نهج التعلم العميق لتصميم تشكيل الحزمة الهجينة في أنظمة MU-MISO عند موجات المليمتر

لماذا تهم الحزم اللاسلكية الأسرع في الحياة اليومية

ستعتمد السيارات والهواتف وأجهزة الاستشعار المستقبلية على وصلات لاسلكية فائقة السرعة لمشاركة البيانات في الزمن الحقيقي. يمكن لإشارات موجات المليمتر أن توفر سرعات تشبه الألياف، لكنها تضعف بسهولة بفعل المسافة والعوائق. للتعويض، يجب على المحطات الأساسية "توجيه" إشاراتها بدقة عالية عبر تشكيل الحزمة، وهو إجراء قوي لكنه غالبًا ما يكون بطيئًا ومعقدًا بالنسبة للسيناريوهات الحقيقية سريعة الحركة مثل اتصالات المركبات. تستعرض هذه المقالة كيف يمكن للتعلم العميق إعادة تصميم هذه العملية حتى تتمكن الشبكات من مواكبة التغيرات السريعة على الطريق.

تركيز الحزم اللاسلكية بدون أجهزة ضخمة

تستخدم محطات موجات المليمتر الحديثة العديد من الهوائيات الصغيرة المكدسة في مساحة صغيرة. عن طريق ضبط كيفية إرسال كل هوائي للإشارة بعناية، يمكن للمحطة تشكيل حزمة ضيقة تركز الطاقة نحو مستخدم محدد، مما يحسن كلًا من السرعة والموثوقية. هناك طريقتان رئيسيتان للقيام بذلك. يوفر التشكيل الرقمي مرونة كبيرة لكنه يتطلب مجموعة كاملة من الإلكترونيات المكلفة والمستهلكة للطاقة لكل هوائي. التشكيل التماثلي أرخص وأكثر كفاءة في الطاقة لكنه عادةً ما يخدم شعاعًا أو مستخدمًا واحدًا في كل مرة. يجمع التشكيل الهجين بين الفكرتين: مرحلة رقمية صغيرة تغذي شبكة من محولات الطور التماثلية، تهدف إلى تقديم معدلات بيانات عالية مع الحفاظ على تكاليف الأجهزة واستهلاك الطاقة تحت السيطرة.

عنق الزجاجة: تصميم شعاعات بطيء ومعقد

تصميم نمط شعاع هجيني جيد هو مسألة صعبة رياضيًا. يجب أن يقرر النظام كيفية تقسيم العمل بين المرحلتين الرقمية والتماثلية تحت قيود الأجهزة الصارمة، مثل محولات طور ذات مقدار ثابت وعدد محدود من سلاسل التردد اللاسلكي. تبحث الطرق التقليدية عن حلول قريبة من المثلى عن طريق تعديل أنماط الشعاع تكراريًا لتعظيم مجموع معدلات البيانات لجميع المستخدمين. يمكن للخوارزميات المعروفة أن تحقق أداءً عاليًا لكنها تتطلب العديد من الحسابات المتكررة وبرمجيات تحسين متخصصة. يجعل هذا النهج بطيئًا وثقيلًا حسابيًا للاستخدام في الزمن الحقيقي، خصوصًا في الحالات التي تتحرك فيها السيارات والمستخدمون الآخرون بسرعة وتتغير القنوات من لحظة لأخرى.

تعليم شبكة عصبية لاختيار الشعاع المناسب

يقترح المؤلفون نهج تشكيل حزمة هجيني قائم على التعلم العميق يسمونه DL-HBF، ويعامل تصميم الشعاع كمهمة تمييز أنماط. بدلًا من حل مسألة تحسين معقدة في كل مرة، يبني النظام أولًا مجموعة تدريب كبيرة باستخدام نموذج قناة تتبع الأشعة واقعي يعرف باسم DeepMIMO. لكل قناة محاكاة بين المحطة الأساسية والعديد من المستخدمين أحاديي الهوائيات، يحدد بحث شامل خارج الخط أفضل مصفوفة تشكيل شعاع تماثلي من قاموس مصمم بعناية ويحسب المهيئ الرقمي المطابق. تعمل هذه الاختيارات كوسوم. مدخلات الشبكة العصبية هي تمثيل ثلاثي الطبقات للقناة يتضمن طور الإشارة، وجزئها الحقيقي والتخيلي، مما يوفر للنموذج معلومات غنية عن كيفية انتشار الإشارات في البيئة.

