Joint Channel Estimation and Dynamics-Aware Grouping for Time-Varying RIS-Assisted OTA Federated Learning

कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ आपका स्मार्टफोन, आपकी स्मार्टवॉच और आपके पड़ोसी का टैबलेट, बिना एक-दूसरे को अपनी निजी तस्वीरें या संदेश दिखाए, एक सुपर-स्मार्ट AI को सिखाने के लिए मिलकर काम करते हैं। यह "फेडरेटेड लर्निंग" (Federated Learning) का वादा है, जो उपकरणों के लिए डेटा को सुरक्षित रखते हुए सामूहिक रूप से सीखने का एक तरीका है। लेकिन इसमें एक पेच है: एक साथ सीखने के लिए, इन उपकरणों को एक केंद्रीय टावर से बात करने की आवश्यकता होती है। एक आदर्श दुनिया में, वे अपने सबक एक-एक करके भेजेंगे, लेकिन इसमें बहुत समय लगता है। इसलिए, वैज्ञानिकों ने "ओवर-द-एयर" (Over-the-Air) लर्निंग का आविष्कार किया, जहाँ सभी लोग एक ही समय में अपना सबक चिल्लाकर बताते हैं, और टावर उस संयुक्त शोर को सुनकर उत्तर का पता लगा लेता है। यह एक ऐसे गायक दल (choir) की तरह है जहाँ हर कोई एक अलग स्वर गाता है, लेकिन कंडक्टर तुरंत एक सटीक सुर सुन लेता है।

हालाँकि, वास्तविक जीवन अव्यवस्थित है। हवा में व्यवधान (interference) भरा है, और लोग हमेशा चलते रहते हैं, जिससे "चैनल" (वह अदृश्य पथ जिससे सिग्नल यात्रा करता है) लगातार आकार बदलता और डगमगाता रहता है। यदि टावर को यह नहीं पता कि सिग्नल कैसे डगमगा रहा है, तो गायक दल का प्रदर्शन आपदा जैसा लगेगा, और AI गलत चीजें सीख जाएगा। इसे ठीक करने के लिए, इंजीनियर "रिय कॉन्फ़िगरेबल इंटेलिजेंट सरफेसेस" (RIS) का उपयोग करते हैं—दीवारों पर लगे विशाल, स्मार्ट दर्पण जो सिग्नलों को बाधाओं के चारों ओर से उछालने और उन्हें टावर की ओर सटीक रूप से मोड़ने में सक्षम हैं। लेकिन पेचीदा हिस्सा यह है कि इन दर्पणों को यह जानने की आवश्यकता है कि हर कोई कहाँ है और वे कैसे चल रहे हैं, और एक गतिशील, शोरभरी दुनिया में यह पता लगाना अविश्वसनीय रूप से कठिन है।

यह शोध पत्र ठीक इसी सिरदर्द को हल करता है। शोधकर्ता एक चतुर नया सिस्टम प्रस्तावित करते हैं जो एक टीम के जासूस, एक गायक दल के निर्देशक और एक ट्रैफिक कंट्रोलर की तरह काम करता है। उन्होंने एक ढांचा बनाया है जो एक विशेष प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करता है जिसे "गेटेड रिकरेंट यूनिट" (GRU) कहा जाता है, ताकि वायरलेस सिग्नलों के समय के साथ कैसे बदलने और चलने का पूर्वानुमान लगाया जा सके, ठीक वैसे ही जैसे मौसम विज्ञानी तूफान आने से पहले उसके पूर्वानुमान की भविष्यवाणी करते हैं। हर एक उपकरण को पूर्ण सामंजस्य में गाने के लिए मजबूर करने के बजाय (जो असंभव है जब कुछ दूर हों और कुछ तेजी से गुजर रहे हों), वे उपकरणों को उनके कनेक्शन की "गतिशीलता" (dynamics) के आधार पर समूहों में बांट देते हैं। स्थिर कनेक्शन वाले उपकरण एक समूह बनाते हैं, जबकि अस्थिर, तेजी से बदलने वाले कनेक्शन वाले उपकरण दूसरा समूह बनाते हैं। समूहों को बड़े संगीत कार्यक्रम में शामिल होने से पहले अलग-अलग अभ्यास करने देकर, यह सिस्टम सुनिश्चित करता है कि AI जो सबक सीखता है वह सटीक हो, भले ही हवा चल रही हो और उपकरण सड़क पर दौड़ रहे हों। लेखकों ने 10 उपयोगकर्ताओं के साथ कंप्यूटर सिमुलेशन में इसका परीक्षण किया और पाया कि उनके तरीके ने त्रुटियों को काफी कम कर दिया और AI को तेजी से सीखने में मदद की, विशेष रूप से तब जब "अभ्यास" संकेत भेजने के लिए बहुत कम समय था या जब उपयोगकर्ता बहुत तेजी से चल रहे थे।

