Cross-SNR Dynamic DC-Bias Prediction in DCO-OFDM Using a Domain-Informed Mixture Density Network

प्रकाश सूचना ले जाने का एक नया माध्यम बनता जा रहा है। जिस तरह रेडियो तरंगें हमारे फोन तक डेटा भेजती हैं, उसी तरह एक मानक एलईडी बल्ब की रोशनी को इतनी तेज़ी से चमकाया (flicker) जा सकता है कि मानवीय आँख इसे देख न सके, फिर भी एक रिसीवर उस पैटर्न को डिजिटल जानकारी में डिकोड कर सकता है। यह तकनीक, जिसे अक्सर ली-फाई (Li-Fi) कहा जाता है, रेडियो फ्रीक्वेंसी का उपयोग किए बिना संचार करने का एक तरीका प्रदान करती है, जिससे सिग्नल कमरे के भीतर ही सीमित रहते हैं और हस्तक्षेप (interference) से बचते हैं। इसे कुशलतापूर्वक काम करने के लिए, इंजीनियर एक ऐसी विधि का उपयोग करते हैं जहाँ प्रकाश की तीव्रता जटिल डेटा पैटर्न को दर्शाने के लिए बदलती है। हालाँकि, क्योंकि लाइट बल्ब या तो अधिक चमकदार हो सकते हैं या बंद रह सकते हैं—वे "नेगेटिव" नहीं जा सकते—इसलिए सिग्नल को ऊपर की ओर शिफ्ट किया जाना चाहिए ताकि यह सुनिश्चित हो सके कि यह कभी शून्य से नीचे न गिरे। यह शिफ्ट एक निरंतर विद्युत शक्ति जोड़कर प्राप्त की जाती है, जिसे डायरेक्ट करंट बायस (direct current bias) के रूप में जाना जाता है।

इस शिफ्ट का आकार एक नाजुक संतुलन है। यदि शिफ्ट बहुत कम है, तो सिग्नल का निचला हिस्सा कट जाएगा, जिससे डेटा में त्रुटियां पैदा होंगी। यदि शिफ्ट बहुत अधिक है, तो सिस्टम ऊर्जा बर्बाद करेगा और हार्डवेयर से आवश्यकता से अधिक शक्ति की मांग करेगा। चुनौती यह है कि आदर्श शिफ्ट की मात्रा कनेक्शन की गुणवत्ता और भेजे जा रहे डेटा की जटिलता के आधार पर लगातार बदलती रहती है। वर्षों से, इंजीनियर सही मात्रा का अनुमान लगाने के लिए निश्चित सेटिंग्स या जटिल गणनाओं पर भरोसा करते आए हैं, लेकिन ये विधियाँ तब विफल हो जाती हैं जब स्थितियाँ अप्रत्याशित रूप से बदल जाती हैं। शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण विकसित किया है जो वास्तविक समय में आदर्श शिफ्ट को सीखने और भविष्यवाणी करने में सक्षम है, जो एक ऐसी सटीकता के साथ वातावरण के अनुकूल होता है जो निश्चित नियमों से संभव नहीं है।

अक्टूबर 2026 में प्रकाशित एक अध्ययन में, मुहम्मद बिलाल रहमान, मोमिना मीर और नेशनल यूनिवर्सिटी ऑफ मॉडर्न लैंग्वेजेज तथा इंस्टीट्यूट ऑफ स्पेस टेक्नोलॉजी, पाकिस्तान के उनके सहयोगियों ने आर्टिफिशियल इंटेलिजेंस के एक रूप का उपयोग करके इस समस्या का समाधान किया। उन्होंने एक सिस्टम पर ध्यान केंद्रित किया जिसे DCO-OFDM कहा जाता है, जो हाई-स्पीड संचार के लिए प्रकाश संकेतों को व्यवस्थित करने का एक मानक तरीका है। उन्होंने जिस मुख्य कठिनाई का समाधान किया वह यह थी कि इष्टतम पावर शिफ्ट दो चीजों पर निर्भर करता है: उस क्षण प्रकाश संकेत का विशिष्ट आकार और कनेक्शन की वर्तमान गुणवत्ता, जिसे सिग्नल-टू-नॉइज़ रेशियो (SNR) के रूप में मापा जाता है। पारंपरिक तरीके अक्सर दी गई स्थिति के लिए एक सबसे अच्छा नंबर खोजने की कोशिश करते हैं, लेकिन शोधकर्ताओं ने महसूस किया कि सिग्नल, शोर और आवश्यक पावर शिफ्ट के बीच का संबंध एक साधारण अनुमान के लिए बहुत जटिल है।

