רשת שארית עמוקה משופרת עם שארית‑של‑שארית רב‑רמתית למיון אוטומטי של אותות רדיו למערכות 5G ומעבר להן

רדיו חכם יותר לעתיד של תדרים צפופים

כאשר הטלפונים, המכוניות ואף רשתות החשמל מתחרים כולם על קישוריות אלחוטית, התדרים נעשים צפופים ומורכבים יותר. כדי לשמור על פעילות חלקה של הרשתות, על המקלטים לזהות במהירות איזה סוג של אות הם שומעים כדי לפענחו כראוי ולהימנע מהפרעות. מאמר זה מציג שיטת בינה מלאכותית חדשה המסייעת למערכות רדיו של 5G — ולמערכות עתידיות — לזהות סוגי אותות באופן אוטומטי ובדיוק גבוה יותר, אפילו בתנאים רועשים ומציאותיים.

מדוע זיהוי סוגי אות חשוב

כל שידור אלחוטי, משיחת טלפון ועד קריאת חיישן, מארוז באמצעות פורמט «מודולציה» מסוים — בפועל שיטה לעיצוב גלי הרדיו לשאת ביטים. מערכות 5G מודרניות תומכות בתערובת של גליים מתקדמים כגון OFDM, FBMC, UFMC, FOFDM ו‑WOLA, כל אחד מותאם לצרכים שונים כמו מהירות גבוהה, הפרעה נמוכה או ניצול טוב יותר של הספקטרום. בנוסף נעשה שימוש באלפבית סימבולי שונה, כגון 16‑QAM ו‑64‑QAM, כדי לדחוס יותר נתונים לאותו פס תדר. זיהוי אוטומטי של השילוב שבו משתמשים — הנקרא Automatic Modulation Classification (AMC) — קריטי עבור מקלטים חכמים ביישומים הנעים ממובייל יומיומי ועד להגנה ורשתות בקרה של אנרגיה מתחדשת. טעויות בשלב זה יכולות להדביק את כל שרשרת התקשורת ולגרום לשיבושים, ירידה במהירות הנתונים או קואורדינציה לקויה בין התקנים.

ללמד רשת נוירונים להאזין

המחברים מפתחים מסגרת AMC חדשה המבוססת על סוג חזק של מודל למידה עמוקה שנקרא רשת שארית עמוקה (Deep Residual Network, DRN). רשתות נוירונים מסורתיות עלולות להתקשות באימון כאשר הן נעשות עמוקות מאוד, שכן המידע והגרדיאנטים דועכים בעת מעברם דרך שכבות רבות. רשתות שארית מתמודדות עם זאת על ידי הוספת מסלולי קיצור (shortcut) המאפשרים לאותות לעקוף שכבות, דבר המייצב את הלמידה. עבודה זו הולכת צעד נוסף באמצעות עיצוב «שארית‑של‑שארית», שבו כמה רמות קיצור מונחות זו על גבי זו: בתוך כל בלוק, בין קבוצות בלוקים, ומקלט לקצה הפלט. המבנה הרב‑רמתי הזה מסייע לרשת למשתמש ולשפר תכונות בעומקים שונים, מה שמשפר את יכולתה לזהות דפוסים עדינים באותות רדיו רועשים המבדילים בין מודולציות וגלים שונים.

בחירת רמזי האות המבריקים ביותר

במקום להזין רק דגימות גולמיות לרשת, המערכת תחילה מוציאה סט עשיר של תיאורים מספריים מכל אות שהתקבל. אלה כוללים סטטיסטיקות הקשורות לשינויים בעוצמת האות, להתפלגות האנרגיה בתדרים ולמדדים מדרגה גבוהה התופסים צורות ופרמטרי פאזה מורכבים יותר. מתוך בריכת התחלית של שלושים ושלוש תכונות כאלה, המחברים מיישמים אסטרטגיית חיפוש בשם Sequential Floating Forward Selection כדי למצוא תת‑קבוצה קטנה יותר שעדיין נושאת את רוב כוח ההבחנה. התהליך מקטין את מערך התכונות ל‑14 בלבד, חותך בעלות המחשוב ושומר על טביעות האצבע המידעיות של כל סוג מודולציה וגל.

