استخدام التعلم في مجال الآلات لاختيار الديناميكية شبكات ميمو

مقدمة إلى انتقاء الديناميكية في شبكات المنظمة البحرية الدولية

وتُعد تكنولوجيا متعددة المدخلات من عدة مدخلات حجر الزاوية في نظم الاتصالات اللاسلكية الحديثة، من شبكة الاتصالات اللاسلكية إلى محطة الإذاعة الجديدة التابعة للشبكة العالمية لسواتل الاتصالات (W-Fi) إلى 4G LTE و5G New Radio (NR) عن طريق نشر هوائيات متعددة في جهاز الإرسال والاستقبال، يمكن لنظم الرصد والتحقق من وجود مسارات متعددة للبيانات المكانية في آن واحد، مما يزيد بشكل كبير من كفاءة الطيف وقدرات الشبكة.

وتعتمد أساليب اختيار الحزم التقليدية على الكتب المرمزة المحددة مسبقا، والبحث الشامل عن جميع أزواج الشعاع، أو الخوارزميات الرثائية التي تفترض قنوات ثابتة أو متباينة ببطء، وهذه النهج تكافح مواكبة التغيرات السريعة التي تشهدها مجموعات التكاثر العالية (مثلا، الموجة المميتة، والفرعية) التي تستخدمها 5 جيات وما بعدها، حيث تكون الأسلاك الافتراضية ضيقة وحقيقية.

Understanding Beam Selection in MIMO Networks

واختيار الحزمة هو مشكلة اختيار الشعاع (أو مزيج من الشعاع) الذي يزيد إلى أقصى حد من الهدف، مثل نسبة الإشارة إلى التدخل إلى جانب التنويم، أو المخرج، أو التغطية، وفي الممارسة العملية، تستخدم نظم الرصد المتعددة المؤشرات تقنية الفرز المكاني التي تعدل العنصر المؤثر وتضع الإشارات في كل مجموعة من المواد الكيميائية.

Codebook-Based Beam Selection

وفي معايير المنظمة البحرية الدولية المبكرة (مثلاً، LTE)، كان اختيار الشعاع متماسكاً نسبياً، حيث توجد كتب رمزية صغيرة (4-8 حزمة)، أما معدات المستعملين (UE) ومحطة قاعدية (gNB) فتقيس الإشارات المرجعية المرسلة بحزم مختلفة، وتبلغ عن أفضل المؤشرات، وتُستخدم هذه العملية، التي تُسمى " مسح الشعاع " ، كشطة زائدة في عدد الأشعة تحتية (GNRam-62).

تعقب الرصيف

وللحد من النفقات العامة، تستخدم أساليب تتبع الشعاع التكييفي القياسات السابقة للتنبؤ بمتى وكيف يمكن تعديل الشعاع، فعلى سبيل المثال، يستخدم الشعاع الهرمي شعاعاً من الكراسي لتضييق الاتجاه، ثم الدقائق في ذلك القطاع، غير أن هذه الأساليب تعتمد على قواعد التحويل الثابتة ولا يمكن أن تستغل بسهولة الروابط الزمنية أو المكانية المعقدة في القناة، وهذا هو المكان الذي يوفر فيه التعلم الآلي بديلاً مقنعاً.

دور التعلم في مجال الآلات في اختيار الديناميكية

ويمكن لنماذج التعلم في مجال الآلات أن تجهز معلومات الدولة عن القنوات الخام، مثل المؤشرات التي تلقتها لقياس قوة الإشارة، أو توجيه الاستجابات، أو حتى قيم عنصر الهوائي، إلى الإنتاج المباشر لمؤشر أفضل الشعاع أو توزيع الاحتمالات على الأشعة، خلافا للخرافيزميات التقليدية التي تتبع المنطق المكسور، تتعلم نماذج حركة تحرير الكونغو من البيانات لالتقاط العلاقات غير الخطية والتكيف مع البيئات المتغيرة دون إعادة تشكيل صريح.

