تقدير اتجاه وصول الإشارة الصوتية تحت الماء في بيئات ضوضاء هجينة بناءً على آلية مزيج الخبراء مع بوابة متفرقة

الاستماع إلى الإشارات الخفية تحت الماء

تعتمد السفن والغواصات والروبوتات المائية وحتى علماء الأحياء البحرية على الاستماع إلى أصوات خافتة في المحيط لتحديد مصدرها. لكن البحر مكان صاخب: المحركات والأمواج والكائنات والآلات تضيف جميعها تشويشًا. تقدم هذه الدراسة طريقة جديدة لتحديد اتجاه الأصوات تحت الماء حتى عندما تكون الضوضاء فوضوية وغير متوقعة، باستخدام شكل حديث من الذكاء الاصطناعي يتعلم التكيّف مع أنواع مختلفة من الضوضاء بدلًا من افتراض البساطة والتجانس.

لماذا يصعب تحديد الاتجاه في المحيط

لتحديد مصدر صوت، يستخدم المهندسون مصفوفة من الميكروفونات تحت الماء، تُسمى الهايدروفونات، مصطفة في صفّ. من خلال مقارنة الفروق الطفيفة في وقت وصول الصوت إلى كل جهاز استشعار، يمكنهم تقدير الاتجاه الذي وصلت منه الموجة، وهي مهمة تُعرف بتقدير اتجاه الوصول (DOA). تفترض الطرق التقليدية أن الضوضاء الخلفية تشبه همهمة ناعمة ومتجانسة — رياضيًا «ضوضاء غاوسية بيضاء». نادرًا ما يتصرّف المحيط الحقيقي بهذه الطريقة. قد تكون الضوضاء اندفاعية، مثل طقطقات مفاجئة؛ أو ملونة، بوجود طاقة أكبر عند ترددات معينة؛ أو غير متساوية عبر المستشعرات. هذا الخليط من السلوكيات، الذي يُسمى الضوضاء الهجينة، يكسر الافتراضات التي تعتمد عليها الخوارزميات القديمة، مما يؤدي إلى انهيار دقتها خصوصًا عندما تكون الظروف الأكثر تحديًا.

صف استشعاري أذكى

يبني الباحثون عملهم على تخطيط حسّاس بسيط لكنه قوي: خط مستقيم من الهايدروفونات المتجهية، التي تقيس كلًا من الضغط وحركة الجسيمات في الماء. عندما تصدر مصادر صوتية بعيدة موجات، تصل هذه الموجات إلى كل مستشعر بأزمنة ومراحل طفيفة مختلفة اعتمادًا على زاوية الوصول. من هذه القياسات، يبني النظام مصفوفة التغاير — ملخص مُضغوط لكيفية ترابط الإشارات عند المستشعرات المختلفة مع مرور الوقت. تحتوي هذه المصفوفة على الأدلة الهندسية اللازمة لاستنتاج الاتجاه، لكنها مخلوطة بكل الضوضاء المعقدة الموجودة في البيئة.

تحويل البيانات الصاخبة إلى أنماط قابلة للتعلّم

تعمل الشبكات العصبية عادةً بالأرقام الحقيقية، لكن مصفوفة التغاير ذات قيم مركبة. لذلك يقوم الفريق بتقسيمها إلى مصفوفتين حقيقيتين، تمثلان الجزئين الحقيقي والتخيّلي، ويدخلهما كـ«قناة ثنائية» تشبه صورة إلى شبكة عصبية التلافيفية (CNN). تفحص هذه الشبكة المصفوفة لكشف الأنماط المكانية التي تميّز بنية الإشارة الحقيقية عن الضوضاء. بدلًا من الاعتماد على صيغ مصممة يدويًا، تتعلم الشبكة هذه الميزات مباشرة من البيانات، وتبني تدريجيًا من العلاقات المحلية البسيطة إلى أنماط أعلى مستوى تفيد في تحديد مواقع مصادر الصوت.