इसे हल करने के लिए, टीम ने MDHyperNet नामक एक नए प्रकार का कंप्यूटर मॉडल बनाया। केवल पावर शिफ्ट के लिए एक एकल संख्या की भविष्यवाणी करने के बजाय, यह मॉडल संभावित मूल्यों की एक सीमा (range) की भविष्यवाणी करता है, यह समझते हुए कि हर कनेक्शन में अनिश्चितता का एक स्तर होता है। मॉडल को एक ऐसे डेटासेट पर प्रशिक्षित किया गया था जहाँ शोधकर्ताओं ने हजारों अलग-अलग परिदृश्यों का अनुकरण (simulate) किया था। प्रत्येक परिदृश्य के लिए, उन्होंने तीन प्रतिस्पर्धी लक्ष्यों को तौलकर आदर्श पावर शिफ्ट की गणना की: डेटा त्रुटियों को कम रखना, आवश्यक पीक पावर को न्यूनतम करना, और सिग्नल के हिस्सों के कटने से होने वाले शोर को कम करना। उन्होंने इन लक्ष्यों के बीच सर्वोत्तम समझौता खोजने के लिए TOPSIS नामक एक गणितीय विधि का उपयोग किया, जिससे मॉडल के सीखने के लिए "गोल्ड स्टैंडर्ड" उत्तरों का एक सेट तैयार हुआ।

इस नए सिस्टम का सबसे महत्वपूर्ण परीक्षण उन स्थितियों को संभालने की इसकी क्षमता थी जिन्हें इसने पहले कभी नहीं देखा था। कई मशीन लर्निंग अध्ययनों में, एक मॉडल का परीक्षण उस डेटा पर किया जाता है जो उसके द्वारा सीखे गए डेटा के बहुत समान होता है। यहाँ, शोधकर्ताओं ने एक सख्त परीक्षण पद्धति का उपयोग किया जहाँ उन्होंने प्रशिक्षण डेटा से कनेक्शन की गुणवत्ता की पूरी श्रेणियों को पूरी तरह से हटा दिया। उन्होंने मॉडल को कुछ सिग्नल गुणों पर प्रशिक्षित किया और फिर उससे उन सिग्नल गुणों के लिए सही पावर शिफ्ट की भविष्यवाणी करने को कहा जिनका उसने पहले कभी सामना नहीं किया था। यह एक कठिन कार्य है, जो एक ऐसे ड्राइवर से पूछने के समान है जिसने केवल सूखी सड़कों पर अभ्यास किया है और अब उसे बिना किसी पूर्व अनुभव के अचानक आई भारी बर्फबारी के बीच गाड़ी चलाने के लिए कहा गया है।

परिणामों ने दिखाया कि नया मॉडल वहां सफल रहा जहां पुराने तरीके विफल रहे। जब अनदेखी स्थितियों पर परीक्षण किया गया, तो पारंपरिक तरीकों ने बड़ी त्रुटियां कीं, अक्सर बहुत अधिक या बहुत कम पावर शिफ्ट का अनुमान लगाया। सबसे कठिन परीक्षण मामलों में, जहाँ कनेक्शन की गुणवत्ता ज्ञात सीमा के चरम छोर पर थी, पुराने तरीके पचास प्रतिशत तक गलत थे। इसके विपरीत, नया मॉडल उल्लेखनीय रूप से सटीक रहा, जिसमें त्रुटियां दो प्रतिशत से कम रहीं। शोधकर्ताओं ने पाया कि इस सफलता की कुंजी केवल मॉडल की जटिलता नहीं थी, बल्कि यह तथ्य था कि उन्होंने इसके डिज़ाइन में एक विशिष्ट नियम बनाया था: उन्होंने मॉडल को स्पष्ट रूप से बताया कि पावर शिफ्ट कनेक्शन की गुणवत्ता पर निर्भर करता है। इस "डोमेन-इन्फॉर्म्ड" (domain-informed) दृष्टिकोण ने मॉडल को केवल पैटर्न याद करने के बजाय स्थिति के भौतिक विज्ञान (physics) को समझने में सक्षम बनाया।

