التعرّف الأعمى على رموز القناة بالاستناد إلى شبكات عصبية تلافيفية باندماج ميزتين وفرعين

راديوهات أذكى لموجات مكتظة

تزدحم الشبكات اللاسلكية مع تنافس الهواتف وأجهزة الاستشعار والمركبات على نفس النطاقات الراديوية. لتجنّب الفوضى، ستحتاج «الراديوهات المعرفية» المستقبلية إلى الاستماع أولاً ثم مشاركة الطيف بذكاء مع من يملكونه بالفعل. مشكلة أساسية هي أن هذه الراديوهات غالباً لا تعرف كيف حُمي الإشارة الأصلية من الأخطاء قبل الإرسال. يقدم هذا البحث طريقة ذكاء اصطناعي جديدة يمكنها تخمين رمز تصحيح الأخطاء المخفي المستخدم على إشارة—دون معلومات سابقة—مما يسهل على المستقبلات الذكية التقَبّط والتواصل بثبات.

لماذا تهم رموز تصحيح الأخطاء المخفية

تحمي الروابط اللاسلكية الحديثة البيانات باستخدام رموز تصحيح الأخطاء، التي تضيف تكراراً منظماً يمكّن المستقبلات من إصلاح الأخطاء الناتجة عن الضوضاء والتداخل. تستدعي الحالات المختلفة رموزاً مختلفة: رموز هامنج البسيطة، وBCH وReed–Solomon الأقوى، ورموز LDPC وPolar المرنة، أو رموز التلافيف (convolutional) وتوربو الملائمة للبث المتسلسل. في بيئات غير تعاونية—مثل الاتصالات العسكرية، أو رصد الطيف، أو النطاقات المفتوحة المشتركة—لا يمكن للمستقبل سؤال المرسل عن نوع الرمز المستخدم. يرى المستقبل مجرد تيار بتات مغبش. تخمين مخطط الترميز بشكل صحيح، وهي مهمة تُسمى التعرّف الأعمى على الرمز، أساسي قبل أي فك تشفير ذي معنى أو معالجة على مستوى أعلى.

حدود طرق التعرّف السابقة

ركزت الأبحاث السابقة إما على عائلة واحدة من الرموز في كل مرة أو اعتمدت على إحصاءات مصممة يدوياً مثل تكرار البتات، مدى عشوائية السلسلة، أو حيل جبرية مخصصة لرمز معين. قد تخبرك هذه الأساليب «هذا نوع من رموز الكتلة» لكنها تكافح لتمييز عدة صيغ شائعة دفعة واحدة. حسنت تقنيات التعلّم العميق الوضع مؤخراً بمعاملة تيارات البتات شبهاً للجمل في نماذج اللغة. ومع ذلك، فإن معظم الشبكات العصبية تنظر إما إلى التسلسلات الخام فقط أو إلى ميزات مصممة يدوياً، وعادة تتعامل مع نوعين أو ثلاثة من الرموز كحد أقصى في آن واحد. تنخفض دقتها بشدة عند ارتفاع معدل الخطأ في البتات، وهو بالضبط الوقت الذي تكون فيه الحاجة إلى التعرّف القوي أكبر.

شبكة عصبية مزدوجة المسار تنظر إلى البنية والإحصاءات

يقترح المؤلفون شبكة تلافيفية لدمج الميزات بفرعين (DBFCNN) تتعامل مع التعرّف الأعمى على سبعة رموز مستخدمة على نطاق واسع في عملية واحدة: هامنج، BCH، Reed–Solomon، LDPC، Polar، رموز تلافيفية، ورموز توربو. يعامل الفرع الأول البتات الواردة كـ«كلمات» قصيرة، يجمعها في كتل من 8 بت ويحوّل كل كتلة إلى متجه كثيف، شبيهاً بتضمين الكلمات في معالجة اللغة الطبيعية. ثم يطبّق مجموعة من الالتفافات أحادية البعد بأحجام نوافذ ومعدلات تباعد مختلفة. تلتقط المرشحات الصغيرة أنماط المدى القصير، مثل التركيب الضيّق لرموز الكتلة البسيطة، بينما تمتد المرشحات الأكبر والمتباعدة على مدى أطول لالتقاط آثار المتبادلات ونماذج التماثل النموذجية لرموز توربو وLDPC. خطوة تجميع عالمية تضغط هذا إلى ملخص مضغوط لـ«بصمة» بنيوية للتسلسل.

