അടുത്ത തലമുറ വയർലെസ് നെറ്റ്‌വർക്കുകൾക്ക് വേഗത നൽകാൻ സഹായിക്കുന്ന എഐ മോഡലുകൾ വികസിപ്പിക്കുകയാണ് ശാസ്ത്രജ്ഞർ. 6ജി വരാനിരിക്കെ വലിയ കുതിച്ചുചാട്ടം ആണ് ഈ മേഖലയിൽ പ്രതീക്ഷിക്കുന്നത്. 2024 ഡിസംബറിലെ IEEE ട്രാൻസാക്ഷൻസ് ഓൺ വയർലെസ് കമ്മ്യൂണിക്കേഷൻസിന്റെ പതിപ്പിൽ പ്രസിദ്ധീകരിച്ച പഠനത്തിൽ ഈ എഐ സംവിധാനത്തെക്കുറിച്ച് ഗവേഷകർ വിശദമായി പ്രതിപാദിച്ചിട്ടുണ്ട്. വൈദ്യുതകാന്തിക സ്പെക്ട്രത്തിന്റെ ഉയർന്ന ഫ്രീക്വൻസി മില്ലിമീറ്റർ-വേവ് ബാൻഡുകൾ ഉപയോഗിക്കുന്ന വയർലെസ് നെറ്റ്‌വർക്കുകളിൽ സിഗ്നൽ ഡാറ്റ എഐ വഴി ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിലൂടെ, കണക്റ്റിവിറ്റി പ്രശ്‍നങ്ങൾ ഗണ്യമായി കുറഞ്ഞുവെന്ന് ഗവേഷകർ കണ്ടെത്തി.
കൂടാതെ എഐ സിസ്റ്റം നഗരപ്രദേശങ്ങളിലെ അടക്കം വ്യത്യസ്ത സാഹചര്യങ്ങളിൽ കണക്റ്റിവിറ്റി മെച്ചപ്പെടുത്തിയെന്നും പഠനം പറയുന്നു. മില്ലിമീറ്റർ-വേവ് പോലുള്ള ഉയർന്ന ഫ്രീക്വൻസി റേഡിയോ സ്പെക്ട്രം ഉപയോഗിക്കുന്ന നെറ്റ്‌വർക്കുകൾ നേരിടുന്ന നിലവിലെ വെല്ലുവിളി, മാസീവ് മൾട്ടിപ്പിൾ-ഇൻപുട്ട് മൾട്ടിപ്പിൾ-ഔട്ട്‌പുട്ട് വഴി ഒരുമിച്ച് പ്രവർത്തിക്കുന്ന ഒരു കൂട്ടം ആന്‍റിനകളെ അവ ആശ്രയിക്കുന്നു എന്നതാണ്. ബേസ് സ്റ്റേഷനുകളും മൊബൈൽ ഉപകരണങ്ങളും തമ്മിൽ അനുയോജ്യമായ ആന്‍റിനകളുള്ള കണക്റ്റിവിറ്റി നൽകുന്നതിന് ഈ പ്രക്രിയയ്ക്ക് കൃത്യമായ വിവരങ്ങൾ ആവശ്യമാണ്. ഇത് ചാനൽ സ്റ്റേറ്റ് ഇൻഫർമേഷൻ” (CSI) എന്നറിയപ്പെടുന്നു.
എന്നാൽ കുറഞ്ഞ ഡാറ്റാ വേഗം, സിഗ്നൽ ഗുണനിലവാരമില്ലായ്മ എന്നീ വെല്ലുവിളികളെ മറികടക്കാൻ ഗവേഷകർ ട്രാൻസ്‌ഫോർമർ എന്നറിയപ്പെടുന്ന ഒരു പുതിയ തരം എഐ മോഡൽ ഉപയോഗിച്ചു. നിലവിൽ സിഗ്നൽ പാറ്റേണുകളും വർഗ്ഗീകരണവും തിരിച്ചറിഞ്ഞ് വയർലെസ് നെറ്റ്‌വർക്ക് ട്രാഫിക് പ്രവചിക്കാനും ഒപ്റ്റിമൈസ് ചെയ്യാനും കൺവ്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ (CNN) ആണ് ഉപയോഗിക്കുന്നത്. ഇവിടെ ഗവേഷകർ വ്യത്യസ്തമായ ഒരു സമീപനം സ്വീകരിച്ചു. അവരുടെ നെറ്റ്‌വർക്ക് വിശകലന രീതിയിൽ ഒരു സിഎൻഎന്നിന് പകരം ഒരു എഐ ട്രാൻസ്‌ഫോർമർ മോഡൽ ഉപയോഗിച്ചു. ഇതിലൂടെ, സിഗ്നൽ മാറ്റങ്ങളിലെ ഹ്രസ്വകാല, ദീർഘകാല പാറ്റേണുകൾ ട്രാക്ക് ചെയ്യാൻ സാധിച്ചു.
രണ്ടും ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡലുകളാണ്. അവ ഇമേജുകൾ പോലുള്ള വിഷ്വൽ പാറ്റേണുകൾ വിശകലനം ചെയ്യുന്നു. എന്നാൽ സിഎൻഎന്നുകൾ ചെറിയ ഡാറ്റാസെറ്റുകളിൽ പരിശീലനം നേടുകയും “ലോക്കൽ” ഫീച്ചറുകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും ചെയ്യുന്നു. അതേസമയം ട്രാൻസ്‌ഫോർമർ മോഡലുകൾ വലിയ ഡാറ്റാസെറ്റുകൾ ഉപയോഗിക്കുന്നു. കൂടാതെ ആഗോള, പ്രാദേശിക തലങ്ങളിൽ വ്യത്യസ്ത ഇൻപുട്ട് ഘടകങ്ങളുടെയും അവയുടെ ബന്ധങ്ങളുടെയും പ്രാധാന്യം നിർണ്ണയിക്കാൻ അവയെ പ്രാപ്‍തമാക്കുന്ന ഒരു സെൽഫ് അറ്റെൻഷൻ മെക്കാനിസവും ട്രാൻസ്‌ഫോർമർ മോഡലിൽ ഉണ്ട്.