यह साबित करने के लिए कि यह सटीकता वास्तविक दुनिया में मायने रखती है, शोधकर्ताओं ने एक पूर्ण संचार प्रणाली के पूर्ण सिमुलेशन चलाए। उन्होंने अपने एडेप्टिव सिस्टम की तुलना मानक सेटअप से की जो 7, 10, या 13 यूनिट के निश्चित पावर शिफ्ट का उपयोग करते हैं। निश्चित सिस्टम हमेशा संघर्ष करते रहे; एक सेटिंग जो मजबूत कनेक्शन के लिए अच्छी थी, वह कनेक्शन कमजोर होने पर बर्बादी और त्रुटियों का कारण बनी, और इसके विपरीत भी। हालाँकि, नया एडेप्टिव सिस्टम प्रत्येक सिंगल डेटा सिंबल के लिए पावर शिफ्ट को समायोजित करता है। इसने इसे पूरे स्तर पर कम त्रुटि दर बनाए रखने में सक्षम बनाया, जबकि इसने किसी भी निश्चित सेटिंग की तुलना में कम बिजली का उपयोग किया और कम शोर उत्पन्न किया। सिस्टम ने प्रभावी रूप से एक ऐसा मध्य मार्ग खोज लिया जिसे कोई भी एकल निश्चित सेटिंग प्राप्त नहीं कर सकती थी।

अध्ययन ने यह भी खुलासा किया कि नए मॉडल के कौन से हिस्से सबसे महत्वपूर्ण थे। शोधकर्ताओं ने कनेक्शन की गुणवत्ता के विशिष्ट नियम के साथ और विभिन्न संभावित परिणामों की संख्या के साथ मॉडल के संस्करणों का परीक्षण किया। उन्होंने पाया कि कनेक्शन की गुणवत्ता के साथ पावर शिफ्ट को जोड़ने वाला नियम ही मुख्य कारण था जिससे मॉडल नई स्थितियों में सामान्यीकरण (generalize) कर सका। मूल्यों की एक सीमा की भविष्यवाणी करने वाला मॉडल का हिस्सा कच्चे डेटा की सटीकता के लिए कम महत्वपूर्ण था, लेकिन इसने सिस्टम को आदर्श उत्तरों के वितरण (distribution) से बेहतर ढंग से मेल खाने में मदद की। यह सुझाव देता है कि इस विशिष्ट समस्या के लिए, केवल एक अधिक जटिल न्यूरल नेटवर्क होने के बजाय चरों (variables) के बीच के भौतिक संबंध को समझना अधिक महत्वपूर्ण है।

हालांकि परिणाम उत्साहजनक हैं, शोधकर्ता नोट करते हैं कि ये निष्कर्ष कंप्यूटर सिमुलेशन से आए हैं। परीक्षणों ने सूर्य के प्रकाश के हस्तक्षेप या वास्तविक दुनिया के लाइट बल्बों के गैर-रेखीय व्यवहार (non-linear behavior) के बिना एक स्वच्छ वातावरण माना, जो वास्तविक ली-फाई तैनाती में मौजूद कारक हैं। मॉडल को एक विशिष्ट अनुकूलन विधि द्वारा उत्पन्न डेटा पर प्रशिक्षित किया गया था, जिसका अर्थ है कि यदि सिस्टम की प्राथमिकताएं बदलती हैं, तो मॉडल को पुन: प्रशिक्षित करने की आवश्यकता होगी। इन सीमाओं के बावजूद, यह कार्य एक स्पष्ट मार्ग प्रदर्शित करता है। प्रकाश संचार की भौतिक बाधाओं की गहरी समझ को एक लचीले लर्निंग मॉडल के साथ जोड़कर, शोधकर्ताओं ने दिखाया है कि एक ऐसा सिस्टम बनाना संभव है जो अपने वातावरण के अनुकूल गतिशील रूप से ढल सके। यह दृष्टिकोण स्थिर सेटिंग्स से आगे बढ़कर, ऑप्टिकल वायरलेस लिंक को कुशल और विश्वसनीय बनाए रखने का एक तरीका प्रदान करता है, भले ही स्थितियाँ बदल रही हों।