⚡ electrical engineering

DRL-Based Phase Optimization for O-RIS in Dual-Hop Hard-Switching FSO/RIS-aided RF and UWOC Systems

تقترح هذه الورقة إطار عمل يعتمد على التعلم التعزيزي العميق (DRL) باستخدام خوارزميتي TD3 وDDPG لتحسين إزاحات الطور في السطح الذكي القابل لإعادة التشكيل البصري (O-RIS) لنظام هجين ثنائي القفزة (FSO/RF-UWOC)، مما يظهر تحسينات كبيرة في احتمالية الانقطاع وسعة القناة تحت ظروف الاضطراب المحيطي الواقعية.

المؤلفون الأصليون: Aboozar Heydaribeni, Hamzeh Beyranvand, Sahar Eslami

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Aboozar Heydaribeni, Hamzeh Beyranvand, Sahar Eslami

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 إرسال رسالة سرية من غواصة في أعماق المحيط إلى قمر صناعي يدور في مدار عالٍ فوق الأرض. هذا هو التحدي الأقصى لـ "التواصل عبر النطاقات" (cross-domain)، وهو أمر صعب للغاية لأن المحيط والسماء كلاهما بيئتان عدائتان.

تقترح هذه الورقة حلاً ذكياً ومستقبلياً لهذه المشكلة، يعمل مثل سباق تتابع عالي التقنية يستخدم أفضل الأدوات لكل مرحلة من مراحل الرحلة، تحت إشراف مدرب يعمل بالذكاء الاصطناي.

إليك تفصيل نظامهم باستخدام تشبيهات بسيطة:

1. سباق التتابع ذو المرحلتين

النظام عبارة عن شبكة "مزدوجة القفزات" (dual-hop)، مما يعني أن الرسالة تنتقل في مرحلتين متميزتين:

المرحلة الأولى: السماء (FSO و RF)
- المشكلة: الجزء الأول من الرحلة يكون عبر الهواء. عادةً ما نستخدم الليزر (الاتصالات البصرية في الفضاء الحر أو FSO) لأنها سريعة جداً، مثل القطار السريع. لكن الليزر يكره الطقس السيئ (الضباب، المطر، السحب).
- الخطة البديلة: لإصلاح ذلك، يمتلك النظام "خطة ب". إذا تم حجب الليزر بسبب الضباب، فإنه ينتقل فوراً إلى الترددات الراديوية (RF)، والتي تشبه شاحنة متينة وبطيئة الحركة يمكنها القيادة عبر العاصفة.
- "المرآة" (RIS): لضمان وصول الإشارة إلى وجهتها، يستخدمون سطحاً ذكياً قابلاً لإعادة التشكيل (RIS). تخيل هذا كمرآة ضخمة وذكية على مبنى؛ إذا كان المسار المباشر مسدوداً، تلتقط المرآة الإشارة وتعكسها بدقة نحو المستقبل.
المرحلة الثانية: المحيط (UWOC و O-RIS)
- المشكلة: الجزء الثاني من الرحلة يكون تحت الماء. هنا، تُستخدم الليزرات أيضاً (الاتصالات اللاسلكية البصرية تحت الماء أو UWOC). لكن البيئة تحت الماء فوضوية: الملح، تغيرات درجات الحرارة، والجزيئات الصغيرة تخلق "اضطرابات" (مثل النظر إلى قاع مسبح في يوم عاصف)، مما يؤدي لتشويه الضوء.
- الحل: يستخدمون O-RIS (سطحاً ذكياً بصرياً قابلاً لإعادة التشكيل). هذا عبارة عن مرآة خاصة تحت الماء مكونة من آلاف البلاطات الصغيرة القابلة للتعديل.

2. "المدرب الذكي" (التعلم التعزيزي العميق)

هذا هو الجزء الأكثر إثارة. في الماضي، كان على المهندسين حساب زاوية كل بلاطة صغيرة يدوياً لتوجيه الضوء، ولكن المحيط يتغير باستمرار (الأمواج، التيارات، تغيرات الحرارة)، لذا فإن الحسابات ستصبح قديمة في اللحظة التي يتم إجراؤها فيها.

بدلاً من ذلك، استخدم المؤلفون التعلم التعزيزي العميق (DRL)، وهو في الأساس مدرب يعمل بالذكاء الاصطناعي.

