مدل زبانی بزرگ (LLM) سفارشیسازی شده برای حسگری RF میتواند تخصص RF را «دموکراتیزه» کند
برای این که هوش مصنوعی بتواند طیف گستردهای از مهارتهای مورد نیاز برای طراحی RF رادیویی را پوشش دهد، راه زیادی در پیش است. با این حال، تیمی از محققان یک مدل زبانی بزرگ (LLM) به نام RFSensingGPT توسعه دادهاند که بر اساس ۸۰۰۰۰ قطعه اطلاعات فنی خاص RF ساخته شده است تا پاسخهای دقیقی به سؤالات مربوط به پاسخهای تخصصی مرتبط با حسگری RF ارائه دهد و روی یک دسکتاپ استاندارد ویندوز اجرا شود.
این ابزار هوش مصنوعی برای طراحی RF توسط مهندسانی از دانشگاه گلاسکو و امپریال کالج لندن توسعه یافته است و خلاصهای از آن در مجله IEEE Transactions on Cognitive Communications and Networking منتشر شده است. یکی از نویسندگان این مقاله، پروفسور قمر اچ. عباسی از دانشکده مهندسی جیمز وات دانشگاه گلاسکو، که مدیر مرکز ارتباطات، حسگری و تصویربرداری دانشگاه نیز هست، گفت: «در سالهای اخیر، مدلهای زبانی بزرگ مانند ChatGPT ثابت کردهاند که قادر به ارائه تجربیات کاربری جذاب با پاسخهای قانعکننده به سؤالات مربوط به طیف گستردهای از موضوعات هستند.»
با این حال، او افزود که از آنجایی که این مدلها بر روی طیف گستردهای از اطلاعات عمومی آموزش داده شدهاند، اغلب هنگامی که بحث به موضوعات تخصصیتر میرسد که دادههای آموزشی آنها ناقصتر است، پاسخهای نادرست یا گمراهکنندهای ارائه میدهند.
«هدف ما در توسعه RFSensingGPT ساختن سیستمی بود که بتوان به آن برای ارائه تحلیل تصویر پیچیده و پاسخهای دقیق و به راحتی در دسترس به سؤالات متخصصان و توسعهدهندگانی که تازه وارد این حوزه شدهاند، تکیه کرد.»
پروفسور محمد عمران، رئیس دانشکده مهندسی جیمز وات، یکی از نویسندگان این مقاله، اظهار داشت: «RFSensingGPT میتواند با در دسترس قرار دادن دانش تخصصی برای متخصصان و توسعهدهندگانی که تازه وارد این حوزه شدهاند، به طور قابل توجهی تحقیق و توسعه در زمینه پایش سلامت را تسریع کند و به دموکراتیزه کردن تخصص RF در سراسر صنعت کمک کند.»
او افزود: «ما نشان دادهایم که این سیستم به خوبی کار میکند تا بدون نیاز به تنظیمات محاسباتی پیچیده، پشتیبانی دقیقی ارائه دهد و امیدواریم که به طور گسترده توسط محققان حسگری RF مورد استفاده قرار گیرد.» «ما همچنین در حال بررسی این موضوع هستیم که چگونه میتوان این سیستم را آموزش داد تا خدمات مشابهی را برای سایر زمینههای ارتباطی مرتبط در سالهای آینده ارائه دهد و نوآوری را در شبکههای 6G پیشرفته مبتنی بر هوش مصنوعی، زیرساختهای شهر هوشمند و کاربردهای پایش سلامت هدایت کند.»
حسگری RF غیرتهاجمی به ساخت تصاویر دقیق کمک میکند
حسگری RF از امواج رادیویی با فرکانس بالا برای بررسی فضاهای فیزیکی استفاده میکند. با تجزیه و تحلیل امواج بازتاب شده، میتوان تصویر دقیقی از اشیاء و افراد ایجاد کرد و حتی از میان دیوارها نیز تصاویر را تشخیص داد. حسگری RF برای فناوریهای مراقبتهای بهداشتی برای فعال کردن پایش غیرتهاجمی (یعنی عدم استفاده از دوربین) حرکات و علائم حیاتی افراد در خانههایشان مفید است.
علاوه بر این، حسگری RF میتواند برای پایش قلبی-ریوی مورد استفاده قرار گیرد، همانطور که در این پروژه در Github نشان داده شده است، جایی که به استفاده از آن برای اندازهگیری حجم تنفسی، تشخیص آپنه، تشخیص توجه کاربر و تشخیص حرکت در خواب میپردازد. مطالعه دیگری از حسگرهای بیان چهره RF برای تشخیص دقیق و شناسایی حالات چهره استفاده میکند و تکنیکهای مختلف حسگری مبتنی بر RF، از جمله رادار داپلر، RFID و حسگری Wi-Fi را بررسی میکند و مزایا و محدودیتهای مربوط به هر کدام را برجسته میکند.
پتانسیل حسگری RF به شبکههای 6G نسل بعدی برای مواردی مانند پایش بلادرنگ نه تنها در مراقبتهای بهداشتی، بلکه در زمینههایی مانند حمل و نقل و تولید نیز گسترش مییابد.
برای ابزار RFSensingGPT، تیمهای مهندسی دانشگاه از تولید تقویتشده با بازیابی (RAG) استفاده میکنند تا توانایی مدل زبانی بزرگ (LLM) را برای ارائه پاسخهای تخصصی افزایش دهند. این مدل زبانی بزرگ (LLM) بر اساس بیش از ۸۰۰۰۰ قطعه اطلاعات فنی خاص RF است که توسط این تیم جمعآوری شده است، از جمله اسناد فنی، مخازن کد و مقالات تحقیقاتی، تا پاسخهای دقیقی را به زبان قابل دسترس به سؤالات ارائه دهد.
این تیم گفت که RFSensingGPT تقریباً ۹۸٪ مواقع در پاسخ به سؤالات کاربران در آزمایشهای خود، دسترسی به اسناد فنی مرتبط را فراهم میکند. آنها گفتند که این یک پیشرفت چشمگیر نسبت به نرخ ۳۶٪ پاسخهای صحیح ارائه شده توسط مدلهای هوش مصنوعی استاندارد آزمایش شده توسط آنها است.
عملکرد این ابزار بر روی دو سیستم رایانهای آزمایش شد: یکی یک دسکتاپ استاندارد ویندوز با استفاده از پردازنده اینتل و دیگری مجهز به پردازنده گرافیکی Nvidia میانرده. دانشگاهها در اطلاعیه خود اعلام کردند که در هر دو مورد، RFSensingGPT نتایج سریع و دقیقی ارائه میدهد و نشان میدهد که حتی برای استفاده در سیستمهای رایانهای با قدرت نسبتاً پایین نیز مناسب است.
تفسیر اسپکتروگرامها با دقت ۹۳٪
مهندسان دانشگاهها گفتند که RFSensingGPT همچنین میتواند وظیفه تفسیر دقیق اسپکتروگرامهای تولید شده توسط سیگنالهای حسگری در سه محدوده مختلف طیف RF را انجام دهد: 24 گیگاهرتز، 77 گیگاهرتز و Xethru. باز هم، در آزمایشهای خود، تیمها توانستند سیگنالهایی را که نشان میداد افراد در حال نشستن، راه رفتن، خزیدن یا خم شدن هستند را با دقت ۹۳٪ تفسیر کنند.
این مقاله با عنوان «RFSensingGPT: یک چارچوب چندوجهی تقویتشده با RAG برای اطلاعات یکپارچه حسگری و ارتباطات در شبکههای 6G» در IEEE Transactions on Cognitive Communications and Networkingمنتشر شده است.