تحسين انحياز DC في أنظمة DCO-OFDM الذكية لـ Li‑Fi باستخدام تعلم آلي هجين مع تحقق مادي

الإنترنت المعتمد على الضوء للمساحات اليومية

تخيل أن أضواء غرفتك لا تُضيء المكان فحسب، بل تبث أيضاً أفلاماً إلى حاسوبك المحمول وهاتفك بسرعات عالية جداً. هذا هو وعد تقنية لاي‑فاي، وهي تكنولوجيا تستخدم الضوء بدلاً من موجات الراديو لنقل البيانات لاسلكياً. تتعامل هذه الورقة مع مقبض ضبط فني دقيق لكنه حاسم في مرسلات لاي‑فاي—أي مقدار الضوء الخلفي الثابت، أو انحياز DC، الذي يجب إضافته إلى إشارة البيانات—باستخدام أساليب تعلم آلي ذكية وتجارب على عتاد حقيقي، لجعل لاي‑فاي أسرع وأكثر كفاءة وموثوقية.

لماذا يمكن للضوء أن يتفوق على الواي‑فاي

تعتمد الواي‑فاي التقليدية على موجات الراديو التي تمر عبر الجدران، وتشارك نطاقات ترددية مزدحمة، وقد تكون عرضة للتداخل ومشكلات الأمان. بالمقابل، يستخدم لاي‑فاي الأشعة تحت الحمراء لإرسال البيانات من الأجهزة والضوء المرئي لإرسال البيانات من مصابيح السقف. وبما أن الضوء لا يخترق الجدران، يمكن أن يقتصر ارتباط لاي‑فاي طبيعياً على غرفة واحدة، ما يقلل التداخل ويحسن الخصوصية. كما أنه يستغل شريحة واسعة وغير مرخّصة من الطيف، مما يتيح معدلات بيانات مرتفعة للغاية. وهذا يجعل لاي‑فاي عنصراً جذاباً لشبكات الجيل السادس المستقبلية، والمستشفيات التي تُقيَّد فيها انبعاثات الراديو، وأي بيئة تحتاج إلى إضاءة واتصال عالي السرعة معاً.

الدور الخفي للتوهج الثابت

في العمق، تستخدم العديد من أنظمة لاي‑فاي تقنية تسمى DCO‑OFDM لحزم الكثير من البيانات على خرج ضوء LED. الإشارة الكهربائية الخام الناتجة عن هذه الطريقة تتأرجح فوق وتحت الصفر، بينما يمكن للـLED أن يصدر ضوءاً بشدة غير سالبة فقط. لذلك يضيف المهندسون تعويضاً ثابتاً—انحياز DC—لرفع الشكل الموجي بأكمله ثم يقصّون أي أجزاء سالبة متبقية. إذا كان الانحياز صغيراً جداً، تُقَصّ الأجزاء السالبة بقوة، مما يضيف ضوضاء وأخطاء. وإذا كان كبيراً جداً، يهدر الـLED الطاقة على سطوع لا فائدة منه بدلاً من توصيل البيانات. النقطة المثلى تعتمد على عدة عوامل، بما في ذلك كيفية ترميز الإشارة ومدى الضوضاء في الارتباط، وتكون طرق التحسين التقليدية بطيئة أو صعبة التكيّف مع تغير الظروف.

تعليم النظام كيف يضبط نفسه

للسماح لمرسل لاي‑فاي "بتعلم" مستوى الانحياز الأمثل بنفسه، بنى المؤلفون مجموعة بيانات باستخدام محاكاة حاسوبية مفصلة لإشارات DCO‑OFDM. لكل إشارة مُولَّدة، حسبوا ميزات رقمية بسيطة مثل القيم الدنيا والعليا للشكل الموجي، ومستواه المتوسط، وتغيره، ومعدل الأخطاء بعد الإرسال. شكّلت هذه الملخصات، إلى جانب إعدادات النظام مثل حجم الكوكبة وعدد الحاملات الفرعية، مدخلاً لنماذج تعلم آلي مدرَّبة للتنبؤ بانحياز DC الأمثل الذي يوازن بين الأخطاء واستهلاك الطاقة. استكشف الفريق عدة نهج هجينة تمزج بين الانحدار الكلاسيكي، الذي يلائم منحنيات ناعمة، وخوارزمية الجيران الأقرب KNN، التي تنظر إلى أمثلة سابقة مشابهة. قارنوا بين تراكيب مختلفة وقيّموا مدى اتفاق كل منها مع القيمة المثلى الحقيقية باستخدام مقاييس دقة معيارية.

من النماذج الحاسوبية إلى العتاد الحقيقي

خارج نطاق المحاكاة، بنى الباحثون وصلة لاي‑فاي مخبرية صغيرة باستخدام LED عالي السطوع كمرسل، وصمام ضوئي (فوتودايود) كمستقبل، ودائرة مبنية على أردوينو لالتقاط إشارات حقيقية على مسافة داخلية قصيرة. استُخرِجت نفس أنواع ميزات الإشارة من هذا الإعداد المادي، مكونة مجموعة بيانات ثانية تعكس الضوضاء الحقيقية والعيوب والتأثيرات البيئية. من دون إعادة تدريب، طُلِب من نماذج التعلم الآلي المدربة على بيانات محاكاة أن تتنبأ بالانحياز DC الأفضل لهذه القياسات الحقيقية. هذه الخطوة حاسمة، لأن العديد من الدراسات السابقة توقفت عند التجارب الحاسوبية ولم تُظهر أن طرقها تصمد أمام فوضى العالم الفيزيائي.

تحديد ذكّي للانحياز لغرف لاي‑فاي المستقبلية

النتيجة البارزة هي أن نموذجاً هجيناً يجمع بين الانحدار كثير الحدود وKNN أنتج التنبؤات الأكثر دقة وصلابة. حقق اتفاقاً عالياً مع القيمة المثلى الحقيقية في المحاكاة واحتفظ بأداء قوي عند تطبيقه مباشرة على وصلة لاي‑فاي المبنية على أردوينو. عملياً، يعني هذا أن نظام لاي‑فاي المزوَّد بمثل هذا النموذج يمكنه ضبط مستوى الانحياز المناسب تلقائياً مع تغير الظروف، مما يقلل الضوء المهدور وتشويه الإشارة دون حاجة لضبط يدوي مستمر. ومع أن اختبارات العتاد الحالية تغطي مسافات قصيرة وسيناريوهات داخلية مبسطة فقط، فإن النهج يفتح الطريق نحو شبكات لاي‑فاي ذكية ذاتية التحسين حيث تضبط أضواء السقف نفسها بهدوء لتوفير بيانات آمنة وسريعة إلى جانب الإضاءة اليومية.

الاستشهاد: Abdelhakim, E., Ragab, D.A., Abaza, M. et al. DC bias optimization in intelligent DCO-OFDM Li-Fi systems using hybrid machine learning with hardware validation. Sci Rep 16, 14658 (2026). https://doi.org/10.1038/s41598-026-49732-4

الكلمات المفتاحية: لاي‑فاي, الاتصالات بالضوء المرئي, التعلم الآلي, OFDM, الشبكات اللاسلكية