⚡ electrical engineering

NYUSIM: A Roadmap to AI-Enabled Statistical Channel Modeling and Simulation

تقدم هذه الورقة هجرة إطار عمل نمذجة القنوات NYUSIM من MATLAB إلى Python، مع تقديم نماذج طيف لجيل الاتصالات السادس (6G) جديد وتنسيق هوائي ثلاثي الأبعاد معياري، مع التحقق بصرامة من الاتساق الإحصائي لإرساء أساس قابل للتوسع لمحاكاة القنوات اللاسلكية المدعومة بالذكاء الاصطناعي.

المؤلفون الأصليون: Isha Jariwala, Xinquan Wang, Bridget Meier, Guanyue Qian, Dipankar Shakya, Mingjun Ying, Homa Nikbakht, Daniel Abraham, Theodore S. Rappaport

نُشر 2026-02-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Isha Jariwala, Xinquan Wang, Bridget Meier, Guanyue Qian, Dipankar Shakya, Mingjun Ying, Homa Nikbakht, Daniel Abraham, Theodore S. Rappaport

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 بناء سيارة ذاتية القيادة، لكن لا يمكنك اختبارها في الشوارع الحقيقية بعد لأن ذلك خطير للغاية أو مكلف جداً. بدلاً من ذلك، أنت بحاجة إلى لعبة فيديو مثالية تحاكي حركة المرور الحقيقية، والطقس، وظروف الطريق حتى يتمكن الذكاء الاصطناب الخاص بالسيارة من التعلم كيف يقود.

في عالم الاتصالات اللاسلكية (مثل اتصال هاتفك بشبكة 5G أو شبكة 6G المستقبلية)، يعتبر NYUSIM هو تلك اللعبة. إنه محاكي متطور للغاية يتنبأ بكيفية انتقال الموجات الراديوية عبر المدن، والمباني، والغابات.

هذه الورقة البحثية تتحدث عن ترقية كبرى لـ NYUSIM. إليك التفاصيل بكلمات بسيطة:

1. النقلة الكبرى: من "إكسل" إلى "بايثون"

لسنوات، تم بناء NYUSIM باستخدام لغة برمجة تسمى MATLAB. فكر في MATLAB كآلة حاسبة قوية، ولكنها قديمة الطراز قليلاً وتعمل لشخص واحد في كل مرة. إنها تشبه طريقاً ذا مسرب واحد.

قام الباحثون بنقل النظام بأكمله إلى لغة Python.

التشبيه: تخيل الانتقال من طريق ريفي ذي مسرب واحد إلى طريق سريع ضخم متعدد المسارات.
لما لماذا هذا مهم؟ بايثون هي لغة الذكاء الاصطناعي (AI). من خلال الانتقال إلى بايثون، يمكن للمحاكي الآن التحدث مباشرة مع عقول الذكاء الاصطناعي. كما يمكنه العمل على آلاف الحواسيب في وقت واحد (المعالجة المتوازية)، مما يولد ملايين السيناريوهات من نوع "ماذا لو" في دقائق بدلاً من سنوات. وهذا أمر بالغ الأهمية لتدريب الذكاء الاصطناعي الذي سيشغل شبكات 6G.

2. "نظارات الهوائيات" الجديدة (Ant3D)

الموجات الراديوية لا تسير فقط في خط مستقيم؛ بل ترتد عن المباني، والأشجار، والسيارات. لفهم هذا، تحتاج إلى معرفة شكل "العدسة" (الهوائي) بدقة.

الطريقة القديمة: في السابق، كان المحاكي يفترض أن الهوائيات ذات أشكال بسيطة ومثالية (مثل ورقة مسطحة من الضوء).
الطريقة الجديدة (Ant3D): قدم الباحثون تنسيقاً جديداً يسمى Ant3D.
التشبيه: تخيل أنك كنت ترتدي نظارات شمسية بسيطة تحجب الضوء من الأمام فقط. الآن، تم منحك نظارات واقع افتراضي (VR) بزاوية 360 درجة تريك بالضبط كيف يصطدم الضوء بك من جميع الزوايا، بما في ذلك الجوانب والأعلى.
النتيجة: يمكن للمحاكي الآن استخدام تصميمات هوائيات حقيقية (مثل تلك الموجودة في هاتفك أو برج الاتصالات) ليرى بالضبط كيف تشوه الموجات الراديوية، مما يجعل المحاكاة واقعية للغاية.

3. استكشاف مناطق جديدة (FR3 و FR1(C))

تستخدم الإشارات اللاسلكية "ترددات" مختلفة (مثل محطات الراديو المختلفة).

