A JEPA-Based Field-Layer World Model for Bridging Channel Prediction and Estimation
تقترح هذه الورقة نموذج عالم لطبقة المجال (Field-Layer World Model) قائم على بنية JEPA، يتعلم حالة انتشار كامنة مشتركة من ملاحظات مؤشر حالة القناة (CSI) متعددة الدقة للتنبؤ بالتطور المستقبلي للمجال، مما يتيح إعادة بناء قوية للقناة ومكاسب كبيرة في تكوين الشعاع عبر التقاط الهياكل المكانية المستقرة بدلاً من التفاصيل الهشة على مستوى المعاملات الخام.
تخيل أنك تحاول التنبؤ بالطقس. إذا حاولت تخمين درجة الحرارة الدقيقة، والرطوبة، وسرعة الرياح عند كل ورقة شجر في كل شجرة في غابة ما، فمن المرجح أنك ستفشل. قد تُزيح الرياح ورقة شجر بمقدار بوصة واحدة، مما يجعل تنبؤك لتلك الورقة تحديداً عديم الفائدة. ومع ذلك، إذا نظرت إلى الصورة الأكبر — حركة السحب العاصفة، والاتجاه العام للرياح، وشكل التلال — فيمكنك تقديم تخمين جيد جداً لما سيفعله الطقس بعد ذلك. هذا هو التحدي الذي يواجه الشبكات اللاسلكية الحديثة. فهي تحتاج إلى معرفة "طقس" الموجات (الذي يسمى القناة) لإرسال البيانات بوضوح. لكن الموجات مشوشة؛ فالتحركات أو التغييرات الطفيفة يمكن أن تخلط التفاصيل الدقيقة للإشارة، مما يجعل من الصعب التنبؤ بها. لقد حاول العلماء بناء "نماذج عالمية" لهذه الشبكات — وهي أنظمة ذكاء اصطناعي تتعلم القواعد الأساسية لكيفية انتقال الإشارات، بدلاً من مجرد حفظ كل رقم بمفرده. الهدف هو إنشاء نظام يفهم "شكل" رحلة الإشارة بحيث يمكنه ملء الفراغات عندما تكون المعلومات مفقودة، تماماً مثل تخمين بقية الأغنية بعد سماع نوتات قليلة منها.
تقدم هذه الورقة البحثية نظام ذكاء اصطناعي جديد يسمى "نموذج العالم ذو الطبقة الحقلية" (Field-Layer World Model - FWM)، والذي يتخذ اختصاراً ذكياً لحل هذه المشكلة. فبدلاً من محاولة التنبؤ بكل تفصيل صغير ودقيق للإشارة اللاسلكية (وهو أمر يشبه محاولة التنبؤ بالمسار الدقيق لكل قطرة مطر)، يتعلم نموذج FWM التنبؤ بـ "الحقل الانتشاري". فكر في هذا الأمر كتعلم شكل مجرى النهر بدلاً من تتبع كل قطرة ماء. وجد الباحثون أنه بينما تتغير التفاصيل الدقيقة للإشارة بشكل عشوائي وغير قابل للتنبؤ، فإن الهيكل الأساسي لكيفية حركتها عبر الفضاء يظل مستقراً وقابلاً للتنبؤ. لقد بنوا ذكاءً اصطناعياً يترجم أنواعاً مختلفة من ملاحظات الإشارة إلى "فضاء كامن" مشترك — لغة مشتركة حيث يمكن للذكاء الاصطناعي رؤية الصورة الكبيرة. وبمجرد فهمه لهذه الصورة الكبيرة، يمكنه التنبؤ بكيفية تطور الإشارة، حتى لو لم يرَ الإشارة الدقيقة من قبل.
تجادل الورقة صراحة ضد فكرة أنه يجب علينا محاولة التنبؤ بمعاملات الإشارة الخام والمفصلة مباشرة. يوضح المؤلفون أن محاولة القيام بذلك هي عملية هشة؛ لأن التحركات الصغيرة غير القابلة للقياس (مثل تحرك مستخدم لمسافة 5 سنتيمترات فقط) يمكن أن تخلط طور الإشارة تماماً، مما يجعل النموذج الذي يحاول التنبؤ بهذه التفاصيل يفشل غالقة. بدلاً من ذلك، تقترح الورقة أننا يجب أن نتنبأ بـ "الحقل" المستقر أولاً، ثم نستخدم أي أجزاء صغيرة من المعلومات الحالية (مثل بعض إشارات الاختبار/البايلوت) لملء التفاصيل الفوضوية لاحقاً.
