في عالم تكنولوجيا الاتصالات اللاسلكية، تعتبر تقنية توجيه الأشعة في الموجات الملليمترية (mmWave) من العناصر الحيوية لأنظمة الواي فاي المتقدمة. لكن، ورغم ضرورتها، تظل عملية تنفيذها بكفاءة تحدياً كبيراً. في هذا السياق، تم استكشاف تقنيتين هامتين هما التعلم البيئي (Meta-learning) والتعلم التحويلي (Transfer learning) لتحسين نماذج التنبؤ بالأشعة.

ومع ذلك، تعاني الأساليب التقليدية من عيوب عديدة، إذ يقوم التعلم البيئي بتكيف الشبكة بالكامل من نقطة الصفر، مما يؤدي إلى تكبد تكلفة تدريب عالية وتحديث عدد كبير من المعلمات. من ناحية أخرى، تحدد تقنيات التعلم التحويلي التكيف لبعض أجزاء الشبكة، دون استغلال التعلم البيئي المنهجي الذي يركز على تدريب النموذج عبر مهام متعددة.

لذا، تم تقديم إطار مبتكر يسمى MTL-BA، والذي يستند إلى التعلم التحويلي لأغراض توجيه الأشعة في أنظمة إدخال متعدد وإخراج واحد (MISO). يسمح هذا الإطار بتجميد العمود الفقري (backbone) لشبكة التعلم العميق المدربة مسبقاً، ويقوم بالتعلم فقط على محولات خفيفة الوزن (Scale-and-Shift adapters) بالإضافة إلى رأس المصنف.

يعزز الأسلوب الجديد من أداء النظام من خلال بدء العمل من نموذج مُعد مسبقاً، مما يقلل من تكلفة التكيف وميزانية التدريب دون التأثير على دقة التنبؤ. أظهرت النتائج التجريبية أن مخرجات MTL-BA تتطابق مع دقة وكفاءة الطيف الشاملة لمراجعات التكييف الكامل، مع تحديث عدد معلمات أقل بنحو 17 مرة مقارنةً بأساليب التكييف الكامل وMAML (Model-Agnostic Meta-Learning).

ولم تتوقف الابتكارات عند هذا الحد؛ فقد تفوق MTL-BA على أسلوب التكييف في الطبقة الأخيرة مع تحديث عدد مشابه من المعلمات، واقترب من أداء MAML مع الحاجة إلى 60% من عدد دورات التدريب. إن هذه التطورات تمثل خطوة هامة نحو تحقيق مزيد من الكفاءة في أنظمة الاتصالات اللاسلكية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!