DRL-based Power Allocation in LiDAL-Assisted RLNC-NOMA OWC Systems

تخيل أنك تحاول الصراخ برسالة سرية لمجموعة من الأصدقاء في غرفة مزدحمة وصاخبة، ولكن بدلاً من استخدام صوتك، أنت تستخدم شعاعاً ضوئياً عملاقاً وغير مرئي. هذا هو عالم الاتصالات اللاسلكية الضوئية (OWC)، حيث تنتقل البيانات عبر موجات الضوء من مصابيح LED أو الليزر بدلاً من موجات الراديو. الأمر يشبه امتلاك اتصال إنترنت فائق السرعة وعالي السعة لا يحتاج إلى كابلات، بل يحتاج فقط إلى خط رؤية مباشر مع مصباح كهربائي. لكن العائق هنا هو أنه في غرفة حقيقية، يتحرك الناس من حولك، والأثاث يحجب الضوء، والجدران تعكس الإشارات، مما يجعل من الصعب معرفة مدى قوة الاتصال لكل شخص بدقة. ولجعل الأمر أكثر تعقيداً، تتناول هذه الورقة نظاماً يتشارك فيه عدة أشخاص نفس شعاع الضوء في نفس الوقت، وهي تقنية تسمى الوصول المتعدد غير المتعامد (NOMA). فكر في الأمر كأنها محطة راديو تبث لثلاثة مستمعين مختلفين على نفس التردد، ولكن على المحطة أن تضبط بدقة مستوى صوت كل مستمع حتى يتمكنوا جميعاً من سماع الجزء الخاص بهم دون أن يطغى عليهم الآخرون. وإذا أخطأت المحطة في تقدير مستوى الصوت، ستصبح الرسالة بأكملها مشوشة وغير مفهومة.

تتناول هذه الورقة مشكلة محددة للغاية في هذا العرض الضوئي عالي التقنية: وهي كيفية تحديد مزيج الحجم المثالي (توزيع القدرة) للجميع عندما تكون الغرفة فوضوية، والأضواء غير مثالية، والناس يتحركون باستمرار. يقترح المؤلفون، وهم فريق من كينجز كوليدج لندن، طريقة ذكية جديدة لحل هذا اللغز. لقد جمعوا بين ثلاث أفكوات: استخدام نظام "المحقق الضوئي" (LiDAL) لتتبع أماكن الناس، واستخدام شبكة أمان للبيانات تسمى ترميز الشبكة الخطي العشوائي (RLNC) لإصلاح الأخطاء، ثم توظيف "عقل كمبيوتر فائق الذكاء" يعتمد على التعلم التعزيزي العميق (DRL) لتعلم أفضل طريقة لخلط الإشارات. لم يكتفوا بالتخمين؛ بل بنوا محاكاة مفصلة لغرفة داخلية تحتوي على ثمانية مصادر ضوئية وما يصل إلى 32 شخصاً يتحركون. واختبروا خوارزميتهم "الذكية" الجديدة، المسماة NAF، مقابل الطرق القديمة، ووجدوا أنها تتعلم بشكل أسرع، وترتكب أخطاء أقل، وتوصل بيانات أكثر للجميع، كل ذلك مع التعامل مع الواقع الفوضوي لتتبع الموقع غير الدقيق.

قصة المحقق الضوئي والعقل الذكي

دعونا نتعمق في قصة كيف حل المؤلفون مشكلة "الغرفة الصاخبة". تخيل أنك "دي جي" (DJ) في ملهى ليلي حيث تعمل الأضواء كمكبرات صوت أيضاً. لديك ثمانية شعاع ضوئية مختلفة (من ثمانية تركيبات سقفية) تغطي ساحة الرقص. تريد بث الموسيقى لـ 32 شخصاً مختلفاً، ولكن لديك مكبر صوت واحد كبير لكل شعاع. إذا صرخت على الجميع بنفس مستوى الصوت، فلن يسمع الأشخاص البعيدون، وسيعاني الأشخاص القريبون من صداع. أنت بحاجة إلى ضبط مستوى الصوت لكل شخص على حدப்، لكنهم جميعاً يستمعون إلى نفس الشعاع في نفس الوقت.

