Physics-Guided Multi-Modal Artificial Intelligence Framework for Joint Antenna Optimisation and Channel State Information Prediction in 6G Integrated Sensing and Communication Systems

تعد الأجيال القادمة من الشبكات اللاسلكية بعالم تتحرك فيه البيانات بسرعات تبدو فورية، حيث يمكن لملايين الأجهزة الاتصال في كيلومتر مربع واحد دون تباطؤ. ولتحقيق ذلك، ينتقل المهندسون إلى ترددات أعلى بكثير، وتحديداً حول 28 جيجاهرتز، مما يسمح بحمل كميات هائلة من المعلومات. ومع ذلك، فإن هذه الترددات العالية تسلك سلوكاً مختلفاً عن الإشارات التي نستخدمها اليوم؛ فهي تُحجب بسهولة بواسطة المباني وتتغير بسرعة مع حركة الناس. ولجعل هذه الشبكات تعمل، يجب أن تستخدم المحطات الأساسية مصفوفات ضخمة من الهوائيات، تحتوي أحياناً على أكثر من مئة عنصر فردي، ويجب عليها التنبؤ باستمرار بكيفية انتقال الإشارة عبر الهواء. هذا التنبؤ صعب لأن البيئة فوضوية، والنافذة الزمنية لإتقان الإشارة قصيرة للغاية. إذا لم يتمكن النظام من تخمين المسار المستقبلي للإشارة بدقة، يفشل الاتصال أو يتباطأ، مما يهدر طاقة ونطاقاً ترددياً ثميناً.

اقترح فريق من الباحثين طريقة جديدة لحل هذه المشكلة من خلال دمج ثلاث مهام متميزة في نظام ذكي واحد. فبدلاً من التعامل مع تصميم الهوائيات، والتنبؤ بمسار الإشارة، واستشعار البيئة كمهام منفصلة، أنشأوا إطار عمل يتعلم الثلاث مهام معاً. يستخدم هذا النهج، الذي يسم يسمونه "إطار عمل الذكاء الاصطناعي متعدد الوسائط الموجه بالفيزياء"، مزيجاً من الاستشعار الراداري والتعلم الآلي المتقدم لفهم العالم المادي بشكل أفضل من الطرق السابقة. قام الباحثون بمحاكاة محطة أساس تعمل بـ 128 هوائياً عند تردد 28 جيجاهرتز في بيئة حضرية مزدحمة. ووجدوا أنه من خلال تغذية النظام ببيانات في الوقت الفعلي حول موقع وسرعة الأجسام في البيئة، يمكن للذكاء الاصطناعي التنبؤ بمسار الإشارة بدقة أكبر بكثير من الأنظمة التي تكتفي بالنظر إلى بيانات الإشارة الماضية فقط.

يعتمد جوهر هذا النظام الجديد على تقسيم ذكي للعمل بين أنواع مختلفة من الذكاء الاصطناعي. أولاً، يقوم مستشعر راداري بمسح المنطقة لإنشاء خريطة للمشتتات، وهي الأجسام مثل السيارات أو المباني التي تعكس الموجات الراديوية. يقيس هذا المستشعر مدى بعد هذه الأجسام وسرعة حركتها. يتم بعد ذلك تغذية هذه المعلومات في شبكة عصبية تعمل كجسر، حيث تترجم الخريطة الفيزيائية للبيئة إلى تنسيق يمكن لبقية النظام فهمه. وفي الوقت نفسه، ينظر جزء آخر من النظام إلى تاريخ الإشارة ليرى كيف تصرفت في الماضي. يقوم إطار العمل بدمج هذين التدفقين من المعلومات — الخريطة الفيزيائية من الرادار وبيانات الإشارة التاريخية — باستخدام آلية تسمح للنظام بالتركيز على التفاصيل الأكثر صلة. هذا الدمج يسم يسمح للنظام بالتنبؤ بالحالة المستقبلية للإشارة بدقة عالية، حتى عندما يتحرك المستخدمون بسرعات عالية.

