التعلّم المعزّز العميق لتوزيع الموارد والاعدادات النيمرولوجية القابلة للتدرج في شبكات HetNet متعددة‑RAT مدعومة بـ NR‑U

لماذا يحتاج هاتفك المستقبلي إلى موجات هواء أذكى

مع التوجّه نحو الجيل السادس 6G، ستتنافس هواتفنا وسياراتنا وروبوتات المصانع وسماعات الواقع الافتراضي كلها على نفس المورد غير المرئي: طيف الاتصالات اللاسلكية. بعض الأجهزة تحتاج فيديو فائق السرعة، وأخرى تحتاج استجابة في أجزاء من الثانية، والطيف الذي يتشاركونه مكتظ بالفعل. يستعرض هذا البحث كيف يمكن لدمج تقنيات الراديو الجديدة في 5G/6G مع الذكاء الاصطناعي أن يستخرج أداء أكبر بكثير من كل من الطيف المرخّص وغير المرخّص، محافظاً على سلاسة التطبيقات المتطلبة حتى في المدن والمصانع المزدحمة.

خدمات عديدة في عالم لاسلكي مزدحم واحد

على شبكات الغد أن تخدم احتياجات متباينة في نفس الوقت. النطاق العريض المحمول المعزز (eMBB) يوفّر مهام عالية المعدل مثل بث 4K والواقع الافتراضي، بينما الاتصالات فائقة الاعتمادية والمنخفضة الكمون (URLLC) تدعم وصلات حرجة للسلامة مثل السيارات ذاتية القيادة أو التحكم الصناعي، حيث كل ملّي‑ثانية تهم. بدل بناء شبكات مادية منفصلة لكل خدمة، يمكن للمشغلين إنشاء "شرائح"—ممرّات افتراضية على نفس عتاد الراديو—كل واحدة مصممة لنوع خدمة محدد. التحدّي أن كل هذه الشرائح ما تزال تتشارك طيفاً ومحطات قاعدية محدودة، لذا فإن تقرير من يحصل على أي موارد ومتى يعد مهمة معقّدة تتطلب توازناً دقيقاً.

استثمار الطيف غير المرخّص

لتخفيف الضغط على الترددات المرخّصة، قدمت 5G تقنية الراديو الجديدة في الحزمة غير المرخّصة (NR‑U)، التي تتيح لمحطات خلوية العمل جنباً إلى جنب مع Wi‑Fi حول 5 جيجاهرتز وما بعدها. يدرس المؤلفون شبكة متغايرة حيث توجد محطة ماكرو كبيرة وعدة خلايا صغيرة تستخدم كل من NR المرخّص وNR‑U غير المرخّص. يمكن للمستخدمين الاتصال بثلاث طرق: إلى خلية NR صغيرة تقليدية، إلى خلية NR‑U صغيرة، أو عبر جمع الحاملات الذي يجمع الوصلتين. في الوقت نفسه، تدعم كل خلية شرحتين: واحدة مخصصة للسرعة (eMBB) والأخرى لزمن التأخير الفائق الانخفاض (URLLC). كما يجب على النظام مشاركة الحزمة غير المرخّصة بعدالة مع نقاط وصول Wi‑Fi القريبة، التي تتنافس على القناة وفق قواعدها الخاصة.

توقيت مرن لاحتياجات مختلفة

أداة رئيسية في هذا التصميم هي "النمرولوجيا القابلة للتدرج"، وهي ميزة في 5G تغير كيف تُرتّب الإشارات الراديوية زمنياً وتردّديًا. الإعدادات الأعرض تستخدم تباعداً ضيقاً وفترات زمنية أطول، وهي فعّالة لمعدلات البيانات العالية لكنها تتجاوب ببطء. الإعدادات الأدق تستخدم تباعداً أوسع وفترات زمنية قصيرة جداً، فتستجيب بسرعة وتناسب الحركة الحساسة للتأخير، لكنها تنقل عددًا أقل من البتات لكل فترة. يسمح البحث لكل شريحة—سواء الموجهة للسرعة أو للتأخير—باختيار نمرولوجيتها الخاصة على وصلات NR وNR‑U. هذه المرونة توسّع كثيراً فضاء التكوينات الممكنة، لكنها تجعل الضبط اليدوي شبه مستحيل.