मुख्य विचार: एक हवादार शहर में एक स्मार्ट गायक दल

कल्पना कीजिए कि आप 10 अलग-अलग दोस्तों से तस्वीरें लेकर एक रोबोट को बिल्ली पहचानने के लिए सिखा रहे हैं। एक आदर्श दुनिया में, आप बस उनसे एक-एक करके तस्वीरें भेजने के लिए कहेंगे। लेकिन इस शोध पत्र की दुनिया में, आपके दोस्त एक व्यस्त शहर में ऊँची इमारतों और तेज हवाओं के बीच हैं, और उन्हें एक साथ आपको अपनी तस्वीरें चिल्लाकर बतानी हैं। यदि वे एक ही समय में चिल्लाते हैं, तो उनकी आवाजें आपस में मिल जाती हैं। यदि हवा एक दोस्त की आवाज को उड़ा ले जाती है, तो आप उसकी फोटो मिस कर देते हैं। यदि कोई दोस्त तेजी से दौड़ रहा है, तो उसकी आवाज अलग सुनाई देती है (जैसे पास से गुजरता हुआ सायरन)।

इस शोध पत्र के शोधकर्ता इस समस्या को हल करने की कोशिश कर रहे हैं कि जब एक अराजक, चलती-फिरती दुनिया में हर कोई एक साथ चिल्ला रहा हो, तो एक स्पष्ट संदेश कैसे प्राप्त किया जाए। वे तीन मुख्य तरकीबों का उपयोग करते हैं:

1. समय की यात्रा करने वाला जासूस (GRU)
पहली समस्या यह है कि "हवा" (वायरलेस चैनल) हर सेकंड बदलती है। इसे ठीक करने के लिए, टीम GRU नामक एक उपकरण का उपयोग करती है। इसे एक ऐसे जासूस के रूप में सोचें जो न केवल वर्तमान मौसम की रिपोर्ट देखता है, बल्कि यह भी याद रखता है कि पिछले कुछ दिनों में मौसम कैसा था ताकि वह भविष्यवाणी कर सके कि अगली बार हवा क्या करेगी। सिग्नल के पथ का केवल वर्तमान में अनुमान लगाने के बजाय, GRU इस बात का इतिहास देखता है कि सिग्नल कैसे चला है ताकि यह भविष्यवाणी की जा सके कि एक पल बाद वह कहाँ होगा। यह केंद्रीय टावर (बेस स्टेशन) को यह जानने में मदद करता है कि उसे अपने दोस्तों को स्पष्ट रूप से सुनने के लिए अपने कान कैसे ट्यून करने हैं, भले ही वे चल रहे हों।

2. स्मार्ट दर्पण (RIS)
सिग्नलों को ऊँची इमारतों के पार पहुँचाने में मदद करने के लिए, सिस्टम एक रिय कॉन्फ़िगरेबल इंटेलिजेंट सरफेस (RIS) का उपयोग करता है। कल्पना कीजिए कि एक विशाल दीवार है जो हजारों छोटे, समायोज्य दर्पणों से ढकी है। यदि कोई दोस्त एक इमारत के पीछे है, तो टावर दर्पण को सही ढंग से झुका सकता है ताकि सिग्नल को कोने के चारों ओर से उछाल सके। लेकिन दर्पण को यह जानने की आवश्यकता है कि दोस्त कहाँ है और कितनी तेजी से चल रहा है ताकि वह सही दिशा में निशाना लगा सके। पेपर का सिस्टम "समय की यात्रा करने वाले जासूस" का उपयोग यह बताने के लिए करता है कि दर्पण को बिल्कुल कैसे झुकना चाहिए, जिससे यह सुनिश्चित होता है कि सिग्नल टावर तक पूरी तरह से उछलकर पहुँचे।

3. समूहीकरण रणनीति (Dynamics-Aware Grouping)
यहाँ सबसे रचनात्मक हिस्सा है। एक सामान्य गायक दल में, हर कोई एक ही गाने को एक ही वॉल्यूम में गाने की कोशिश करता है। लेकिन इस वायरलेस दुनिया में, कुछ दोस्त एक शांत पार्क में स्थिर खड़े हैं (स्थिर कनेक्शन), जबकि अन्य हाईवे पर दौड़ रहे हैं (अस्थिर, तेजी से बदलने वाला कनेक्शन)। यदि वे सभी एक साथ गाने की कोशिश करते हैं, तो दौड़ने वाले लोग शांत गायकों को बाधित कर देंगे।

लेखकों ने महसूस किया कि सभी को एक साथ गाने के लिए मजबूर करने के बजाय, उन्हें समूहों में बांटना चाहिए।

• समूह A: "स्थिर" गायक (वे लोग जिनका कनेक्शन स्थिर और धीमा है)।
• समूह B: "डगमगाते" गायक (जो तेजी से चल रहे हैं या दूर हैं)।

