⚡ electrical engineering

A Tutorial on AI-Empowered Integrated Sensing and Communications

تستكشف هذه الورقة التعليمية كيف يمكن للذكاء الاصطناعي، ولا سيما التعلم العميق، تحسين تصميم الموجات الموحدة، والترتيبات النجمية، ومُشكلات الحزم لأنظمة الاستشعار والاتصالات المتكاملة (ISAC) لتحقيق توازن فعال بين الأداء والتعقيد وقيود التنفيذ حيث تعجز النهج التقليدية القائمة على النماذج.

المؤلفون الأصليون: Mojtaba Vaezi, Gayan Aruma Baduge, Esa Ollila, Sergiy A. Vorobyov

نُشر 2026-02-16

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Mojtaba Vaezi, Gayan Aruma Baduge, Esa Ollila, Sergiy A. Vorobyov

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول استضافة حفلة حيث يتعين عليك القيام بشيئين مختلفين تماماً في نفس الوقت: التحدث إلى ضيوفك (الاتصالات) ومراقبة الغرفة لمعرفة من يتحرك أو أين يتواجد (الاستشعار/الرادار).

تقليدياً، ستستخدم أداتين منفصلتين: ميكروفون للتحدث وكاميرا مراقبة للمراقبة. هذا يعمل، لكنه مكلف، ويشغل مساحة كبيرة، ويستهلك الكثير من الكهرباء.

الاستشعار والاتصالات المتكاملة (ISAC) هي فكرة استخدام أداة واحدة فقط للقيام بكلتا الوظيفتين. فكر في الأمر كـ "مصباح ذكي" لا يكتفي فقط بتسليط الضوء ليرى الناس بعضهم البعض (الاتصالات)، بل يعكس الضوء أيضاً على الجدران لرسم خريطة للغرفة ورصد الحركة (الاستشعار).

ولكن، هناك عقبة. أفضل طريقة لتسليط الضوء من أجل التحدث (والتي تحتاج أن تكون عشوائية ومتنوعة لنقل رسائل معقدة) هي غالباً أسوأ طريقة لتسليط الضوء من أجل الاستشعار (والتي تحتاج أن تكون منظمة للغاية ومتوقعة لتنعكس عن الأشياء بوضوح). الأمر يشبه محاولة كتابة قصيدة بينما تحاول في الوقت نفسه رسم دائرة مثالية؛ فالهدفان غالباً ما يتصادمان.

هذه الورقة هي دليل تعليمي (دليل "كيفية القيام بالأمر") حول كيفية استخدام الذكاء الاصطناعي (AI) لحل هذه المشكلة. بدلاً من محاولة كتابة معادلات رياضية معقدة لإيجاد التوازن المثالي، يوضح المؤلفون كيف يمكن للذكاء الاصطنا-عي أن "يتعلم" الحل الأمثل من خلال التجربة والخطأ، تماماً كما يتعلم الإنسان فن التلاعب بالكرات (الجيرجلة).

إليك تفصيل للأفكات الرئيسية للورقة باستخدام تشبيهات بسيطة:

1. المشكلة: "عملية التوازن" (Juggling Act)

في الماضي، كان المهندسون يحاولون تصميم هذه الأنظمة باستخدام قواعد رياضية صارمة (القائمة على النماذج - Model-Based).

التشبيه: تخيل محاولة تصميم محرك سيارة جديد باستخدام المسطرة والآلة الحاسبة فقط. يمكنك فعل ذلك، لكن الأمر يستغرق وقتاً طويلاً، وإذا تغيرت ظروف الطريق (مثل عاصفة مفاجئة أو حفرة في الطريق)، فقد تفشل حساباتك المثالية.
المشكلة: تصبح الرياضيات معقدة للغاية عندما تحاول الموازنة بين التحدث والاستشعار. أحياناً تكون الرياضيات صعبة لدرجة أن الكمبيوتر لا يستطيع حلها بالسرعة الكافية للاستخدام في الوقت الفعلي (مثل قيادة السيارة).

2. الحل: "المتدرب الذكي" (الذكاء الاصطناعي)

تقترح الورقة استخدام التعلم العميق (نوع من أنواع الذكاء الاصطناعي) كـ "متدرب ذكي". بدلاً من إعطاء الذكاء الاصطناعي كتاب قواعد، تتركه يشاهد آلاف الأمثلة ويتعلم الأنماط بنفسه.

