অপটিক্যাল ক্যামেরা কমিউনিকেশনে নিউরাল ইকুয়ালাইজেশন ব্যবহার করে ৫১২-কালার শিফট কীং সিগন্যাল ডিমডুলেশনের প্রথম প্রদর্শন

সূচিপত্র

1. ভূমিকা ও সংক্ষিপ্ত বিবরণ

এই গবেষণাপত্রটি অপটিক্যাল ক্যামেরা কমিউনিকেশন (ওসিসি)-এর জন্য ৫১২-কালার শিফট কীং (৫১২-সিএসকে) সিগন্যাল ট্রান্সমিশনের প্রথম পরীক্ষামূলক প্রদর্শন উপস্থাপন করে। মূল অর্জন হলো একটি বাণিজ্যিক সনি আইএমএক্স৫৩০ সিএমওএস ইমেজ সেন্সর মডিউল, ৫০-মিমি লেন্স এবং একটি কাস্টম মাল্টি-লেবেল শ্রেণীবিভাগ নিউরাল নেটওয়ার্ক (এনএন) ব্যবহার করে ৪-মিটার দূরত্বে ত্রুটিমুক্ত ডিমডুলেশন, যা একটি ননলিনিয়ার ইকুয়ালাইজার হিসেবে কাজ করে। এই কাজটি ওসিসি ডেটা ঘনত্বের সীমাকে উল্লেখযোগ্যভাবে এগিয়ে নিয়ে যায়, পূর্বে প্রদর্শিত ৮, ১৬, বা ৩২-সিএসকে স্কিম থেকে ৫১২ রঙের (৯ বিট/সিম্বল) উচ্চ-ক্রম মড্যুলেশনের এলাকায় প্রবেশ করে।

গবেষণাটি ওসিসি-এর একটি মৌলিক চ্যালেঞ্জের সমাধান করে: ক্যামেরা আরজিবি ফিল্টারগুলোর অ-আদর্শ বর্ণালী সংবেদনশীলতার কারণে সৃষ্ট আন্তঃ-রঙ ক্রসটক, যা সিআইই ১৯৩১ কালার স্পেসের উপর ভিত্তি করে প্রেরিত সিএসকে কনস্টেলেশনকে বিকৃত করে। প্রস্তাবিত নিউরাল ইকুয়ালাইজার সরাসরি কাঁচা সেন্সর ডেটা থেকে এই ননলিনিয়ার বিকৃতি ক্ষতিপূরণ করে, জটিল লিনিয়ার সিগন্যাল প্রসেসিং মডেলের প্রয়োজনীয়তা এড়িয়ে যায়।

2. প্রযুক্তিগত কাঠামো

2.1 রিসিভার কনফিগারেশন ও সেটআপ

রিসিভার সিস্টেমটি একটি সনি সেমিকন্ডাক্টর সলিউশন ক্যামেরা সিস্টেমের উপর ভিত্তি করে তৈরি করা হয়েছে যা কোনো পোস্ট-প্রসেসিং (ডিমোসাইকিং, ডিনয়েজিং, হোয়াইট ব্যালেন্স) ছাড়াই ১২-বিট কাঁচা আরজিবি ডেটা আউটপুট করতে সক্ষম। এই কাঁচা ডেটা সঠিক রঙ পুনরুদ্ধারের জন্য অত্যন্ত গুরুত্বপূর্ণ। সিগন্যালটি একটি ৮x৮ এলইডি প্ল্যানার অ্যারে ট্রান্সমিটার (৬.৫ সেমি প্যানেল) থেকে ৫০-মিমি অপটিক্যাল লেন্সের মাধ্যমে ক্যাপচার করা হয়। প্রাপ্ত আরজিবি মানগুলো নিউরাল ইকুয়ালাইজারে ফিড করার আগে একটি স্ট্যান্ডার্ড কালার স্পেস ট্রান্সফর্মেশন ম্যাট্রিক্স ব্যবহার করে সিআইই ১৯৩১ (x, y) ক্রোমাটিসিটি স্থানাঙ্কে রূপান্তরিত হয়।

