⚡ electrical engineering

End-to-End NOMA with Perfect and Quantized CSI Over Rayleigh Fading Channels

تقترح هذه الورقة إطار عمل للمشفر التلقائي (autoencoder) من طرف إلى طرف لتقنية الوصول المتعدد غير المتعامد (NOMA) في الوصلة الهابطة عبر قنوات تلاشي رايلي، حيث تتعلم كوكبات فائقة (super-constellations) مدركة للتداخل وتُظهر أداءً فائقاً في معدل خطأ البت مقارنة بالمخططات الحالية، لا سيما عند استخدام معلومات حالة القناة المكممة بطريقة لويد-ماكس.

المؤلفون الأصليون: Selma Benouadah, Mojtaba Vaezi, Ruizhan Shen, Hamid Jafarkhani

نُشر 2026-02-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Selma Benouadah, Mojtaba Vaezi, Ruizhan Shen, Hamid Jafarkhani

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 برج بث لاسلكي مزدحمًا (المحطة الأساسية) يحاول التحدث إلى شخصين مختلفين (المستخدم 1 والمستخدم 2) في نفس الوقت، وعلى نفس التردد اللاسلكي تمامًا. هذا هو تحدي NOMA (الوصول المتعدد غير المتعامد).

في الأيام الخوالي، لتجنب تداخل أصواتهم، كان البرج يمنحهم فترات زمنية مختلفة أو ترددات مختلفة. لكن هذا غير فعال. إن تقنية NOMA تشبه "دي جي" (DJ) يمزج أغنيتين في مسار واحد. يرسل البرج "إشارة فائقة" هي مزيج من الرسالتين، لكنه يعطي إحدى الرسالتين حجم صوت (قدرة) أكبر من الأخرى.

يمكن للمستقبل الذي يستقبل الإشارة "الأعلى صوتاً" (المستخدم 2) أن يسمع أغنيته بسهولة ويقوم بطرح الأغنية "الأقل صوتاً" (المستخدم 1) من المزيج ليسمع أغنيته بوضوح. أما المستقبل ذو الإشارة "الأقل صوتاً" (المستخدم 1) فيواجه صعوبة أكبر لأنه يتعين عليه الاستماع إلى المزيج بينما لا تزال الأغنية "الأعلى صوتاً" تعمل في الخلفية.

المشكلة: الطقس "الضبابي"

في العالم الحقيقي، لا تنتقل الإشارات اللاسلكية عبر الفراغ؛ بل تنتقل عبر الهواء، وهو مليء بـ "الضباب" و"الرياح" (ما يسمى بـ تلاشي رايلي - Rayleigh Fading). أحيانًا تكون الإشارة قوية، وأحيانًا تكون ضعيفة، وهي تتغير عشوائيًا كل ثانية.

إذا حاولت استخدام وصفة ثابتة لخلط هذه الإشارات (مثل معادلة رياضية قياسية)، فإن "الضباب" سيفسد كل شيء. ستتداخل الإشارات بطرق مربكة، وسيبدأ المستمعون في سماع ضجيج (أخطاء).

الحل: "الدي جي الذكي" (المشفّر التلقائي - Autoencoder)

تقدم هذه الورقة البحثية "دي جي ذكي" (ذكاء اصطناعي يسمى المشفّر التلقائي - Autoencoder) يتعلم كيفية خلط هذه الإشارات بشكل مثالي، حتى في وجود الضباب.

بدلاً من استخدام وصفة ثابتة، يتعلم هذا الذكاء الاصطناعي عن طريق التجربة والخطأ. إنه يعمل كموسيقي يمكنه تغيير مستوى الصوت، والطبقة، والشكل فوراً بناءً على حالة الطقس في الخارج.

السحر: إذا كانت الرياح تهب بقوة ضد المستخدم 1، فإن الذكاء الاصطناعي يعيد تشكيل الإشارة بحيث يظل المستخدم 1 يسمع بوضوح. وإذا كان المستخدم 2 يعيش يوماً رائعاً، يقوم الذكاء الاصطناعي بتعديل المزيج لضمان حصول المستخدم 2 على أفضل جودة ممكنة.
النتيجة: ينشئ الذكاء الاصطناعي "كوكبة فائقة" مخصصة (خريطة متطورة لكيفية ظهور الإشارات) متكيفة تماماً مع الطقس الحالي، بدلاً من استخدام خريطة واحدة تناسب الجميع.