لماذا الطرق التقليدية قصيرة

وكثيرا ما يعتمد اختيار الشعاع التقليدي على البحث الشامل أو العتبات الهيمنة البسيطة، وهذه الأساليب هي دون المستوى الأمثل في السيناريوهات التي تنطوي على تنقل كبير للمستخدمين، أو على قنوات تختفي بسرعة، أو على نشرات مكثفة تنطوي على تدخل قوي، وعلى سبيل المثال، يمكن أن يتغير النظام الأمثل لتحديد المواقع على الموجات الألف، كل بضعة ثوان بسبب الكتل البشرية أو تناوب الأجهزة، مما يؤدي إلى خلق الفارق بين الظواهر الطبيعية وبين نماذج الأداء المثلى.

تقنيات التعلم في مجال اختيار بيام

التعليم الإشرافي

ويعالج التعلم المشرف اختيار الشعاع باعتباره مشكلة تصنيف أو تراجع، وتستمد سمات المدخلات من قياسات مبادرة أمن الدولة (مثلاً، صورة سريعة من معامل القناة أو السلطات المتلقاة على مجموعة فرعية من الحزم)، وتُعتبر العلامات هي أفضل مضاربة تحددها عملية مسح شاملة في وقت التدريب، كما أن هناك مصنفاً من قبيل شبكة النيوتريوم العميقة (DNN) يتلقى تدريباً للتقليل من فقدان القدرة على النتائج.

تعزيز التعلم (RL)

ويصبح التعلم من أجل تعزيز البيئة جذاباً بشكل خاص بالنسبة لاختيار الشعاع الدينامي لأنه لا يتطلب وضع علامات واضحة؛ بل يتعلم الوكيل من خلال التفاعلات مع البيئة، وتشمل الدولة قياسات الأشعة السابقة، وسياق الاستخدام، والوقت؛ والإجراءات التي تتوافق مع خيارات الحزم؛ والمكافآت هي مقاييس مثل النتاج أو التساهل.

التعلم والتمثيل غير المشرفين

ومن شأن الأساليب غير المشرفة، بما في ذلك أجهزة التكتيك والتجميع، أن تساعد في الحد من النفقات العامة للقياس، مثلا، يمكن للجهاز الآلي المفصل أن يضغط على جهاز الاستخبارات المدنية العالي الأبعاد في تمثيل متدني الكمال، ويمكن عندئذ إجراء اختيار الحزم في الفضاء الراحل، مما يتطلب نقلا تجريبيا أقل.

بنية التعلم العميقة لاختيار بيم

والشبكات العصبية الثورية المتقاربة والشبكات العصبية المتكررة شائعة في معالجة الأنماط المكانية والزمنية في مبادرة CSI. ويمكن للشبكة الوطنية للأخشاب النيوزيلندية أن تستخلص ملامح من بيانات عن صفائف الهوائيات من 2D، مثل المطيافات العضلية.

استحقاقات التعلم في مجال الآلات لأغراض اختيار الديناميكية

ويؤدي نشر شعاع محركه حركة تحرير الكونغو إلى تحسينات ملموسة عبر عدة أبعاد للأداء.

انخفاض النفقات العامة واللازمة

ومن خلال التنبؤ بأفضل الشعاع من مجموعة محدودة من القياسات، يقلل القانون النموذجي عدد عمليات مسح الشعاع المطلوبة، وفي العديد من عمليات التنفيذ المبلغ عنها، يمكن اختيار الشعاع مع عدد أقل من الإشارات التجريبية بنسبة 50-80 في المائة مقارنة بالبحث الشامل، وهذا يقلل مباشرة من النفقات العامة للقناة الرقابية ومن الرطوبة المرتبطة باقتناء الشعاع، وهو أمر حاسم بالنسبة للتطبيقات مثل الرقابة الصناعية المنخفضة الأسعار أو التعاون عن بعد.

تحسين نوعية الإشارة ومنافذها

ويمكن لنماذج القانون النموذجي أن تحدد الحزم التي تحقق سيناريوهات أعلى من نظام SINR، حتى في سيناريوهات غير مباشرة، وفي الاختبارات الخلوية باستخدام مجموعات البيانات من بيئات الموجات داخلية، تحقق اختيار الشعاع القائم على شبكة الإنترنت حوالي 90 في المائة من أقصى المخرجات القابلة للتحقيق مع استخدام 5 في المائة فقط من أزواج الشعاع، وهو ما يترجم إلى اتصالات أكثر موثوقية وإلى خبرة أفضل في مجال استخدام الخلايا.