التشبيه: بدلاً من إخبار المتدرب كيف يقوم بالتلاعب بالكرات باستخدام دليل تعليمي، تتركه يتدرب على التلاعب بالكرات والتفاح آلاف المرات. في النهاية، سيكتشف الإيقاع المثالي لإبقاء كل شيء في الهواء دون أن تضطر لشرح فيزياء الجاذبية له.

3. ثلاثة "معسكرات تدريب" (دراسات حالة)

اختبر المؤلفون فكرة الذكاء الاصطناعي هذه في ثلاث طرق محددة، والتي يسمونها "دراسات حالة":

دراسة الحالة 1: "المتحول في الشكل" (تصميم الموجة - Waveform Design)
- الهدف: إنشاء شكل إشارة جيد لكل من التحدث والاستشعار.
- خدعة الذكاء الاصطناعي: استخدموا التعلم غير الخاضع للإشراف (Unsupervised Learning). تخيل أن الذكاء الاصطناعي أُعطي قطعة من الطين وقيل له: "اجعل هذا الطين يبدو ككرة (للاستشعار) ولكن اجعله يشعر كالمكعب (للاتصالات)". يقوم الذكاء الاصطناعي بضغط وتمديد الطين حتى يجد شكلاً غريباً ومثالياً يلبي كلا المتطلبات بشكل أفضل مما يمكن للبشر تصميمه.
- النتيجة: وجد الذكاء الاصطناعي شكلاً كان جيداً تقريباً مثل الحل الرياضي "المثالي"، ولكنه استغرق جزءاً بسيطاً من الوقت الذي يستغرقه الحساب التقليدي.
دراسة الحالة 2: "عداء السرعة" (توجيه الشعاع - Beamforming)
- الهدف: توجيه الإشارة مثل شعاع الليزر نحو أشخاص محددين مع تجاهل الآخرين.
- خدعة الذكاء الاصطناعي: استخدموا "فك الخوارزمية" (Algorithm Unrolling). تخيل أن الطريقة الرياضية التقليدية تشبه تسلق جبل خطوة بخطوة، مع التحقق من الخريطة عند كل خطوة؛ هذا آمن ولكنه بطيء. أما طريقة الذكاء الاصطناعي فهي مثل أخذ "اختصار" تعلمه من الخبرة؛ فهو يعرف بالضبط الخطوات التي يمكن تخطيها للوصول إلى القمة بشكل أسرع.
- النتيجة: وجد الذكاء الاصطناعي أفضل اتجاه للشعاع بشكل أسرع بكثير من الطريقة التقليدية، خاصة عندما كانت البيئة فوضوية.
دراسة الحالة 3: "الأبجدية الجديدة" (تصميم الكوكبة - Constellation Design)
- الهدف: إنشاء "أبجدية" جديدة للإشارات. الأبجديات التقليدية إما ممتازة للقراءة (الاتصالات) أو ممتازة للارتداد عن الجدران (الاستشعار)، ولكن ليس كليهما.
- خدعة الذكاء الاصطناعي: استخدموا المشفر التلقائي (Autoencoder) (وهو نوع من الذكاء الاصطناعي يتعلم ضغط البيانات ثم توسيعها). ابتكر الذكاء الاصطناعي "أبجدية" جديدة تماماً لنقاط الإشارة التي لم تكن تشبه المربعات القياسية (QAM) أو الدوائر (PSK) التي نستخدمها اليوم. لقد أنشأ "أبجدية هجينة" كانت حلاً وسطاً مثالياً.
- النتيجة: كانت أبجدية الذكاء الاصطناعية الجديدة أفضل في كل من التحدث والاستشعار مقارنة بالأبجديات القياسية القديمة.

4. لماذا يهم هذا بالنسبة للمستقبل (6G)

نحن ننتقل نحو شبكات 6G (الجيل القادم من الإنترنت المحمول). الهدف من 6G هو أن يكون "كل شيء مستشعراً، وكل شيء متصلاً، وكل شيء ذكياً".