सिस्टम पहले सबको जल्दी शुरुआत करने के लिए एक साथ गाने की अनुमति देता है। लेकिन एक बार जब सिस्टम को पता चल जाता है कि कौन कौन है, तो वह उन्हें दो अलग-अलग समूहों में विभाजित कर देता है। प्रत्येक समूह अपने स्मार्ट दर्पण के अपने सेट के निर्देशों के साथ अपना स्वयं का गाना अभ्यास करता है। यह तेज़ गति से चलने वाले दोस्तों को शांत गायकों को दबाने से रोकता है। शोध पत्र दिखाता है कि यह "समूहीकरण" रणनीति अंतिम परिणाम को बहुत अधिक सटीक बनाती है, विशेष रूप से "टेल यूजर्स" (tail users) के मामले में—वे कठिन दोस्त जो दूर हैं या बहुत तेजी से चल रहे हैं और आमतौर पर दूसरों के सिग्नल को खराब कर देते हैं।

उन्होंने क्या पाया (और क्या नहीं)

शोधकर्ताओं ने अपने विचार का परीक्षण करने के लिए कई कंप्यूटर सिमुलेशन चलाए। उन्होंने एक वर्चुअल दुनिया बनाई जिसमें एक बेस स्टेशन, 64 सूक्ष्म तत्वों वाला एक स्मार्ट दर्पण और 10 उपयोगकर्ता थे। उन्होंने विभिन्न परिदृश्यों का परीक्षण किया: कुछ जहाँ सभी धीरे चल रहे थे, और अन्य जहाँ कुछ उपयोगकर्ता बहुत उच्च गति से दौड़ रहे थे।

परिणाम:

• बेहतर भविष्यवाणी: उनका "समय की यात्रा करने वाला जासूस" (GRU) पुराने तरीकों की तुलना में सिग्नल पथ का अनुमान लगाने में बहुत बेहतर था। सिमुलेशन में, इसने सिग्नल में "शोर" (त्रुटियों) को काफी कम कर दिया, भले ही उनके पास "अभ्यास" संकेत भेजने के लिए बहुत कम समय था।
• मजबूत समूहीकरण: जब उन्होंने समूहीकरण रणनीति का उपयोग किया, तो सिस्टम ने "डगमगाते" उपयोगकर्ताओं को बहुत बेहतर तरीके से संभाला। स्थिर उपयोगकर्ताओं को स्पष्ट सिग्नल मिले, और तेज़ गति से चलने वाले उपयोगकर्ताओं को सिस्टम से बाहर नहीं निकाला गया; उन्हें बस अभ्यास के लिए अपना खुद का समूह मिला।
• मजबूती (Robustness): सिस्टम तब भी अच्छा काम करता है जब "हवा" बहुत तेज थी (उच्च गतिशीलता) या जब "अभ्यास" संकेत बहुत छोटे (कम पायलट लेंथ) थे।

उन्होंने क्या दावा नहीं किया:
यह ध्यान देना महत्वपूर्ण है कि ये परिणाम कंप्यूटर सिमुलेशन से आए हैं, न कि वास्तविक लोगों या फोन के साथ किए गए वास्तविक दुनिया के परीक्षण से। लेखक स्पष्ट हैं कि उन्होंने सिग्नलों के भौतिकी और उपयोगकर्ताओं की गति का अनुकरण किया है। उन्होंने यह दावा नहीं किया है कि उन्होंने एक भौतिक प्रोटोटाइप बनाया है या इसे लाइव 6G नेटवर्क पर टेस्ट किया है। उन्होंने यह भी दावा नहीं किया कि उनकी विधि हर एक स्थिति में एकदम सटीक है, बल्कि यह कि यह उन विशिष्ट, अराजक परिदृश्यों में एक महत्वपूर्ण सुधार है जिनका उन्होंने सिमुलेशन किया था।

यह क्यों महत्वपूर्ण है

आप सोच सकते हैं, "हम एक हवादार शहर में गायक दल की परवाह क्यों करते हैं?" उत्तर हमारे जुड़े हुए भविष्य में है। जैसे-जैसे हम 6G नेटवर्क और "एज इंटेलिजेंस" (जहाँ आपका फोन और आपकी कार मिलकर सीखती है) की ओर बढ़ रहे हैं, हमारे पास लाखों उपकरण उच्च गति से चलते रहेंगे। यदि हम यह नहीं समझ पाते कि बैटरी या समय बर्बाद किए बिना वे एक-दूसरे से स्पष्ट रूप से कैसे बात कर सकते हैं, तो हमारे स्मार्ट शहर और स्वायत्त कारें अच्छी तरह से काम नहीं कर पाएंगी।

यह शोध पत्र सुझाव देता है कि स्मार्ट भविष्यवाणी (GRU), स्मंत दर्पण (RIS), और स्मार्ट समूहीकरण को जोड़कर, हम इन प्रणालियों को बहुत अधिक विश्वसनीय बना सकते हैं। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ आपके उपकरण एक साथ सीख सकते हैं, चाहे आप कितनी भी तेजी से गाड़ी चला रहे हों या बीच में कितने भी भवन आ रहे हों, बिना इस चिंता के कि सिग्नल टूट जाएगा। लेखक दिखाते हैं कि वायरलेस चैनल को एक स्थिर सड़क के बजाय एक गतिशील, परिवर्तनशील चीज़ के रूप में मानकर, हम भविष्य के लिए एक बहुत अधिक स्मार्ट, अधिक लचीला इंटरनेट बना सकते हैं।