EM Informed Holographic Imaging via Unrolled Deep Networks
تقترح هذه الورقة شبكات عميقة مفكوكة الالتفاف، وتحديداً خوارزميتي Weighted LISTA وLow-Rank Weighted LISTA، لتعزيز دقة وقابلية تكيف التصوير الهولوغرافي للترددات الراديوية من أجل البيئات الراديوية الذكية عبر دمج فيزياء الكهرومغناطيسية مع تنظيم قابل للتعلم ومتغير مكانياً وتكيف نموذج منخفض الرتبة.
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 غرفة حيث الهواء نفسه مليء بموجات راديوية غير مرئية، ترتد عن الجدران، والأثاث، والأشخاص. في "بيئة الراديو الذكية" الحديثة، تعمل مصفوفات كثيفة من الهوائيات ليس فقط كأجهزة اتصالات، بل كبنية تحتية مشتركة للاستشعار. يمكن لهذه الهوائيات أن تستمع إلى التموجات الطفيفة في موجات الراديو الناتجة عن حركة الأجسام عبر المساحة. وعلى عكس الكاميرا التي تلتقط صورة مفصلة لوجه أو غرفة، تعيد هذه التقنية بناء خريطة ثلاثية الأبعاد تقريبية لمواقع الأشياء بناءً على كيفية تشتت هذه الموجات. إنها طريقة للرؤية دون رؤية، تنشئ لقطة تحافظ على الخصوصية للمشهد، تكشف عن شكل وموقع شخص أو جسم دون التقاط أي صورة يمكن التعرف عليها أبداً. هذه القدرة حاسمة لمستقبل "إنترنت كل شيء"، حيث تحتاج الأجهزة إلى فهم محيطها لتعمل بأمان وكفاءة، مع احترام خصوصية الأشخاص في الداخل.
لطالما كان التحدي الذي يواجه المهندسين هو تحويل إشارات الراديو المشتتة هذه إلى صورة واضحة. إن فيزياء كيفية انتقال موجات الراديو وارتدادها مفهومة جيداً، لكن حل الرياضيات اللازمة للهندسة العكسية لصورة من الإشارات أمر صعب للغاية. تعتمد الطرق التقليدية غالباً على قواعد رياضية ثابتة تعمل بشكل جيد من الناحية النظرية، لكنها تعاني عندما يصبح العالم الحقيقي فوضوياً. إذا تغيرت هندسة الغرفة، أو إذا تصرفت الأجسام داخلها بشكل مختلف عما هو متوقع، فإن هذه الأدوات القياسية تنتج خرائط ضبابية أو غير دقيقة. إنها تشبه كاميرا بعدسة لا يمكن ضبطها؛ تلتقط صورة، لكن التركيز غالسب ما يكون خارج نطاق الضبط. حاول الباحثون إصلاح ذلك باستخدام الذكاء الاصطناعي، لكن العديد من النهج الحالية تستبدل الفيزياء المعروفة لموجات الراديو ببرنامج حاسوبي يعمل كـ "صندوق أسود". وبينما يمكن لهذه البرامج التعلم من البيانات، إلا أنها غالباً ما تنسى قوانين الفيزياء، مما يجعلها غير موثوقة عند مواجهة مواقف جديدة أو عند توفر كمية صغيرة فقط من البيانات للتدريب.
في دراسة حديثة، اقترح الباحثون فيديريكا فيراموسكا، وألكسندر هـ. باولوس، وريتشارد أوليفيرا، وستيفانو سافاتزي مساراً مختلفاً. فبدلاً من التخلص من الفيزياء أو الاعتماد على صندوق أسود، طوروا طريقة تبقي قوانين الكهرومغناطيسية في قلب العملية تماماً. لقد أخذوا حلاً رياضياً قياسياً، وهو عبارة عن خوارزمية خطوة بخطوة تُستخدم لإعادة بناء الصور، وحولوها إلى شبكة تعلم عميق قابلة للتدريب. فكر في الأمر كأخذ خط إنتاج تجميع يدوي جامد وتعليم العمال كيفية ضبط أدواتهم الخاصة بناءً على ما يرونه، مع الاستمرار في اتباع نفس المخطط الأساسي. تتيح هذه التقنية، المعروفة باسم "فك خوارزمية العمل" (algorithm unrolling)، للنظام تعلم بعض المعلمات المحددة من بيانات محدودة، مثل مقدار حدة الصورة أو أين يتوقع وجود شخص ما، دون أن يفقد أبداً المعنى الفيزيائي لموجات الراديو.