الرؤية: هاتفك لن يقوم فقط بالاتصال بوالدتك؛ بل سيعمل أيضاً كرادار لمساعدة سيارتك في تجنب الحوادث، أو مساعدة طائرة بدون طيار (درون) في التنقل عبر المدينة.
دور الذكاء الاصطناعي: نظرًا لأن شبكات 6G ستكون معقدة للغاية وتتغير بسرعة كبيرة، لا يمكننا الاعتماد على القواعد الرياضية القديمة. نحن بحاجة إلى الذكاء الاصطنا ليتكيف في الوقت الفعلي، تماماً كما يتكيف السائق البشري مع حركة المرور.

5. "العقبة" (القيود)

الورقة صريحة بشأن العيوب:

تكلفة "التدريب": يحتاج الذكاء الاصطناعي إلى الكثير من البيانات للتعلم. إذا تغيرت البيئة بشكل جذري (مثل حدوث زلزال مفاجئ أو نوع جديد من التداخل)، فقد يرتبك الذكاء الاصطناعي ويحتاج إلى "إعادة تدريب".
"الصندوق الأسود": في بعض الأحيان، حتى الذكاء الاصطناعي نفسه لا يعرف لماذا اتخذ قراراً معيناً. هو فقط يعرف أن القرار يعمل. وهذا قد يكون مخيفاً في الأنظمة التي تتطلب معايير سلامة عالية.

الملخص

هذه الورقة هي دليل حول كيفية التوقف عن محاولة فرض "وتد مربع في ثقب مستدير" باستخدام الرياضيات المعقدة. بدلاً من ذلك، توضح كيف يمكن استخدام الذكاء الاصطناعي كأداة تعلم مرنة يمكنها ابتكار طرق جديدة للجمع بين التحدث والاستشعار. الأمر يشبه تعليم روبوت أن يكون مذيعاً إذاعياً وحارس أمن في آن واحد، باستخدام أداة واحدة فائقة الكفاءة تتعلم من الخبرة بدلاً من اتباع كتاب قواعد جامد.

إليك ملخص تقني مفصل للورقة التعليمية بعنوان "دليل تعليمي حول الاستشعار والاتصالات المتكامل والمُعزز بالذكاء الاصطناائي" من قبل فايزي وآخرون.

1. بيان المشكلة

يهدف الاستشعار والاتصالات المتكامل (ISAC) إلى توحيد رادار الاستشعار والاتصالات اللاسلكية في نظام واحد لمعالجة ندرة الطيف الترددي، وتكاليف الأجهزة، وعدم كفاءة الطاقة. ومع ذلك، يواجه الـ ISAC مقايضات جوهرية:

الأهداف المتضاربة: تعطي الاتصالات الأولوية لمعدلات نقل البيانات العالية (تعظيم المعلومات المتبادلة، MI)، والتي تتطلب غالبًا إشارات عشوائية عالية الإنتروبيا (مثل مدخلات غاوس). بينما يعطي الاستشعار الأولوية لتقدير المعلمات بدقة (تقليل متوسط مربع الخطأ، MSE)، وهو ما يفضل غالبًا الإشارات ذات الغلاف الثابت (مثل BPSK/PSK).
تعقيد التحسين: يتطلب تصميم موجات، وموجهات حزم (beamformers)، وكوكبات إشارات موحدة حل مشكلات تحسين متعددة الأهداف، غير محدبة ومعقدة.
محدودية النماذج: غالبًا ما تفشل النهج التحليلية التقلية القائمة على النماذج بسبب:
- النماذج النظامية غير المكتملة أو غير الكافية (مثل حالة معلومات القناة غير الكاملة، أو عيوب الأجهزة).
- التعقيد الحسابي الباهظ للتنفيذ في الوقت الفعلي (على سبيل المثال، تدرج استرخاء شبه محدد (SDR) يتوسع بشكل سيئ مع زيادة عدد الهوائيات).
- عدم القدرة على التكيف مع البيئات الديناميكية وغير المتوقعة.

تفترض الورقة أن الذكاء الاصطناعي (AI)، وخاصة التعلم العميق (DL)، يقدم بديلًا قائمًا على البيانات للتغلب على هذه القيود من خلال تعلم ميزات القناة الضمنية وتحسين المقايضات المعقدة دون الحاجة لنماذج تحليلية صريحة.

