بذار یه چیزی رو خیلی ساده و خودمونی برات باز کنم: تو دنیای اینترنتِ پرسرعت نسل بعدی (مثلاً 6G)، یکی از مهم‌ترین چالش‌ها همین اتصال قوی و بدون دردسر بین گوشی‌ها و دکل‌های وایرلس هست. مخصوصاً وقتی داریم با فناوری‌های خفن مثل mmWave MIMO سر و کار داریم. یه توضیح کوچیک: mmWave یعنی موج‌هایی با فرکانس خیلی بالا و طول موج خیلی کوتاه که سرعت رد و بدل داده توشون زیاده، MIMO هم یعنی استفاده از چندتا آنتن برای ارسال و دریافت اطلاعات، پس هم سرعت و هم ظرفیت بالا میره.
حالا، تو این سیستم‌ها تنظیم زاویه آنتن‌ها (که بهش میگن beam alignment) خیلی مهمه. اگه این کار اشتباه انجام بشه، سیگنال کیپ لغمه! معمولاً برای اینکه آنتن‌ها را بچرخونیم تا بهترین زاویه رو پیدا کنیم، باید کلی دیتا جمع کنیم و چندین بار تست کنیم، که البته دردسر و مصرف انرژی بالایی داره و وقت‌گیر هم هست.
اینجا هوش مصنوعی وارد میشه؛ مخصوصاً Deep Learning، یعنی یادگیری عمیق که یه جور شاخه از یادگیری ماشین هست و با شبکه‌های عصبی عمیق کار می‌کنه. اما همین مدل‌های هوش مصنوعی چند تا مشکل معروف دارن: یکی اینکه برای آموزششون کلی داده لازمه، دوم اینکه توضیح‌پذیر نیستن (یعنی نمی‌فهمیم نتیجه چجوری داده شده)، و البته یه ایراد دیگه هم هست که به حملات Adversarial یا مثلاً خرابکاری با داده‌های فیک حساسن.
تو این مقاله، یه کار باحال انجام دادن: اومدن یه «موتور تنظیم پرتو» (Beam Alignment Engine – BAE) ساختن که با کمک هوش مصنوعی و مخصوص همین mmWave MIMO کار می‌کنه، ولی علاوه بر اینکه خیلی مقاوم و قابل توضیحه، کلی از مشکلات مدل‌های قدیمی رو هم حل کرده. چطوری؟
اول از همه، به جای اینکه هی رفته‌رفته داده جمع کنن و آزمایش کنن، از «دوقلو دیجیتالی» (Digital Twin) استفاده کردن. یعنی چی؟ دوقلو دیجیتالی همون مدلی هست که یه کپی دیجیتالی از محیط واقعی رو تو کامپیوتر می‌سازه و می‌تونه داده مصنوعی (یعنی داده‌ای که خیلی شبیه واقعیه ولی نیاز به تست فیزیکی نداره) تولید کنه.
یه کار دیگه هم انجام دادن: از یادگیری انتقالی (Transfer Learning) کمک گرفتن، یعنی اول مدلی که تو دوقلوی دیجیتالی آموزش داده شده رو میارن، و فقط با مقدار خیلی کمی اطلاعات واقعی، این مدل رو دوباره تنظیم یا ریز-تنظیم (fine-tune) می‌کنن تا به محیط واقعی نزدیک‌تر بشه. این کار باعث میشه که دیگه اون مشکل تفاوت بین داده شبیه‌سازی‌شده و داده واقعی خیلی کم بشه.
حالا، برای اینکه بفهمن مدل واقعاً چرا یه تصمیم رو گرفته و از کدوم ویژگی‌ها تاثیر گرفته، از یه تکنیک جالب دیگه به نام SHAP استفاده کردن. بذار راحت بگم: SHAP یه روش برای توضیح مدل‌های یادگیری عمیق هست و می‌تونه بگه کدوم ورودی‌ها مهم‌تر بودن تا اون نتیجه تولید بشه. یعنی دقیقا می‌تونی ببینی مدل چرا داره این زاویه رو پیشنهاد میده. بدین ترتیب، حتی میشه فهمید که کدوم جهت‌ها از همه مهم‌تر هستن و تست کردن سایر زاویه‌ها رو به حداقل رسوند.
برای اینکه مدل فقط روی داده‌هایی که توی آموزش دیده جواب نده و بتونه تشخیص بده یه داده عجیب یا خارج از الگو (out-of-distribution) وارد شده، از روش Deep k-nearest neighbors یا DkNN استفاده کردن. یه جورایی مدل می‌تونه مطمئن باشه تصمیمش معتبره یا نه، و حتی می‌تونه ورودی‌های مشکوک رو تشخیص بده. یه جور سیستمه که بهت میگه: “این داده شبیه چیزیه که قبلاً دیدم یا نه؟”
دانشگاهیا اومدن با این روش‌ها تست گرفتن و نتایج باورنکردنی بوده: نیاز به داده واقعی تا ۷۰٪ کمتر شده! زمان و منابعی که برای تنظیم پرتوها آزاد کردن هم تا ۶۲٪ کمتر شده. نکته فوق‌العاده اینه که مدلشون تا ۸.۵ برابر بهتر می‌تونه داده‌های عجیب رو بشناسه (همون outlier detection). یعنی هم سرعت، هم دقت و هم شفافیت تصمیم‌ها خیلی رفته بالا، طوری که به کارایی روش‌های سنتی تقریباً رسیده، ولی خیلی سریع‌تر و قابل توضیح‌تر.
در کل، این تحقیق نشون میده ترکیب دوقلوهای دیجیتالی، یادگیری انتقالی و روش‌های توضیح‌پذیر هوش مصنوعی مثل SHAP و DkNN می‌تونه یه تحول واقعی تو شبکه‌های وایرلس نسل جدید ایجاد کنه: هم نیاز به منابع کمتر، هم شفافیت بیشتر و هم امنیت بهتر. خلاصه، آینده اینترنت پرسرعت خیلی جذاب‌تر شده و خبری از دردسرهای قدیمی نیست!
منبع: +
