विज्ञहरु भन्छन्- सिक्सजी जस्ता उच्च गतिका नेटवर्कलाई अझ द्रुत बनाउन एआई परिचालन गर्नुपर्छ

काठमाडौं ।

वैज्ञानिकहरू हाल यस्तो एआई मोडेलहरू विकास गरिरहेका छन् जसले वायरलेस ट्राफिकलाई समग्र रूपमा विश्लेषण गरेर सिक्सजीजस्ता उच्च-गति नेटवर्कहरूलाई अझ द्रुत र भरपर्दो बनाउनेछन्।

डिसेम्बर २०२४ को आईईई ट्रान्ज्याक्शन अन वायरलेस कम्युनिकेशन्स पत्रिकामा प्रकाशित अध्ययनमा अनुसन्धानकर्ताहरूले यस्तो एआई प्रणालीको विवरण दिएका छन्, जसले मोबाइल उपकरण र वायरलेस बेस स्टेसन (जस्तै, मोबाइल टावर) बीच आदानप्रदान हुने जानकारीको मात्रालाई घटाउँछ। यो प्रणालीले कोण, ढिलाइ, र सिग्नल शक्तिलाई प्राथमिकता दिने भएकाले डाटा संचार अधिक प्रभावकारी हुन्छ।

लाइभसाइन्सका अनुसार हाइ-फ्रिक्वेन्सी मिलिमिटर-वेभ (एमएमवेभ) ब्यान्ड प्रयोग गर्ने वायरलेस नेटवर्कमा सिग्नल डाटालाई अनुकूलन गरेर, अनुसन्धानकर्ताहरूले कनेक्टिभिटी त्रुटिहरू उल्लेखनीय रूपमा कम भएको पत्ता लगाए। साथै शहरी क्षेत्रमा गाडी र पैदलयात्रीहरूको चहलपहल हुँदा पनि एआई प्रणालीले डाटा विश्वसनीयता सुधार गरेको देखियो।

“अगामी पुस्ताका वायरलेस नेटवर्कमा तीव्र रूपमा बढ्दो डाटा आवश्यकतालाई सम्बोधन गर्न, एमएमवेभ ब्यान्डको प्रचुर फ्रिक्वेन्सी स्रोत उपयोग गर्नु अत्यावश्यक छ,” अध्ययनका प्रमुख लेखक र दक्षिण कोरियाको इन्चेओन नेशनल युनिभर्सिटीका दूरसञ्चार विभागका प्राध्यापक ब्युङ्जु लीले भने।

“हाम्रो विधिले सटिक बीमफर्मिङ सुनिश्चित गर्छ, जसले गर्दा प्रयोगकर्ताहरू गतिमा रहे पनि सिग्नलहरू सहज रूपमा जडान हुन सक्छन्,” लीले थपे।

एमएमवेभजस्ता उच्च-फ्रिक्वेन्सी रेडियो स्पेक्ट्रम प्रयोग गर्ने हालका नेटवर्कहरूका लागि मुख्य चुनौती भनेको ठूलो संख्यामा एन्टेना समन्वय गरी बृहत् एमआईएमओ प्रविधि मार्फत काम गर्नु हो। यस प्रक्रियाले आधार स्टेशन र मोबाइल उपकरणहरूबीच कनेक्टिभिटी कायम गर्न सटीक “च्यानल स्टेट इन्फर्मेसन” (सीएसआई) आवश्यक हुन्छ।

तर, जब मानिसहरू सर्ने, सवारीसाधन चल्ने वा उपकरण र मोबाइल टावरहरूबीच अवरोध सिर्जना हुने जस्ता वातावरणीय परिवर्तनहरू हुन्छन्, नेटवर्क प्रदर्शनमा गिरावट आउन सक्छ। यस्तो अवस्थालाई “च्यानल एजिङ” भनिन्छ, जसले डाटा प्रसारण दर र सिग्नल गुणस्तर घटाउने गर्छ।

यस्ता चुनौतीहरू समाधान गर्न, वैज्ञानिकहरूले ट्रान्सफर्मर नामक नयाँ प्रकारको एआई मोडेलको उपयोग गरेका छन्। सीएनएन (कन्भोलुशनल न्यूरल नेटवर्क्स) हरू वायरलेस नेटवर्क ट्राफिकको पूर्वानुमान र अनुकूलन गर्न प्रयोग गरिन्छ, किनभने ती सिग्नल ढाँचाहरू चिन्न र वर्गीकरण गर्न सक्षम छन्।

तर अनुसन्धानकर्ताहरूले फरक दृष्टिकोण अपनाए। उनीहरूले सीएनएनको सट्टा ट्रान्सफर्मर मोडेल प्रयोग गरे, जसले सिग्नल परिवर्तनका छोटो र लामो दुवै अवधिका ढाँचाहरू ट्र्याक गर्न सक्षम बनायो। यसको परिणामस्वरूप, “ट्रान्सफर्मर-असिस्टेड पैरामेट्रिक सीएसआई फिडब्याक” नाम दिइएको एआई प्रणालीले वास्तविक समयमा वायरलेस नेटवर्कको समायोजन गर्न सक्यो, जसले गतिशील अवस्थामा पनि प्रयोगकर्ताहरूको कनेक्शन गुणस्तर सुधार गर्‍यो।

सीएनएन र ट्रान्सफर्मर मोडेलको मुख्य भिन्नता यो हो कि दुवैले दृश्य ढाँचाहरू (जस्तै, इमेजहरू) विश्लेषण गर्न सक्छन्, तर सीएनएनहरू सामान्यतः साना डाटासेटहरूमा प्रशिक्षित हुन्छन् र स्थानीय विशेषताहरूमा केन्द्रित हुन्छन्।

जबकि ट्रान्सफर्मर मोडेलहरूले ठूलो डाटासेटहरू प्रयोग गरेर विश्वव्यापी र स्थानीय स्तरमा इनपुट तत्वहरूको महत्त्व निर्धारण गर्न सक्ने लाइभसाइन्सले उल्लेख गरेको छ।

साधारण भाषामा भन्नुपर्दा ट्रान्सफर्मर मोडेलले इमेजलाई समग्र रूपमा बुझ्छ जबकि सीएनएनहरू विशेष तत्वहरूमा बढी केन्द्रित हुन्छन्। ट्रान्सफर्मर मोडेलहरूले ठूलो तस्बिर देख्छन् भने सीएनएनहरू विवरणहरूमा केन्द्रित हुन्छन्।

तर, ट्रान्सफर्मर मोडेलहरू सीएनएनहरूभन्दा बढी कम्प्युटेसनल शक्ति आवश्यक पर्ने हुन्छन्। तर, यदि तिनले आगामी पुस्ताका वायरलेस नेटवर्कहरूलाई मजबुत बनाउन सक्ने हो भने, ती निकट भविष्यका उच्च-गति वायरलेस सञ्चारका लागि प्रमुख प्रविधि बन्न सक्छन्।