العقبة في العالم الحقيقي: "الهمس" بالطقس

للقيام بهذا السحر، يحتاج "الدي جي الذكي" إلى معرفة حالة الطقس الآن. في العالم الحقيقي، لا يمكن لبرج الإرسال رؤية الطقس بشكل مثالي؛ بل يجب عليه أن يطلب من المستخدمين "الهمس" بما يخص حالة الطما في الخلف. ولكن "الهمس" (التغذية الراجعة) محدود بسعة النطاق الترددي، لذا يتعين على المستخدمين تقديم تقدير تقريبي.

تختبر الورقة طريقتين للهمس:

التكميم الموحد (Uniform Quantization): مثل استخدام مسطرة ذات علامات متباعدة بانتظام. هي بسيطة، لكنها قد تفقد التفاصيل حيث يتغير الطقس بشكل كبير.
تكميم لويد-ماكس (Lloyd–Max Quantization): مثل استخدام مسطرة تحتوي على علامات دقيقة وتفصيلية في الأماكن التي يكون فيها الطقس صعباً عادةً، وعلامات كبيرة ومتباعدة في الأماكن التي يكون فيها الطقس هادئاً عادةً.

النتيجة: "المسطرة الذكية" (Lloyd–Max) تعمل بشكل أفضل بكثير. فهي تمنح الذكاء الاصطناعي ما يكفي من التفاصيل للقيام بعمله دون الحاجة إلى تقرير جوي عالي الدقة.

مشكلة "الدرجة العالية" (أرضية معدل خطأ البت - BER Floor)

عندما تم تدريب الذكاء الاصطناعي في البداية، أصبح جيداً جداً عند مستويات قوة الإشارة المنخفضة إلى المتوسطة، ولكن عندما تصبح الإشارة قوية جداً، اصطدم بـ "سقف زجاجي" (يسمى أرضية معدل خطأ البت - BER floor). لقد توقف عن التحسن.

لماذا؟ تم تدريب الذكاء الاصطناعي في "صالة ألعاب رياضية" محددة (مستوى معين من قوة الإشارة). لقد اعتاد كثيراً على تلك البيئة المحددة.
الحل: قام الباحثون بتغيير نظام التدريب. بدلاً من التدريب في صالة ألعاب رياضية واحدة، جعلوا الذكاء الاصطناعي يتدرب في مجموعة متنوعة من الصالات الرياضية (مستويات مختلفة من قوة الإشارة) في وقت واحد. جعل هذا الذكاء الاصطناعي أكثر مرونة وقوة، مما سمح له باختراق السقف الزجاجي والأداء بشكل مثالي حتى عندما تكون الإشارة قوية جداً.

الصورة الكبيرة

تعتبر هذه الورقة البحثية طفرة لأنها:

الأولى التي تعلم الذكاء الاصطناعي التعامل مع "الضباب" (التلاشي) بشكل مثالي. النماذج السابقة للذكاء الاصطناعي كانت تعمل فقط في الظروف المثالية والصافية.
تعمل بمعلومات غير كاملة. لقد أثبتت أنه لا تحتاج إلى تقارير جوية مثالية للحصول على نتائج رائعة؛ فتقدير ذكي وتقريبي يكفي.
تتفوق على الرياضيات القديمة. يتعلم الذكاء الاصطناعي طرقاً جديدة وغريبة ورائعة لخلط الإشارات لم يفكر فيها علماء الرياضيات البشر، مما يؤدي إلى أخطاء أقل ومكالمات أكثر وضوحاً.

باختصار: قام المؤلفون ببناء نظام راديو ذاتي التعلم يتكيف مع الطقس في الوقت الفعلي، ويتعلم من التقارير غير الكاملة، ويتفوق على جميع الطرق التقليدية والجامدة لإرسال البيانات. إنه يشبه الترقية من راديو ذو مستوى صوت ثابت إلى مساعد ذكي يعرف بالضبط متى يصرخ أو يهمس لكي تسمع كل كلمة، بغض النظر عن مدى شدة الرياح.

إليك ملخص تقني مفصل لورقة البحث بعنوان "End-to-End NOMA with Perfect and Quantized CSI Over Rayleigh Fading Channels" (الوصول المتعدد غير المتعامد من طرف إلى طرف مع معلومات حالة القناة المثالية والمكممة عبر قنوات تلاشي رايلي).