الماضي: كان NYUSIM بارعاً في محاكة الإشارات عالية التردد (مثل 28 جيجاهرتز وما فوق)، وهي سريعة ولكنها تقطع مسافات قصيرة.
الحدود الجديدة: قام الباحثون الآن برسم خرائط لـ "النطاق المتوسط العلوي" (الترددات حول 6.75 جيجاهرتز و 16.95 جيجاهرتز).
التشبيه: فكر في الترددات القديمة كأنها عداؤون للسرعة (Sprinters) (سريعون ولكن يتعبون بسرعة). أما الترددات الجديدة فهي مثل عدائي الماراثون (يمكنهم قطع مسافات أبعد وحمل المزيد من البيانات من الإشارات القديمة، لكنهم ليسوا بسرعة العدائين السريعين).
لماذا هذا مهم؟ هذه الترددات الجديدة هي "منطقة التوازن المثالية" لـ 6G. فهي توفر توازناً ممتازاً بين السرعة والمسافة. لقد خرج الباحثون إلى مدينة نيويورك، وقاسوا هذه الموجات في الحياة الواقعية، وعلموا المحاكي كيف يحاكيها بدقة تامة.

4. اختبار "التوأم" (التحقق)

عندما تنقل نظاماً معقداً من لغة برمجة إلى أخرى، فإنك تخشى أن تعطل شيئاً ما.

العملية: لم يكتفِ الفريق بالتخمين؛ بل قاموا بتشغيل نسخة MATLAB القديمة ونسخة Python الجديدة جنباً إلى جنب ملايين المرات.
النتيجة: استخدموا اختبارات إحصائية (مثل "جهاز كشف الكذب" للبيانات) لإثبات أن نسخة Python الجديدة تنتج نفس النتائج تماماً مثل النسخة القديمة.
التشبيه: الأمر يشبه أخذ وصفة كلاسيكية مكتوبة في دفتر ملاحظات بخط اليد وترجمتها إلى تطبيق رقمي. لقد تذوقوا الطبق الذي صنعه التطبيق وقارنوه بالأصلي. إذا كان الطعم متطابقاً، فإن الترجمة ناجحة.

لماذا يجب أن تهتم؟

هذه الورقة البحثية ليست مجرد تعليمات برمجية؛ إنها تتعلق بـ التحضير للمستقبل.

الذكاء الاصطناعي يحتاج إلى بيانات: لبناء ذكاء اصطناعي يدير شبكاتنا المستقبلية، نحتاج إلى كميات هائلة من البيانات الواقعية. يمكن لنسخة بايثون الجديدة توليد هذه البيانات فوراً.
6G أفضل: من خلال محاكاة هذه الترددات "المتوسطة" الجديدة بدقة واستخدام أشكال هوائيات واقعية، يمكن للمهندسين تصميم أبراج اتصالات وهواتف تعمل بشكل أفضل، وبسرعة أكبر، ومع انقطاعات أقل في المكالمات.

باخت-مختصر: أخذ الباحثون محاكي الموجات الراديوية الشهير الخاص بهم، وقاموا بترقية محركه ليعمل بوقود صديق للذكاء الاصطناعي (بايثون)، ومنحوه نظارات ثلاثية الأبعاد ليرى العالم الحقيقي بشكل أفضل، ورسموا خرائط لمناطق جديدة للجيل القادم من الإنترنت. إنه أساس قوي وموثق لثورة الـ 6G.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "NYUSIM: خارطة طريق للنمذجة والمحاكاة الإحصائية للقنوات المدعومة بالذكاء الاصطناعي".

1. بيان المشكلة

يتطلب تطور الاتصالات اللاسلكية نحو الجيل السادس (6G) نماذج قنوات دقيقة يمكنها دعم الترددات الأعلى (بما في ذلك النطاق المتوسط العلوي/FR3)، وعروض النطاق الترددي الأوسع، والأنماط المكانية المعقدة للهوائيات. ومع ذلك، تواجه محاكيات القنوات الحالية ثلاث قيود حرجة تعيق دمج الذكاء الاصطناعي (AI) وتعلم الآلة (ML):

الوصចូល المقيد للبيانات: غالبًا ما تتضمن الأكواد المملوكة أو المجمعة (مثل إصدارات MATLAB القديمة) مجموعات بيانات القياس ومنطق توليد المعلمات، مما يجعل من الصعب تصدير بيانات واسعة النطاق لتدريب نماذج الذكاء الاصطناعي.
القدرة المحدودة على التوسع: لم تُصمم المحاكيات التقليدية للتنفيذ المتوازي أو الحوسبة السحابية، مما يمنع توليد الملايين من العينات المصنفة (Labeled) أو غير المصنفة (Unlabeled) المطلوبة لنماذج التعلم العميق الحديثة.
محدودية التوافق التشغيلي: لا تتكامل الأنظمة المغلقة بسلاسة مع أطر عمل الذكاء الاصطناعي الحديثة (PyTorch, TensorFlow, JAX)، مما يخلق حواجز أمام دمج النماذج المتعلمة مباشرة في سير عمل المحاكاة (مثل التوائم الرقمية أو التصميم المشترك لطبقتي PHY و MAC المدعومة بالذكاء الاصطناعي).