מבחן המודל

להערכת הגישה הם מייצרים מערך נתונים גדול בסימולציה של אותות בסגנון 5G באמצעות סימולטור קישור‑רמה ייעודי. מערך הנתונים משתרע על עשר צמדי גל‑מודולציה שונים, שתי עומקי מודולציה (16‑QAM ו‑64‑QAM), וטווח רחב של יחס אות‑ל‑רעש מתנאים גרועים עד מצוינים. הם גם מדמים ערוצי רדיו ריאליסטיים, כולל פרופילים סטנדרטיים של tapped‑delay line ותרחיש Vehicular‑A מאתגר המדמה משתמשים מהירים עם השתקפויות רב‑נתיב חזקות. ה‑DRN המוצע עם חיבורי שארית‑של‑שארית רב‑רמתיים מושווה ל‑DRN פשוט יותר ולרשת קונבולוציה קודמת. לאורך מדדים כמו דיוק, זכרון (recall), מדד F1 ודיוק כולל, השיטה החדשה מובילה בעקביות, במיוחד כאשר האותות חלשים או שהערוץ מעוות חזק.

ביצועים חסינים בסביבות 5G ריאליסטיות

עקומות הביצועים מראות שהמיון החדש מגיע לדיוק גבוה מאוד — בסביבות 95% החלטות נכונות — באיכות אות נמוכה באופן משמעותי יחסית לשיטות הבסיס, צורך ביותר מ‑3 dB פחות עוצמת אות מה‑DRN הסטנדרטי ולמעלה מ‑7 dB פחות מה‑CNN. הוא שומר גם על תוצאות חזקות לאורך מודלי ערוץ 5G שונים (TDL‑A, TDL‑B, TDL‑C) ובתנאי רכב משתנים במהירות, שבהם רבות מהמערכות מתקשות. שילוב זה של דיוק וחוסן מרמז שהשיטה יכולה להכליל היטב לתרחישי פריסה מגוונים, מתאי פנים צפופים ועד רשתות חיצוניות נרחבות.

מה זה אומר למשתמשי הסלולר היומיומיים

במונחים מעשיים, המחקר מראה שמודלים עמוקים מתוכננים בקפידה יכולים לשפר משמעותית את יכולת הרדיו העתידי להבין את האותות שהוא מקבל. מקלט המצויד במיון מסוג זה יכול לזהות בצורה מהימנה יותר גליים ומערכי מודולציה מורכבים של 5G בזמן אמת, אפילו בעזרת רעש, הפרעות ותנועה. זה מתבטא בקישורים יציבים יותר, שיעורי נתונים גבוהים יותר ושימוש יעיל יותר בספקטרום ליישומים כמו טלפונים חכמים, אוטומציה תעשייתית ורשתות אנרגיה חכמות. בעוד שהתוצאות הנוכחיות מבוססות על סימולציות, המחברים מתכננים לאמת את הגישה במדידות רדיו אמיתיות ולחקור ארכיטקטורות נוירוניות מתקדמות עוד יותר, להתקדם לעבר מקלטים אינטליגנטיים שיכולים להסתגל בצורה חלקה למה שהתדרים מציעים להם.

ציטוט: Jabeur, R., Alaerjan, A. & Chikha, H.B. Deep residual network enhanced with multilevel residual-of-residual for automatic classification of radio signals for 5G and beyond systems. Sci Rep 16, 7003 (2026). https://doi.org/10.1038/s41598-026-35306-x

מילות מפתח: מודולציה 5G, מיון אותות אלחוטיים, רשתות שארית עמוקות, גלי רדיו, מקלטים אינטליגנטיים