العديد من المتخصصين ومنسق ذكي واحد

الابتكار الرئيسي هو ما يحدث بعد شبكة الـCNN: شبكة مزيج الخبراء ذات البوابة المتفرقة (SMoE). بدلًا من نموذج واحد ضخم يحاول التعامل مع كل الحالات، يتضمن النظام عدة شبكات خبراء أصغر، كل منها مدرّب للتفوّق تحت نوع محدد من الضوضاء، مثل الضوضاء البيضاء أو الوردية أو الحمراء أو الزرقاء أو البنفسجية أو الضوضاء الاندفاعية. تنظر شبكة بوابة منفصلة إلى الميزات المستخرجة من الـCNN وتقترض، لكل مثال وارد، أي الخبراء القلّة الأكثر صلة. تُفعَّل فقط تلك الخبراء العلوية، وتُجمَع مخرجاتهم لإنتاج تقدير نهائي لاحتمالية وجود مصدر صوت عند كل زاوية من 0° إلى 180°. يجعل هذا التصميم النموذج تكيفيًا — لأنه يغيّر أي الخبراء يستمع إليهم مع تغير ظروف الضوضاء — وفعّالًا لأنّه يتجنّب تشغيل جميع الخبراء في كل وقت.

الاختبار في ظروف صعبة وواقعية

لتدريب هذا النظام، أنشأ المؤلفون أولًا بيانات يرى فيها كل خبير نوع ضوضاء واحد فقط، ما أتاح له التخصّص. ثم درّبوا شبكة البوابة على مزيج من جميع الضوضاء الست، مقلّدين بيئات هجينة حقيقية. كما قيّموا النموذج على مجموعة اختبار كبيرة وواقعية تشمل ضوضاء محاكاة ومسجّلة فعليًا تحت الماء، عبر نطاق واسع من مستويات الإشارة وطول البيانات. بالمقارنة مع تقنيات كلاسيكية معروفة ونهج تعلّم عميق أخرى، قدّم نموذج SMoE أخطاء أصغر ومعدلات نجاح أعلى باستمرار، خصوصًا عندما كانت الضوضاء قوية أو عندما كانت كمية البيانات محدودة. عند نسبة إشارة إلى ضوضاء 0 ديسيبل — حيث تكون قدرة الإشارة والضوضاء متساوية — حقق النموذج متوسط خطأ زاوي أقل من درجة واحدة بينما كانت الطرق المنافسة تنحرف بعدة درجات.

ماذا يعني هذا لمستشعرات المستقبل تحت الماء

بعبارات بسيطة، تُظهر هذه العمل أن السماح لعدة «مستمعين» متخصصين من الذكاء الاصطناعي بمشاركة المهمة، والاختيار بينهم في الوقت الفعلي، يمكن أن يحسّن بشكل كبير قدرتنا على تحديد مصدر الأصوات تحت الماء في ظروف فوضوية وصاخبة. يمكن تكييف النهج مع تخطيطات حسّاسات أخرى تتجاوز المصفوفات الخطية البسيطة، ويمكن أن يساعد نفس المبدأ — مزيج الخبراء مع بوابة ذكية — في الرادار والروبوتات ومجالات أخرى تتطلّب تحديد مواقع إشارات في وجود تداخل معقّد. للتطبيقات التي تعتمد على الاستماع الموثوق تحت الماء، من الملاحة إلى مراقبة البيئة، يقدم هذا الأسلوب وسيلة أكثر مرونة ومتانة للاختراق عبر الضوضاء.

الاستشهاد: Xu, W., Yi, S., Gu, H. et al. Underwater acoustic vector DOA estimation in hybrid noise environments based on sparsely-gated mixture-of-experts mechanism. Sci Rep 16, 6192 (2026). https://doi.org/10.1038/s41598-026-37217-3

الكلمات المفتاحية: الاستشعار الصوتي تحت الماء, اتجاه الوصول, ضوضاء هجينة, التعلّم العميق, مزيج الخبراء