التحكم في الطاقة المستند إلى التعلم الآلي في أنظمة MIMO الهائلة الخلوية وخالية الخلايا

لماذا يهم هذا البحث للاتصالات اليومية

مع تنافس هواتفنا وأجهزتنا اللوحية والأجهزة الذكية على عرض النطاق اللاسلكي، تكافح الشبكات لتقديم خدمة سريعة وموثوقة دون إهدار للطاقة. يستكشف هذا البحث كيف يمكن للتعلم الآلي الحديث أن يساعد شبكات الهاتف المحمول على اتخاذ قرار في الوقت الحقيقي بشأن مقدار الطاقة التي يجب أن يستخدمها كل هوائي عند التواصل مع كل جهاز. عبر القيام بذلك بشكل أذكى من الأساليب القياسية الحالية، يعد النهج باتصالات أكثر سلاسة، وتغطية أفضل في المناطق المزدحمة، وزمن تأخير أقل — وهي عناصر أساسية لخدمات الجيل الخامس والسادس مثل الواقع الافتراضي، والتحكم عن بُعد في الآلات، والاتصالات فائقة الاعتمادية ومنخفضة الكمون.

من الأبراج الكبيرة إلى مساعدين صامتين عدّة

تُبنى الشبكات الخلوية التقليدية حول محطات قاعدة كبيرة تخدم كل منها «خلية» ثابتة. فكرة أحدث، تُسمى MIMO الهائلة الخالية من الخلايا، تستبدل الحدود الخلوية الصارمة بالعديد من نقاط الوصول الصغيرة المنتشرة عبر المنطقة، كلها تعمل معًا. بدلاً من أن ينتمي المستخدم إلى برج واحد، يمكن لأي هوائي قريب أن يساعد في نقل إشارته. يقصر هذا النهج المشترك المسافة بين الأجهزة والهوائيات ويمكن أن يقلل من مناطق الانعدام الخدمي. ومع ذلك، يصبح تنسيق مستويات القدرة بين عشرات أو مئات الهوائيات والمستخدمين لغزًا معقدًا — خاصة عندما نرغب في تقليل التداخل مع تعظيم كمية البيانات المارة عبر الهواء.

تعليم الشبكات مشاركة الطاقة بذكاء

لطالما اعتمد المهندسون على خوارزميات رياضية مكثفة، مثل طريقة تعرف باسم WMMSE، لتحديد مقدار الطاقة التي يجب أن يستخدمها كل هوائي. هذه الأساليب دقيقة لكنها بطيئة وتستهلك موارد كثيرة، مما يصعّب تطبيقها في الوقت الحقيقي للشبكات الكبيرة والكثيفة. بدلاً من ذلك، يدرب المؤلفون شبكات عصبية عميقة لتقليد — وفي بعض الحالات التحسين — هذه الضبط الدقيق للطاقة. ينتجون مجموعات بيانات محاكاة كبيرة تغطي العديد من تراكيب مواقع المستخدمين وتخطيطات الهوائيات وحالات القناة، ثم يعلمون الشبكة العصبية توقع إعدادات طاقة جيدة مباشرة من معلومات القناة اللاسلكية.

طريقة جديدة لقياس العدالة والأداء

بدلاً من النظر فقط إلى إجمالي معدل البيانات في الشبكة، يقيم البحث مدى أداء كل مستخدم على حدة. يقدم المؤلفون مقياسًا مضغوطًا اسمه «ΔAUC»، الذي يقيس المساحة بين منحنيين يصفان كيف تتوزع معدلات بيانات المستخدمين — منحنى للشبكة العصبية ومنحنى للطريقة التقليدية. تعني ΔAUC موجبة أن النهج القائم على التعلم يمنح، عبر مجموع المستخدمين، معدلات بيانات لا تقل عن تلك التقليدية وغالبًا أفضل قليلاً. تساعد هذه النظرة الواعية للتوزيع على الكشف ليس فقط عن المكاسب المتوسطة بل أيضًا عن العدالة: ما إذا كان النظام يخدم عدداً كبيراً من المستخدمين بجودة جيدة بدلاً من عدد قليل محظوظ.

ماذا يحدث عندما تكبر الشبكات

يقوم الفريق بتغيير ثلاثة عناصر رئيسية بشكل منهجي: عدد المستخدمين، عدد الهوائيات لكل نقطة وصول أو محطة قاعدة، وعدد نقاط الوصول نفسها. يفحصون كل من التراكيب الخلوية التقليدية والتراكيب الخالية من الخلايا، ويغيرون أيضًا عدد الأمثلة المحاكاة المستخدمة لتدريب الشبكة العصبية. تُظهر نتائجهم أن إضافة مزيد من المستخدمين وحدها لها تأثير طفيف على دقة الشبكة العصبية، بينما يساعد وجود مزيد من الهوائيات ونقاط الوصول بوضوح. مع زيادة كثافة البنية التحتية المادية، تصبح معلومات الإدخال المغذية للشبكة العصبية أغنى، مما يسمح لها بمطابقة الخوارزمية التقليدية أو التفوق عليها بشكل أوضح. وتعمل مجموعات بيانات تدريب أكبر على تحسين توقعاتها، مع تلاشي التحسن بمجرد رؤية أمثلة كافية. عبر العديد من السيناريوهات، يعزز النهج العصبي معدلات البيانات الإجمالية بنسبة عدة بالمئات مع الحفاظ على سلوك متسق للمستخدمين الفرديين.

تسريع القرارات للجيل القادم من الاتصالات اللاسلكية

ميزة حاسمة لنهج الشبكة العصبية هي السرعة. بمجرد تدريبها، يمكنها إنتاج إعدادات طاقة جيدة في جزء بسيط من الوقت الذي تستغرقه الخوارزمية التقليدية التكرارية — أكثر من عشر مرات أسرع في الاختبارات التي أُجريت. هذا يجعلها أكثر ملاءمة للتطبيقات التي لا تحتمل التأخيرات، مثل التحكم الصناعي، وتنسيق المركبات، أو الاتصالات الحرجة للمهمات. من خلال الجمع بين مقياس العدالة الجديد وقياسات الخطأ ومقارنات معدلات البيانات وتحليل الزمن، يقدم البحث إرشادات عملية حول مدى كثافة البنية التحتية المطلوبة وكمية بيانات التدريب اللازمة للاعتماد بأمان على التعلم الآلي في التحكم بالطاقة.

ما الذي يعنيه هذا لأنظمة الاتصالات المستقبلية

الخلاصة الرئيسية هي أن الشبكات العصبية العميقة المصممة بعناية يمكن أن تحل محل — وأحيانًا تحسن — روتينات التحسين الثقيلة في الشبكات اللاسلكية الحديثة. يمكنها تقديم معدلات بيانات أعلى قليلاً، وتوزيع خدمة أكثر عدالة، وقرارات أسرع بكثير، خاصة عندما تتوفر العديد من الهوائيات ونقاط الوصول. يمهد هذا الطريق لأنظمة 5G و6G أكثر ذكاءً واستجابة، حيث تدير وحدات التحكم المعتمدة على التعلم الطاقة بهدوء في الخلفية، مما يساعد أجهزتنا اليومية على البقاء متصلة بزمن تأخير أقل ومتانة أكبر.

الاستشهاد: Ahmadi, N., Akbarizadeh, G. Machine learning based power control in cellular and cell-free massive MIMO systems. Sci Rep 16, 8129 (2026). https://doi.org/10.1038/s41598-026-38685-3

الكلمات المفتاحية: MIMO الهائلة, التحكم في الطاقة, الشبكات الخالية من الخلايا, التعلم العميق, 5G و 6G