വരുന്നു എഐ മോഡലുകള്‍; 6ജി ഉള്‍പ്പെടെയുള്ള അടുത്ത തലമുറ നെറ്റ്‍വര്‍ക്കുകള്‍ ചീറിപ്പായും
കാലിഫോര്‍ണിയ: 6ജി പോലുള്ള അടുത്ത തലമുറ വയർലെസ് നെറ്റ്‌വർക്കുകള്‍ക്ക് വേഗത നല്‍കാൻ സഹായിക്കുന്ന കൃത്രിമ ബുദ്ധി മോഡലുകള്‍ (Artificial Intelligence Models) ശാസ്ത്രജ്ഞർ വികസിപ്പിക്കുന്നു.
വരുംകാല നെറ്റ്‌വര്‍ക്കുകളില്‍ വിപ്ലവകരമായ മുന്നേറ്റം എഐ സാധ്യമാക്കും എന്നാണ് ഗവേഷകരുടെ പ്രതീക്ഷ.
2024 ഡിസംബറിലെ IEEE ട്രാൻസാക്ഷൻസ് ഓണ്‍ വയർലെസ് കമ്മ്യൂണിക്കേഷൻസിന്റെ പതിപ്പില്‍ പ്രസിദ്ധീകരിച്ച പഠനത്തില്‍ ഈ എഐ സംവിധാനത്തെക്കുറിച്ച്‌ ഗവേഷകർ വിശദമായി പ്രതിപാദിച്ചിട്ടുണ്ട്. വൈദ്യുതകാന്തിക സ്പെക്‌ട്രത്തിന്റെ ഉയർന്ന ഫ്രീക്വൻസി മില്ലിമീറ്റർ-വേവ് (mmWave) ബാൻഡുകള്‍ ഉപയോഗിക്കുന്ന വയർലെസ് നെറ്റ്‌വർക്കുകളില്‍ സിഗ്നല്‍ ഡാറ്റ എഐ വഴി ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിലൂടെ, കണക്റ്റിവിറ്റി പ്രശ്‍നങ്ങള്‍ ഗണ്യമായി കുറഞ്ഞുവെന്ന് ഗവേഷകർ കണ്ടെത്തി. കൂടാതെ എഐ സിസ്റ്റം നഗരപ്രദേശങ്ങളിലെ അടക്കം വ്യത്യസ്ത സാഹചര്യങ്ങളില്‍ കണക്റ്റിവിറ്റി മെച്ചപ്പെടുത്തിയെന്നും പഠനം പറയുന്നു.
“അടുത്ത തലമുറ വയർലെസ് നെറ്റ്‌വർക്കുകളില്‍ വര്‍ധിക്കുന്ന ഡാറ്റാ ഡിമാന്‍ഡ് പരിഹരിക്കുന്നതിന്, മില്ലിമീറ്റർ-വേവ് ബാൻഡുകളിലെ സമൃദ്ധമായ ഫ്രീക്വൻസി റിസോഴ്‌സ് പ്രയോജനപ്പെടുത്തേണ്ടത് അത്യാവശ്യമാണ്”- പഠനത്തിന്‍റെ മുഖ്യ ഗവേഷകനും ദക്ഷിണ കൊറിയയിലെ ഇഞ്ചിയോണ്‍ നാഷണല്‍ യൂണിവേഴ്‌സിറ്റിയിലെ ടെലികമ്മ്യൂണിക്കേഷൻസ് വിഭാഗത്തിലെ പ്രൊഫസറുമായ ബ്യുങ്‌ജു ലീ പറഞ്ഞു. തങ്ങളുടെ പുതിയ രീതി കൃത്യമായ ബീംഫോർമിംഗ് ഉറപ്പാക്കുന്നുവെന്നും, ഇത് ഉപയോക്താക്കള്‍ യാത്രയിലായിരിക്കുമ്ബോള്‍ പോലും സിഗ്നലുകളെ ഉപകരണങ്ങളുമായി തടസ്സമില്ലാതെ ബന്ധിപ്പിക്കാൻ അനുവദിക്കുന്നുവെന്നും ലീ പറഞ്ഞു.
മില്ലിമീറ്റർ-വേവ് പോലുള്ള ഉയർന്ന ഫ്രീക്വൻസി റേഡിയോ സ്പെക്‌ട്രം ഉപയോഗിക്കുന്ന നെറ്റ്‌വർക്കുകള്‍ നേരിടുന്ന നിലവിലെ വെല്ലുവിളി, മാസിവ് മള്‍ട്ടിപ്പിള്‍-ഇൻപുട്ട് മള്‍ട്ടിപ്പിള്‍-ഔട്ട്‌പുട്ട് (MIMO) വഴി ഒരുമിച്ച്‌ പ്രവർത്തിക്കുന്ന ഒരു വലിയ കൂട്ടം ആന്‍റിനകളെ അവ ആശ്രയിക്കുന്നു എന്നതാണ്. ബേസ് സ്റ്റേഷനുകളും മൊബൈല്‍ ഉപകരണങ്ങളും തമ്മില്‍ അനുയോജ്യമായ ആന്‍റിനകളുള്ള കണക്റ്റിവിറ്റി നല്‍കുന്നതിന് ഈ പ്രക്രിയയ്ക്ക് കൃത്യമായ വിവരങ്ങള്‍ ആവശ്യമാണ്. ഇത് ചാനല്‍ സ്റ്റേറ്റ് ഇൻഫർമേഷൻ” (CSI) എന്നറിയപ്പെടുന്നു.