تعليم الشبكة على التكيف بنفسها

للتعامل مع هذه التعقيدات، يلجأ المؤلفون إلى الذكاء الاصطناعي. يصوغون مؤشر "رضا" المستخدم بسيط يرتفع عندما يتجاوز معدل بيانات المستخدم هدفاً أو يقل تأخيره عن حد معين. تستخدم طريقة تعلّم معزّز عميق تسمى شبكة Q العميقة المتصارعة (DDQN) لمراقبة الحمل الحالي على كل شريحة وكل خلية، ثم تتعلم كيفية ضبط حصة الموارد الراديوية وخيار النمرولوجيا لكل شريحة لتعظيم مجموع مؤشرات الرضا. وعلى رأس هذا، يتيح خوارزمية تعلم قائمة على الندم للمستخدمين "إعادة التفكير" في أي محطة قاعدية والوضع (NR أو NR‑U أو مجمّع) يتصلون بها، موجهة إياهم تدريجياً نحو الخيارات التي أعطت رضاً أفضل تاريخياً. تتكرر العملية: إعدادات الموارد تؤثر على ارتباطات المستخدمين، والتي بدورها تغذي حلقة التعلّم.

ما كشفته المحاكيات

باستخدام نماذج رياضية مفصّلة لجودة الإشارة والتداخل ومشاركة قناة Wi‑Fi، يحاكي الفريق سيناريو داخلي كثيف يحتوي على خلية ماكرو وثلاث خلايا صغيرة وشبكات Wi‑Fi متعايشة. يقارنون نظامهم الذكي متعدد الراديو ومتعدد الشريحة مع ثلاث قواعد أساسية شائعة: شبكات NR فقط، مزيج NR وWi‑Fi بدون تجميع، وتجميع LTE‑Wi‑Fi (LWA). عبر نطاق واسع من أعداد المستخدمين وتركيبات الخدمات، يزيد النهج المقترح متوسط رضا المستخدمين بما يصل إلى نحو 70% مقارنة بالخطط الأبسط. يظل الأداء متماسكاً حتى عندما يتنافس العديد من مستخدمي Wi‑Fi على نفس القنوات غير المرخّصة، ويتفوق على تقنيات تحسين تقليدية مثل الخوارزميات الجينية أو طرق التعلّم الأبسط.

ماذا يعني هذا للمستخدمين اليوميين

لغير المتخصصين، الرسالة واضحة: التحكم الأذكى المدفوع بالذكاء الاصطناعي في كيفية مشاركة أجهزتنا للطيف المرخّص وغير المرخّص يمكن أن يجعل شبكات الجيل السادس القادمة تبدو أسرع وأكثر تجاوباً، حتى في بيئات مزدحمة. من خلال تقسيم السعة بمرونة بين فيديو عالي السرعة وإشارات تحكم فائقة الاعتمادية، واختيار إعدادات الراديو على الفور، وتقرير أي محطة قاعدية وتردد ينبغي أن يستخدمه كل جهاز، يحافظ النظام المقترح على رضا عدد أكبر من المستخدمين معظم الوقت. إذا اُعتمدت هذه التقنيات في نشرات فعلية، فقد تساعد هاتفك أو سيارتك أو سماعتك القادمة على العمل بسلاسة دون الحاجة إلى مساحات شاسعة جديدة من الطيف الحصري.

الاستشهاد: Elmosilhy, N.A., Elmesalawy, M.M., El-Haleem, A.M.A. et al. Deep reinforcement learning for resource allocation and scalable numerology in NR-U enabled multi-RAT HetNets. Sci Rep 16, 4768 (2026). https://doi.org/10.1038/s41598-026-36539-6

الكلمات المفتاحية: تقسيم الشبكة في الجيل السادس 6G, تعايش NR‑U وWi‑Fi, التعلّم المعزّز العميق, تخصيص الموارد, URLLC و eMBB