في عمليات المحاكاة الخاصة بهم، اختبر الباحثون هذه الفكرة باستخدام مجموعة بيانات تم إنشاؤها من خريطة واقعية لمدينة شيكاغو، مما خلق مسارات افتراضية للمستخدمين الذين يتحركون حول أبراج الاتصالات. لقد دربوا ذكاءهم الاصطناعي على النظر إلى إشارات من "مقاييس" مختلفة (بعضها يحتوي على الكثير من التفاصيل، وبعضها الآخر يحتوي على تفاصيل أقل) ونطاقات تردد مختلفة. وأظهرت النتائج أنه بينما لم يربح نموذج FWM دائماً بفارق كبير في مجرد تقليل الخطأ الرياضي للإشارة (وهو مقييس يسمى NMSE)، إلا أنه كان فائزاً هائلاً في المهام الواقعية الأكثر أهمية. فعندما استخدم الذكاء الاصطناعي "حقله" المتوقع للمساعدة في إعادة بناء الإشارة، أدى ذلك إلى تحسين كشف الرموز (أخطاء أقل في البيانات) وبشكل أكثر إثارة للإعجاب، تحقيق مكاسب ضخمة في تكوين الشعاع (Beamforming). تكوين الشعاع يشبه توجيه كشاف ضوئي؛ لقد ساعد نموذج FWM الشبكة على توجيه إشارتها نحو المستخدم بدقة أكبر بكثير، حتى عندما كان لديها القليل جداً من المعلومات الحالية للعمل بها. تشير الورقة إلى أن هذا يحدث لأن الذكاء الاصطناعي تعلم الحفاظ على "البنية المكانية" — اتجاه وشكل مسار الإشارة — وهو ما يهم فعلياً لإرسال البيانات، بدلاً من مجرد الحصول على الأرقام الدقيقة الصحيحة.
يلاحظ المؤلفون بعناية أن هذا يعتمد على عمليات محاكاة باستخدام نموذج تتبع الأشعة الخاص بشيكاغو. لم يختبروا النظام بعد على أجهزة حقيقية وفوضوية، وهم يقرون بأن البيانات الواقعية قد تكون أكثر ضجيجاً أو غير مكتملة بطرق لم تغطها محاكاتهم. ومع ذلك، فإن نتائج المحاكاة تشير بقوة إلى أن الانتقال من "التنبؤ بكل تفصيل" إلى "التنبؤ بهيكل الحقل" هو طريقة أذكى لبناء الشبكات اللاسلكية المستقبلية. إنها خطوة نحو جعل اتصالاتنا أكثر قوة، مما يسمح لنا باستخدام عدد أقل من "إشارات الاختبار" (التي تشغل مساحة) مع الاستمرار في الحصول على اتصال واضح تماماً.
ملخص تقني: نموذج عالم قائم على طبقة المجال (Field-Layer World Model) باستخدام بنية JEPA لربط التنبؤ بالقناة والتقدير
بيان المشكلة في أنظمة MIMO-OFDM الحديثة، يعد الحصول على معلومات حالة القناة (CSI)، وإعادة بنائها، والتنبؤ بها مهاماً أساسية ولكنها مكلفة. إن التنبؤ المباشر بمعاملات CSI الخام هو أمر هش بطبيعته في بيئات الانتشار الواقعية؛ حيث يمكن للاضطرابات المكانية الصغيرة، وتغيرات التشتت المحلي، وتغيرات الطور أن تؤدي إلى أخطاء كبيرة في مجال القناة المعقد، مما يجعل التنبؤ على مستوى المعامل غير مستقر. علاوة على ذلك، فإن ملاحظات CSI العملية متباينة للغاية، حيث تختلف عبر ترددات الحامل، وعروض النطاق الترددي، وتكوينات الهوائيات، وأنماط الإشارات التجريبية (Pilots). تفشل الطرق الحالية غالباً في معالجة تقدير القناة أو إعادة بنائها أو التنبؤ بها بشكل منفصل تحت تنسيقات مدخلات ثابتة، حيث تفشل في الفصل صراحةً بين هياكل مجال الانتشار المستقرة وبين التفاصيل اللحظية الحساسة للطور. وبناءً على ذلك، فإن النماذج التي تحاول تقليل أخطاء التنبؤ بـ CSI الخام غالباً ما تفرط في ملاءمة (Overfitting) التفاصيل عالية التردد غير المستقرة التي يصعب استنتاجها من البيانات التاريخية.
