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

अगली पीढ़ी के वायरलेस नेटवर्क एक ऐसी दुनिया का वादा करते हैं जहाँ डेटा इतनी गति से चलता है जो तात्कालिक महसूस होती है और जहाँ लाखों डिवाइस बिना धीमे हुए एक एकल वर्ग किलोमीटर में जुड़ सकते हैं। इसे प्राप्त करने के लिए, इंजीनियर बहुत उच्च आवृत्तियों (फ्रीक्वेंसी) की ओर बढ़ रहे हैं, विशेष रूप से 28 गीगाहर्ट्ज़ के आसपास, जो विशाल मात्रा में सूचना ले जाने की अनुमति देता है। हालाँकि, ये उच्च आवृत्तियाँ आज के संकेतों की तुलना में अलग तरह से व्यवहार करती हैं; वे इमारतों द्वारा आसानी से बाधित हो जाती हैं और लोगों के हिलने-डुलने पर तेजी से बदल जाती हैं। इन नेटवर्कों को काम करने के योग्य बनाने के लिए, बेस स्टेशनों को एंटीना के विशाल सरणियों (एरेज़) का उपयोग करना होगा, जिनमें कभी-कभी सौ से अधिक व्यक्तिगत तत्व होते हैं, और उन्हें लगातार यह अनुमान लगाना होगा कि हवा के माध्यम से सिग्नल कैसे यात्रा करेगा। यह भविष्यवाणी करना कठिन है क्योंकि वातावरण अराजक है, और सिग्नल को सही करने के लिए समय की खिड़की अविश्वसनीय रूप से छोटी है। यदि सिस्टम हवा में सिग्नल के भविष्य के पथ का सटीक अनुमान नहीं लगा पाता है, तो कनेक्शन विफल हो जाता है या धीमा हो जाता है, जिससे मूल्यवान ऊर्जा और बैंडविड्थ बर्बाद होती है।

शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए तीन अलग-अलग कार्यों को एक एकल, बुद्धिमान प्रणाली में संयोजित करके एक नया तरीका प्रस्तावित किया है। एंटीना के डिजाइन, सिग्नल पथ की भविष्यवाणी और वातावरण की सेंसिंग को अलग-अलग कार्यों के रूप में मानने के बजाय, उन्होंने एक ऐसा ढांचा बनाया है जो इन तीनों को एक साथ सीखता है। यह दृष्टिकोण, जिसे वे 'फिजिक्स-गाइडेड मल्टी-मोडल आर्टिफिशियल इंटेलिजेंस फ्रेमवर्क' कहते हैं, भौतिक दुनिया को बेहतर ढंग से समझने के लिए रडार सेंसिंग और उन्नत मशीन लर्निंग के संयोजन का उपयोग करता है। शोधकर्ताओं ने एक व्यस्त शहरी परिवेश में 28 गीगाहर्ट्ज़ पर संचालित होने वाले 128 एंटीना वाले बेस स्टेशन का अनुकरण (सिमुलेशन) किया। उन्होंने पाया कि सिस्टम को वातावरण में वस्तुओं के स्थान और गति के बारे में वास्तविक समय का डेटा फीड करने से, AI पिछले सिग्नल डेटा को देखने वाले सिस्टम की तुलना में सिग्नल पथ की भविष्यवाणी कहीं अधिक सटीकता के साथ कर सकता है।