في الماضي، حاول "الدي جيز" (أو مهندسو الشبكات في هذه الحالة) تخمين أفضل إعدادات الصوت. استخدم البعض قاعدة ثابتة، مثل "أعطِ أعلى مستوى صوت للشخص الأبعد". وحاول آخرون حساب كل تركيبة ممكنة من مستويات الصوت للعثود إلى المثالية. لكن طريقة "حساب كل شيء" تشبه محاولة تذوق كل حبة رمل على الشاطئ للعثور على الحبة التي طعمها مثل الشوكولاتة؛ فهي تستغرق وقتاً طويلاً ومن المستحيل القيام بها في الوقت الفعلي. أما طريقة "القاعدة الثابتة" فهي جامدة للغاية؛ فإذا تحرك شخص ما أو حجب كرسي الضوء، تفشل القاعدة.

أدرك المؤلفون أن المشكلة لم تكن تتعلق بالضوء فحسب، بل كانت تتعلق بـ معرفة أين يتواجد الناس. في غرفة حقيقية، لا يمكنك دائماً رؤية مكان وقوف الشخص بدقة بسبب الظلال أو الجدران العاكسة. وهنا يأتي دور نظام LiDAL (الكشف الموضعي الضوئي). فكر في LiDAL ككشاف ضوئي دقيق للغاية لا يكتفي بالإضاءة فح، بل يستمع أيضاً إلى أصداء ضوئه المنعكس عن الناس. إنه يعمل كـ "محقق ضوئي"، يقوم بتحديث خريطة أماكن الجميع باستمرار. ومع ذلك، حتى المحقق الضوئي قد يرتكب أخطاء صغيرة. إذا اعتقد المحقق أنك تقف على بعد بوصتين إلى اليسار، فقد يعطيك "الدي جي" مستوى الصوت الخاطئ، وتصبح موسيقاك مشوشة.

وللتعامل مع هذه الأخطاء، أضاف المؤلفون شبكة أمان تسمى RLNC (ترميز الشبكة الخطي العشوائي). تخيل أنك ترسل رسالة سرية مكونة من 10 قطع أحجية. بدلاً من إرسال القطع بالترتيب، تقوم بخلطها عشوائياً وإرسالها في كومة كبيرة. حتى لو هبت الرياح وطيرت بعض القطع أو اتسخت بعضها، طالما استلمت عدداً كافياً من الكومة المختلطة، يمكنك إعادة بناء الصورة الأصلية. وهذا يعني أنه حتى لو ارتكب المحقق الضوئي خطأً صغيراً وأصبح الإشارة مشوشة قليلاً، يمكن استعادة البيانات.

لكن السحر الحقيقي يحدث مع العقل الذكي (خوارزمية NAF القائمة على DRL). أراد المؤلفون "دي جي" يمكنه التعلم من الخبرة. لم يريدوا "دي جي" يتبع كتاب قواعد فحسب، بل أرادوا واحداً يتعلم من خلال التجربة والخطأ، تماماً مثل مراهق يتعلم القيادة. هذا "العقل" هو "عميل" يتفاعل مع الغرفة. ينظر إلى الوضع الحالي (أين يتواجد الناس، مدى قوة الضوء، مقدار الضجيج)، ثم يتخذ قراراً (ضبط مستوى الصوت لكل شخص)، ثم يرى ما حدث (هل وصلت الموسيقى للجميع بوضوح؟).

اختبر المؤلفون ثلاثة "عقول" مختلفة:

1. تابع القواعد (GRPA): هذا هو "الدي جي" التقليدي الذي يعطي ببساطة صوتاً أعلى للأشخاص الذين لديهم اتصال سيئ. إنه بسيط ولكنه ليس ذكياً جداً.
2. المتعلم البطيء (DDPG): هذا عقل ذكي يتعلم، ولكنه بطيء نوعاً ما ويستغرق وقتاً طويلاً ليفهم الأمور.
3. العقل الخارق (NAF): هذه هي الخوارزمية الجديدة المقترحة في الورقة. وهي مصممة لتكون أسرع وأكثر استقراراً.