ويعد كيفية تعامل النظام مع التصميم الفيزيائي لمصفوفة الهوائيات نفسها ابتكاراً حاسماً في هذا العمل. في التصميمات التقليدية، غالباً ما يعامل المهندسون كل عنصر هوائي كوحدة مستقلة، ولكن في الواقع، عندما توضع الهوائيات متقاربة جداً، فإنها تتداخل مع بعضها البعض. هذا التداخل، المعروف باسم "الاقتران المتبادل"، يمكن أن يشوه الإشارة ويقلل الأداء. عالج الباحثون ذلك من خلال نمذجة مصفوفة الهوائيات كمخطط بياني متصل (graph)، حيث يكون كل هوائي عبارة عن عقدة، ويحدد المسافة الفيزيائية بينها مدى قوة تأثيرها على بعضها البعض. يحترم هذا النموذج قوانين الفيزياء، مما يضمن أن الذكاء الاصطناعي يدرك أن اثنين من الهوائيات الموضوعين بالقرب من بعضهما سيتفاعلان بقوة أكبر من اللذين تفصل بينهما مسافة. ومن خلال دمج هذه المعرفة الفيزيائية مباشرة في عملية التعلم، يمكن للنظام تحسين تكوين الهوائي بشكل أسرع وأكثر فعالية من الطرق التي تتجاهل هذه التفاعلات.

تظهر النتائج من عمليات المحاكاة أن هذا النهج المتكامل يقدم تحسينات كبيرة مقارنة بالطرق الحالية. فعند اختباره في بيئة حضرية محاكية بنطاق ترددي قدره 400 ميجاهرتز، قلل إطار العمل الجديد الخطأ في التنبؤ بمسار الإشارة بهامش كبير مقارنة بالتقنيات القياسية. وتحديداً، حقق مستوى من الدقة سمح للنظام باستخدام عدد أقل بكثير من "إشارات الطيار" (pilot signals)، وهي رسائل الاختبار المرسلة للتحقق من الاتصال. في عمليات المحاكاة، تطلب النظام 38 بالمائة فقط من النطاق الترددي لهذه الإشارات، بينما كانت الطرق التقليدية تحتاج لتخصيص كامل النطاق الترددي تقريباً لهذه المهمة. هذا الاختزال يفرغ كمية هائلة من السعة لنقل البيانات الفعلية، مما يزيد من سرعة وكفاءة الشبكة بشكل فعال.

علاوة على ذلك، أظهر النظام قدرة على تحسين ترتيب الهوائيات نفسه لزيادة تدفق البيانات. باستخدام وكيل "التعلم التعزيزي"، قام إطار العمل بتعديل المعلمات الفيزيائية لمصفوفة الهوائيات، مثل المسافات والاتجاهات بين العناصر، لإيجاد أفضل تكوين للبيئة الحالية. وأظهرت عمليات المحاكاة أن وكيل التعلم هذا يمكنه إيجاد إعداد قريب من المثالي للهوائيات في 420 تكراراً فقط، وهي عملية استغرقت وقتاً أطول بكثير بالنسبة لخوارزميات التحسين التقليدية. هذه السرعة حاسمة لأن البيئة تتغير بسرعة، ويجب على النظام التكيف بسرعة للحفاظ على اتصال قوي. كما أكدت الدراسة أن النظام يعمل بشكل جيد حتى عندما يتحرك المستخدمون بسرعة تصل إلى 120 كيلومتراً في الساعة، وهو سيناريو غالباً ما تعاني فيه الطرق القديمة بسبب التغيرات السريعة في مسار الإشارة.