2.2 নিউরাল নেটওয়ার্ক ইকুয়ালাইজার আর্কিটেকচার

ডিমডুলেশন সিস্টেমের হৃদয় হলো একটি মাল্টি-লেবেল নিউরাল নেটওয়ার্ক। এর উদ্দেশ্য হলো ননলিনিয়ার ইকুয়ালাইজেশন সম্পাদন করা, বিকৃত প্রাপ্ত (x, y) স্থানাঙ্কগুলোকে সবচেয়ে সম্ভাব্য প্রেরিত ৯-বিট সিম্বলের (৫১২-সিএসকের জন্য) দিকে ম্যাপ করা।

• ইনপুট লেয়ার: ২ ইউনিট (x, y ক্রোমাটিসিটি স্থানাঙ্ক)।
• লুকানো স্তরসমূহ: N_h স্তর, প্রতিটিতে N_u ইউনিট (নির্দিষ্ট আর্কিটেকচার বিবরণ উল্লেখ করা হয়েছে কিন্তু উদ্ধৃতাংশে সম্পূর্ণ তালিকাভুক্ত নয়)।
• আউটপুট লেয়ার: M = ৯ ইউনিট, যা ৫১২-সিএসকে সিম্বলের ৯ বিটের সাথে সামঞ্জস্যপূর্ণ। নেটওয়ার্কটি মাল্টি-লেবেল শ্রেণীবিভাগের জন্য প্রশিক্ষিত।

নেটওয়ার্কটি প্রতিটি বিটের জন্য একটি পোস্টেরিয়র সম্ভাব্যতা বন্টন $p(1|x, y)$ আউটপুট করে। এই সম্ভাব্যতা থেকে একটি লগ-লাইকলিহুড রেশিও (এলএলআর) গণনা করা হয় এবং পরবর্তীতে চূড়ান্ত ত্রুটি সংশোধনের জন্য একটি লো-ডেনসিটি প্যারিটি-চেক (এলডিপিসি) ডিকোডার দ্বারা ডিকোড করা হয়।

2.3 ৫১২-সিএসকে কনস্টেলেশন ম্যাপিং

৫১২টি সিম্বল কৌশলগতভাবে আরজিবি-এলইডি ট্রান্সমিটারের সিআইই ১৯৩১ গ্যামুটের মধ্যে স্থাপন করা হয়েছে। ম্যাপিংটি নীল প্রাথমিক রঙ $(x=0.1805, y=0.0722)$ এর সাথে সম্পর্কিত শীর্ষবিন্দু থেকে শুরু হয় এবং উপলব্ধ স্থানটি একটি "ত্রিভুজাকার পদ্ধতিতে" পূরণ করে। এটি ইঙ্গিত দেয় যে একটি দক্ষ প্যাকিং অ্যালগরিদম ব্যবহার করা হয়েছে যাতে ভৌত রঙের গ্যামুটের মধ্যে কনস্টেলেশন পয়েন্টগুলোর মধ্যে ইউক্লিডীয় দূরত্ব সর্বাধিক করা যায়, যা সিম্বল ত্রুটি হার কমানোর জন্য অত্যন্ত গুরুত্বপূর্ণ।

3. পরীক্ষামূলক ফলাফল ও বিশ্লেষণ

3.1 বিইআর পারফরম্যান্স বনাম এলইডি অ্যারের আকার

পরীক্ষায় ট্রান্সমিটার অ্যারেতে সক্রিয় এলইডির সংখ্যা ১x১ থেকে ৮x৮ পর্যন্ত পরিবর্তন করা হয়েছে। এটি কার্যকরভাবে আলোর তীব্রতা এবং ইমেজ সেন্সরে সিগন্যাল যে এলাকা দখল করে তা পরিবর্তন করে। এই চলকের বিপরীতে বিট ত্রুটি হার (বিইআর) বৈশিষ্ট্য মূল্যায়ন করা হয়েছে। সফল ত্রুটিমুক্ত অপারেশন বিভিন্ন প্রাপ্ত সিগন্যাল শক্তি এবং স্থানিক প্রোফাইলের মধ্যে নিউরাল ইকুয়ালাইজারের দৃঢ়তা প্রদর্শন করে। একটি সম্পূর্ণ ৮x৮ অ্যারের ব্যবহার সম্ভবত একাধিক পিক্সেলের উপর গড় করে এবং নয়েজের প্রভাব কমিয়ে সর্বোত্তম কর্মক্ষমতা প্রদান করে।