ماذا وجدوا؟

عندما أجرى المؤلفون عمليات المحاكاة في غرفة افتراضية بها 8 مصادر ضوئية و3ers 32 مستخدماً، كانت النتائج مثيرة للغاية. كان "العقل الخارق" NAF هو الفائز الواضح.

أولاً، كان سريعاً بشكل مذهل. تظهر الورقة أن خوارزمية NAF تعلمت الاستراتيجية المثلى أسرع بنسبة 39% من المتعلم البطيء (DDPG). في عالم الكمبيوتر، هذا يشبه إنهاء ماراثون في وقت قياسي بينما لا يزال الآخرون في مرحلة الإحماء. كما أنها وصلت إلى حالة الاستقرار (وجدت الحل الأمثل) في 2.98 ثانية فقط، بينما استغرقت الطرق الأخرى وقتاً أطول بكثير.

ثانياً، كان أكثر ذكاءً في تقديم البيانات. نجحت خوارزمية NAF في زيادة إجمالي كمية البيانات المرسلة لجميع المستخدمين (معدل المجموع) بنسبة 4.6% مقارنة بطريقة "تابع القواعد" القديمة. قد لا يبدو هذا الرقم كبيراً، ولكن في غرفة مزدحمة تضم 32 شخصاً، يعد هذا فرقاً هائلاً في مدى سلاسة مشاهدة الجميع لمقاطع الفيديو أو لعب ألعابهم. في الواقع، قدم عقل NAF أداءً يكاد يماثل طريقة "البحث الشامل" (Exhaustive Search) — وهي الطريقة التي تجرب كل تركيبة ممكنة. ولكن إليكم المفاجأة: طريقة البحث الشامل استغرقت 9.23 ثانية فقط لتجد الإجابة، بينما أنجزها NAF في جزء ضئيل من ذلك الوقت. الأمر يشبه أن عقل NAF وجد خريطة الكنز من خلال النظر في الأدلة، بينما قام البحث الشامل بحفر كل إنش في الحديقة.

كما نظرت الورقة في مسألة "العدالة". في أي نظام جيد، لا ينبغي ترك أحد خلف الركب. استخدم المؤلفون "مؤشر العدالة" لمعرفة ما إذا كانت البيانات قد تم توزيعها بالتساوي. ووجدوا أن عقل NAF ضمن حصول الجميع على حصة عادلة من البيانات، حتى عندما كان بعض الأشخاص يقفون في أماكن صعبة مليئة بالظلال أو الانعكاسات. لقد تعامل النظام ببراعة مع "أخطاء الموقع" (عندما يخطئ المحقق الضوئي قليلاً في تحديد مكان الشخص)، حيث قام بتعديل القدرة للتعويض عن ذلك.

الخلاصة

لا تدعي هذه الورقة أنها قامت ببناء غرفة فيزيائية بها 32 شخصاً و8 أضواء بعد؛ فهي مجرد محاكاة. لكن النتائج تشير إلى أن استخدام نهج ذكي يعتمد على التعلم (NAF) جنباً إلى جنب مع نظام تتبع ضوئي (LiDAL) وشبكة أمان للبيانات (RLNC) هو وصفة ناجحة لمستقبل الإنترنت المنزلي. إنها تحل مشكلة كيفية مشاركة الإشارات الضوئية بكفاءة عندما تكون الأمور فوضوية وغير متوقعة.

يظهر المؤلفون أننا لسنا بحاجة للتخمين أو الانتظار للأبد لحساب الإعدادات المثالية. بدلاً من ذلك، يمكننا تعليم الكمبيوتر أفضل طريقة لمشاركة الضوء، مما يجعل اتصالاتنا اللاسلكية الداخلية أسرع، وأكثر عدلاً، وأكثر موثوقية. إنها خطوة نحو مستقبل يكون فيه اتصال الإنترنت الخاص بك طبيعياً وسلساً مثل الضوء في غرفتك، حتى عندما تتحرك حول الأثاث. تثبت الورقة أنه مع وجود "العقل" المناسب، يمكننا تحويل فوضى غرفة مزدحمة ومتحركة إلى سيمفونية متناغمة من الضوء والبيانات.