Ottimizzazione della polarizzazione DC nei sistemi DCO-OFDM Li‑Fi intelligenti usando apprendimento ibrido con validazione hardware

Internet basato sulla luce per gli spazi di tutti i giorni

Immagina le luci della stanza non solo a illuminare lo spazio ma anche a trasmettere film al tuo laptop e al tuo telefono a velocità molto elevate. Questa è la promessa del Li‑Fi, una tecnologia che usa la luce invece delle onde radio per i dati wireless. Questo articolo affronta una manopola di regolazione tecnica sottile ma cruciale nei trasmettitori Li‑Fi — quanto contributo di luce costante, o bias DC, debba essere aggiunto al segnale dati — usando metodi intelligenti di apprendimento automatico e test su hardware reale, per rendere il Li‑Fi più veloce, efficiente e affidabile.

Perché la luce può battere il Wi‑Fi

Il Wi‑Fi convenzionale si basa su onde radio che attraversano i muri, condividono bande di frequenza affollate e possono essere soggette a interferenze e problemi di sicurezza. Il Li‑Fi, al contrario, usa l’infrarosso per inviare dati dai dispositivi e la luce visibile per inviare dati dalle lampade a soffitto. Poiché la luce non penetra i muri, un collegamento Li‑Fi può essere naturalmente confinato a una singola stanza, riducendo le interferenze e migliorando la privacy. Sfrutta inoltre una porzione enorme e non licenziata dello spettro, permettendo velocità di trasmissione molto elevate. Questo rende il Li‑Fi un ingrediente attraente per le future reti 6G, per gli ospedali dove le emissioni radio sono limitate e in qualsiasi contesto che richieda sia illuminazione sia connettività ad alta velocità.

Il ruolo nascosto di un bagliore costante

Nel funzionamento interno, molti sistemi Li‑Fi usano una tecnica chiamata DCO‑OFDM per caricare grandi quantità di dati sull’emissione luminosa di un LED. Il segnale elettrico grezzo prodotto da questo metodo oscilla sia sopra sia sotto lo zero, ma i LED possono brillare solo con intensità luminosa non negativa. Gli ingegneri quindi aggiungono un offset costante — bias DC — per spostare l’intera forma d’onda verso l’alto e poi tagliano via le parti ancora negative. Se il bias è troppo basso, le parti negative vengono pesantemente tagliate, introducendo rumore ed errori. Se è troppo alto, il LED spreca potenza in una luminosità inutile invece che nei dati. Il punto ottimale dipende da diversi fattori, tra cui come il segnale è codificato e quanto è rumoroso il collegamento, e i metodi di ottimizzazione convenzionali possono essere lenti o difficili da adattare a condizioni variabili.

Insegnare al sistema a sintonizzarsi da solo

Per permettere al trasmettitore Li‑Fi di “imparare” il proprio livello di bias ottimale, gli autori hanno costruito un dataset usando simulazioni al computer dettagliate dei segnali DCO‑OFDM. Per ogni segnale generato hanno calcolato semplici feature numeriche come i valori minimo e massimo della forma d’onda, il suo livello medio, la sua variabilità e il tasso di errore dopo la trasmissione. Questi riassunti, insieme a impostazioni di sistema come la dimensione della costellazione e il numero di sottoportanti, hanno formato l’ingresso per modelli di apprendimento automatico addestrati a prevedere il bias DC ideale che bilancia errori e consumo di potenza. Il team ha esplorato diversi approcci ibridi che mescolano la regressione classica, che adatta curve lisce, con il K‑Nearest Neighbors (KNN), che guarda esempi simili passati. Hanno confrontato varie combinazioni e misurato quanto bene ciascuna previsione dei valori di bias concordasse con l’ottimo reale, usando metriche di accuratezza standard.

Da modelli al computer ad hardware reale

Oltre alle simulazioni, i ricercatori hanno costruito un piccolo collegamento Li‑Fi di laboratorio usando un LED ad alta luminosità come trasmettitore, un fotodiodo come ricevitore e un circuito basato su Arduino per catturare segnali reali su breve distanza indoor. Lo stesso tipo di feature del segnale è stato estratto da questo setup hardware, creando un secondo dataset che riflette rumore reale, imperfezioni ed effetti ambientali. Senza riaddestramento, ai modelli di apprendimento automatico addestrati sui dati simulati è stato chiesto di prevedere il bias DC migliore per queste misurazioni reali. Questo passaggio è cruciale, perché molti studi precedenti si sono fermati agli esperimenti al computer e non hanno mai dimostrato che i loro metodi resistano al disordine del mondo fisico.

Bias più intelligenti per le future stanze Li‑Fi

Il risultato più rilevante è che un modello ibrido che combina regressione polinomiale con KNN ha prodotto le previsioni più accurate e robuste. Ha raggiunto un’elevata concordanza con l’ottimo reale nelle simulazioni e ha mantenuto prestazioni solide quando applicato direttamente al collegamento Li‑Fi basato su Arduino. In termini pratici, ciò significa che un sistema Li‑Fi dotato di un tale modello potrebbe impostare automaticamente il livello di bias corretto al variare delle condizioni, minimizzando la luce sprecata e la distorsione del segnale senza una messa a punto manuale continua. Sebbene i test hardware attuali coprano solo brevi distanze e scenari indoor semplificati, l’approccio indica la strada verso reti Li‑Fi intelligenti e auto‑ottimizzanti in cui le luci a soffitto si regolano silenziosamente per fornire dati sicuri e ad alta velocità insieme all’illuminazione quotidiana.

Citazione: 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

Parole chiave: Li‑Fi, comunicazione in luce visibile, apprendimento automatico, OFDM, reti wireless