3.2 পূর্ববর্তী কাজের সাথে তুলনা

গবেষণাপত্রে পূর্ববর্তী ওসিসি-সিএসকে প্রদর্শনগুলোর সাথে এই কাজের তুলনা করে একটি সারাংশ চিত্র (চিত্র ১(গ)) অন্তর্ভুক্ত করা হয়েছে। মূল পার্থক্যগুলো হলো:

• মড্যুলেশন ক্রম: ৫১২-সিএসকে পূর্ববর্তী পরীক্ষামূলক কাজে রিপোর্ট করা ৮-সিএসকে [১], ১৬-সিএসকে [২,৩], এবং ৩২-সিএসকে [৪,৫] কে ব্যাপকভাবে ছাড়িয়ে গেছে।
• দূরত্ব: ৪মি অপারেশন প্রতিযোগিতামূলক, বিশেষ করে উচ্চ মড্যুলেশন ক্রম বিবেচনা করে। এটি অতি স্বল্প-পরিসরের (৩-৪ সেমি) উচ্চ-ক্রম ডেমো এবং দীর্ঘ-পরিসরের (৮০-১০০ সেমি) নিম্ন-ক্রম ডেমোর মধ্যে অবস্থান করে।
• প্রযুক্তি: কাঁচা সেন্সর ডেটা থেকে সরাসরি ননলিনিয়ার ইকুয়ালাইজেশনের জন্য একটি নিউরাল নেটওয়ার্কের ব্যবহার মডেল-ভিত্তিক লিনিয়ার ক্ষতিপূরণ কৌশলের তুলনায় একটি নতুন এবং সম্ভাব্যভাবে আরও সাধারণীকরণযোগ্য পদ্ধতি।

4. মূল বিশ্লেষণ ও বিশেষজ্ঞ ব্যাখ্যা

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি কেবল আরও বেশি সংখ্যক রঙ অর্জন সম্পর্কে নয়; এটি অপটিক্যাল সিগন্যাল পুনরুদ্ধারে পদার্থবিদ্যা-প্রথম মডেলিং থেকে ডেটা-প্রথম লার্নিং-এ একটি কৌশলগত পরিবর্তন। লেখকরা অন্তর্নিহিতভাবে স্বীকার করেছেন যে একটি ক্যামেরায় জটিল, ননলিনিয়ার বিকৃতি পাইপলাইন (ফিল্টার ক্রসটক, সেন্সর ননলিনিয়ারিটি, লেন্স আর্টিফ্যাক্ট) একটি সার্বজনীন ফাংশন অ্যাপ্রক্সিমেটর (একটি নিউরাল নেটওয়ার্ক) দ্বারা একটি সূক্ষ্মভাবে উদ্ভূত কিন্তু অনিবার্যভাবে অসম্পূর্ণ বিশ্লেষণাত্মক মডেলের চেয়ে ভালোভাবে পরিচালনা করা যায়। এটি ওয়্যারলেস কমিউনিকেশনের মতো অন্যান্য ক্ষেত্রে দেখা পরিবর্তনের প্রতিফলন ঘটায়, যেখানে জটিল, নন-লিনিয়ার চ্যানেলে চ্যানেল ইকুয়ালাইজেশন এবং সিম্বল ডিটেকশনের জন্য ডিপ লার্নিং ক্রমবর্ধমানভাবে ব্যবহৃত হচ্ছে।