من تحسين ثقيل إلى قرارات سريعة

جوهر DL-HBF هو شبكة عصبية التلافيفية تتعلم ربط قياسات القناة مباشرة بمؤشر أفضل نمط تشكيل تماثلي. بعد التدريب، يمكن للشبكة تصنيف حالات القناة الجديدة بدقة عالية في تمريرة أمامية واحدة، متجنبة الحلقات التكرارية البطيئة. ثم تُحسب الجزئية الرقمية لتشكيل الحزمة في صيغة مغلقة من المصفوفة التماثلية المختارة. تُظهر المحاكاة في سيناريو شارع مفصل مع مستخدمين متحركين عند 60 غيغاهرتز أن الطريقة المقترحة تحقق معدلات مجموع قريبة من أقوى الخوارزميات التقليدية، مع تقليل كبير في زمن الحساب. بالمقارنة مع عدة تقنيات تشكيل حزمة هجينية معيارية، يقدم النهج القائم على التعلم العميق توازنًا أفضل بين معدل البيانات والزمن ويزداد قابليته للتوسع بشكل أكثر سلاسة مع نمو عدد سلاسل الراديو.

الحفاظ على الاعتمادية عندما تكون معلومات القناة غير كاملة

لا تعرف الشبكات الواقعية حالة القناة اللاسلكية بدقة مطلقة؛ القياسات ضوضائية ومتأخرة. لذا يختبر البحث كيفية تصرف الطرق المختلفة عندما تكون تقديرات القناة ملوثة. تفقد جميع المناهج بعض الدقة، لكن DL-HBF يظهر أقل تدهور في مدى تقاربه مع الحل الرقمي الكامل المثالي. لأن الشبكة العصبية تدربت على العديد من تحققّات القناة، بما في ذلك الحالات غير المثالية، تتعلم أنماطًا قوية بدلًا من الاعتماد على أرقام دقيقة. كما يصمم المؤلفون خط إنتاج إنشاء مجموعات البيانات ليكون سريعًا وذا كفاءة في الذاكرة، مما يسهل إعادة تدريب النظام عندما تتغير توزيعات الشبكة أو ظروف التشغيل.

ما معنى هذا لأنظمة الاتصالات المستقبلية

عمليًا، تُظهر هذه الدراسة أن التعلم العميق يمكنه تحويل تحسين تشكيل الحزمة البطيء والمطلب رياضيًا إلى عملية بحث سريعة تشبه القاموس وتكون دقيقة بما يكفي للنشر الحقيقي. يوفر مخطط DL-HBF المقترح معدلات بيانات عالية بزمن استجابة وحساب أقل بكثير من الطرق التقليدية، ويظل مستقرًا حتى عندما تكون معلومات القناة غير دقيقة. للمستخدم العادي، الخلاصة هي أن التحكم في الإشارات المدعوم بالتعلّم يمكن أن يساعد شبكات الجيل الخامس والسادس المستقبلية في توفير اتصالات سريعة وموثوقة للعديد من المستخدمين المتحركين في آن واحد، مما يمكّن مركبات متصلة أكثر أمانًا وتطبيقات محمولة أغنى دون الحاجة لأجهزة معقدة بشكل مفرط.

الاستشهاد: Ghaith, E., Mekkawy, T., Abouelfadl, A.A. et al. Deep learning approach for hybrid beamforming design in MU-MISO mmWave systems. Sci Rep 16, 5014 (2026). https://doi.org/10.1038/s41598-026-35247-5

الكلمات المفتاحية: تشكيل حزمة موجات المليمتر, التعلم العميق والاتصالات اللاسلكية, الترميز المسبق الهجين, اتصالات المركبات, MIMO ضخم