المنهجية يقترح المؤلفون نموذج عالم طبقة المجال (FWM)، وهو إطار عمل قائم على بنية JEPA (بنية التنبؤ بالتمثيل المشترك) مصمم لتعلم حالة انتشار كامنة مشتركة من ملاحظات CSI متعددة الدقة.
الفلسفة الجوهرية: بدلاً من التنبؤ بمعاملات CSI الخام، يتنبأ FWM بتمثيل كامن لمجال الانتشار الأساسي. تلتقط هذه المساحة الكامنة الهياكل المستقرة والقابلة للتنبؤ (مثل دعم التأخير والزاوية، والتباين المكاني)، بينما تؤجل استعادة التفاصيل الدقيقة الحساسة للطور إلى مرحلة لاحقة باستخدام إشارات تجريبية (Pilots) متفرقة حالية.
البنية الهيكلية:
مجموعة المرمزات (Tokenizer Bank): مجموعة من رؤوس الترميز الخاصة بكل مقياس (Tω) تقوم برسم خرائط لملاحظات CSI المتباينة (المتغيرة في نطاق الحامل، وعدد الهوائيات، والدقة) إلى مساحة مجال انتشار كامنة مشتركة.
العمود الفقري للتنبؤ الكامن (Latent Prediction Backbone): يقوم عمود فقري مشترك من نوع JEPA (F) باستنتاج الحالات الكامنة المقنعة أو المستقبلية من السياق التاريخي المرئي. وهو يعمل في المجال الكامن بدلاً من مجال الملاحظة الخام.
الرؤوس النهائية (Downstream Heads): تجمع الرؤوس المخصصة للمهام (Dq) بين مجال الانتشار الكامن المتنبأ به والملاحظات التجريبية المتفرقة الحالية لإعادة بناء القناة بالكامل، أو إجراء كشف الرموز، أو تصميم تكوين الشعاع (Beamforming).
استراتيجية التدريب:
التدريب المسبق لـ JEPA: يتم تدريب النموذج للتنبؤ بالرموز الكامنة المقنعة باستخدام مرمز هدف يعتمد على المتوسط المتحرك الأسي (EMA). يتضمن الهدف مصطلح تنظيم التنوع لمنع انهيار التمثيل الكامن وتجنب إجبار النموذج على تعلم التفاصيل غير المستقرة على مستوى المعامل.
المحاذاة المتزايدة متعددة المقاييس: للتعامل مع المقاييس المتباينة للمدخلات، قدم المؤلفون استراتيجية حيث يتم محاذاة مرمز جديد لمقياس مستهدف مع مقياس مرجعي مدرب مسبقاً. ويتم تحقيق ذلك عبر نهج "المرجع المجمد" حيث يظل الفرع المرجعي ثابتاً (أو يتم تحديثه عبر EMA) أثناء تدريب المقياس الجديد، مما يقلل من عبء التحسين ويضمن محاذاة مستقرة.
التطبيق النهائي: يعمل مجال الانتماء المتنبأ به كسابقة هيكلية (Structured Prior). في إعادة البناء المباشر أحادي النطاق، يتم دمج هذا المجال مع الإشارات التجريبية المحلية المتفرقة. وفي إعادة البناء عبر النطاقات، يسمح النموذج باستنتاج القنوات للنطاقات التي لا توجد بها إشارات تجريبية حالية من خلال الاستفيد من الهيكل الكامن المشترك والمعلومات من النطاقات المرصودة.
المساهمات الرئيسية
إطار عمل ذكاء اصطناعي أصيل: يقترح إطار عمل مدعوم بـ JEPA للأنظمة اللاسلكية يتعلم العلاقات الضمنية بين القنوات التاريخية لتوليد تنبؤات مجال كامن دقيقة للقنوات المستقبلية، متجنباً التنبؤ المباشر بـ CSI الخام.