যুক্তিসঙ্গত প্রবাহ: যুক্তিটি আকর্ষণীয়: ১) থ্রুপুটের জন্য উচ্চ-ক্রম সিএসকে প্রয়োজন। ২) উচ্চ-ক্রম সিএসকে রঙের বিকৃতির প্রতি অত্যন্ত সংবেদনশীল। ৩) ক্যামেরা রঙের বিকৃতি জটিল এবং ননলিনিয়ার। ৪) অতএব, বাস্তব ডেটার উপর এন্ড-টু-এন্ড প্রশিক্ষিত একটি ননলিনিয়ার ক্ষতিপূরণকারী (এনএন) ব্যবহার করুন। কাঁচা সেন্সর ডেটার ব্যবহার একটি মাস্টারস্ট্রোক—এটি নিউরাল নেটওয়ার্ককে কোনো ক্যামেরা আইএসপি (ইমেজ সিগন্যাল প্রসেসর) তার নিজস্ব, প্রায়শই মালিকানাধীন এবং অ-উল্টানো, রূপান্তর প্রবর্তনের আগে সর্বাধিক পরিমাণ অপরিবর্তিত তথ্য প্রদান করে। এই পদ্ধতিটি আধুনিক কম্পিউটেশনাল ফটোগ্রাফির দর্শনের কথা স্মরণ করিয়ে দেয়, যেখানে অ্যালগরিদমগুলি সর্বাধিক নমনীয়তার জন্য কাঁচা সেন্সর ডেটার উপর কাজ করে।

শক্তি ও ত্রুটি: প্রাথমিক শক্তি হলো বর্ণালী দক্ষতায় নাটকীয় লাফ, যা পূর্বে কেবল সিমুলেশন ছিল তা পরীক্ষামূলকভাবে যাচাই করে। নিউরাল ইকুয়ালাইজারটি মার্জিত এবং শক্তিশালী। যাইহোক, ত্রুটি—অনেক এমএল-ভিত্তিক কমিউনিকেশন গবেষণাপত্রের সাধারণ—হলো "ব্ল্যাক বক্স" প্রকৃতি। গবেষণাপত্রটি এনএনের আর্কিটেকচার অনুসন্ধান, প্রশিক্ষণ ডেটার আকার, বা বিভিন্ন ক্যামেরা, লেন্স, বা পরিবেষ্টিত আলোর অবস্থার জন্য সাধারণীকরণ ক্ষমতার গভীরে যায় না। প্রতিটি নতুন রিসিভার মডেলের জন্য কি নেটওয়ার্ককে পুনরায় প্রশিক্ষণের প্রয়োজন হবে? কমিউনিকেশনের জন্য মেশিন লার্নিং-এর উপর একটি মৌলিক পর্যালোচনায় ও'শিয়া এবং হয়ডিস যেমন উল্লেখ করেছেন, ডিএল-ভিত্তিক রিসিভারগুলোর ব্যবহারিকতা পরিবর্তনশীল অবস্থার প্রতি তাদের দৃঢ়তা এবং অভিযোজনযোগ্যতার উপর নির্ভর করে। তদুপরি, ৪মি দূরত্ব, যদিও ভালো, তবুও শক্তি/এসএনআর সীমাবদ্ধতার ইঙ্গিত দেয়। চূড়ান্ত ত্রুটিমুক্ত কর্মক্ষমতার জন্য একটি এলডিপিসি ডিকোডারের উপর নির্ভরতা নির্দেশ করে যে এনএন আউটপুটে কাঁচা সিম্বল ত্রুটি হার শূন্য নয়, যা নিম্ন এসএনআর-এর অধীনে ইকুয়ালাইজারের স্বতন্ত্র কর্মক্ষমতা সম্পর্কে প্রশ্ন উত্থাপন করে।