1. بيان المشكلة

تتناول الورقة البحثية القيود التي تواجه أنظمة الوصول المتعدد غير المتعامد (NOMA) الحالية، وتحديداً في سيناريوهات الوصل الهابط (downlink) عبر قنوات تلاشي رايلي (Rayleigh fading channels).

التحدي: يعتمد نظام NOMA التقليدي على كوكبات ثابتة (مثل QPSK) وتقنية إلغاء التداخل المتتالي (SIC). وتحت تأثير تلاشي رايلي، تسبب تغيرات القناة العشوائية تداخلاً بين المستخدمين وتداخلاً في الكوكبات الفائقة (super-constellations)، مما يؤدي إلى تدهور شديد في معدل خطأ البت (BER).
الفجوة: حلول NOMA القائمة على التعلم العميق (المشفرات التلقائية - Autoencoders) تم اختبارها بشكل أساسس في قنوات الضجيج الأبيض الغاوسي الإضافي (AWGN) مع معلومات حالة قناة (CSI) مثالية. وهي تفشل في مراعاة الطبيعة العشوائية للتلاشي والقيود العملية المتمثلة في التغذية الراجعة المحدودة (CSI المكممة) عند المرسل.
الهدف: تطوير إطار عمل للتعلم من طرف إلى طرف (end-to-end) يتكيف مع قنوات التلاشي ويعمل بفعالية مع كل من الـ CSI المثالية والمكممة، مع تحسين أداء معدل خطأ البت (BER) دون الاعتماد على كوكبات ثابتة أو تقنية SIC.

2. المنهجية

يقترح المؤلفون إطار عمل مشفر تلقائي (AE) قائم على التعلم العميق يقوم بتحسين المرسل (المشفر) والمستقبلات (فك التشفير) بشكل مشترك.

أ. نموذج النظام

السيناريو: محطة قاعدة واحدة (BS) تخدم مستخدمين (UE1 و UE2) عبر تقنية NOMA في نطاق القدرة (power-domain NOMA).
القناة: قنوات تلاشي رايلي مستقلة ( $h_k$ ) مع ضجيج غاوسي.
الإرسال: تقوم المحطة القاعدية بدمج الرموز $x_1$ و $x_2$ مع عوامل تخصيص القدرة $\alpha$ و $(1-\alpha)$ .
التعامل مع CSI:
- CSI مثالية: يمتلك المشفر معرفة كاملة بمكاسب القناة اللحظية ( $h_1, h_2$ ).
- CSI مكممة: لمحاكاة القيود العملية، يتم تكميم مكاسب القناة عند المستقبل وتغذيتها عكسياً للمرسل. تقارن الورقة بين التكميم الموحد (Uniform Quantization) و تكميم لويد-ماكس (Lloyd–Max Quantization).

ب. بنية الشبكة

المشفر (المرسل): يأخذ مدخلات ثنائية ( $s_1, s_2$ $s_{1}, s_{2}$ ) ومعلومات حالة القناة ( $h_1, h_2$ $h_{1}, h_{2}$ أو $\hat{h}_1, \hat{h}_2$ $\hat{h}_{1}, \hat{h}_{2}$ المكممة) كمدخلات. ويخرج رمزاً مركباً مدمجاً.
- البنية: يتكون من 8 طبقات مخفية (متصلة بالكامل مع دالة تنشيط $tanh$) لالتقاط الخرائط غير الخطية المطلوبة لظروف التلاشي المتغيرة.
- التكيف: على عكس أنظمة AWGN حيث تكون الخريطة ثابتة، يتعلم المشفر تشكيل "الكوكبة الفائقة" ديناميكياً بناءً على تحقق القناة الحالي.
أجهزة فك التشفير (المستقبلات): جهازا فك تشفير منفصلان لـ UE1 و UE2.
- البنية: بنية عميقة مماثلة (8 طبقات مخفية) ولكنها تأخذ الإشارة المستلمة المشوشة ومكسب قناتها الخاصة فقط كمدخل.
- المخرجات: احتمالات البت عبر دالة التنشيط (sigmoid).
دالة الخسارة (Loss Function): مجموع مرجح لخسائر الإنتروبيا المتقاطعة الثنائية لكلا المستخدمين:
$L(\gamma) = w \max(L_1, L_2) + \min(L_1, L_2)$
ضبط القيمة $w > 1$ يفرض العدالة من خلال إعطاء الأولوية للمستخدم الذي يعاني من معدل خطأ أعلى.