كيف يعمل: تخيل أن مدرب الذكاء الاصطناعي يلعب لعبة فيديو حيث الهدف هو الحفاظ على تركيز شعاع الضوء.
- الحالة (The State): ينظر الذكاء الاصطناعي إلى الظروف الحالية (مدى اضطراب المياه، مقدار الضوء المفقود).
- الإجراء (The Action): يقوم الذكاء الاصطناعي فوراً بتعديل زاوية كل بلاطة صغيرة في مرآة الـ O-RIS.
- المكافأة (The Reward): إذا وصلت الرسالة بوضوح، يحصل المدرب على "نقطة". وإذا انقطعت الإشارة، يخسر نقطة.
التعلم: يحاول الذك-اء الاصطناعي ملايين المرات (في المحاكاة) ليعرف الطريقة المثالية لإمالة المرايا. يتعلم أنه "عندما تكون المياه مالحة وباردة، أمل المرايا بهذا الاتجاه"، وعندما تكون المياه دافئة، يتعلم إمالتها باتجاه آخر.

لقد اختبروا خوارزميتين محددتين للذكاء الاصطناعي: DDPG و TD3. فكر في TD3 كـ "مدرب مخضرم" أكثر حذراً وأقل عرضة للخطأ، بينما DDPG هو "المبتدئ المتحمس". وجدت الورقة أن المدرب المخضرم (TD3) كان أفضل في الحفاظ على استقرار الاتصال.

3. لماذا هذا مهم (ما هي الفائدة؟)

قام المؤلفون بمحاكاة هذا النظام ووجدوا نتائج مذهلة:

مكالمات أقل انقطاعاً: نادراً ما يفقد النظام الإشارة (احتمالية انقطاع منخفضة)، حتى في البحار الهائجة أو الطقس السيئ.
سرعات أعلى: لأن المرايا مصطفة بدقة بواسطة الذكاء الاصطناعي، فإن سعة البيانات (كمية المعلومات التي يمكن إرسالها) تكون أعلى بكثير.
جاهز للمستقبل: هذا يعتبر مخططاً لشبكات الجيل السادس (6G). إنه يتصور عالماً حيث يمكن لهاتفك، وطائرة بدون طيار، وغواصة، وقمر صناعي أن يتصلوا جميعاً بسلاسة، بغض النظر عما إذا كنت في عاصفة، أو في أعماق المحيط، أو في الفضاء.

ملخص التشبيه

فكر في هذا النظام كأنه لعبة "ثبّت ذيل الحمار" عالية المخاطر، ولكن بدلاً من طفل معصوب العينين، لديك:

ملعبان مختلفان (السماء والمحيط).
خطة بديلة (التحول من الليزر إلى الراديو إذا أمطرت).
جدار من آلاف المرايا الصغيرة (الـ RIS) التي تحتاج إلى ضبط زاويتها بدقة لتعكس رسالتك نحو الهدف.
مدرب ذكاء اصطناعي يراقب الرياح والأمواج في الوقت الفعلي ويخبر كل مرآة فوراً إلى أين يجب أن تتجه، لضمان عدم ضياع رسالتك عن هدفها.

تثبت الورقة أن استخدام مدرب الذكاء الاصطناعي هذا أكثر ذكاءً وموثوقية من محاولة حساب الزوايا بالرياضيات التقليدية، مما يمهد الطريق لمستقبل متصل حقاً عبر البر والبحر والسماء.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تحسين الطور القائم على التعلم التعزيزي العميق لأسطح الـ O-RIS في أنظمة FSO/RIS-aided RF و UWOC ثنائية القفزة ذات التبديل الصلب."

1. بيان المشكلة

تتناول الورقة البحثية تحدي إنشاء شبكات اتصال موثوقة وعالية السعة عبر النطاقات المختلفة لإنترنت الأشياء تحت الماء (IoUT) وأنظمة الـ 6G. وتحديداً، تعالج الورقة القيود المفروضة على روابط الاتصال المعزولة في البيئات غير المتجانسة:

