پژوهشگران چارچوبی برای انتقال کمتأخیر تصاویر در سامانههای ارتباطی ارائه کردهاند که بهجای تمرکز بر بازسازی کامل داده، اطلاعات مورد نیاز برای انجام یک وظیفه مشخص را منتقل میکند. این روش از نمایشهای نهفته گسسته تولیدشده توسط VQ-VAE و کانالهای دارای طیف بلااستفاده استفاده میکند و گیرنده مبتنی بر هوش مصنوعی میتواند اطلاعات مرتبط با وظیفه را از دادههای بهشدت فشرده استخراج کند. نتایج نشان میدهد روش پیشنهادی در مقایسه با روشهای متعارف کدگذاری منبع و کانال، کاهش تأخیر حداقل ۷۹ و ۳.۳ برابری را با افت دقت طبقهبندی بهترتیب تنها ۵.۷ و ۲.۴ درصد ایجاد میکند. این مقاله در کنفرانس IEEE SPAWC 2026 پذیرفته شده است. 
مشکل ارتباطات متعارف
سامانههای ارتباطی سنتی معمولاً برای بازسازی قابل اعتماد دادههای ارسالی طراحی میشوند، نه برای انجام مستقیم یک وظیفه مشخص. در این رویکرد، کدگذاری منبع و کدگذاری کانال بهصورت جداگانه انجام میشوند و زمانی که طیف ارتباطی محدود باشد یا کانال با محوشدگی مواجه شود، این فرایند میتواند تأخیر قابلتوجهی ایجاد کند. پژوهشگران بر این اساس رویکردی متفاوت را بررسی کردهاند که در آن هدف اصلی، انتقال اطلاعات ضروری برای انجام وظیفه بهجای بازسازی کامل تصویر است.
انتقال مبتنی بر وظیفه
روش پیشنهادی بر مفهوم Task-Oriented Communication استوار است. در این مدل، سامانه الزاماً تلاش نمیکند تصویر اصلی را با بیشترین شباهت ممکن در گیرنده بازسازی کند؛ بلکه اطلاعاتی را منتقل میکند که برای انجام وظیفه مورد نظر، مانند طبقهبندی، اهمیت دارند. این رویکرد میتواند حجم داده منتقلشده و در نتیجه زمان مورد نیاز برای ارتباط را کاهش دهد، زیرا اطلاعات غیرضروری برای وظیفه حذف یا فشرده میشوند.
استفاده از VQ-VAE
در چارچوب پیشنهادی، فرستنده از یک Variational Autoencoder کوانتیدهشده یا VQ-VAE برای تولید نمایشهای نهفته گسسته استفاده میکند. تصویر ابتدا به یک نمایش نهفته تبدیل میشود و سپس این نمایش به شکلی گسسته و فشرده برای انتقال آماده میشود. بنابراین بهجای ارسال مستقیم داده خام تصویر، اطلاعات فشردهای ارسال میشود که گیرنده هوش مصنوعی میتواند از آن برای استخراج اطلاعات مرتبط با وظیفه استفاده کند.
استفاده فرصتطلبانه از طیف
سامانه پیشنهادی از Opportunistic Spectrum Access استفاده میکند. در این رویکرد، فرستنده از کانالهای دارای مجوزی که در یک زمان مشخص بلااستفاده هستند استفاده میکند. این روش به سامانه اجازه میدهد در شرایطی که دسترسی به منابع طیفی محدود است، از فرصتهای موجود برای انتقال داده استفاده کند. عملکرد سامانه بنابراین نهتنها به فشردهسازی داده، بلکه به وضعیت تصادفی دسترسی به کانال و شرایط کانال ارتباطی نیز وابسته است.
گیرنده مبتنی بر هوش مصنوعی
یکی از ویژگیهای اصلی روش پیشنهادی این است که گیرنده هوش مصنوعی حتی پس از دریافت دادههای بهشدت فشردهشده میتواند اطلاعات مرتبط با وظیفه را بازسازی یا استخراج کند. بنابراین هدف سامانه، بازسازی کامل تصویر با کیفیت بصری بالا نیست؛ بلکه حفظ اطلاعاتی است که برای اجرای موفق وظیفه ارتباطی ضروری هستند.
مدلسازی تأخیر در سطح چندلایه
پژوهشگران یک مدل Cross-Layer برای تأخیر ارائه کردهاند که عوامل مختلف مؤثر بر زمان انتقال را بهصورت همزمان در نظر میگیرد. این مدل شامل زمان مورد نیاز برای فشردهسازی، خطاهای بلوکی، ارسال مجدد دادهها و دسترسی تصادفی به کانال ارتباطی است. در نتیجه، ارزیابی روش فقط بر اساس زمان انتقال خام انجام نمیشود و شرایط واقعیتر ارتباطی نیز در محاسبه تأخیر لحاظ میشوند.
موازنه تأخیر و دقت
نتایج آزمایشها بر اساس موازنه میان تأخیر و دقت ارزیابی شدهاند. روش پیشنهادی توانسته است در مقایسه با روشهای معیار مبتنی بر کدگذاری متعارف منبع و کانال، حداقل ۷۹ برابر کاهش تأخیر را با افت ۵.۷ درصدی در دقت طبقهبندی به دست آورد. در مقایسه دیگری نیز کاهش تأخیر ۳.۳ برابری با افت تنها ۲.۴ درصدی در دقت طبقهبندی حاصل شده است.
عملکرد در شرایط محدودیت طیف
چارچوب ارائهشده برای شرایطی طراحی شده است که منابع طیفی محدود باشند و کانال ارتباطی نیز با شرایط دشوار مواجه شود. ترکیب فشردهسازی مبتنی بر نمایش نهفته، انتقال روی کانالهای فرصتطلبانه و پردازش هوش مصنوعی در گیرنده به سامانه اجازه میدهد اطلاعات لازم برای اجرای وظیفه را با تأخیر کمتر منتقل کند.
اهمیت برای ارتباطات هوشمند
این پژوهش نشان میدهد که در سامانههای ارتباطی آینده، انتقال تمام داده خام الزاماً بهترین راهکار نیست. هنگامی که هدف نهایی یک وظیفه مشخص مانند طبقهبندی باشد، میتوان اطلاعات را در قالب نمایشهای فشرده و مرتبط با همان وظیفه منتقل کرد. چنین رویکردی میتواند به کاهش قابلتوجه تأخیر و مصرف منابع ارتباطی منجر شود، در حالی که عملکرد وظیفه اصلی تا حد محدودی کاهش مییابد.
نتیجهگیری
پژوهشگران یک چارچوب ارتباطی کمتأخیر ارائه کردهاند که انتقال تصاویر را با دسترسی فرصتطلبانه به طیف و نمایشهای نهفته تولیدشده توسط VQ-VAE ترکیب میکند. گیرنده مبتنی بر هوش مصنوعی قادر است از دادههای بهشدت فشرده اطلاعات مرتبط با وظیفه را استخراج کند. مدل Cross-Layer نیز اثر فشردهسازی، خطاهای بلوکی، ارسال مجدد و دسترسی تصادفی به کانال را در ارزیابی تأخیر لحاظ میکند. نتایج گزارششده، کاهش تأخیر حداقل ۷۹ و ۳.۳ برابری را در برابر افت دقت ۵.۷ و ۲.۴ درصدی نشان میدهند و بیانگر ظرفیت این رویکرد برای ارتباطات کمتأخیر و اجرای قابل اعتماد وظایف در شرایط محدودیت طیف هستند.