ج. استراتيجية التدريب والتخفيف من حدوث أرضية BER

التدريب القياسي: يتم التدريب عند نسبة إشارة إلى ضجيج (SNR) ثابتة (10 dB).
المشكلة: يؤدي التدريب عند SNR ثابت إلى ظهور "أرضية BER" (BER floor) عند قيم SNR العالية (حيث يتوقف الأداء عن التحسن) لأن النموذج لا يكون محسناً لظروف SNR العالية.
الحل المقترح: طريقة تدريب متعدد الـ SNR (multi-SNR training). يتم حساب خسارة الدفعة (batch loss) كمجموع مرجح للخسائر المحسوبة عند قيم متعددة وممثلة لـ SNR (على سبيل المثال: 1، 5، 10، 15، 20 dB). هذا يقضي على أرضية BER دون التأثير على الأداء عند SNR المنخفض.

3. المساهمات الرئيسية

أول AE-NOMA لقنوات تلاشي رايلي: توسيع نطاق التعلم من طرف إلى طرف من AWGN إلى تلاشي رايلي، مما يسمح للمشفر بتشكيل الكوكبات الفائقة بشكل تكيفي لتخفيف التداخل تحت ظروف القناة العشوائية.
دمج الـ CSI المكممة: تقديم أول إطار عمل AE-NOMA يدمج التغذية الراجعة المحدودة عبر التكميم الموحد و لويد-ماكس، مع تحليل تأثيرهما على أداء النظام.
خوارزمية تدريب مبتكرة: اقتراح دالة خسارة متعددة الـ SNR للتخفيف من أرضية BER في الـ SNR العالي، وهي مشكلة شائعة في التدريب عند SNR ثابت.
تعلم الكوكبة الفائقة: إثبات أن الـ AE يتعلم خرائط غير تقليدية واعية بالتداخل، تتفوق على مخططات QPSK/QAM الثابتة ونماذج تخصيص القدرة التكيفية.

4. النتائج الرئيسية

الأداء مقابل النظرية: يتفوق الـ AE المقترح بشكل كبير على الحدود النظرية لـ QPSK-QPSK NOMA والمعايير التكيفية (PAR و PANOMA) عبر نطاق SNR بالكامل.
- مثال: عند BER قدره $10^{-2}$ ، يحقق الـ AE الهدف عند ~12.5 dB، بينما يتطلب نموذج NOMA النظري الأساسي ~17.5 dB.
تأثير التكميم:
- لويد-ماكس مقابل الموحد: يحقق تكميم لويد-ماكس باستمرار BER أقل من التكميم الموحد لأنه يقلل من متوسط خطأ التكميم التربيعي (MSQE) عن طريق تخصيص دقة أعلى لمناطق القناة ذات الاحتمالية العالية.
- الدقة (Resolution): يتحسن الأداء مع زيادة مستويات التكميم. عند $\geq 4$ بت، تتقلص الفجوة بين لويد-ماكس والموحد، لكن لويد-ماكس يظل متفوقاً.
القابلية للتوسع: يتكيف إطار العمل بسلاسة مع أطوال البت المختلفة (مثل 2 بت مقابل 3 بت لكل مستخدم) دون تغييرات هيكلية، ويتطلب فقط تعديلات في مخرجات فك التشفير.
التخفيف من أرضية BER: نجحت استراتيجية التدريب متعدد الـ SNR في إزالة أرضية BER الملحوظة في مناطق الـ SNR العالي مع الحفاظ على المتانة عند مستويات الـ SNR المنخفضة.

5. الأهمية

يمثل هذا العمل خطوة حاسمة نحو النشر العملي لتقنية NOMA في بيئات التلاشي الواقعية.

المتانة: يثبت أن التعلم العميق يمكنه تعلم استراتيجيات إرسال تكون بطبيعتها متينة تجاه عشوائية القناة، متفوقة على الحلول التحليلية المصممة يدوياً.
الواقعية: من خلال معالجة الـ CSI المكممة، تنتقل الورقة إلى ما وراء الافتراضات المثالية، وتظهر أن AE-NOMA يظل فعالاً حتى مع وجود عرض نطاق ترددي محدود للتغذية الراجعة.
الاتجاه المستقبلي: تشير النتائج إلى أن التحسين المشترك للمكمم والـ AE (بدلاً من استخدام مكممات ثابتة) يمكن أن يقلص الفجوة في الأداء تجاه حالة الـ CSI المثالية، مما يمهد الطريق للأنظمة اللاسلكية القادمة القائمة على الذكاء الاصطناعي (AI-native).