بالإضافة إلى ذلك، هناك نقص في نماذج القنوات القياسية القائمة على القياسات لنطاق FR3 (7-24 جيجاهرتز) و FR1(C) (6.75 جيجاهرتز) الناشئ، وهي نطاقات بالغة الأهمية لنشر شبكات الجيل السادس. وتفتقر مجموعات البيانات الحالية لهذه النطاقات إلى كفاية عرض النطاق الترددي، أو التغطية الزاوية، أو التنوع البيئي.

2. المنهجية

يقترح المؤلفون عملية هجرة وتحسين شاملة لمحاكي القناة NYUSIM، الذي طورته في الأصل NYU WIRELESS. تتضمن المنهجية ثلاث ركائز أساسية:

أ. الهجرة من MATLAB إلى Python

البنية: تم نقل كامل قاعدة كود NYUSIM (الإصدار 4.0) من MATLAB إلى إطار عمل Python مفتوح المصدر ومعياري.
فلسفة التصميم: تمت إعادة تنظيم الكود إلى فئات حتمية (Deterministic Classes - مثل الفقد في المسار والتوهين الجوي الثابت) وفئات عشوائية (Stochastic Classes - مثل التلاشي الظلي وتشتت التأخير).
قابلية التكرار: لضمان أن نسخة Python متطابقة إحصائيًا مع نسخة MATLAB الأساسية، قام المؤلفون بـ:
- تنفيذ نفس مولد الأرقام العشوائية الزائفة MT19937 (بدلاً من PCG64 الافتراضي في NumPy) لضمان سلاسل عشوائية متطابقة.
- مطابقة جميع الصيغ الرياضية، والثوابت، واتفاقيات فهرسة المصفوفات (معالجة الفهرسة التي تبدأ من 1 في MATLAB مقابل الفهرسة التي تبدأ من 0 في Python).
- تطبيق آلية موحدة للتحكم في العشوائية.

ب. تقديم وحدات Ant3D و AntPat

تنسيق Ant3D: تم تطوير تنسيق بيانات معياري جديد وشامل للكرة (Full-sphere) لتعريف أنماط الهوائي ثلاثية الأبعاد. يقوم بتخزين مصفوفات الكسب عبر زوايا السمت ( $\phi$ ) والارتفاع ( $\theta$ )، ويدعم الأنماط القياسية، أو التجارية، أو المقاسة.
وحدة AntPat: تتيح خط أنابيب إعادة البناء للمستخدمين إدخال مقاطع ثنائية الأبعاد (رأسية وأفقية) مقدمة من الشركات المصنعة وفهرس ذروة الكسب. تقوم الوحدة بتوليد نمط إشعاع ثلاثي الأبعاد باستخدام طريقة الضرب في المقياس اللوغاريتمي (الديسيبل):
$G(\theta, \phi) \approx G_H(\phi) + G_V(\theta) - G_{max}$
وهذا يتيح محاكاة تشكيل الشعاع (Beamforming) الواقعي، والفصوص الجانبية (Sidelobes)، وعدم تطابق الاستقطاب.

ج. التوسع إلى ترددات FR3 و FR1(C)

يتضمن إطار العمل نماذج إحصائية جديدة مشتقة من أول حملات قياس شاملة في مدينة نيويورك عند 6.75 جيجاهرتز (FR1(C)) و 16.95 جيجاهرتز (FR3).
تستخدم هذه النماذج إطار عمل Time Cluster Spatial Lobe (TCSL)، الذي يلتقط سلوك القناة الزماني والمكاني بما في ذلك فقد المسار، وتشتت التأخير، والتشتت الزاوي.

