Optymalizacja składowej stałej w inteligentnych systemach DCO-OFDM Li‑Fi z wykorzystaniem hybrydowego uczenia maszynowego i walidacją sprzętową

Internet oparty na świetle dla przestrzeni codziennych

Wyobraź sobie, że lampy w pokoju nie tylko oświetlają wnętrze, lecz także przesyłają filmy na laptop i telefon z bardzo dużą prędkością. To jest obietnica Li‑Fi — technologii wykorzystującej światło zamiast fal radiowych do przesyłania danych bezprzewodowo. W artykule omówiono subtelny, lecz kluczowy parametr nadajników Li‑Fi — ile stałego, tła świetlnego, czyli przesunięcia DC, należy dodać do sygnału danych — wykorzystując inteligentne metody uczenia maszynowego i testy na rzeczywistym sprzęcie, aby uczynić Li‑Fi szybszym, bardziej wydajnym i bardziej niezawodnym.

Dlaczego światło może przewyższyć Wi‑Fi

Konwencjonalne Wi‑Fi opiera się na falach radiowych, które przenikają przez ściany, dzielą zatłoczone pasma częstotliwości i mogą być podatne na zakłócenia oraz problemy z bezpieczeństwem. Li‑Fi z kolei wykorzystuje podczerwień do wysyłania danych z urządzeń i światło widzialne do transmisji z lamp sufitowych. Ponieważ światło nie przenika przez ściany, łącze Li‑Fi można naturalnie ograniczyć do jednego pomieszczenia, co redukuje zakłócenia i poprawia prywatność. Daje też dostęp do ogromnego, nielicencjonowanego fragmentu widma, umożliwiając bardzo duże przepływności danych. Dzięki temu Li‑Fi jest atrakcyjnym rozwiązaniem dla przyszłych sieci 6G, placówek medycznych, gdzie emisje radiowe są ograniczone, oraz wszędzie tam, gdzie potrzebne jest jednoczesne oświetlenie i szybkie połączenie.

Ukryta rola stałego blasku

W wielu systemach Li‑Fi stosuje się technikę DCO‑OFDM, by zamknąć dużą ilość danych w sygnale świetlnym diody LED. Surowy sygnał elektryczny uzyskany tą metodą oscyluje powyżej i poniżej zera, ale diody LED mogą emitować tylko nieujemną intensywność światła. Inżynierowie dodają więc stałe przesunięcie — bias DC — aby przesunąć całą falę w górę, a następnie obcinają pozostające ujemne części. Jeśli przesunięcie jest zbyt małe, ujemne fragmenty są mocno obcinane, co wprowadza szumy i błędy. Jeśli jest zbyt duże, dioda marnuje energię na zbędne oświetlenie zamiast na transmisję danych. Optimum zależy od wielu czynników, w tym sposobu kodowania sygnału i poziomu zakłóceń, a tradycyjne metody optymalizacji mogą być powolne lub trudne do dostosowania do zmieniających się warunków.

Nauka samostrojenia systemu

Aby nadajnik Li‑Fi „nauczył się” najlepszego poziomu biasu, autorzy zbudowali zestaw danych wykorzystując szczegółowe symulacje komputerowe sygnałów DCO‑OFDM. Dla każdego wygenerowanego sygnału obliczono proste cechy numeryczne, takie jak minimalne i maksymalne wartości fali, jej poziom średni, zmienność oraz współczynnik błędów po transmisji. Te podsumowania wraz z ustawieniami systemu, takimi jak rozmiar konstelacji i liczba podnośnych, stanowiły wejście do modeli uczenia maszynowego uczonych do przewidywania idealnego biasu DC, który równoważy błędy i zużycie mocy. Zespół badał kilka hybrydowych podejść łączących klasyczną regresję, która dopasowuje gładkie krzywe, z K‑Nearest Neighbors (KNN), które korzysta z podobnych wcześniejszych przykładów. Porównano różne kombinacje i oceniono, na ile przewidywane wartości biasu zgadzają się z rzeczywistym optimum, używając standardowych miar dokładności.

Od modeli komputerowych do rzeczywistego sprzętu

Ponad symulacjami, badacze zbudowali małe laboratoryjne łącze Li‑Fi wykorzystujące diodę LED o dużej jasności jako nadajnik, fotodiodę jako odbiornik oraz układ na bazie Arduino do rejestrowania rzeczywistych sygnałów na krótkim odcinku wewnątrz pomieszczenia. Z tego układu wydobyto te same rodzaje cech sygnału, tworząc drugi zestaw danych odzwierciedlający rzeczywiste szumy, niedoskonałości i wpływy środowiskowe. Bez retreningu poproszono modele uczone na danych symulacyjnych o przewidzenie najlepszego biasu DC dla tych rzeczywistych pomiarów. Ten krok jest kluczowy, ponieważ wiele wcześniejszych prac zatrzymało się na eksperymentach komputerowych i nie wykazało, że ich metody przetrwają bałagan fizycznego świata.

Sprytniejsze sterowanie biasem dla przyszłych pomieszczeń Li‑Fi

Najważniejszy wynik pokazuje, że model hybrydowy łączący regresję wielomianową z KNN dał najbardziej dokładne i odporne przewidywania. Osiągnął wysoką zgodność z prawdziwym optimum w symulacjach i utrzymał mocne wyniki po zastosowaniu bezpośrednio do łącza Li‑Fi opartego na Arduino. W praktyce oznacza to, że system Li‑Fi wyposażony w taki model mógłby automatycznie ustawiać odpowiedni poziom biasu w miarę zmiany warunków, minimalizując marnowanie światła i zniekształcenia sygnału bez ciągłej ręcznej regulacji. Chociaż obecne testy sprzętowe obejmują tylko krótkie dystanse i uproszczone scenariusze wewnętrzne, podejście wskazuje drogę do inteligentnych, samodostosowujących się sieci Li‑Fi, w których lampy sufitowe dyskretnie regulują się, by dostarczać bezpieczne, szybkie dane jednocześnie pełniąc funkcję oświetlenia codziennego.

Cytowanie: 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

Słowa kluczowe: Li‑Fi, komunikacja światłowidowa, uczenie maszynowe, OFDM, sieci bezprzewodowe