قياسات مصممة يدوياً توازن النموذج

يتخذ الفرع الثاني منظوراً مختلفاً تماماً. بدلاً من البتات الخام، يحسب سبع عائلات من الإحصاءات الوصفية التي يعلم المهندسون أنها حساسة لاختيارات الترميز. تتضمن هذه عدد مرات حدوث متواليات من بتات متطابقة، مدى تعقيد السلسلة، مدى عشوائيتها، قوة ارتباطها بنسخ من نفسها مزاحة، وكيفية توزيع طاقتها عبر الترددات. تقيس مقاييس إضافية مدى «خطية» الكود وسلوك كتل البتات المحلية. لأن هذه الإحصاءات تتغير ببطء مع زيادة الضوضاء، فإنها تمنح الشبكة منظوراً ثابتاً ومقاوماً للضوضاء. يحول شبكة فرعية صغيرة هذه المتجهات المميزة إلى تمثيل مضغوط آخر. أخيراً، تدمج DBFCNN الفرعين، تطبّع وتُقيّم الميزات المدمجة، وتغذيها إلى مصنف يُخرج احتمالات لكل واحد من أنواع الرموز السبعة.

إثبات الاعتمادية عبر ظروف ضوضائية

لاختبار DBFCNN بشكل دقيق، أنتج المؤلفون أكثر من مليون مثال اصطناعي يغطي سبع عائلات من الرموز، وإعدادات معلمات متعددة، ومعدلات خطأ في البتات تتدرج من شبه خالية من الأخطاء إلى ظروف ضوضاء شديدة. درّبوا واختبروا النموذج باستخدام إجراءات مونت كارلو دقيقة لتجنّب تداخلات مخفية بين بيانات التدريب والاختبار. عبر هذا النطاق الواسع، تفوقت DBFCNN باستمرار على ثلاث نماذج مرجعية قوية، بما في ذلك شبكة CNN متباعدة متعددة المقاييس صممت خصيصاً لهذه المهمة. عند معدلات خطأ متوسطة ومنخفضة (معدل خطأ في البتات أقل من 10⁻³)، حددت الشبكة الجديدة نوع الرمز بشكل صحيح حوالي 98% من الوقت، محققة تحسناً مطلقاً في الدقة بنحو 5–11 نقطة مئوية مقارنة بأقوى نموذج سابق. حتى عندما أصبحت مستويات الضوضاء شديدة إلى حد كبير، حافظت DBFCNN على ميزة واضحة وما زالت قادرة على التعرف على عدة رموز معقدة بثقة عالية.

ماذا يعني هذا للراديوهات الذكية المستقبلية

الخلاصة البسيطة لغير المختص هي أن هذا العمل يُظهر كيف يمكن لدمج المعرفة الميدانية مع التعلّم العميق أن يجعل الراديوهات أكثر اكتفاءً ذاتياً. تتعلم DBFCNN «لكنات» دقيقة لرموز تصحيح الأخطاء المختلفة في تيارات البتات المزعجة من خلال الاستماع بطريقتين متزامنتين: فرع واحد يلتقط أنماطاً محلية مفصلة، بينما يقيس الآخر دلائل إحصائية كلية. بدمج هذين المنظرين، يستطيع النظام في العادة تحديد مخطط الترميز المستخدم بدقة، دون أي تعاون من المرسل. تلك القدرة تشكل حجر أساس للراديوهات المعرفية القادرة على الانضمام إلى شبكات غير مألوفة، والتكيف مع البيئات المتغيرة، واستخدام الطيف النادر بشكل أفضل، مع الحفاظ على اتصالات موثوقة حتى عندما تكون الموجات الهوائية مكتظة وصاخبة.

الاستشهاد: Ma, Y., Lei, Y., Liu, C. et al. Blind recognition of channel codes based on dual-branch feature fusion convolutional neural networks. Sci Rep 16, 5159 (2026). https://doi.org/10.1038/s41598-026-35558-7

الكلمات المفتاحية: الراديو المعرفي, ترميز القناة, التعلّم العميق, تصحيح الأخطاء, تصنيف الإشارة