تقدير قنوات متقدم في OTFS وNOMA باستخدام عمليات غاوسية بايزية عميقة واستشعار ضاغط

لماذا تحتاج الاتصالات سريعة الحركة إلى مساعدين أذكى

من البث أثناء السفر في قطار سريع إلى تواصل السيارات مع بعضها لتفادي حوادث، تحتاج أجهزتنا بشكل متزايد إلى الحفاظ على الاتصال أثناء التحرك بسرعة عبر مدن مزدحمة. في مثل هذه الحالات، ترتد الإشارات اللاسلكية عن المباني والمركبات، وتتغير تردداتها مع الحركة. تستعرض هذه الورقة نهجًا جديدًا للحفاظ على وضوح وموثوقية تلك الاتصالات من خلال تعليم الشبكة «استشعار» المسارات غير المرئية التي تسلكها الموجات الراديوية، حتى عندما يكون كل من المستخدمين والبيئة المحيطة في حالة حركة مستمرة.

تحدي التواصل أثناء الحركة

من المتوقع أن تخدم الشبكات الحديثة مثل 5G والمستقبلية 6G العديد من المستخدمين سريعي الحركة في وقت واحد، من حركة المرور على الطرق السريعة إلى القطارات عالية السرعة. هناك أداتان واعدتان تساعدان في ذلك: OTFS، طريقة لترتيب البيانات تكون بطبيعتها واعية لكيفية تأخر وازاحة الإشارات بفعل الحركة، وNOMA، طريقة لتمكين العديد من المستخدمين من مشاركة نفس الترددات. كلاهما يعتمدان على عنصر حاسم يُسمى تقدير القناة، وهو في الأساس تخمين الشبكة لكيفية تشويه البيئة لإشارة كل مستخدم. الطرق التقليدية ترسل العديد من إشارات «الطرائد» المعروفة ثم تناسب نماذج بسيطة، وهو ما يعمل جيدًا عندما يتحرك المستخدمون ببطء. لكن في المدن المزدحمة بسرعات تتجاوز 100 كم/س والكثير من الانعكاسات، تكافح هذه النماذج البسيطة، وتحتاج عددًا كبيرًا من الطرائد، وتضيع عرض النطاق، وتفشل في مواكبة التغيرات السريعة.

مزيج جديد من التعلم والاستشعار

يقترح المؤلفون طريقة هجينة تسمى العملية الغاوسية البايزية العميقة مع الاستشعار الضاغط (DBGP-CS) لمواجهة هذه المشكلة. تجمع هذه الطريقة بين ثلاث أفكار. أولاً، شبكة عصبية عميقة تتعلم أنماطًا مفيدة من القياسات الخام المعقدة التي تصف كيفية تأخر وازاحة الإشارات، محولة إياها إلى تمثيل أكثر تكثيفًا. ثانيًا، عملية غاوسية بايزية توضع فوق هذه الميزات المتعلمة وتعتبر القناة دالة ناعمة لكنها غير مؤكدة، فتنتج ليس فقط أفضل تقدير بل أيضًا مقياسًا لدرجة الثقة في ذلك التقدير. ثالثًا، يستفيد الاستشعار الضاغط من حقيقة أن عددًا قليلاً فقط من المسارات يحمل معظم طاقة الإشارة، مما يسمح للنظام بإعادة بناء القناة من عدد أقل بكثير من الطرائد المعتادة. تهدف هذه الأجزاء معًا إلى تقليل الحمل الزائد، والتقاط السلوك غير الخطي، وإبلاغ الشبكة بدرجة اليقين قبل اتخاذ قرارات تتعلق بالطاقة والترميز والجدولة.

اختبار الفكرة عمليًا

لاختبار ما إذا كان النهج الجديد مجديًا، يحاكي الباحثون سيناريوًّا متطلبًا: 100 مستخدم يتحركون بسرعات طرق سريعة تصل إلى 120 كم/س في بيئة حضرية كثيفة، باستخدام نموذج قناة مليمترية قياسي من الجيل الخامس مع تسع مسارات انعكاس. يقارنون DBGP-CS مع ثلاث استراتيجيات أخرى: طريقة المربعات الصغرى الأساسية، وطريقة المتوسط الأدنى المربعات الخطية الأكثر تطورًا، وعملية غاوسية بايزية عميقة بدون الاستشعار الضاغط. عبر مدى واسع من مستويات نسبة الإشارة إلى الضوضاء، تنتج الطريقة الهجينة تقديرات قناة أكثر دقة بكثير ومعدلات خطأ أقل بكثير في البيانات المفككة. من الجدير بالذكر أنها تخفض مقياسًا رئيسيًا للخطأ إلى نحو عُشر ما لدى أفضل طريقة تقليدية في ظروف التشغيل النمطية وتقلص عدد إشارات الطرائد المطلوبة إلى النصف، مفرغة بذلك عرض النطاق هذا لبيانات المستخدم الفعلية.

أداء قوي في ظروف العالم الحقيقي المتعددة

يضع الفريق أيضًا الطريقة تحت ظروف متغيرة من حيث السرعات، وعدد مسارات الانعكاس المختلفة، وتغيرات في كيفية تقسيم الطاقة بين الطرائد والبيانات، وعدد الطرائد. حتى عندما يزداد عدد المسارات أو تتحرك المركبات أسرع ويصبح التنبؤ بالقناة أصعب، تحافظ النموذج الجديد على تفوق واضح. مع وجود 20 طرائد فقط، يطابق الأداء أو يتفوق على ما تحققه الأساليب القديمة باستخدام 40 طرائد، مؤكّدًا خفض الحمل بنسبة 50٪ كما وُعد. في الوقت نفسه، صُممت الطريقة لتكون عملية: يمكن إجراء مرحلة التدريب الثقيلة بشكل غير متصل (أوفلاين)، بينما يمكن لخطوة التقدير في الوقت الحقيقي أن تعمل في غضون بضعة ميلي ثانية على عتاد حديث، مما يكفي للعديد من تطبيقات المركبات عند الجمع مع التنبؤ والحوسبة الطرفية.

ماذا يعني ذلك للمستخدمين اليوميين

بعبارات بسيطة، تُظهر هذه الدراسة أن مزج التعلم الآلي المعاصر مع معالجة إشارات ذكية يمكن أن يجعل الروابط اللاسلكية أكثر موثوقية عندما تكون الحاجة أقصى—عند السرعات العالية وفي البيئات المزدحمة. من خلال تعلم بنية قناة الراديو، وقياس عدم اليقين، والحاجة إلى إشارات مرجعية أقل، يمكن للطريقة المقترحة أن توفّر اتصالات أكثر وضوحًا، ومعدلات خطأ أقل، واستخدامًا أكثر كفاءة للطيف في أنظمة OTFS‑NOMA. إذا تم تبني مثل هذه التقنيات في شبكات 5G و6G المستقبلية، فقد تساعد في إبقاء سيارتك أو قطارك أو هاتفك متصلًا بسلاسة حتى أثناء اندفاعه عبر متاهة من الانعكاسات، ممهّدة الطريق لقيادة ذاتية أكثر أمانًا، واتصالات أفضل بين المركبات وكل شيء، وإنترنت متنقل عالي السرعة أكثر متانة.

الاستشهاد: Anilkumar, N., Sengan, S. Advanced channel estimation in OTFS and NOMA using deep bayesian gaussian processes and compressive sensing. Sci Rep 16, 10901 (2026). https://doi.org/10.1038/s41598-026-46253-y

الكلمات المفتاحية: الاتصالات اللاسلكية, تقدير القناة, OTFS NOMA, التعلم الآلي, شبكات المركبات