تعزيز القدرة على التكيف مع التنقل والحواجز

ويمكن أن يحافظ وكلاء التعلّم في مجال تعزيز القدرة على تحديث سياستهم باستمرار على أداء رفيع حتى مع تحرك المستخدمين بسرعة المركبات (حتى 30 متراً) وتظهر النتائج التجريبية أن تعقب الشعاع القائم على القانون يخفض أحداث سوء فهم الشعاع بأكثر من 40 في المائة مقارنة بالمسح الدوري، وهذه القدرة على التكيّف أساسية بالنسبة للنظم اللاسلكية المقبلة التي تدعم القطارات السريعة والطائرات الآلية والمركبات المستقلة.

تبسيط تخطيط الشبكة وتشغيلها

ويمكن تدريب نماذج القانون النموذجي على نحو مركزي ثم نشرها عبر محطات القاعدة، مما يتيح اختيار الشعاع المنسق عبر شبكة متعددة الخلايا، مما يقلل من التدخل فيما بين الخلايا ويحسن الكفاءة العامة للآداب، ويستفيد المشغلون من انخفاض الحاجة إلى استخدام بارامترات الشعاع اليدوية في بيئات متنوعة.

التحديات في تنفيذ القانون النموذجي للتحكيم من أجل اختيار بيام

ورغم وعدها، فإن إدماج التعلم الآلي في نظم اختيار شعاعات إنتاج المنظمة البحرية الدولية يشكل عقبات عديدة.

اقتناء البيانات ووضع العلامات عليها

وتتطلب نماذج التدريب التي يشرف عليها مجموعات بيانات كبيرة من قياسات القنوات مقترنة بصور أمثل في الأرض، وكثيرا ما ينطوي احتواء هذه القياسات على مسح شامل للأشعة، مما يغزو الرؤوس الكبيرة جدا التي تعتزم وزارة العمل تخفيضها، وعلاوة على ذلك، يجب أن تغطي البيانات المسمّاة مجموعة واسعة من البيئات، وشروط القنوات، والسيناريوهات المستخدمة لتجنب الإفراط في التأقلم، ويمكن أن يساعد التدريب القائم على المحاكاة، ولكن الثغرات بين البيانات الاصنة والعالم الواقعية.

Computational Complexity and Latency Constraints

ويمكن أن تكون الشبكات العصبية العميقة مكثفة حسابيا، لا سيما عندما تحتاج إلى تشغيل أجهزة مستعملة مجهزة بالبطارية أو في حدود ميزانيات التوقيت الصارم لتجهيز النطاقات الأساسية، فعلى سبيل المثال، يجب اتخاذ قرارات اختيار الحزم في غضون بضع مئات من الاثنايات الدقيقة في 5G NR. وفي حين أن تقنيات الضغط النموذجية (التكرار، والتشفير) تساعد على نشرها في الممارسة العملية تتطلب إضافة معدات مجهزة.

التكيف مع الوضع الحقيقي وعدم الاستقرار

فالقنوات اللاسلكية غير ثابتة - وهي التغييرات التي تُجرى في التوزيع المحتمل حيث ينتقل المستعملون أو يُظهرون تغيرات في الأحوال الجوية أو مصادر التدخل، وقد يصبح نموذج ML الذي يُدرَّب على البيانات السابقة ثابتاً، إذ يلزم أن تتكيف أساليب التعلم على الإنترنت أو التعلم المستمر في الوقت الحقيقي، ولكنها تشكل تحديات في استقرار التقارب وقلة الرؤوس الحاسوبية، وقد تتطلب تطويعاً متأصلاً، ولكنها قد لا تتطلب تفاعلات كثيرة في البيئة المتغيرة بسرعة.