इस नई प्रणाली का मूल आधार विभिन्न प्रकार के आर्टिफिशियल इंटेलिजेंस के बीच श्रम का एक चतुर विभाजन है। सबसे पहले, एक रडार सेंसर क्षेत्र को स्कैन करता है ताकि 'स्कैटरर्स' (बिखरने वाले तत्वों) का एक मानचित्र तैयार किया जा सके, जो कार या इमारत जैसी वस्तुएं हैं जो रेडियो तरंगों को परावर्तित करती हैं। यह सेंसर मापता है कि ये वस्तुएं कितनी दूर हैं और कितनी तेजी से चल रही हैं। इस जानकारी को फिर एक न्यूरल नेटवर्क में फीड किया जाता है जो एक सेतु के रूप में कार्य करता है, जो वातावरण के भौतिक मानचित्र को एक ऐसे प्रारूप में अनुवादित करता है जिसे शेष प्रणाली समझ सके। साथ ही, सिस्टम का एक अन्य हिस्सा सिग्नल के इतिहास को देखता है कि वह अतीत में कैसा रहा है। यह ढांचा इन दो सूचना धाराओं—रडार से प्राप्त भौतिक मानचित्र और ऐतिहासिक सिग्नल डेटा—को जोड़ता है (फ्यूज करता है), जिसमें एक ऐसी प्रक्रिया का उपयोग किया जाता है जो सिस्टम को सबसे प्रासंगिक विवरणों पर ध्यान केंद्रित करने की अनुमति देती है। यह फ्यूजन सिस्टम को उच्च सटीकता के साथ सिग्नल की भविष्य की स्थिति की भविष्यवाणी करने में सक्षम बनाता है, भले ही उपयोगकर्ता उच्च गति पर चल रहे हों।

इस कार्य में एक महत्वपूर्ण नवाचार यह है कि सिस्टम एंटीना सरणी के भौतिक डिजाइन को कैसे संभालता है। पारंपरिक डिजाइनों में, इंजीनियर अक्सर प्रत्येक एंटीना तत्व को एक स्वतंत्र इकाई मानते हैं, लेकिन वास्तव में, जब एंटीना पास-पास रखे जाते हैं, तो वे एक-दूसरे के साथ हस्तक्षेप करते हैं। यह हस्तक्षेप, जिसे 'म्युचुअल कपलिंग' कहा जाता है, सिग्नल को विकृत कर सकता है और प्रदर्शन को कम कर सकता है। शोधकर्ताओं ने इसे एक जुड़े हुए ग्राफ के रूप में मॉडल करके संबोधित किया, जहाँ प्रत्येक एंटीना एक 'नोड' है और उनके बीच की भौतिक दूरी यह निर्धारित करती है कि वे एक-दूसरे को कितनी मजबूती से प्रभावित करते हैं। यह मॉडल भौतिकी के नियमों का सम्मान करता है, यह सुनिश्चित करते हुए कि आर्टिफिशियल इंटेलिजेंस यह समझ सके कि बहुत करीब रखे गए दो एंटीना उन एंटीना की तुलना में अधिक मजबूती से परस्पर क्रिया करेंगे जो दूर रखे गए हैं। इस भौतिक ज्ञान को सीधे सीखने की प्रक्रिया में शामिल करके, सिस्टम मौजूदा इंटरैक्शन को अनदेखा करने वाले तरीकों की तुलना में बहुत अधिक तेजी से और प्रभावी ढंग से एंटीना विन्यास को अनुकूलित कर सकता है।

सिमुलेशन के परिणाम दिखाते हैं कि यह एकीकृत दृष्टिकोण मौजूदा तरीकों की तुलना में महत्वपूर्ण सुधार प्रदान करता है। 400-मेगाहर्ट्ज़ बैंडविड्थ वाले सिम्युलेटेड शहरी वातावरण में परीक्षण करने पर, नए ढांचे ने मानक तकनीकों की तुलना में सिग्नल पथ की भविष्यवाणी करने में त्रुटि को काफी कम कर दिया। विशेष रूप से, इसने सटीकता का एक ऐसा स्तर प्राप्त किया जिसने सिस्टम को बहुत कम 'पायलट सिग्नल्स' (कनेक्शन की जांच करने के लिए भेजे जाने वाले परीक्षण संदेश) का उपयोग करने की अनुमति दी। सिमुलेशन में, सिस्टम को इन पायलट सिग्नल्स के लिए केवल 38 प्रतिशत बैंडविड्थ की आवश्यकता थी, जबकि पारंपरिक तरीकों को इस कार्य के लिए लगभग पूरी बैंडविड्थ समर्पित करने की आवश्यकता थी। बैंडविड्थ में यह कमी वास्तविक डेटा ट्रांसमिशन के लिए क्षमता का एक विशाल हिस्सा मुक्त करती है, जिससे नेटवर्क की गति और दक्षता प्रभावी रूप से बढ़ जाती है।