روابط FSO/RF: توفر روابط البصريات في الفضاء الحر (FSO) الأرضية عرض نطاق ترددي عالٍ، لكنها تعاني من الاضطرابات الجوية، والظروف الجوية، وأخطاء التوجيه. وبينما توفر الأنظمة الهجينة (FSO/RF) مع التبديل الصلب (Hard-switching) نظاماً احتياطياً، فإن تحسين رابط الـ RF باستخدام الأسطح الذكية القابلة لإعادة التشكيل (RIS) في الظروف الديناميكية يظل أمراً معقداً.
الروابط تحت الماء: يعاني الاتصال البصري اللاسلكي تحت الماء (UWOC) من الامتصاص، والتشتت، والاضطرابات الشديدة الناتجة عن العوامل المحيطية (درجة الحرارة، الملوحة).
فجوة التحسين: تعتمد الطرق الحالية لتحسين إزاحة الطور لأسطح الـ O-RIS غالباً على نماذج مبنية على نماذج رياضية أو طرق استدلالية (Heuristic) تجد صعوبة في التعامل مع الطبيعة عالية الأبعاد، وغير المحدبة، والمتغيرة زمنياً للقنوات تحت الماء. كما يوجد نقص في وجود إطار عمل متكامل من الطرف إلى الطرف (E2E) يأخذ في الاعتبار بشكل مشترك نمذجة الاضطراب المحيطي الواقعية، وبروتوكولات التبديل الصلب، والتحكم التكيفي واللحظي في الـ O-RIS.

2. المنهجية

يقترح المؤلفون إطار عمل هجين موحد ثنائي القفزة واستراتيجية تحكم قائمة على التعلم التعزيزي العميق (DRL).

أ. بنية النظام

يتكون النظام من قفزتين متصلتين عبر مرحل "فك التشفيد وإعادة الإرسال" (Decode-and-Forward - DF):

القفزة الأولى (تحت الماء): رابط UWOC مدعوم بـ O-RIS. تنتقل الإشارة من المصدر إلى O-RIS ثم إلى مرحل DF.
القفزة الثانية (أرضية): رابط هجين FSO/RIS-aided RF يعمل ببروتوكول تبديل صلب (Hard-switching).
- رابط FSO هو القناة الأساسية.
- إذا انخفضت نسبة الإشارة إلى الضوضاء (SNR) لرابط FSO عن عتبة محددة مسبقاً، ينتقل النظام إلى رابط RF (المدعوم بـ RIS قياسي) كخيار احتياطي.

ب. نمذجة القناة

القناة تحت الماء: تم نمذجتها باستخدام طيف القدرة البصرية للاضطراب المحيطي (OTOPS). يتضمن هذا النموذج الفيزيائي متغيرات بيئية (درجة الحرارة، الملوحة، العمق) عبر صندوق أدوات (GSW) للتنبؤ بدقة بالخبو الناتج عن الاضطرابات. ويأخذ النموذج في الاعتبار:
- فقدان المسار (قانون Beer–Lambert).
- خبو الاضطراب (يتم نمذجته كتوزيع Gamma–Gamma متسلسل).
- أخطاء التوجيه (الناتجة عن اهتزاز المرسل وعدم محاذاة السطح).
القناة الأرضية:
- FSO: تم نمذجتها باستخدام توزيع Gamma–Gamma للاضطراب الجوي.
- RF: تم نمذجتها مع خبو Rayleigh وفقد مسار 3GPP Urban Micro (UMi)، مع تعزيزها بـ RIS لإضافة الإشارة بشكل متماسك.

ج. تحسين الطور القائم على DRL

لحل المشكلة غير المحدبة لتحسين إزاحات طور O-RIS في الوقت الفعلي، صاغ المؤلفون المشكلة كعملية قرار ماركوف (MDP):

فضاء الحالة (S): يتضمن معاملات القناة اللحظية (السعة والطور) والتقديرات القديمة المرتبطة زمنياً لالتقاط ديناميكيات القناة.
فضاء الإجراء (A): إزاحات الطور المستمرة لـ $N$ من عناصر O-RIS، مع مراعاة القيود المتعلقة بالعتاد (المكممة إلى مستويات منفصلة).
دالة المكافأة (R): صُممت لتعظيم الإنتاجية والموثوقية مع فرض عقوبات على التغيرات المفاجئة في الطور. وهي تدمج تأثيرات طول الكتلة المحدود (FBL) لحساب احتمالية خطأ فك التشفيد والمعدلات القابلة للتحقيق.
الخوارزميات: تم تنفيذ ومقارنة خوارزميتين من خوارزميات Actor-Critic للتعلم التعزيزي العميق:
1. الاشتقاق المتدرج الحتمي العميق (DDPG).
2. الاشتقاق المتدرد المتأخر المزدوج (TD3): تم اختياره لتفوقه في الاستقرار، حيث يستخدم تعلم Q المزدوج المقطوع، وتنعيم السياسة المستهدفة، وتحديثات السياسة المتأخرة للتخفيف من المبالغة في تقدير قيمة Q.