لقد تحقق الباحثون من نتائجهم من خلال عمليات محاكاة حاسوبية مكثفة نمذجة الفيزياء المعقدة للموجات الراديوية وهي تتفاعل مع مشهد المدينة. استخدموا نموذجاً تفصيلياً للبيئة الحضرية، بما في ذلك الطريقة التي ترتد بها الإشارات عن المباني والخصائص المحددة لتردد 28 جيجاهرتز. تضمنت عمليات المحاكاة نصاً برمجياً بلغة بايثون يمكنه إنشاء تصميمات الهوائيات تلقائياً وتشغيلها عبر برنامج محاكاة كهرومغناطيسي تجاري للتحقق من النتائج. سمحت هذه الأتمتة للباحثين باختبار آلاف التكوينات المختلفة للهوائيات وسيناريوهات التدريب دون تدخل بشري، مما ضمن أن تكون النتائج قوية وقابلة للتكرار. وتذكر الدراسة صراحة أن هذه النتائج تستند إلى المحاكاة وأن هناك حاجة لعمل مستقبلي لاختبار النظام على أجهزة مادية، مثل مصفوفات البوابات المنطقية القابلة للبرمجة (FPGA)، لتأكيد أدائه في العالم الحقيقي.

على الرغم من الاعتماد على المحاكاة، توفر الدراسة خارطة طريق واضحة لكيفية تطور شبكات الجيل السادس (6G). فمن خلال الجمع بين الاستشعار البيئي وتصميم الهوائيات والتنبؤ بالإشارة، يعالج إطار العمل التحديات الأساسية للاتصالات عالية التردد. تشير الأبحاث إلى أن مستقبل الشبكات اللاسلكية لا يكمن فقط في معالجات أسرع أو المزيد من الهوائيات، بل في أنظمة يمكنها فهم العالم المادي من حولها والتكيف معه. إن القدرة على التنبؤ بسلوك الإشارة باستخدام بيانات الرادار وتحسين هندسة الهوائيات في آن واحد تمثل تحولاً من تصميم الشبكات الثابت إلى التكيف الذكي الديناميكي. وبينما تظل النتائج الحالية محصورة في المجال الرقمي، فإن المبادئ الموضحة تقدم مساراً واعداً نحو تحقيق الاتصالات فائقة السرعة وزمن الوصول المنخفض للغاية التي تحدد رؤية الجيل السادس.

كما يسلط العمل الضوء على أهمية احترام القوانين الفيزيائية داخل الذكاء الاصطناعي. فمن خلال توجيه عملية التعلم بقواعد الكهرومغناطيسية المعروفة، يتجنب النظام تعلم حلول مستحيلة أو غير فعالة. يضمن هذا النهج أن الذكاء الاصطناعي لا يكتفي فقط بإيجاد أنماط إحصائية في البيانات، بل يكتشف حلولاً قابلة للتحقيق فيزيائياً. تظهر الدراسة أنه عندما يكون الذككاء الاصطناعي راسخاً في واقع كيفية انتشار الموجات وتفاعل الهوائيات، فإنه يستطيع حل المشكلات الهندسية المعقدة بمستوى من الكفاءة لا تستطيع الطرق القائمة على البيانات فقط مضاهاته. ويبدو أن هذا التآزر بين الفيزياء والذكاء الاصطناعي هو مكون رئيسي للقفزة التالية في التكنولوجيا اللاسلكية.

في النهاية، تقدم هذه الأبحاث لمحة عن مستقبل لا تكون فيه شبكاتنا مجرد أنابيب سلبية للبيانات، بل مشاركين نشطين في البيئة. فهي تستشعر العالم، وتتنبأ بالمستقبل، وتعيد تشكيل نفسها لضمان تدفق المعلومات بسلاسة. تشير عمليات المحاكاة إلى أن مثل هذا النظام ليس ممكناً فحسب، بل هو فعال للغاية، وقادر على تقديم السرعات والموثوقية المطلوبة للجيل القادم من الاتصال. ومع انتقال التكنولوجيا من المحاكاة إلى الواقع، فإن دمج الاستشعار والتنبؤ والتحسين سيصبح على الأرجح هو المعيار لكيفية بناء وصيانة البنية التحتية اللاسلكية للغد.