इसके अलावा, सिस्टम ने डेटा प्रवाह को अधिकतम करने के लिए एंटीना व्यवस्था को स्वयं अनुकूलित करने की क्षमता का प्रदर्शन किया। एक 'रिनफोर्समेंट लर्निंग एजेंट' का उपयोग करते हुए, ढांचे ने एंटीना सरणी के भौतिक मापदंडों, जैसे कि तत्वों के बीच की दूरी और अभिविन्यास (ओरिएंटेशन) को समायोजित किया, ताकि वर्तमान वातावरण के लिए सर्वोत्तम विन्यास पाया जा सके। सिमुलेशन ने दिखाया कि यह लर्निंग एजेंट केवल 420 पुनरावृत्तियों (इटरेशन) में एक निकट-इष्टतम (नियर-ऑप्टिमल) एंटीना सेटअप पा सकता है, एक ऐसी प्रक्रिया जिसमें पारंपरिक अनुकूलन एल्गोरिदम को काफी अधिक समय लगता है। यह गति महत्वपूर्ण है क्योंकि वातावरण तेजी से बदलता है, और सिस्टम को एक मजबूत कनेक्शन बनाए रखने के लिए तेजी से अनुकूलित होना चाहिए। अध्ययन ने यह भी पुष्टि की कि सिस्टम तब भी अच्छी तरह से काम करता है जब उपयोगकर्ता 120 किलोमीटर प्रति घंटे की गति तक चलते हैं, एक ऐसी स्थिति जहाँ पुराने तरीके सिग्नल पथ के तीव्र परिवर्तनों के कारण अक्सर संघर्ष करते हैं।

शोधकर्ताओं ने अपने निष्कर्षों को व्यापक कंप्यूटर सिमुलेशन के माध्यम से सत्यापित किया जो एक शहर के परिदृश्य के साथ रेडियो तरंगों की परस्पर क्रिया के जटिल भौतिक विज्ञान को मॉडल करते हैं। उन्होंने शहरी वातावरण के एक विस्तृत मॉडल का उपयोग किया, जिसमें इमारतों से टकराने वाले सिग्नल और 28-गीगाहर्ट्ज़ फ्रीक्वेंसी की विशिष्ट विशेषताएं शामिल थीं। सिमुलेशन में एक पायथन स्क्रिप्ट शामिल थी जो स्वचालित रूप से एंटीना डिजाइन उत्पन्न कर सकती थी और परिणामों को सत्यापित करने के लिए एक वाणिज्यिक इलेक्ट्रोमैग्नेटिक सिमुलेशन सॉफ्टवेयर के माध्यम से उन्हें चला सकती थी। इस स्वचालन ने शोधकर्ताओं को मानवीय हस्तक्षेप के बिना हजारों अलग-अलग एंटीना विन्यास और प्रशिक्षण परिदृश्यों का परीक्षण करने की अनुमति दी, जिससे यह सुनिश्चित हुआ कि परिणाम मजबूत और पुनरुत्पादनीय (reproducible) हैं। अध्ययन स्पष्ट रूप से उल्लेख करता है कि ये परिणाम सिमुलेशन पर आधारित हैं और वास्तविक दुनिया में इसके प्रदर्शन की पुष्टि करने के लिए भौतिक हार्डवेयर, जैसे कि फील्ड-प्रोग्रामेबल गेट एरेज़ (FPGA) पर परीक्षण के लिए भविष्य में कार्य की आवश्यकता होगी।

