خب بچه‌ها بیاید یه گپ خودمونی با هم بزنیم درباره‌ی اینکه جدیداً چه اتفاق‌هایی تو دنیای مکان‌یابی و سنسورهای بی‌سیم افتاده! واقعیت اینه که تو این چند سال اخیر، همه دارن سعی می‌کنن ابزارهای هوشمندی بسازن که بتونه همه چی رو با دقت ردیابی کنه و اطلاعات سنسور رو به بهترین شکل تحلیل کنه. خلاصش اینه: این سیستم‌ها دارن تو شهرهای هوشمند، اینترنت اشیا (همین IoT که زیربنای خونه‌ها و شهرهای هوشمند مدرنه) و ماشین‌هایی که خودشون رانندگی می‌کنن (مثلاً ماشین‌های خودران)، نقش خیلی خیلی مهمی بازی می‌کنن.
حالا مشکل چیه؟ بخشی از این قضیه برمی‌گرده به تکنولوژی‌هایی مثل MIMO و OFDM. MIMO یعنی «چند ورودی و چند خروجی»؛ یعنی مثلاً آنتن‌ها هوا کردن تو هر طرف، برای این که داده رو بهتر بفرستن و بگیرن. OFDM هم یه جور روش ارسال داده‌ست که فرکانس‌ها رو شکسته و داده روی باندهای مختلف می‌فرسته؛ این باعث میشه که اطلاعات با سرعت و دقت بالاتری بره و بیاد.
ما یه مشکلی داریم با این‌ها؛ اونم اینکه وقتی می‌خوایم همزمان هم مکان یه شیء رو پیدا کنیم، هم اطلاعات سنسورها رو از توی داده‌های پیچیده استخراج کنیم، خیلی پیچیده و سنگین میشه! اطلاعات وضعیت کانال (CSI یعنی Channel State Information؛ خلاصه‌اش یعنی داده‌هایی که می‌گه سیگنال‌ها تو راه انتقال چه بلاهایی سرشون اومده)، ابعاد خیلی زیادی داره، مخصوصاً وقتی MIMO-OFDM وسط باشه.
حالا گروهی از محققین باهوش اومدن یه راه‌حل باحال پیدا کردن! گفتن بیاید این داستان مکان‌یابی و تحلیل داده‌های سنسور رو با هم و در کنار هم مدل کنیم، چون شاید بتونن به هم کمک کنن و عملکرد رو بهتر کنن.
چی کار کردن؟ ایده‌شون این بوده که این دوتا وظیفه رو (یعنی مکان‌یابی و سنس‌کردن) با هم به صورت یه جور مسئله بهینه‌سازی دوسطحیِ مختلط-صحیح مدل کنن! این یعنی کل فرآیند رو جوری طراحی کردی که یه بخشش مثل حل معادلات عادی باشه، یه بخششم باید عدد صحیح بذاری سرجاش (مثلاً گاهی باید تصمیم‌گیری عددی و دسته‌بندی داشته باشه). بعدش هم اومدن سراغ یادگیری عمیق (همون Deep Learning یعنی هوش مصنوعی که خودش با دیدن داده آموزش می‌بینه و الگو پیدا می‌کنه) تا کل این ماجرا رو بتونن بهتر حل کنن.
اونا یه الگوریتم جدید و باحالی ساختن به اسم SPG-MIBO؛ مخفف اسم انگلیسیش اینه: Stochastic Proximal Gradient-Based Mixed-Integer Bilevel Optimization. خلاصه‌ش؟ یه روش یادگیری با دسته‌های کوچیک داده (mini-batch training یعنی این که به جای این که هر بار همه داده‌ها رو با هم بریزی، هر سری با یه بخش کوچیک کار می‌کنی تا هم سرعتت بهتر بشه، هم رم سیستم اذیت نشه). این الگوریتم هم برای مسائل با داده‌های خیلی بزرگ و پیچیده مناسبه، چون کاملاً در نظر گرفته تو هر مرحله از منابع سخت‌افزاری بهترین استفاده رو کنی.
نکته دیگه اینکه بچه‌ها، این الگوریتم یه ویژگی خفن هم داره: از نظر ریاضی تضمین شده که راه‌حل پیدا میشه و الگوریتم به جایی می‌رسه که باید! بهش میگن «تضمین همگرایی» یعنی می‌تونی مطمئن باشی نتیجه نصیبت میشه و توی راه گیر نمی‌کنی.
جالب‌تر اینه که اومدن این روش رو روی دیتاست‌های مختلف تست کردن؛ نتایج نشون داده وقتی مکان‌یابی و سنسور رو با هم مدل می‌کنی، عملکرد کلی سیستم خیلی بهتر از زمانیه که هر کدوم رو جدا جدا انجام بدی. یعنی واقعاً این همکاری و ترکیب دو تا وظیفه باعث سیو منابع و افزایش کیفیت کار شده.
در کل، اگر حالا با تکنولوژی‌های جدیدِ بی‌سیم سر و کار داری یا به تقاطع هوش مصنوعی و ارتباطات علاقه‌مندی، این تحقیق یه نمونه عالیه که نشون میده نکات پیچیده ریاضی و یادگیری ماشین چطور می‌تونن تو زندگی واقعی و ابزارهای هوشمند تاثیر بزاره!
منبع: +