قدم الفريق تحسينين محددين لعملية التعلم هذه. التحسين الأول، المسمى "Weighted LISTA"، يعلم النظام كيفية إعطاء اهتمام أكبر لأجزاء معينة من الغرفة دون غيرها. في مكتب أو منزل نموذجي، من المرجح أن يقف الناس على الأرض، وليس طافين في السقف أو مدفونين في الجدران. ومن خلال تعلم "أولوية مكانية" (spatial prior)، يفهم النظام أنه يجب عليه تركيز طاقته على مستوى الأرض والارتفاع النموذجي لجسم الإنسان، متجاهلاً المساحات الفارغة بفعالية. وهذا يجعل الصورة الناتجة أكثر نقاءً وحدة. أما التحسين الثاني، "Low-Rank Weighted LISTA"، فيعالج مشكلة مختلفة: وهي حقيقة أن النموذج الرياضي المستخدم لوصف موجات الراديو هو تقريب. في العالم الحقيقي، تسلك الموجات سلوكيات معقدة قد تغفلها المعادلات البسيطة أحياناً. يتعلم هذا المنهج الجديد تصحيحاً صغيراً للنموذج الرياضي نفسه، حيث يعمل بمثابة مقبض ضبط دقيق يعوض الفجوات بين النظرية والواقع.
لاختبار أفكارهم، أجرى الباحثون نوعين من التجارب. أولاً، استخدموا محاكاة حاسوبية قوية لنمذجة ارتداد موجات الراديو في غرفة بداخلها جسم على شكل إنسان. سمحت لهم هذه المحاكاة بإنشاء بيانات "الحقيقة المطلقة" المثالية لتدريب النظام. اختبروا المنهج الجديد مقابل التقنيات القياسية القديمة ووجدوا أن نهجهم أنتج صوراً أكثر وضوحاً بشكل ملحوظ للشكل البشري، مع أخطاء أقل وحواف أكثر تحديداً. كان النظام بارعاً بشكل خاص في تمييز الشخص عن الفوضى المحيطة في الخلفية. ثانياً، نقلوا التجربة إلى مختبر حقيقي. باستخدام تردد 2.45 جيجاهرتز، وهو تردد شائع في شبكات الواي فاي، قاموا بإعداد شبكة كبيرة من الهوائات ووضعوا مانيكان (مجسم) على شكل إنسان في الغرفة. قاموا بقياس موجات الراديو الفعلية التي تشتتت بفعل المانيكان وغذوا هذه البيانات الواقعية في نظامهم.
أكدت النتائج من الاختبارات الواقعية ما توصلت إليه المحاكاة. تمكنت المناهج الجديدة من إعادة بناء شكل المانيكان بدقة أعلى بكثير من النهج التقليدية. بينما أنتجت الطرق القياسية كتلًا ضبابية وغير واضحة، أنتجت الشبكات "المفككة" الجديدة خطوطاً خارجية حادة ومحددة جيداً تطابق الشكل الفعلي للجسم عن كثب. وكان الإصدار الذي تضمن تصحيحاً للنموذج الرياضي هو الأفضل على الإطلاق، حيث استعاد التفاصيل الهيكلية الدقيقة التي فاتتها الطرق الأخرى. وقد تحقق هذا النجاح رغم تدريب النظام على مجموعة بيانات صغيرة جداً، مما يثبت قدرته على التكيف بسرعة مع البيئات الجديدة دون الحاجة إلى كميات هائلة من البيانات.
تكمن أهمية هذا العمل في توازنه بين المرونة والموثوقية. فمن خلال إبقاء القوانين الفيزيائية لموجات الراديو ثابتة وتعلم الأجزاء القابلة للتعديل فقط، يظل النظام قابلاً للتفسير وقوياً. لا يحتاج النظام إلى إعادة التدريب من الصفر في كل مرة تتغير فيها الغرفة؛ بل يحتاج ببساطة إلى تعلم بعض الإعدادات الجديدة للهندسة المحددة للمساحة. وهذا يجعله أداة عملية للتطبيقات الواقعية حيث تكون الخصوصية أمراً بالغ الأهمية. يمكن للنظام أن يخبرك بوجود شخص في الغرفة وشكله العام، دون التقاط وجه أو أي ميزة يمكن التعرف عليها أبداً. إنه يوفر وسيلة لتكون البيئات الذكية واعية بساكنيها وتتفاعل وفقاً لذلك، مع الحفاظ على مستوى عالٍ من الخصوصية والعمل بكفاءة على الأجهزة المتاحة اليوم. لقد أثبت الباحثون أنه من خلال الجمع بين أفضل ما في الفيزياء والتعلم الآلي، يمكن رؤية الأمور بوضوح من خلال ضجيج طيف الراديو، وتحويل الموجات غير المرئية إلى معلومات مفيدة وقابلة للتنفيذ.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.