3. المساهمات الرئيسية

إطار عمل هجين متكامل: يقترح بنية E2E مبتكرة تجمع بين UWOC المدعوم بـ O-RIS وبين FSO/RIS-aided RF ذو التبديل الصلب، مما يسد الفجوة بين الشبكات تحت الماء وشبكات 6G الأرضية.
نمذجة محيطية واقعية: يتجاوز النماذج المبسطة للاضطرابات عبر استخدام نموذج OTOPS، الذي يأخذ في الاعتبار ديناميكياً ملفات درجة الحرارة والملوحة، مما يوفر تمثيلاً أكثر دقة لتقلبات القناة تحت الماء.
التحكم المدفوع بـ DRL: يقدم نهجاً خالياً من النموذج (Model-free) يعتمد على DRL (تحديداً TD3) لتحسين طور O-RIS المستمر. وهذا يتجنب التعقيد الحسابي للتحسين التقليدي المحدب في البيئات الديناميكية.
تصميم مدرك للعتاد: تأخذ فضاء الإجراء ودالة المكافأة في الاعتبار صراحةً قيود العتاد العملية، مثل بتات دقة الطور واقتران السعة والطور في عناصر O-RIS.

4. نتائج المحاكاة

استخدمت الدراسة عمليات محاكاة مونت كارلو ( $10^6$ دورة) للتحقق من صحة النماذج التحليلية ومقارنة الأداء:

تأثير عناصر O-RIS: يؤدي زيادة عدد عناصر O-RIS إلى تقليل احتمالية الانقطاع (OP) بشكل كبير وتحسين سعة القناة.
العوامل البيئية: تؤدي درجات حرارة المياه ومستويات الملوحة المنخفضة إلى أداء أفضل (احتمالية انقطاع أقل)، مما يؤكد حساسية نموذج OTOPS.
أداء التبديل الصلب: يظهر نظام FSO/RIS-aided RF الهجين مكاسب كبيرة مقارنة بالروابط المستقلة. وتوازن عتبة التبديل المثلى بين الاعتماد على سعة FSO العالية مقابل متانة رابط RF الاحتياطي.
مقارنة أداء DRL:
- TD3 مقابل DDPG: يتفوق TD3 باستمرار على DDPG والأساسات غير المتعلمة. فهو يحقق انخفاضاً أكثر حدة في احتمالية الانقطاع ومكافآت متوسطة أعلى.
- المتانة: يُظهر TD3 قدرة فائقة على التكيف مع تغيرات القناة، محققاً أعلى سعة للقناة عبر مختلف أنظمة SNR.
- السعة: يعزز النظام الممكن بواسطة DRL سعة القناة بشكل كبير مقارنة بالأنظمة التي تفتقر للتعلم أو تلك التي تستخدم التحسين الثابت.

5. الأهمية والآفاق المستقبلية

تمكين الـ 6G: يوفر هذا العمل مخططاً حيوياً لشبكات 6G عبر النطاقات، موضحاً كيف يمكن للذكاء الاصطناعي إدارة تعقيد دمج الروابط تحت الماء، والجوية، والأرضية.
موثوقية IoUT: من خلال الاستفادة من O-RIS و DRL، يقدم النظام المقترح حلاً قابلاً للتطبيق لتطبيقات المهام الحرجة مثل المركبات ذاتية القيادة تحت الماء (AUVs) والمراقبة البيئية، حيث تعد موثوقية الرابط أمراً بالغ الأهمية.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع إطار العمل ليشمل سيناريوهات متعددة الـ RIS التعاونية ودمج تقنيات الاستشعار والاتصالات المتكاملة (ISAC) لتعزيز الوعي بالموقف وكفاءة الطيف في شبكات 6G بشكل أكبر.

في الختام، تثبت الورقة البحثية بنجاح أن التعلم التعزيزي العميق القائم على TD3 يعد أداة فعالة للغاية لتحسين O-RIS في أنظمة الاتصالات الهجينة المعقدة بين تحت الماء والأرض، مما يوفر مساراً قوياً لاتصالات 6G عالية السرعة وموثوقة.