التكامل مع المعايير والهياكل الأساسية القائمة

(ج) تحدد المعايير الخلوية الحالية (GPP Rel-15/16/17) إجراءات محددة لإدارة الحزم، ويجب أن يكون الأخذ بمنطق القرار القائم على أساس القانون النموذجي متوافقاً مع الوراء وألا ينتهك توقيت البروتوكول، ويجب أن توفر الشبكة خطوطاً لنواتج استخدام الرغاوي للتأثير على مؤشرات الأشعة التي أبلغ عنها الاتحاد الأوروبي، أو أن يُجري الاتحاد نفسه نماذج للوزن الخفيف.() وتستكشف هيئات التوحيد القياسي لدراسات المتوافق مع نظام الإبلاغ عن طريق الاتصال الجوي (G-18)

الاتجاهات والفرص البحثية في المستقبل

ويتطور مجال اختيار الشعاع الذي تحركه حركة تحرير الكونغو بسرعة، مع عدة سبل واعدة للعمل في المستقبل.

التعليم الموحد للتدريب على الحفاظ على الخصوصية

وبدلا من إضفاء الطابع المركزي على بيانات قنوات المستعملين، يُعدّ التدريب الموحد على نماذج التدريب على كل جهاز على الصعيد المحلي، ويتقاسم فقط تحديثات النموذج، ويحافظ ذلك على الخصوصية ويقلل من النفقات العامة لنقل البيانات، وتكتسي النهج الموحدة أهمية خاصة بالنسبة لاختيار الشعاع لأن خصائص القنوات الخاصة بالمستعملين تظل محلية بينما يظل النموذج العالمي يستفيد من بيئات متنوعة.

النهج الكلاسيكية - المتعددة الأطراف الهجينة

وبدلاً من استبدال جميع الخوارزميات التقليدية، تستخدم النظم الهجينة حامض حامض مغناطيسي لتعزيز إجراءات مسح الشعاع الكلاسيكي، مثلاً، يمكن لنموذج ML أن يعطي الأولوية للصور التي يمكن اختبارها في القلة الأولى، مما يقلل من حيز البحث، وبدلاً من ذلك، يمكن أن تستمر حلقة التتبع الكلاسيكية للشعاع، بينما تقوم حركة تحرير البحر بإجراء بحث مكرر عند هبوط جودة الإشارة، وهذه التركيبات توفر القدرة على الصرامة والتأكد من سهولة التحقق.

نماذج عامة للمفاوضات المتعددة الحظائر والمتعددة

وستعمل النظم اللاسلكية المستقبلية (6G) عبر النطاقات الفرعية 6 GHz، و mmWave، وTHz، التي لها خصائص مختلفة في مجال النشر، ووضع نموذج واحد للذكور يمكن أن يعالج مختلف أحجام الكتب الرمزية، وكميات صفيفة، وسلاسل الترددات، يشكل تحدياً بحثياً نشطاً، وقد يتيح التعلم من خلال النقل والتعلم من خلاله التكيف السريع مع البيئات الجديدة التي لا توجد فيها سوى عينات تدريب قليلة.

Integration with Sensing and Environment Maps

وبخلاف مبادرة أمن السفن النقية، يمكن لنماذج القانون النموذجي أن تدمج معلومات جانبية مثل موقع المستخدم من النظام العالمي لسواتل الملاحة أو بيانات بصرية آنية من الكاميرات، ويمكن لهذا النهج المتعدد الوسائط أن يتوقع اختيار الشعاع استنادا إلى الهندسة المعروفة والسياق المستخدم، مما يقلل الحاجة إلى إشارات تجريبية تماما، ويظهر العمل المبكر في مجال أجهزة الاستنشاق التي تستخدم أجهزة الاستشعار الوعود بالجيل القادم من النظم اللاسلكية.

خاتمة

واختيار الشعاع الدينامي هو عامل تمكيني بالغ الأداء لشبكات الرصد المتعدد الوسائط، لا سيما وأن النظم اللاسلكية تنتقل إلى نطاقات أعلى من الترددات ذات الحزم الأضيق، ويوفر التعلم في مجال الآلات أدوات قوية للتنبؤ بالصور المثلى من القياسات المحدودة، ويقلل من الرؤوس الزائدة، والتساهل، ويحسن نوعية الإشارات، بينما يوفر التعليم المستمر، والتعلم المعزز، والأساليب غير المشرفة مزايا متميزة تبعاً لإمكانيات المتاحة في مجال البيانات، والتغلب على التكيف مع البيئة.

For further reading, see the 3GPP specification on NR beam management (3GPP TS 38.300)] and recent IEE surveys on machine learning for beam selection (IEE COMST 2020).