3. المساهمات الرئيسية

إطار عمل NYUSIM بلغة Python: تنفيذ مفتوح المصدر وموثق بالكامل لـ NYUSIM يحافظ على الدقة الفيزيائية لنسخة MATLAB الأصلية مع تمكين التكامل السلس مع بيئات الذكاء الاصطناعي وتعلم الآلة.
معيار Ant3D: تنسيق بيانات هوائي ثلاثي الأبعاد جديد ومعياري يدعم مصفوفات الكسب لكامل الكرة، مما يسهل استخدام أنماط الهوائيات التجارية والمقاسة الواقعية في نمذجة القنوات الإحصائية.
نماذج قنوات FR3/FR1(C): دمج بيانات قياس ميدانية واسعة النطاق لنطاقات 6.75 جيجاهرتز و 16.95 جيجاهرتز، مما يسد فجوة حرجة في أدبيات نمذجة قنوات الجيل السادس.
التحقق الصارم: تم التحقق من عملية الهجرة من خلال:
- اختبار الوظيفة مقابل الوظيفة: مقارنة عنصرية للمخرجات الحتمية.
- التحقق الإحصائي: اختبارات Kolmogorov–Smirnov (K–S) وتحليل العزوم على أكثر من 10,000 محاكاة مونت كارلو، مما أكد أن نسخة Python تعيد إنتاج إحصائيات MATLAB مع تباين أقل من 1% في المتوسطات والتباينات.

4. النتائج

الدقة الإحصائية: نجحت نسخة Python في إعادة إنتاج الإحصائيات الزمانية والمكانية لنسخة MATLAB v4.0 عبر جميع البيئات القياسية (Urban Micro/Macro, Rural Macro, Indoor Factory/Hotspot) والترددات (28–142 جيجاهرتز).
التحقق من FR3:
- تمت مقارنة عمليات المحاكاة عند 16.95 جيجاهرتز و 6.75 جيجاهرتز بالقياسات التجريبية.
- تشتت التأخير (DS) الاتجاهي لـ RMS: أظهرت دوال التوزيع التراكمي (CDFs) لـ RMS DS الاتجاهي المحاكى مقابل المقاس توافقًا قويًا.
- المقاييس الكمية: يظهر الجدول الأول في الورقة أن المتوسط ( $\mu$ ) والانحراف المعياري ( $\sigma$ ) لـ RMS DS المقياس اللوغاريتمي لكل من ظروف LOS و NLOS في المحاكاة طابق بشكل وثيق القياسات الميدانية (على سبيل المثال، عند 16.95 جيجاهرتز LOS، المقاس $\mu$ =1.23 مقابل المحاكى $\mu$ =1.30).
القابلية للتوسع: تتيح بنية Python المعالجة المتوازية عبر أدوات مثل multiprocessing أو Ray أو Dask، مما يسمح بتوليد مجموعات البيانات الضخمة المطلوبة لتدريب الذكاء الاصطناعي دون تكاليف ترخيص.

5. الأهمية

نمذجة القنوات المعتمدة على الذكاء الاصطناعي: من خلال الانتقال إلى Python، يصبح NYUSIM "خط أنابيب تعلم مدفوع بالقياسات". فهو يسمح للباحثين بتدريب نماذج الذكاء الاصماعي التوليدي (مثل GANs، نماذج الانتشار، VAEs) مباشرة على بيانات القناة ودمج النماذج التمييزية للتنبؤ بالمعلمات، مما يسد الفجوة بين القياسات الفيزيائية والتركيب الاصطناعي للذكاء الاصطناعي.
الجاهزية للجيل السادس (6G): إن تضمين نماذج FR3 (7–24 جيجاهرتز) وقدرات الهوائي ثلاثية الأبعاد يلبي الاحتياجات المحددة لأنظمة الجيل السادس، والتي ستعتمد بشكل كبير على هذه النطاقات المتوسطة ومصفوفات الهوائيات المعقدة.
الشفافية وقابلية التكرار: تعزز الطبيعة مفتوحة المصدر لإطار عمل Python الشفافية في أبحاث الانتشار، مما يسمح للمجتمع بالتحقق من النماذج وتوسيعها والتعلم منها، والابتعاد عن المحاكيات المملوكة "الصندوق الأسود".
أساس للتوائم الرقمية: إن القدرة على التكامل مع محاكيات الشبكات (مثل ns-3) وسير عمل الذكاء الاصطناعي تجعل من NYUSIM مكونًا حاسمًا لتطوير التوائم الرقمية للجيل السادس وأنظمة الاتصالات ذاتية التطور.

في الختام، تضع هذه الورقة NYUSIM Python كقاعدة قوية، موثقة، وقابلة للتوسع للجيل القادم من أبحاث اللاسلكي المدعومة بالذكاء الاصطناعي، مما ينقل نمذجة القنوات بفعالية من الأدوات الإحصائية الثابتة إلى منصات ديناميكية مدفوعة بالبيانات.