في خطوة ثورية نحو تحسين جودة نقل البيانات عبر الشبكات اللاسلكية، تم تقديم إطار جديد يُعرف باسم "إطار بروباجيت الحدود" للتحقق من دقة نماذج ترميز المصادر والقنوات العميقة (DeepJSCC). فهذه الطريقة، التي تعتمد على استعمال محولات العصبية، تسهم في تقليل نسبة تدهور الجودة بسبب الاضطرابات التنافسية وضوضاء القناة.

حتى الآن، لم تتمكن النماذج التقليدية من الحكم بدقة على مدى تأثير هذه الاضطرابات، ولكن الإطار الجديد يمكّن من تحديد الحدود القصوى للأخطاء الناتجة عن إعادة البناء في ظروف معينة من الضوضاء.

هذا الابتكار يستند إلى تحسين تقنيات التحقق الحالية لدعم عناصر معينة في نموذج DeepJSCC منها التفاعلات الخطية المجهزة بشكل معيّن (PReLU) وعمليات التفكيك السابقة. تم تعديل نموذج التحويل العكسي لفهم الأفضل لكيفية تخفيف تشتت Rayleigh داخل الهيكل.

أيضاً، تم تطبيق تدريب جديد، يعرف باسم GloRo، الذي يعزز الصلابة العالمية للنموذج ويتيح الاعتماد القوي لأول مرة على نماذج DeepJSCC. وقد أظهرت النتائج أن هذا التدريب الجديد، إلى جانب ترميز الهيكل، يُخفض حد الأخطاء المعتمد بنسبة تصل إلى 41%، ويزيد من عدد الحالات المعتمدة بأمان (192 مقارنة بـ 19) عبر أسلوب ترميز فاصل.

التأكد من تحقيق هذه الابتكارات على الأجهزة الحقيقية عبر بث مُنظَّم لتوزيع ترددات (OFDM) يعزز مصداقية النظام، حيث تم رصد أقل خطأ بنسبة 0.082 مقابل حد معتمد قدره 0.128.

إذاً، ما رأيكم في هذا التطور المثير في عالم الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!