কার্যকরী অন্তর্দৃষ্টি: গবেষকদের জন্য, পরবর্তী স্পষ্ট পদক্ষেপ হলো ব্ল্যাক বক্সটি খোলা। এনএন আর্কিটেকচার তদন্ত করা (সিএনএনগুলি সেন্সর জুড়ে স্থানিক পরিবর্তনগুলি আরও ভালভাবে পরিচালনা করতে পারে), নতুন হার্ডওয়্যারের সাথে খাপ খাইয়ে নেওয়ার জন্য ফিউ-শট বা ট্রান্সফার লার্নিং অন্বেষণ করা, এবং একটি আরও সামগ্রিক, টার্বোর মতো কাঠামোতে ইকুয়ালাইজারকে ফরোয়ার্ড ত্রুটি সংশোধনের সাথে একীভূত করা। শিল্পের জন্য, এই কাজটি ইঙ্গিত দেয় যে সাধারণ ক্যামেরা ব্যবহার করে উচ্চ-ডেটা-রেট, ফ্লিকার-মুক্ত ভিএলসি বাস্তবতার কাছাকাছি চলে আসছে। সেন্সরের জন্য সনির সাথে অংশীদারিত্ব উল্লেখযোগ্য; বাণিজ্যিকীকরণ নির্ভর করবে এমন নিউরাল প্রসেসিংকে দক্ষতার সাথে ক্যামেরা এএসআইসিতে এম্বেড করা বা স্মার্টফোনে ইতিমধ্যে উপস্থিত অন-ডিভাইস এআই অ্যাক্সিলারেটরগুলির সুবিধা নেওয়ার উপর। লক্ষ্য করার মান হলো আইইইই ৮০২.১৫.৭আর১ (ওসিসি), এবং এর মতো অবদানগুলি সরাসরি এর বিবর্তনকে প্রভাবিত করতে পারে।

5. প্রযুক্তিগত বিবরণ ও গাণিতিক সূত্রায়ন

কালার স্পেস রূপান্তর: প্রাপ্ত আরজিবি মানগুলোর (কাঁচা সেন্সর থেকে) সিআইই ১৯৩১ xy স্থানাঙ্কে রূপান্তর সেন্সরের বর্ণালী বৈশিষ্ট্যের উপর ভিত্তি করে সিআইই স্ট্যান্ডার্ড পর্যবেক্ষকের সাপেক্ষে প্রাপ্ত একটি স্ট্যান্ডার্ড ম্যাট্রিক্স ব্যবহার করে সম্পাদন করা হয়। গবেষণাপত্রে ব্যবহৃত নির্দিষ্ট ম্যাট্রিক্স প্রদান করা হয়েছে: $$ \begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix} \begin{pmatrix} R \\ G \\ B \end{pmatrix} $$ এটি একটি সরলীকৃত লিনিয়ার রূপান্তর। অনুশীলনে, একটি আরও সঠিক মডেলের জন্য একটি ননলিনিয়ার ম্যাপিং বা নির্দিষ্ট সেন্সরের কালার ফিল্টারের জন্য তৈরি একটি ম্যাট্রিক্সের প্রয়োজন হতে পারে।

নিউরাল নেটওয়ার্ক আউটপুট থেকে এলএলআর: মাল্টি-লেবেল এনএন আউটপুট করে সম্ভাব্যতা $p_i(1|x, y)$ যে $i$-তম বিটটি (৯টির মধ্যে) '১'। সেই বিটের জন্য লগ-লাইকলিহুড রেশিও (এলএলআর) $L_i$, যা এলডিপিসি ডিকোডারে ফিড করা হয়, নিম্নরূপ গণনা করা হয়: $$ L_i = \log \left( \frac{p_i(1|x, y)}{1 - p_i(1|x, y)} \right) $$ একটি বড় ধনাত্মক এলএলআর নির্দেশ করে যে বিটটি ১ হওয়ার উচ্চ আত্মবিশ্বাস রয়েছে, একটি বড় ঋণাত্মক মান নির্দেশ করে যে এটি ০ হওয়ার উচ্চ আত্মবিশ্বাস রয়েছে।

6. বিশ্লেষণ কাঠামো ও উদাহরণ কেস

কাঠামো: ওসিসির জন্য "শেখা রিসিভার" পাইপলাইন

এই গবেষণা ওসিসির বাইরে প্রযোজ্য একটি আধুনিক "শেখা রিসিভার" ডিজাইন প্যাটার্নের উদাহরণ দেয়। কাঠামোটিকে অনুক্রমিক, অপ্টিমাইজযোগ্য ব্লকে ভাগ করা যায়:

