אופטימיזציית ההיסט השקע חשמלי (DC) במערכות DCO-OFDM ל-Li-Fi חכמות באמצעות למידת מכונה הibridית ואימות חומרתי

אינטרנט מבוסס אור למרחבים יום‑יומיים

דמיינו את נורות החדר שלכם לא רק מוארות את החלל אלא גם משדרות סרטים למחשב הנייד ולטלפון במהירויות גבוהות מאוד. זוהי ההבטחה של Li‑Fi, טכנולוגיה שמשתמשת באור במקום בגלי רדיו להעברת נתונים אלחוטית. מאמר זה מתמודד עם כוונון טכני דק אך קריטי במאתרי Li‑Fi — כמה אור רקע קבוע, או היסט DC, יש להוסיף לאות הנתונים — באמצעות שיטות למידת מכונה חכמות ובדיקות בחומרה אמיתית, כדי להפוך את ה‑Li‑Fi למהיר, יעיל ואמין יותר.

מדוע האור יכול להתעלות על ה‑Wi‑Fi

Wi‑Fi מסורתי נשען על גלי רדיו שחולפים דרך קירות, חולקים פסי תדר צפופים ועלולים לסבול מהפרעות ובעיות אבטחה. לעומת זאת, Li‑Fi משתמשת באינפרה‑אדום לשידור חזרה מהמכשירים ובאור נראה לשידור מהתקרה. מאחר שאור אינו חודר קירות, קישור Li‑Fi יכול להיות מוגבל באופן טבעי לחדר אחד, מה שמפחית הפרעות ומשפר פרטיות. כמו כן, הוא מנצל פיסת ספקטרום גדולה שלא דורשת רישיונות, מה שמאפשר קצבי נתונים גבוהים מאוד. זה הופך את ה‑Li‑Fi לרכיב אטרקטיבי לרשתות הדור השישי העתידיות, לבתי חולים שבהם פליטות רדיו מוגבלות, ולכל סביבה שדורשת גם תאורה וגם חיבוריות במהירות גבוהה.

התפקיד הנסתר של זוהר קבוע

מתחת למכסה המנוע, מערכות רבות של Li‑Fi משתמשות בטכניקה הנקראת DCO‑OFDM לדחיסת כמויות גדולות של נתונים לתוך פלט האור של LED. האות החשמלי הגולמי שנוצר בשיטה זו נערך מעל ומתחת לאפס, אך LEDs יכולים להאיר רק בעוצמות לא‑שליליות. לכן מהנדסים מוסיפים הזחה קבועה — היסט DC — כדי להזיז את כל גלהאופן מעלה ואז חותכים כל חלקים שנותרו שליליים. אם ההיסט קטן מדי, החלקים השליליים ייחתכו בחומרה באופן חמור, מה שמכניס רעש ושגיאות. אם הוא גדול מדי, ה‑LED מבזבז כוח על בהירות מיותרת במקום על העברת נתונים. הנקודה האופטימלית תלויה במספר גורמים, כולל כיצד מקודד האות וכמה רעש יש בקישור, ושיטות אופטימיזציה מסורתיות יכולות להיות איטיות או קשות להתאים לתנאים משתנים.

להשכיל את המערכת לכוונון עצמי

כדי לאפשר למשדר Li‑Fi "ללמוד" את רמת ההיסט הטובה ביותר, המחברים בנו מאגר נתונים באמצעות סימולציות מחשב מפורטות של אותות DCO‑OFDM. עבור כל אות שנוצרה חישבו תכונות מספריות פשוטות כגון הערכים המינימליים והמקסימליים של הגל, רמת הממוצע שלו, השונות שלו ושיעור השגיאות לאחר שידור. סיכומים אלה, יחד עם הגדרות מערכת כמו גודל הקונסטלציה ומספר תתי‑הנושאות, היוו קלט למודלים של למידת מכונה שאומנו לחזות את ה‑DC האידיאלי שמאזן בין שגיאות ושימוש אנרגטי. הצוות חקר מספר גישות הibridיות המשלבות רגרסיה קלאסית, המותאמת להתאמת עקומות חלקות, עם K‑Nearest Neighbors (KNN), שמסתכל על דוגמאות דומות מהעבר. הם השוו בין צירופים שונים ומדדו עד כמה תחזיות ההיסט של כל אחד תואמות לאופטימום האמיתי, באמצעות ציוני דיוק סטנדרטיים.

ממודלים ממוחשבים לחומרה ממשית

מעבר לסימולציות, החוקרים בנו קישור Li‑Fi מעבדה קטן המשתמש ב‑LED בעל בהירות גבוהה כמשדר, פוטודיוד כמקלט ומעגל מבוסס Arduino ללכידת אותות אמיתיים במרחק פנימי קצר. אותן תכונות אות חולצו גם מההתקן החומרתי הזה, ויצרו מאגר נתונים שני המשקף רעש אמיתי, פגמים והשפעות סביבתיות. ללא איפוס‑אימון, מודלי למידת המכונה שאומנו על נתוני סימולציה נתבקשו לחזות את ה‑DC הטוב ביותר עבור מדידות החומרה האמיתיות הללו. שלב זה קריטי, מכיוון שרבות מהמחקרים הקודמים הסתיימו בניסויים ממוחשבים ולא הראו שהשיטות שורדות את הבלגן של העולם הפיזי.

כוונון חכם יותר לחדרי Li‑Fi עתידיים

התוצאה הבולטת היא שמודל הibridi המשלב רגרסיה פולינומית עם KNN הניב את התחזיות המדויקות והחזקות ביותר. הוא השיג התאמה גבוהה לאופטימום האמיתי בסימולציות ושמר על ביצועים טובים גם כאשר הוחל ישירות על קישור Li‑Fi מבוסס Arduino. במונחים מעשיים, משמעות הדבר היא שמערכת Li‑Fi המצוידת במודל כזה תוכל לכוונן אוטומטית את רמת ההיסט הנכונה כשהתנאים משתנים, לצמצם בזבוז אור ועיוות האות ללא כוונון ידני מתמיד. בעוד שבדיקות החומרה הנוכחיות מכסות רק מרחקים קצרים ותסריטי פנימיים מפושטים, הגישה מצביעה על רשתות Li‑Fi חכמות, המתכווננות בעצמן, שבהן מנורות תקרה מתאימות באופן שקט את עצמן כדי לספק נתונים מאובטחים ומהירים לצד תאורה יומיומית.

ציטוט: 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

מילות מפתח: Li-Fi, תקשורת באור נראה, למידת מכונה, OFDM, רשתות אלחוטיות