المحاذاة المتزايدة متعددة المقاييس: يقدم استراتيجية تدريب لربط مقاييس المدخلات المختلفة (الدقة، نطاقات الحامل) بنفس المساحة الكامنة دون الحاجة لإعادة تدريب النموذج بالكامل من الصفر، مما يسهل عملية التوسع.
دمج التنبؤ والتقدير: يوضح تطبيق التمثيلات الكامنة لـ JEP المدربة على إعادة بناء القناة، مما يقلل بفعالية من العبء التجريبي (Pilot Overhead) ويحسن جودة إعادة البناء من خلال دمج السوابق التاريخية مع الأدلة التجريبية اللحظية.
مبادئ التصميم: يستقصي تأثيرات أهداف JEPA المساعدة المختلفة (مثل تنظيم التنوع مقابل الربط بمجال CSI) وتوبولوجيا الشبكة، مستخلصاً مبادئ تعطي الأولوية للهيكل المكاني ذي الصلة بالمهمة على حساب ملاءمة المعاملات الخام.
النتائج أُجريت التجارب باستخدام مجموعة بيانات تم إنشاؤها عبر Sionna RT لسيناريو وسط مدينة شيكاغو، تغطي نطاقات sub-6-GHz و mmWave بدقات متفاوتة.
التنبؤ الكامن: تفوق هدف JEPA-diversity بشكل كبير على الأهداف التي تتضمن استعادة CSI المباشرة أو استعادة السعة، مما يؤكد أن المساحات الكامنة يجب أن تركز على الهياكل المستقرة بدلاً من تفاصيل المعاملات.
استراتيجية التدريب: أثبتت استراتيجية المحاذاة المتزايدة بالمرجع المجمد تفوقها على التدريب المتعدد المقاييس المشترك من الصفر أو الفروع المرجعية المتطورة، حيث حققت قيم NMSE أقل وأكثر استقراراً للتنبؤ الكامن.
الأداء النهائي:
إعادة البناء و SER: تفوق FWM باستمرار على النماذج المرجعية (التقدير البسيط والتدريب المباشر) في إعادة بناء القناة (NMSE) ومعدل خطأ الرمز (SER) لـ 16-QAM، خاصة عندما كان العبء التجريبي منخفضاً.
مكاسب تكوين الشعاع: والأهم من ذلك، بينما كانت التحسينات في NMSE مقارنة بالنماذج المرجعية المباشرة متواضعة أحياناً، حقق FWM مكاسب كبيرة في تكوين الشعاع. لقد حافظ السابقة الكامنة المتنبأ بها على الاتجاهات الذاتية المكانية المهيمنة وهياكل التباين بشكل أفضل من التدريب المباشر، مما أدى إلى نسب أعلى في أداء تكوين الشعاع (Gn,T) وتشابه في المتجهات الذاتية.
القدرة عبر النطاقات: نجح النموذج في إعادة بناء القنوات للنطاقات التي لا تحتوي على إشارات تجريبية حالية عن طريق نقل المعلومات المكانية من النطاقات المرصودة عبر المجال الكامن المشترك.
الأهمية والادعاءات يزعم البحث أن FWM يمثل تحولاً من "الرسم الخرائطي للمهام في مجال القناة الخام" إلى "الاستدلال القائم على التمثيل في مساحة كامنة فيزيائية مشتركة". وتكمن أهميته الأساسية في إثبات أن التنبؤ بهيكل مجال الانتشار هو أكثر قوة وفائدة لمهام الاتصالات من التنبؤ بمعاملات CSI الخام.
يؤكد المؤلفون أن FWM لا يحل محل تقدير القناة الحالي بل يعززه. فمن خلال التقاط هياكل انتشار المجال المكاني ذات الصلة بالمهمة (مثل الفضاءات الذاتية المهيمنة) والتي تظل مستقرة عبر الزمن والتردد، يوفر النموذج سابقة قوية تحسن بشكل كبير من أداء تكوين الشعاع وكشف الرموز، حتى عندما لا ينخفض الخطأ في معاملات CSI (NMSE) بشكل جذري. يعالج هذا النهج القصور الجوهري في التنبؤ بـ CSI الحساس للطور في ظل عدم اليقين الناتج عن الحركة، ويقدم مساراً قابلاً للتوسع للتعامل مع الملاحظات اللاسلكية المتباينة عبر تكوينات الأنظمة المختلفة.