1. হার্ডওয়্যার-সচেতন ডেটা অর্জন: প্রসেসিং চেইনের প্রাথমিক, সবচেয়ে কাঁচা বিন্দুতে সিগন্যাল ক্যাপচার করুন (যেমন, সেন্সর র ডেটা, আরএফ আই/কিউ স্যাম্পল)।
2. পার্থক্যযোগ্য প্রিপ্রসেসিং: ন্যূনতম, প্রয়োজনীয় প্রিপ্রসেসিং প্রয়োগ করুন (যেমন, কালার স্পেস রূপান্তর, সিঙ্ক্রোনাইজেশন) এমনভাবে যাতে এন্ড-টু-এন্ড প্রশিক্ষণ দেওয়ার সময় গ্রেডিয়েন্ট প্রবাহের অনুমতি দেওয়া যায়।
3. নিউরাল নেটওয়ার্ক কোর: মূল ডিমডুলেশন/ইকুয়ালাইজেশন কাজ সম্পাদনের জন্য একটি নিউরাল নেটওয়ার্ক (এমএলপি, সিএনএন, ট্রান্সফরমার) ব্যবহার করুন। নেটওয়ার্কটি একটি লস ফাংশন দিয়ে প্রশিক্ষিত হয় যা সরাসরি সিম্বল বা বিট ত্রুটি হার কমানোর লক্ষ্য রাখে, প্রায়শই শ্রেণীবিভাগ কাজের জন্য ক্রস-এনট্রপি লস ব্যবহার করে।
4. হাইব্রিড ডিকোডিং: নিউরাল নেটওয়ার্কের সফট আউটপুটগুলোর (সম্ভাব্যতা, এলএলআর) সাথে একটি অত্যাধুনিক, নন-নিউরাল ত্রুটি সংশোধন ডিকোডারের (যেমন এলডিপিসি বা পোলার কোড ডিকোডার) ইন্টারফেস করুন। এটি শেখার নমনীয়তাকে ক্লাসিকাল কোডিং তত্ত্বের প্রমাণিত সর্বোত্তমতার সাথে একত্রিত করে।

নন-কোড কেস উদাহরণ: আন্ডারওয়াটার ভিএলসিতে কাঠামো প্রয়োগ করা

এই একই কাঠামোটি আন্ডারওয়াটার ভিজিবল লাইট কমিউনিকেশন (ইউভিএলসি)-তে প্রয়োগ করার কথা বিবেচনা করুন, যা স্ক্যাটারিং এবং টারবুলেন্স-প্ররোচিত ফেডিং-এর মতো গুরুতর চ্যানেল প্রতিবন্ধকতায় ভোগে। ইউভিএলসির জন্য একটি "শেখা রিসিভার" নিম্নরূপ তৈরি করা যেতে পারে:

• ধাপ ১: একটি উচ্চ-গতির ফটোডিটেক্টর বা ক্যামেরা ব্যবহার করুন যা কাঁচা তীব্রতা ক্রম ক্যাপচার করে।
• ধাপ ২: আগ্রহের সিগন্যাল অঞ্চলকে বিচ্ছিন্ন করতে এবং মোটা সিঙ্ক্রোনাইজেশন সম্পাদন করতে প্রিপ্রসেস করুন।
• ধাপ ৩: এই কাঁচা ক্রম ডেটার উপর একটি ১ডি কনভোলিউশনাল নিউরাল নেটওয়ার্ক (সিএনএন) বা একটি রিকারেন্ট নিউরাল নেটওয়ার্ক (আরএনএন) যেমন এলএসটিএম প্রশিক্ষণ দিন। নেটওয়ার্কের কাজ হলো সময়-পরিবর্তনশীল চ্যানেল প্রভাবগুলিকে সমান করা এবং সিম্বলগুলিকে ডিম্যাপ করা। প্রশিক্ষণ ডেটা বিভিন্ন পানির ঘোলাটে এবং টারবুলেন্স অবস্থার অধীনে সংগ্রহ করা হবে।
• ধাপ ৪: নেটওয়ার্কটি একটি এফইসি ডিকোডারের জন্য সফট সিদ্ধান্ত আউটপুট করে, একটি অত্যন্ত গতিশীল চ্যানেলে শক্তিশালী যোগাযোগ সক্ষম করে যেখানে ঐতিহ্যগত চ্যানেল অনুমান ব্যর্থ হয়।