2. المنهجية

تهيكل الورقة نهجها حول التحسين متعدد الأهداف (MOO) ومختلف نماذج الذكاء الاصطناعي:

أ. أطر التحسين

الطرق التقليدية: تناقش طرق المجموع الموزون، وشرط $\epsilon$ (epsilon-constraint)، وتحسين باريتو. غالبًا ما تعاني هذه الطرق مع جبهات باريتو غير المحدبة والتكاليف الحسابية العالية.
النهج القائمة على التعلم:
- التعلم بمهمة واحدة (Single-Task Learning): يعمل على تحسين دالة خسارة مشتركة (مجموع موزون لمقاييس الاستشعار والاتصالات) باستخدام شبكة عصبية واحدة.
- التعلم متعدد المهام (MTL): يستخدم طبقات مشتركة للميزات العامة وطبقات خاصة بكل مهمة للمخرات المتميزة (مثل تقدير القناة وكشف الهدف).
- التعلم متعدد الأهداف (MOL): يوازن بين الأهداف المتضاربة ضمن مهمة واحدة (مثل تعظيم المعدل مع تقليل زمن الانتقال).
- التعلم القائم على النموذج:
  - التعلم بنظام "التوصيل والتشغيل" (PnP): يستبدل الخطوات الخوارزمية المعقدة (مثل المزالج/denoisers) بشبكات عصبية.
  - فك عملية الخوارزمية (Algorithm Unrolling): يقوم بفك خوارزميات التحسين التكرارية (مثل صعود التدرج المسقط - Projected Gradient Ascent) إلى طبقات شبكة عصبية، لتعلم المعلمات الفائقة (مثل خطوات الحجم) للهروب من النهايات الصغرى المحلية والتقارب بشكل أسرع.
- التعلم من الطرف إلى الطرف (E2E): يعامل سلسلة المرسل والمستقبل بالكامل كـ "مشفر تلقائي" (autoencoder)، مما يحسن التعديل والترميز وتوجيه الحزم بشكل مشترك.

ب. مجالات التصميم الرئيسية

يركز الدليل التعليمي على ثلاثة تصميمات أساسية للطبقة الفيزيائية:

تصميم الموجة (Waveform Design): إنشاء إشارات موحدة تلبي خصائص الارتباط الراداري وكفاءة الطيف للاتصالات.
تصميم توجيه الحزم (Beamforming Design): تحسين المسبقات (precoders) التناظرية والرقمية بشكل مشترك لتوجيه الطاقة للاستشعار والاتصالات في آن واحد.
تصميم الكوكبة (Constellation Design): تشكيل كوكبات الإشارة لموازنة العشوائية المطلوبة لنقل البيانات والهيكلية المطلوبة لدقة الاستشعار.

3. المساهمات الرئيسية

تقدم الورقة دليلاً شاملاً وثلاث دراسات حالة محددة توضح فعالية الذكاء الاصطناعي:

دراسة الحالة الأولى: التعلم غير الخاضع للإشراف لتصميم الموجة
- المنهج: شبكة عصبية عميقة (DNN) مع طبقة Lambda مخصصة لفرض قيود القدرة. تستخدم دالة خسارة غير خاضعة للإشراف تجمع بين تقليل التداخل بين المستخدمين (MUI) (للاتصالات) وتقليل عدم تطابق الموجة (للاستشعار).
- النتيجة: تحقق الموجة المصممة بالذكاء الاصطناعي معدل مجموع ضمن 0.88%–1.31% من الحل التحليلي الأمثل (القائم على SDR) ولكن بتعقيد حسابي أقل بكثير. وهي تولد بفعالية أنماط حزم موحدة لكل من الاستشعار شامل الاتجاهات والاتجاهي.
دراسة الحالة الثانية: فك عملية الخوارزمية لتوجيه الحزم الهجين
- المنهج: يقوم بفك خوارزمية صعود التدرج المسقط (PGA) إلى شبكة عصبية لتعلم خطوات الحجم المثلى لتوجيه الحزم الهجين (التناظري/الرقمي).
- النتيجة: يتقارب "PGA المفكوك" (Unrolled PGA) بسرعة أكبر بكثير من PGA القياسي ويحقق معدل مجموع أعلى عبر جميع مستويات نسبة الإشارة إلى الضوضاء (SNR). كما ينجح في الهروب من النهايات الصغرى المحلية التي تحجز الخوارزميات التكرارية التقليدية.
دراسة الحالة الثالثة: تصميم الكوكبة القائم على المشفر التلقائي (Autoencoder)
- المنهج: بنية مشفر تلقائي (E2E) حيث يولد مشفر مشترك إشارة لكل من فك تشفير الاتصالات وكاشف الرادار. توازن دالة الخسارة بين معدل خطأ البت (BER) واحتمالية الكشف ( $P_D$ ).
- النتيجة: يتعلم النظام كوكبات جديدة تتكيف مع معامل المقايضة ( $\eta$ $η$ ).
  - عندما تكون $\eta \approx 0$ (مركز الاتصالات): يتعلم هياكل تشبه QAM.
  - عندما تكون $\eta \approx 1$ (مركز الاستشعار): يتعلم هياكل تشبه PSK.
  - عند $\eta$ المتوازنة: يتعلم كوكبات متعددة الحلقات تتفوق على 32-QAM و 32-PSK التقليدية في مقاييس الأداء المشتركة.

