Towards White-Box Deep Wireless Sensing

تخيل أن لديك قوة خارقة: يمكنك "رؤية" الناس وهم يتحركون عبر الجدر walls بمجرد الاستماع إلى موجات الراديو غير المرئية التي ترتد حول الغرفة. هذا هو سحر الاستشعار اللاسلكي. فبدلاً من استخدام الكاميرات التي قد تنتهك خصوصيتك، يستخدم العلماء الإشارات القادمة من أجهزة توجيه الـ Wi-Fi أو الرادار للكشف عن الإيماءات، أو نبضات القلب، أو حتى طريقة مشي الشخص. لفترة طويلة، كانت الحواسيب التي تفسر هذه الإشارات تشبه الصناديق السوداء. أنت تغذيها بالبيانات، وهي تخرج لك إجابة مثل "هذه موجة!" أو "هذا ركض!"، لكن لا أحد داخل الصندوق يعرف كيف توصل إلى تلك النتيجة. لقد بُنيت هذه الصناديق عن طريق التجربة والخطأ، مثل طباخ يخلط المكونات حتى يصبح طعم الحساء جيداً، دون معرفة الكيمياء الكامنة وراء النكهة. وهذا يجعل من الصعب الوثوق بها؛ فإذا تغيرت الغرفة أو دخل شخص جديد، فقد يرتبك "الصندوق الأسود" ويفشل.

ولإصلاح ذلك، يحاول الباحثون بناء نماذج "الصندوق الأبيض". فكر في هذا الأمر كاستبدال الحساء الغامض بوصفة ذات مقادير دقيقة وخطوات واضحة. في نظام "الصندوق الأبيض"، يتم تصميم كل جزء من عقل الحاسوب بناءً على الرياضيات والفيزياء، لذا نعرف بالضبط لماذا يتخذ قراراً معيناً. التحدي الكبير هو أن موجات الراديو معقدة (وهو مصطلح رياضي يعني أنها تمتلك جزءاً من حيث "القوة" وجزءاً من حيث "التوقيت"، مثل ارتفاع الموجة وإيقاعها). معظم الحواسيب معتادة على الأرقام الحقيقية البسيطة، لذا فإن جعلها تفهم هذه الموجات المعقدة دون فقدان معلومات "التوقيت" يشبه محاولة وصف سيمفونية باستخدام مفتاح بيانو واحد فقط.

هنا يأتي دور الورقة البحثية. فقد بنى الباحثون، بقيادة شيي تشانغ، ويينا وانغ، وتشينشو وو، نظاماً جديداً يسمى RF-CRATE. وهو نموذج "صندوق أبيض" مصمم خصرياً لفهم موجات الراديو المعقدة. وبدلاً من التخمين للوصول إلى أفضل طريقة لمعالجة الإشارات، بدأوا بقاعدة رياضية صارمة تسمى تقليل المعدل المتناثر (sparse rate reduction). تخيل أن لديك كومة ضخمة وفوضوية من قطع الأحجية (إشارات الراديو الخام)، لكنك تعلم أن الصورة لا تحتاج إلا لقطع محددة لتصبح مفهومة. RF-CRTE هو آلة تحسب رياضياً بدقة أي القطع يجب الاحتفاظ بها وأيها يجب التخلص منها، وتنظمها في مجموعات منفصلة ومرتبة (فضاءات فرعية) تمثل حركات مختلفة.

وجد الفريق أنه من خلال الالتزام بهذا النهج القائم على الرياضيات أولاً، يعمل نموذجهم بنفس كفاءة أفضل نماذج "الصندوق الأسود"، ولكن مع ميزة ضخمة: وهي الشفافية. لقد أثبتوا أنه من خلال الحفاظ على الإشارات في شكلها "المعقد" الطبيعي (أي عدم قطع جزء التوقيت)، يصبح النموذج أفضل في التعرف على الأشياء في العديد من السيناريوهات، ولكن ليس جميعها. وفي الاختبارات عبر خمس مجموعات بيانات مختلفة، حقق RF-CRATE تحسناً في الأداء بمتوسط 19.98% عبر جميع المهام (بما في ذلك التصنيف والانحدار) عندما أضافوا حيلة خاصة تسمى تنظيم الفضاء الفرعي (Subspace Regularization) لمنع النموذج من عدم استغلال مجموعاته بشكل كافٍ. كما قلل من الأخطاء في التنبؤ بوضعيات الجسم بنسبة 10.34% مقارنة بنموذج CRATE القياسي ذي القيم الحقيقية. ومع ذلك، لاحظ الباحثون أن هذه المكاسب تعتمد على المهمة؛ ففي بعض مجموعات البيانات حيث كان الأداء قريباً من المثالية، كانت التحسينات صغيرة، بينما تألق التصميم المعقد في المهام الأكثر صعوبة.

وربما الأهم من ذلك، تُظهر الورقة البحثية أنك لست مضطراً للتضحية بالأداء في سبيل الفهم. فالنموذج لم يعمل فحسب، بل عمل بشكل أفضل في كثير من الحالات لأنه احترم فيزياء موجات الراديو. كما أظهر الباحثون أن مجرد إضافة رياضيات معقدة إلى نموذج "صندوق أسود" قياسي وفوضوي لا يجعل النموذج أفضل تلقائياً؛ فالرياضيات المعقدة لا تتألق إلا عندما تُبنى البنية التحتية بالكامل من الصفر لتتعامل معها. ومن خلال تحويل "الصندوق الأسود" إلى "صندوق أبيض" بوصفة رياضية واضحة، يقدم RF-CRATE طريقة واعدة لبناء أنظمة استشعار لاسلكية ليست ذكية فحسب، بل موثوقة وسهلة الفهم أيضاً.