ハードウェア検証を伴うハイブリッド機械学習によるインテリジェントDCO-OFDM Li‑Fiシステムの直流バイアス最適化

日常空間のための光ベースのインターネット

部屋の照明が空間を照らすだけでなく、ノートパソコンやスマートフォンに超高速で映画を配信してくれると想像してみてください。これが無線データに電波の代わりに光を用いる技術、Li‑Fiの約束です。本稿はLi‑Fi送信機の微妙だが重要な調整項目――データ信号に付加する一定の背景光（直流バイアス）の量――について扱います。機械学習の賢い手法と実機による検証を用いることで、Li‑Fiをより高速に、効率的に、そして信頼性高くすることを目指しています。

なぜ光はWi‑Fiに勝る可能性があるのか

従来のWi‑Fiは壁を透過する電波に依存し、混雑した周波数帯を共有し、干渉やセキュリティ上の問題を抱えがちです。これに対してLi‑Fiは、端末からの上りに赤外線、天井灯からの下りに可視光を用います。光は壁を透過しないため、Li‑Fiリンクは自然に一つの部屋内に限定され、干渉を減らしプライバシーを向上させます。また、免許不要で利用できる広大なスペクトルを活用できるため、非常に高いデータレートを実現できます。こうした特性は、将来の6Gネットワーク、電波放射が制限される病院、照明と高速接続の両立が求められるあらゆる環境でLi‑Fiを魅力的にします。

一定の輝きの隠れた役割

内部では、多くのLi‑FiシステムがDCO‑OFDMという技術を使ってLEDの光出力に大量のデータを載せています。この方法で得られる生の電気信号は正負に振れる一方で、LEDは非負の光強度しか出せません。そこでエンジニアは信号全体を上方に平行移動させるために定数オフセット（直流バイアス）を加え、残る負の部分をクリップします。バイアスが小さすぎると負の部分が大きくクリップされノイズや誤りが増えます。逆に大きすぎるとデータ伝送ではなく無駄な明るさに電力を浪費します。最適点は信号の符号化方法やリンクのノイズ特性など複数の要因に依存し、従来の最適化手法は変化する条件に適応するのが遅かったり困難だったりします。

自己調整を学習させる

Li‑Fi送信機が最適なバイアス値を「学習」できるように、著者らはDCO‑OFDM信号の詳細なコンピュータシミュレーションを用いてデータセットを構築しました。生成された各信号について、波形の最小値・最大値・平均レベル・変動性・伝送後の誤り率といった単純な数値特徴量を算出しました。これらの要約と、星座サイズやサブキャリア数といったシステム設定が機械学習モデルへの入力となり、誤りと消費電力のバランスをとる理想的な直流バイアスを予測するよう学習させました。チームは平滑な曲線を当てはめる古典的な回帰と、過去の類似例を参照するK近傍法（KNN）を組み合わせたハイブリッド手法をいくつか検討しました。異なる組み合わせを比較し、標準的な精度指標を用いて各モデルの予測が真の最適値とどれだけ一致するかを測定しました。

コンピュータモデルから実機へ

シミュレーションに留まらず、研究者らは高輝度LEDを送信機、フォトダイオードを受信機、Arduinoベースの回路で短距離の室内伝送を行う小規模な実験室用Li‑Fiリンクを構築しました。このハードウェアからも同種の信号特徴量を抽出し、実環境におけるノイズや不完全性、環境影響を反映した第二のデータセットを作成しました。シミュレーションで学習した機械学習モデルに対し再学習なしでこれら実測データの最適バイアスを予測させました。このステップは重要です。多くの先行研究は計算機実験で終わり、物理世界の雑多さに手法が耐えられるかを示していなかったからです。

未来のLi‑Fiルームに向けた賢いバイアス調整

顕著な結果は、多項式回帰とKNNを組み合わせたハイブリッドモデルが最も正確かつ頑健な予測を示したことです。シミュレーション上で真の最適値との高い一致を達成し、ArduinoベースのLi‑Fiリンクへそのまま適用しても強い性能を維持しました。実務的には、このようなモデルを搭載したLi‑Fiシステムは環境変化に応じて自動的に適切なバイアスレベルを設定し、光の無駄や信号歪みを最小化しながら常時手動調整を不要にできます。現在のハードウェア試験は短距離で単純化した屋内シナリオに限られますが、このアプローチは天井灯が静かに自己調整して日常の照明とともに安全で高速なデータを提供する、知能化された自己最適化型Li‑Fiネットワークへの方向性を示しています。

引用: 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

キーワード: Li‑Fi, 可視光通信, 機械学習, OFDM, 無線ネットワーク