على تحقيق أداء مذهل في تنبؤ حالة القناة من خلال استيعاب الانتباه للتسلسل الزمني. ولكن، يواجه هذا النوع من نماذج الذكاء الاصطناعي تحديًا كبيرًا يتمثل في تكاليف الحوسبة العالية واستهلاك الذاكرة بسبب الحجم الكبير للتسلسل، مما يعيق استخدامها في التطبيقات الحقيقية ذات القيود الزمنية والموارد المحدودة.

في ورقة بحثية حديثة، تقدم مجموعة من الباحثين نموذجًا مبتكرًا يُدعى MambaCSP. يتميز هذا النموذج بهياكل انتباه هجينة (Hybrid-Attention) تتجنب الاعتماد الكلي على نماذج ذات زمن أداء غير فعال. يعتمد MambaCSP على نموذج Mamba الخطي، ويسعى إلى تقديم كفاءة عالية أثناء التنبؤ بحالة القناة.

للتغلب على القيود الموجودة في نماذج الحالة التقليدية (State Space Models - SSMs) والتي تعتمد على المعلومات المحلية، قام الباحثون بتطوير طبقات انتباه خفيفة (Lightweight Patch-Mixer Attention) والتي تسمح بإدراج انتباه عبر الرموز بشكل دوري. هذا الأمر يعزز القدرة على التنبؤ بالسياقات الطويلة لحالة القناة، مما يُعتبر خطوة مهمة نحو تحسين الأداء.

تُظهر التجارب التي تم إجراؤها باستخدام نماذج MISO-OFDM أن MambaCSP حقق دقة تنبؤ أعلى بنسبة 9-12% مقارنةً بالأساليب المعتمدة على نماذج LLM، مع تقديم إنتاجية أعلى تصل إلى 3.0x واستخدام ذاكرة أقل بنسبة 2.6x. كما أن سرعة الاستدلال (Inference) كانت تصل إلى 2.9x أسرع.

تشير النتائج إلى أن الهياكل الهجينة لفراغ الحالة تعد توجهاً واعداً للنموذج القابل للتطوير وذو كفاءة عالية في الذكاء الاصطناعي في مجال تنبؤ حالة القناة في الشبكات اللاسلكية المستقبلية.