എന്നാല്‍ കുറഞ്ഞ ഡാറ്റാ വേഗം, സിഗ്നല്‍ ഗുണനിലവാരമില്ലായ്മ എന്നീ വെല്ലുവിളികളെ മറികടക്കാൻ ഗവേഷകർ ട്രാൻസ്‌ഫോർമർ എന്നറിയപ്പെടുന്ന ഒരു പുതിയ തരം എഐ മോഡല്‍ ഉപയോഗിച്ചു. നിലവില്‍ സിഗ്നല്‍ പാറ്റേണുകളും വർഗ്ഗീകരണവും തിരിച്ചറിഞ്ഞ് വയർലെസ് നെറ്റ്‌വർക്ക് ട്രാഫിക് പ്രവചിക്കാനും ഒപ്റ്റിമൈസ് ചെയ്യാനും കണ്‍വ്യൂഷണല്‍ ന്യൂറല്‍ നെറ്റ്‌വർക്കുകള്‍ (CNN-കള്‍) ആണ് ഉപയോഗിക്കുന്നത്. ഇവിടെ ഗവേഷകർ വ്യത്യസ്തമായ ഒരു സമീപനം സ്വീകരിച്ചു. അവരുടെ നെറ്റ്‌വർക്ക് വിശകലന രീതിയില്‍ ഒരു സിഎൻഎന്നിന് പകരം ഒരു എഐ ട്രാൻസ്‌ഫോർമർ മോഡല്‍ ഉപയോഗിച്ചു. ഇതിലൂടെ, സിഗ്നല്‍ മാറ്റങ്ങളിലെ ഹ്രസ്വകാല, ദീർഘകാല പാറ്റേണുകള്‍ ട്രാക്ക് ചെയ്യാൻ സാധിച്ചു. അങ്ങനെ ട്രാൻസ്‌ഫോർമർ-അസിസ്റ്റഡ് പാരാമെട്രിക് സിഎസ്‌ഐ ഫീഡ്‌ബാക്ക് എന്ന് വിളിക്കപ്പെടുന്ന എഐ സിസ്റ്റത്തിന്, ബേസ് സ്റ്റേഷനും ഉപയോക്താവും തമ്മിലുള്ള കണക്ഷൻ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നതിന് വയർലെസ് നെറ്റ്‌വർക്കില്‍ തത്സമയ ക്രമീകരണങ്ങള്‍ നടത്താൻ സാധിച്ചു. ഉപഭോക്താവ് വേഗത്തില്‍ വേഗത്തില്‍ നീങ്ങുന്നുണ്ടെങ്കില്‍ പോലും ഇത് സാധിക്കുമെന്ന് ഗവേഷകർ പറയുന്നു.
സിഎൻഎന്നുകളും ട്രാൻസ്‌ഫോർമറുകളും തമ്മിലുള്ള വ്യത്യാസമാണ് ഈ മെച്ചപ്പെടലിന് കാരണം. രണ്ടും ന്യൂറല്‍ നെറ്റ്‌വർക്ക് മോഡലുകളാണ്, അവ ഇമേജുകള്‍ പോലുള്ള വിഷ്വല്‍ പാറ്റേണുകള്‍ വിശകലനം ചെയ്യുന്നു. എന്നാല്‍ സിഎൻഎന്നുകള്‍ ചെറിയ ഡാറ്റാസെറ്റുകളില്‍ പരിശീലനം നേടുകയും “ലോക്കല്‍” സവിശേഷതകളില്‍ ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും ചെയ്യുന്നു. അതേസമയം ട്രാൻസ്‌ഫോർമർ മോഡലുകള്‍ വലിയ ഡാറ്റാസെറ്റുകള്‍ ഉപയോഗിക്കുന്നു. കൂടാതെ ആഗോള, പ്രാദേശിക തലങ്ങളില്‍ വ്യത്യസ്ത ഇൻപുട്ട് ഘടകങ്ങളുടെയും അവയുടെ ബന്ധങ്ങളുടെയും പ്രാധാന്യം നിർണ്ണയിക്കാൻ അവയെ പ്രാപ്‍തമാക്കുന്ന ഒരു സെല്‍ഫ് അറ്റെൻഷൻ മെക്കാനിസവും ട്രാൻസ്‌ഫോർമർ മോഡലില്‍ ഉണ്ട്.
ലളിതമായി പറഞ്ഞാല്‍, ഒരു ട്രാൻസ്‌ഫോർമർ മോഡല്‍ ഒരു ഇമേജിനെക്കുറിച്ച്‌ മൊത്തത്തില്‍ പഠിക്കും. പക്ഷേ ഈ ട്രാൻസ്‌ഫോർമർ മോഡലുകള്‍ സിഎൻഎന്നുകളെ അപേക്ഷിച്ച്‌ കമ്ബ്യൂട്ടേഷണല്‍ ആവശ്യങ്ങള്‍ കൂടുതല്‍ ആവശ്യപ്പെടുന്നവയാണ്. എന്നാല്‍ അവയ്ക്ക് ശക്തമായ അടുത്ത തലമുറ വയർലെസ് നെറ്റ്‌വർക്കുകള്‍ നല്‍കാൻ കഴിയുമെങ്കില്‍, സമീപഭാവിയില്‍ അവ അതിവേഗ വയർലെസ് ആശയവിനിമയത്തിന്റെ താക്കോലായി മാറിയേക്കാം എന്നും ഗവേഷകർ പറയുന്നു.