Ucuz Sentetik Ön Eğitim, İç Mekan Radyo Haritası Tahmin Hatasını Yüzde 15 Azaltıyor

Ekim 2026'da arXiv platformunda yayımlanan ve NeurIPS 2026 konferansında kabul edilen bir araştırmaya göre, Khoren Petrosyan, Artashes Mkrtchyan, Rafayel Mkrtchyan, Hrant Khachatrian ve Theofanis P. Raptis'ten oluşan bilim insanı ekibi, ucuz ve büyük ölçekli sentetik ön eğitimin iç mekan radyo haritası tahmin performansını önemli ölçüde artırdığını kanıtladı. Araştırmacılar, gerçek bina düzenlerinin kıtlığı ve hassas ışın izleme simülatörlerinin yavaş ve tescilli olmasından kaynaklanan engelleri aşmak için otomatik bir düzen üreticisi ile açık kaynaklı yaklaşık bir ışın izleyici geliştirdi. Bu boru hattı üzerinden üretilen 128 milyon sentetik örnekle eğitilen ResNet-101 modeli, beş farklı iç mekan radyo haritası tahmin görevinde en bilinen yöntemlere kıyasla ortalama yüzde 15 hata azalması sağladı.

İç Mekan Radyo Haritalamada Veri Kıtlığı ve Simülatör Engeli

Kablosuz ağların planlanması, iç mekan konumlandırma sistemleri ve akıllı bina teknolojileri, doğru sinyal yayılımı tahminlerine dayanıyor. Ancak gerçek dünyadaki ölçüm verilerinin sınırlı olması, farklı bina yapıları arasında genelleme yapabilen yapay zeka modellerinin eğitilmesini zorlaştırıyor. Geleneksel olarak kullanılan hassas ışın izleme simülatörleri ise son derece yavaş, maliyetli ve genellikle tescilli yazılımlar olarak öne çıkıyor. Gerçek bina düzenlerinin de nadir bulunması, bu alandaki akademik ve endüstriyel araştırmaların önündeki en büyük bariyerlerden biriydi.

Otomatik Düzen Üretimi ve 128 Milyon Sentetik Örnek

Bu zorlukların üstesinden gelmek için ekip, çeşitli iç mekan düzenlerini otomatik olarak oluşturan yeni bir üreteç ile radyo haritalarını hızla hesaplayan açık kaynaklı yaklaşık bir ışın izleyici tasarladı. Bu sistem sayesinde araştırmacılar toplamda 128 milyon sentetik örnek üretti. Elde edilen devasa veri setiyle ResNet-101 ve Swin-T encoder-decoder mimarileri ön eğitildi ve ardından yüksek kaliteli benchmark veri setleri kullanılarak ince ayar aşamasından geçirildi.

Güç Yasaları ve Ölçeklenebilirlik Eğilimleri

Çalışmanın bulguları, iki mimarinin de öngörülebilir veri ölçeklendirme eğilimleri sergilediğini ortaya koyuyor. İki ila on altı milyon örnek üzerinde fit edilen güç yasaları, otuz iki ila yüz yirmi sekiz milyon örnek arasındaki ortalama normalleştirilmiş aşağı akış kök ortalama kare hatasını yüksek bir doğrulukla öngördü. Bu öngörü doğruluğu ResNet-101 için yüzde 3.33 ortalama mutlak yüzde hata ile, Swin-T için ise yüzde 7.10 seviyesinde gerçekleşti.

Araştırmanın Öne Çıkan Detayları

Akademik kabul alan çalışma, NeurIPS 2026 konferansında sunulacak. Geliştirilen otomatik boru hattı ile toplam 128 milyon sentetik örnek üretilirken, ResNet-101 modeli beş farklı iç mekan radyo haritası tahmin görevinde mevcut en iyi yöntemlere kıyasla hata oranını ortalama yüzde 15 düşürdü. Öte yandan çalışma, HESC MESCS RA DISTAL hibesi ve NATO Barış ve Güvenlik İçin Bilim Programı OASIS desteğiyle yürütüldü.

Sonuç ve Gelecek Beklentileri

Simülatör uyumsuzluklarına rağmen elde edilen bu sonuçlar, gerçek ölçümlerin ve yüksek kaliteli simülasyonların kısıtlı olduğu senaryolarda dahi büyük ölçekli ucuz sentetik verilerle ön eğitimin iç mekan radyo haritası tahminlerini güçlü biçimde iyileştirebileceğini kanıtlıyor. Bu yaklaşım, gelecekteki kablosuz ağ optimizasyonları ve yapay zeka destekli bina içi konumlandırma sistemleri için maliyet etkin bir metodoloji sunuyor.