Otimização do viés DC em sistemas Li-Fi DCO-OFDM inteligentes usando aprendizado de máquina híbrido com validação em hardware

Internet por luz para espaços do dia a dia

Imagine as luzes do seu quarto não apenas clareando o ambiente, mas também transmitindo filmes para seu laptop e celular em velocidades muito altas. Essa é a promessa do Li‑Fi, uma tecnologia que usa luz em vez de ondas de rádio para dados sem fio. Este artigo aborda um ajuste técnico sutil, porém crucial, em transmissores Li‑Fi — quanto brilho de fundo constante, ou viés DC, deve ser adicionado ao sinal de dados — usando métodos inteligentes de aprendizado de máquina e testes em hardware real, para tornar o Li‑Fi mais rápido, eficiente e confiável.

Por que a luz pode superar o Wi‑Fi

O Wi‑Fi convencional depende de ondas de rádio que atravessam paredes, compartilham bandas de frequência lotadas e podem sofrer interferência e problemas de segurança. O Li‑Fi, em contraste, usa infravermelho para enviar dados de volta dos dispositivos e luz visível para transmitir dados a partir das luminárias do teto. Como a luz não penetra paredes, um enlace Li‑Fi pode ficar naturalmente confinado a um único ambiente, o que reduz interferência e melhora a privacidade. Ele também explora uma parcela enorme e não licenciada do espectro, permitindo taxas de dados muito elevadas. Isso torna o Li‑Fi um componente atraente para redes 6G futuras, hospitais onde emissões de rádio são restritas e qualquer cenário que precise de iluminação e conectividade de alta velocidade.

O papel oculto de um brilho constante

Por baixo do capô, muitos sistemas Li‑Fi usam uma técnica chamada DCO‑OFDM para empacotar muitos dados na emissão de luz de um LED. O sinal elétrico bruto produzido por esse método oscila acima e abaixo de zero, mas LEDs só podem emitir intensidade de luz não negativa. Engenheiros, portanto, adicionam um deslocamento constante — viés DC — para elevar toda a forma de onda e depois recortam quaisquer partes negativas restantes. Se o viés for muito baixo, as partes negativas são fortemente recortadas, introduzindo ruído e erros. Se for muito alto, o LED desperdiça energia em brilho inútil em vez de transmitir dados. O ponto ideal depende de vários fatores, incluindo como o sinal é codificado e quão ruidoso é o enlace, e métodos convencionais de otimização podem ser lentos ou difíceis de adaptar a condições mutáveis.

Ensinando o sistema a se ajustar

Para permitir que o transmissor Li‑Fi “aprenda” seu próprio nível ideal de viés, os autores construíram um conjunto de dados usando simulações computadorizadas detalhadas de sinais DCO‑OFDM. Para cada sinal gerado, calcularam características numéricas simples, como os valores mínimo e máximo da forma de onda, seu nível médio, sua variabilidade e a taxa de erro após a transmissão. Esses resumos, junto com configurações do sistema como o tamanho da constelação e o número de subportadoras, constituíram a entrada para modelos de aprendizado de máquina treinados para prever o viés DC ideal que equilibra erros e consumo de energia. A equipe explorou várias abordagens híbridas que combinam regressão clássica, que ajusta curvas suaves, com K‑Nearest Neighbors (KNN), que olha para exemplos passados semelhantes. Compararam diferentes combinações e mediram quão bem cada previsã o dos valores de viés concordava com o ótimo verdadeiro, usando métricas padrão de acurácia.

Dos modelos computacionais ao hardware real

Além das simulações, os pesquisadores montaram um pequeno enlace Li‑Fi de laboratório usando um LED de alta luminosidade como transmissor, um fotodiodo como receptor e um circuito baseado em Arduino para capturar sinais reais em uma curta distância interna. Os mesmos tipos de características de sinal foram extraídos desse sistema de hardware, criando um segundo conjunto de dados que reflete ruído real, imperfeições e efeitos ambientais. Sem re-treinamento, os modelos de aprendizado de máquina treinados com dados simulados foram solicitados a prever o melhor viés DC para essas medições reais. Essa etapa é crítica, pois muitos estudos anteriores pararam nas experiências por computador e nunca demonstraram que seus métodos resistem à bagunça do mundo físico.

Viés mais inteligente para futuros ambientes Li‑Fi

O resultado de destaque é que um modelo híbrido combinando regressão polinomial com KNN produziu as previsões mais precisas e robustas. Ele alcançou alta concordância com o ótimo verdadeiro nas simulações e manteve desempenho forte quando aplicado diretamente ao enlace Li‑Fi baseado em Arduino. Em termos práticos, isso significa que um sistema Li‑Fi equipado com tal modelo poderia ajustar automaticamente o nível de viés correto à medida que as condições mudam, minimizando luz desperdiçada e distorção do sinal sem afinação manual constante. Embora os testes de hardware atuais cubram apenas curtas distâncias e cenários internos simplificados, a abordagem aponta para redes Li‑Fi inteligentes e auto‑otimizáveis, onde as luminárias do teto se ajustam discretamente para fornecer dados seguros e de alta velocidade juntamente com a iluminação cotidiana.

Citação: 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

Palavras-chave: Li-Fi, comunicação por luz visível, aprendizado de máquina, OFDM, redes sem fio