सिमुलेशन पर निर्भरता के बावजूद, यह अध्ययन एक स्पष्ट रोडमैप प्रदान करता है कि 6G नेटवर्क कैसे विकसित हो सकते हैं। सेंसिंग और एंटीना डिजाइन को सिग्नल भविष्यवाणी के साथ जोड़कर, यह ढांचा उच्च-आवृत्ति संचार की मौलिक चुनौतियों का समाधान करता है। शोध का सुझाव है कि वायरलेस नेटवर्क का भविष्य न केवल तेज प्रोसेसर या अधिक एंटीना में है, बल्कि ऐसे सिस्टम में है जो अपने आस-पास की भौतिक दुनिया को समझने और उसके अनुकूल होने में सक्षम हैं। रडार डेटा का उपयोग करके सिग्नल व्यवहार की भविष्यवाणी करने और एंटीना ज्यामिति को एक साथ अनुकूलित करने की क्षमता, स्थिर नेटवर्क डिजाइन से गतिशील, बुद्धिमान अनुकूलन की ओर एक बदलाव का प्रतिनिधित्व करती है। हालांकि वर्तमान परिणाम डिजिटल क्षेत्र तक सीमित हैं, प्रदर्शित सिद्धांत 6G की दृष्टि को परिभाषित करने वाले अल्ट्रा-फास्ट, लो-लेटेंसी कनेक्शन को साकार करने के लिए एक आशाजनक मार्ग प्रदान करते हैं।

यह कार्य आर्टिफिशियल इंटेलिजेंस के भीतर भौतिक नियमों का सम्मान करने के महत्व को भी उजागर करता है। विद्युत चुंबकत्व के ज्ञात नियमों के साथ सीखने की प्रक्रिया को निर्देशित करके, सिस्टम असंभव या अक्षम समाधान सीखने से बचता है। यह दृष्टिकोण सुनिश्चित करता है कि AI केवल डेटा में सांख्यिकीय पैटर्न ही नहीं खोजता, बल्कि ऐसे समाधान खोजता है जो भौतिक रूप से संभव हैं। अध्ययन दिखाता है कि जब AI को तरंगों के प्रसार और एंटीना की परस्पर क्रिया के भौतिक वास्तविकता के साथ जोड़ा जाता है, तो यह शुद्ध डेटा-संचालित तरीकों की तुलना में दक्षता के एक उच्च स्तर के साथ जटिल इंजीनियरिंग समस्याओं को हल कर सकता है। भौतिकी और आर्टिफिशियल इंटेलिजेंस के बीच यह तालमेल अगली वायरलेस तकनीक की छलांग के लिए एक प्रमुख घटक प्रतीत होता है।

अंततः, यह शोध एक ऐसे भविष्य की झलक देता है जहाँ हमारे नेटवर्क केवल डेटा के निष्क्रिय पाइप नहीं होंगे, बल्कि वातावरण के सक्रिय भागीदार होंगे। वे दुनिया को महसूस करते हैं, भविष्य की भविष्यवाणी करते हैं, और यह सुनिश्चित करने के लिए खुद को नया आकार देते हैं कि सूचना सुचारू रूप से प्रवाहित हो। सिमुलेशन बताते हैं कि ऐसा सिस्टम न केवल संभव है बल्कि अत्यधिक प्रभावी भी है, जो अगली पीढ़ी की कनेक्टिविटी के लिए आवश्यक गति और विश्वसनीयता प्रदान करने में सक्षम है। जैसे-जैसे तकनीक सिमुलेशन से वास्तविकता की ओर बढ़ती है, सेंसिंग, भविष्यवाणी और अनुकूलन का एकीकरण कल के वायरलेस बुनियादी ढांचे को बनाने और बनाए रखने के मानक के रूप में उभरने की संभावना है।