تعويض أخطاء أنماط الإشعاع في مصفوفات مرحلية مستوية باستخدام شبكة عصبية التفافية

الحفاظ على مسار الإشارات اللاسلكية

من الإنترنت الفضائي إلى رادار المطارات، تعتمد العديد من أنظمة اليوم الحيوية على ألواح هوائيّة مسطحة مكوّنة من عناصر مشعة صغيرة عديدة. عندما يتعطل حتى عنصر واحد من هذه العناصر، قد تنحرف الحزمة المصممة بعناية للطاقة الراديوية، مما يضعف الروابط أو يطمس صور الرادار. تستعرض هذه الدراسة كيف يمكن لنوع من الذكاء الاصطناعي، يُدعى الشبكة العصبية التفافية، أن "يشفّي" هذه الحزم التالفة بسرعة عبر البرمجيات، مما يساعد الأنظمة الحرجة على الاستمرار في العمل دون حاجة لإصلاح مادي.

لماذا تهم بلاطات الهوائي المعطلة

تعمل هوائيات المصفوفة المرحلية الحديثة بطريقة تشبه الجمهور في حفل يغني بتوافق. تضيف كل بلاطة هوائية صغيرة إشارتها في اللحظة المناسبة بحيث تدفع الطاقة باتجاه محدد وتُلغيها في اتجاهات أخرى. إذا صمتت بلاطة واحدة فجأة، يتزعزع هذا التوقيت الدقيق. قد تنحرف الحزمة الرئيسية عن الهدف، وقد تتسع، ويمكن أن تنمو ترتيبات جانبية مزعجة، مما يهدر الطاقة ويسبب تداخلًا. في الأماكن التي يصعب أو يستحيل فيها إصلاح المعدات، مثل الأقمار الصناعية في المدار أو مواقع رادار نائية، يصبح تعويض هذه الأعطال من الأرض بطريقة ذكية أمرًا مرغوبًا للغاية.

تعليم الشبكة العصبية قراءة أشكال الحزم

يركّز المؤلفون على حالة اختبار صغيرة لكنها واقعية: لوحة مربعة مكونة من 4 في 4 بلاطات هوائية من نوع الباتش تعمل عند تردد مستخدم في نظم الاتصالات الحديثة. يُفترض أن عنصرًا واحدًا ميت، ويُستخدم عنصر واحد كمرجع ثابت، بينما لا تزال الأربعة عشرة المتبقية قابلة لتعديل الطور، وهو توقيت قمم الموجة. بدلًا من تصميم إعدادات جديدة لهذه العناصر عبر محاولات وخطأ بطيئة، يدرب الفريق شبكة عصبية تنظر مباشرة إلى صورة ثنائية الأبعاد للحزمة في الفضاء وتتنبأ بقيم الطور التي ستعيد تكوين النمط المطلوب بأكبر قدر ممكن من الدقة مع الأجهزة الباقية.

بناء محرك التعلم

لتعليم الشبكة، أنشأ الباحثون 8000 مثال محاكَاة للّواح معطوبة باستخدام برمجيات كهرومغناطيسية احترافية. لكل حالة اختاروا عشوائيًا إعدادات الطور للعناصر الأربعة عشرة القابلة للتحكم، حسبوا نمط الحزمة الناتج، وخزنوا كل من "صورة" هذا النمط وقيم الطور الأساسية. ثم أدخلوا أزواج الصورة–الطور هذه في شبكة عصبية التفافية، وهي نفسها العائلة من النماذج المستخدمة على نطاق واسع في تعرف الصور. طبقة بعد طبقة، تعلّمت الشبكة تمييز البصمات المكانية الدقيقة التي يتركها تغيير الطور في الحزمة، وربطت تلك البصمات بإعدادات الطور الدقيقة التي أنتجتها.

استعادة حزم نظيفة في جزء من الثانية

بعد التدريب، يستخدم النموذج بالعكس: بدلاً من رؤية نمط معطوب، تُعرض عليه صورة النمط السليم الهدف الذي يجب أن تنتجه المصفوفة. تُنتج الشبكة فورًا مجموعة جديدة من أربعة عشر طورًا يمكن للمصفوفة المتعطلة جزئيًا استخدامها لمحاكاة ذلك الهدف. في الاختبارات، كانت الطورات المتنبأ بها أدق من درجة واحدة لكل عنصر. عندما طُبِّقت هذه الطورات في المحاكاة، طابقت الحزم المُعاد بناؤها الأصلية عن كثب، حيث قلّلت الأخطاء في النمط بحوالي ثلث في المتوسط عبر العديد من حالات الاختبار. انتقلت مقاييس الهوائي الرئيسية مثل توجيه الحزمة، العرض ومستويات الجانبية أقرب بكثير إلى قيمها الصحية، بينما انخفض زمن المعالجة من دقائق باستخدام طرق البحث التقليدية إلى حوالي 0.2 ثانية على بطاقة رسومات قياسية.

ماذا يعني هذا للأنظمة الحقيقية

في الوقت الحالي، تُعد هذه الطريقة إثبات مفهوم. تفترض حجم مصفوفة محددًا، عنصرًا واحدًا معطلاً والوصول إلى قياسات نظيفة ومفصّلة للحزمة، وهي شروط أسهل توافرًا في بيئة البرمجيات مقارنة بالقمر الصناعي. ومع ذلك، تُظهر بوضوح أن الشبكة العصبية يمكنها تعلم الصلة بين كيفية إشعاع هوائي تالف وتعديلات الطور اللازمة لإصلاح حزمته. مع عمل مستقبلي للتعامل مع أعطال متعددة، وتصاميم ألواح مختلفة وإعدادات قياس واقعية، قد تمنح مقاربات مماثلة أنظمة الاتصالات والرادار شكلًا قويًا من السيطرة الشافية ذاتيًا، محسنةً الموثوقية دون لمس الأجهزة.

الاستشهاد: Djassem, B.M., Challal, M., Staraj, R. et al. CNN-based compensation of faulty planar phased-array radiation patterns. Sci Rep 16, 15528 (2026). https://doi.org/10.1038/s41598-026-46345-9

الكلمات المفتاحية: هوائيات المصفوفة المرحلية, تشكيل الحزم, تعويض الأخطاء, شبكة عصبية التفافية, نمط الإشعاع