אומדן כיוון הגעה (DOA) של וקטורי אקוסטיקה תת‑מימית בסביבות רעש היברידיות מבוסס מנגנון תערובת־מומחים עם סגמנטציה צפופה

האזנה לאותות חבויים מתחת למים

אניות, צוללות, רובוטים תת‑מימיים ואפילו ביולוגים ימיים מסתמכים על האזנה לצלילים חלשים בים כדי לקבוע מהיכן הם מגיעים. אבל הים רועש: מנועים, גלים, בעלי חיים וכלים מוסיפים כולם הפרעות. המחקר מציג דרך חדשה למקם את כיוון הצלילים התת‑מימיים גם כאשר הרעש מבולגן ולא צפוי, באמצעות צורת בינה מלאכותית מודרנית הלומדת להתמודד עם סוגי רעש שונים במקום להניח שהכול פשוט ואחיד.

למה קשה למצוא כיוון בים

כדי לקבוע מיקום מקור קול, מהנדסים משתמשים במערך של מיקרופונים תת‑מימיים, הנקראים הידרופונים, מסודרים בשורה. על‑ידי השוואת ההבדלים הקטנים בזמני ההגעה של הקול לכל חיישן, ניתן לאמוד את הזווית שממנה הגיע הקול — משימה הידועה כאומדן כיוון ההגעה (DOA). שיטות קלאסיות מניחות שהרעש ברקע דומה לשריקה עדינה ואחידה — במונחים מתמטיים, "רעש גאוסי לבן". ימים אמיתיים נדירים בהתנהגות כזו. הרעש יכול להיות אימפולסיבי, כמו פיצוצים פתאומיים; צבעוני, עם יותר אנרגיה בתדרים מסוימים; או לא אחיד בין החיישנים. תערובת התנהגויות זו, שנקראת רעש היברידי, שוברת את ההנחות שעליהן מתבססות האלגוריתמים הישנים וגורמת לירידה חדה בדיוק כשהתנאים הכי מאתגרים.

קו חיישנים חכם יותר

החוקרים בונים על תצורת חיישנים פשוטה אך חזקה: שורה ישרה של הידרופונים וקטוריים, שמודדים גם לחץ וגם תנועת חלקיקי המים. כאשר מקורות קול מרוחקים מפיצים גלים, הגלים מגיעים לכל חיישן בזמנים ובפאזות מעט שונים, בהתאם לזווית ההגעה. מהמדידות הללו המערכת בונה מטריצת קו‑שונות — סיכום קומפקטי של האופן שבו האותות בחיישנים השונים מתייחסים זה לזה לאורך הזמן. מטריצה זו מכילה רמזים גאומטריים הדרושים לאמידת הכיוון, אך היא משולבת עם כל רעש הסביבה המורכב.

להפוך נתונים רועשים לתבניות הניתנות ללמידה

רשתות נוירונים עובדות בדרך כלל עם מספרים ממשיים, אך מטריצת הקו‑שונות היא בעלת ערכים מרוכבים. לכן הצוות מפרק אותה לשתי מטריצות ממשיות המייצגות את החלק הממשי והדמיוני, ומזין אותן כ"תמונה" בעלת שתי ערוצים לרשת נוירונית קונבולוציונית (CNN). ה‑CNN סורק את המטריצה כדי לחשוף תבניות מרחביות שמפרידות בין המבנה האמיתי של האות לרעש. במקום להסתמך על נוסחאות מעוצבות ידנית, ה‑CNN לומד תכונות אלה ישירות מהנתונים, ובונה בהדרגה מקשרים מקומיים פשוטים לדפוסים ברמת על שמסייעים במיקום מקורות הקול.

רבים מומחים וקואורדינטור אחד חכם

החידוש המרכזי הוא מה שקורה אחרי ה‑CNN: רשת תערובת מומחים עם שער נדיר־הדלקה (SMoE). במקום מודל גדול ומונוליטי אחד שמנסה להתמודד עם כל המקרים, המערכת כוללת מספר רשתות מומחים קטנות, כל אחת מאומנת להצטיין תחת סוג רעש מסוים, כמו רעש לבן, ורוד, אדום, כחול, סגול או רעש אימפולסיבי. רשת שער נפרדת מסתכלת על התכונות שהוצאו על‑ידי ה‑CNN ובכל דוגמה נכנסת מחליטה אילו מומחים הם הרלוונטיים ביותר. רק אותם מומחים מובחרים מואצים, ופלטיהם משולבים כדי להפיק אומדן סופי של הסיכוי שמקור קול נמצא בכל זווית מ‑0° עד 180°. עיצוב זה עושה את המודל אדפטיבי — כי הוא משנה אילו מומחים "מקשיבים" כשהתנאים משתנים — וגם יעיל, כי הוא נמנע מהפעלת כל המומחים בכל פעם.

בדיקה בתנאים קשים וריאליסטיים

כדי לאמן את המערכת, המחברים יצרו תחילה נתונים שבהם כל מומחה רואה רק סוג רעש אחד, מה שאיפשר לו להתמחות. לאחר מכן אימנו את רשת השער על תערובות של כל ששת סוגי הרעש, לחקות סביבות היברידיות אמיתיות. הם גם העריכו את המודל על מערך בדיקה גדול וריאליסטי הכולל הן רעש מדומה והן רעש תת‑מימי מוקלט בפועל, על פני טווח רחב של יחס אות‑לרעש ואורכי נתונים. בהשוואה לשיטות קלאסיות ידועות ולגישות למידה עמוקה אחרות, מודל ה‑SMoE סופק באופן עקבי שגיאות קטנות יותר ושיעורי הצלחה גבוהים יותר, במיוחד כאשר הרעש חזק או כאשר נגיש רק כמות מוגבלת של נתונים. ביחס אות‑לרעש של 0 דציבל — שבו עוצמת האות והשקט שוות — המודל השיג שגיאה ממוצעת בזווית שנמוכה מ‑מעלה אחת בעוד ששיטות מתחרות עלולות לסטות בעשרות מעלות.

מה זה אומר לחיישנות תת‑מימית בעתיד

במילים פשוטות, עבודה זו מראה שלהעמיד כמה "מקשיבים" מומחים של AI לחלוקה ולבחירה ביניהם בזמן אמת יכול לשפר באופן דרמטי את יכולתנו לזהות מאיפה מגיעים צלילים תת‑מימיים בתנאים כאוטיים ורועשים. הגישה ניתנת להתאמה לתצורות חיישנים נוספות מעבר למערכים ליניאריים פשוטים, והרעיון עצמו — תערובת מומחים עם שער חכם — יכול לסייע גם ברדאר, ברובוטיקה ובתחומים אחרים שבהם יש לאתר אותות בנוכחות הפרעות מורכבות. ליישומים שתלויים בהאזנה תת‑מימית אמינה, מניווט ועד ניטור סביבתי, שיטה זו מציעה דרך גמישה וחסינה יותר לשמוע דרך הרעש.

ציטוט: Xu, W., Yi, S., Gu, H. et al. Underwater acoustic vector DOA estimation in hybrid noise environments based on sparsely-gated mixture-of-experts mechanism. Sci Rep 16, 6192 (2026). https://doi.org/10.1038/s41598-026-37217-3

מילות מפתח: אקוסטיקה תת‑מימית, כיוון הגעה, רעש היברידי, למידה עמוקה, תערובת מומחים