4. النتائج وتقييم الأداء

التعقيد مقابل الأداء: تقدم التصميمات القائمة على الذكاء الاصطناعي باستمرار "نقطة مثالية"، حيث توفر أداءً قريبًا من الأمثل (غالبًا بفجوة <2% من الحدود التحليلية) مع تقليل هائل في العبء الحسابي، مما يجعلها مناسبة لتطبيقات الجيل السادس (6G) في الوقت الفعلي.
المتانة: تُظهر نماذج الذكاء الاصطناعي قدرة أفضل على التكيف مع عيوب الأجهزة واللاخطية مقارنة بطرق التحسين المحدبة.
قيود التعميم: تسلط الورقة الضوء على حد حرج: النماذج المدربة على توزيعات قنوات أو طوبولوجيات معينة (مثل عدد محدد من المستخدمين) تعاني من تدهور الأداء عند مواجهة تقادم القناة (حركية المستخدم) أو تغيرات الطوبولوجيا (إضافة أو إزالة المستخدمين). ويتطلب ذلك إعادة التدريب أو تكييف النطاق (domain adaptation).

5. الأهمية والتوجهات المستقبلية

الأهمية:

تحول جذري: ينقل تصميم ISAC من الحلول التحليلية الجامدة القائمة على النماذج إلى أطر تعلم مرنة قائمة على البيانات.
تمكين الجيل السادس (6G): يوفر الأدوات اللازمة ذات التعقيد المنخفض والقدرة العالية على التكيف المطلوبة للواجهة الهوائية "المدعومة بالذكاء الاصطناعي" للجيل السادس.
تصميم موحد: يثبت أن إشارة واحدة يمكن أن تخدم غرضين بفعالية، مما يحل الفصل التاريخي بين الرادار والاتصالات.

التوجهات البحثية المستقبلية المحددة:

التعلم من الطرف إلى الطرف (E2E) لـ ISAC: توسيع التعلم E2E ليشمل سيناريوهات متعددة الخلايا مع تداخل معقد (التداخل الذاتي، والتداخل بين المستخدمين).
شبكات المحولات (Transformer Networks): الاستفادة من قدرة المحولات على نمذجة التبعيات طويلة المدى ودمج البيانات متعددة الأنماط (الرؤية، LiDAR، الرادار) لتوجيه الحزم الديناميكي.
التوائم الرقمية (Digital Twins): استخدام نسخ رقمية للبيئات الفيزيائية لتدريب والتحقق من نماذج الذكاء الاصطناعي قبل النشر في العالم الحقيقي.
طيف FR3: تكييف خوارزميات التعلم لنطاق التردد المتوسط (7-24 جيجاهرتز)، والذي يتميز بخصائص انتشار فريدة (ندرة متوسطة، تأثيرات المجال القريب) لا تغطيها نماذج ما دون 6 جيجاهرتز أو الموجات المليمترية الحالية.

في الختال، يرسخ هذا الدليل التعليمي أنه بينما يوفر التحسين التقليدي الحدود النظرية، فإن التصميمات المعززة بالذكاء الاصطناعي هي المسار العملي لتحقيق أنظمة ISAC فعالة ومتينة وموحدة في الشبكات القادمة.