شبکه ی عصبی آگاه از فیزیک برای تخمین کانال مقاوم در برابر داپلر کسری در سیستم های OTFS راه آهن پرسرعت

ارتباطات راه آهن پرسرعت (HSR) یکی از سناریوهای کلیدی در شبکه های نسل ششم (۶G) محسوب می شود که نیازمند انتقال قابل اطمینان داده در سرعت های بالای ۵۰۰ کیلومتر بر ساعت است. مدولاسیون حوزه ی تاخیر-داپلر متعامد (OTFS) به عنوان یک شکل موج امیدوارکننده برای مقابله با محو شدگی دوگانه انتخابی ناشی از تحرک بالا مطرح شده است. با این حال، پدیده ی داپلر کسری باعث نشت انرژی در حوزه ی تاخیر-داپلر شده و دقت تخمین کانال را به شدت کاهش می دهد. روش های سنتی مبتنی بر شبکه بندی ثابت و نیز رویکردهای یادگیری عمیق صرفا داده محور، به ترتیب از محدودیت های دقت و تعمیم پذیری رنج می برند. در این مقاله، یک چارچوب شبکه ی عصبی آگاه از فیزیک (PINN) برای تخمین کانال مقاوم در برابر داپلر کسری در سیستم های OTFS ریلی پرسرعت پیشنهاد می شود. معماری پیشنهادی با تلفیق یک شبکه ی عصبی عمیق، یک لایه ی تصحیح فیزیکی و یک تابع هزینه ی چندمولفه ای، قیود فیزیکی شامل محدوده ی داپلر، پایستگی انرژی، پراکندگی تاخیر-داپلر و پیوستگی زمانی را در فرآیند آموزش شبکه درون یابی می کند. این رویکرد، ضمن حفظ تفسیرپذیری فیزیکی، نیاز به داده های آموزشی را به شدت کاهش می دهد. نتایج شبیه سازی نشان می دهند که روش پیشنهادی در مقایسه با روش های پیشرفته ی موجود، بهبودی حدود ۱۰ تا ۵۰ برابری در دقت تخمین ارائه می دهد، تعداد راهنماهای مورد نیاز را تا ۷۰٪ کاهش می دهد، مقاومت استثنایی در برابر داپلر کسری از خود نشان می دهد و با تنها ۵٪ داده های آموزشی به عملکرد قابل قبولی دست می یابد. این مزایا، چارچوب پیشنهادی را به عنوان یک راه حل کارآمد و عملی برای تخمین کانال در ارتباطات راه آهن پرسرعت نسل آینده معرفی می کند.

کلیدواژه ها:

OTFS ، داپلر کسری ، تخمین کانال ، شبکه های عصبی آگاه از فیزیک (PINN) ، راه آهن پرسرعت ، یادگیری با نمونه های محدود.