7. ভবিষ্যতের প্রয়োগ ও গবেষণার দিকনির্দেশ

• স্মার্টফোন-ভিত্তিক লাই-ফাই: চূড়ান্ত লক্ষ্য হলো এই প্রযুক্তিকে স্মার্টফোনে একীভূত করা নিরাপদ, উচ্চ-গতির পিয়ার-টু-পিয়ার ডেটা স্থানান্তর বা সেন্টিমিটার-স্তরের নির্ভুলতার সাথে ইনডোর পজিশনিংয়ের জন্য, বিদ্যমান ক্যামেরা হার্ডওয়্যারের সুবিধা নিয়ে।
• অটোমোটিভ ভি২এক্স কমিউনিকেশন: যানবাহনের হেডলাইট/টেইললাইট এবং ক্যামেরা ব্যবহার করে ভেহিকেল-টু-এভরিথিং (ভি২এক্স) কমিউনিকেশনের জন্য, আরএফ-ভিত্তিক ডিএসআরসি/সি-ভি২এক্স-এর পরিপূরক একটি অতিরিক্ত, শক্তিশালী ডেটা লিঙ্ক প্রদান করে।
• এআর/ভিআর এবং মেটাভার্স ইন্টারফেস: এআর চশমা এবং অবকাঠামো বা ডিভাইসগুলোর মধ্যে সিঙ্ক্রোনাইজড শেয়ার্ড অভিজ্ঞতার জন্য কম-লেটেন্সি, উচ্চ-ব্যান্ডউইডথ ডেটা লিঙ্ক সক্ষম করা।
• গবেষণার দিকনির্দেশ:
  1. এন্ড-টু-এন্ড শেখা সিস্টেম: ট্রান্সমিটারের কনস্টেলেশন আকৃতি (একটি নিউরাল নেটওয়ার্কের মাধ্যমে) এবং রিসিভারের ইকুয়ালাইজারের যৌথ অপ্টিমাইজেশন অন্বেষণ করা, "অটোএনকোডার" কমিউনিকেশনের ধারণার অনুরূপ।
  2. দৃঢ়তা এবং মানকীকরণ: বিভিন্ন ক্যামেরা মডেল, পরিবেষ্টিত আলো এবং আংশিক অক্লুশনের প্রতি দৃঢ় নিউরাল রিসিভার মডেল তৈরি করা। এটি আইইইই ৮০২.১৫.৭-এর মতো মানকীকরণ প্রচেষ্টার জন্য অত্যন্ত গুরুত্বপূর্ণ।
  3. অতি-উচ্চ-গতির ওসিসি: উচ্চ-ফ্রেম-রেট বা ইভেন্ট-ভিত্তিক ক্যামেরা ব্যবহার করে উচ্চ-ক্রম সিএসকে-কে রোলিং-শাটার বা স্পেশিয়াল মড্যুলেশন কৌশলের সাথে একত্রিত করে জিবিপিএস বাধা ভাঙা।
  4. সিম্যান্টিক কমিউনিকেশন: বিট পুনরুদ্ধারের বাইরে যাওয়া, ওসিসি লিঙ্ক ব্যবহার করে সিম্যান্টিক তথ্য (যেমন, অবজেক্ট আইডেন্টিফায়ার, মানচিত্রের ডেটা) সরাসরি প্রেরণ করা, বিট ত্রুটি হারের পরিবর্তে কাজের সাফল্যের জন্য অপ্টিমাইজ করা।

8. তথ্যসূত্র

1. H.-W. Chen et al., "8-CSK data transmission over 4 cm," Relevant Conference/Journal, 2019.
2. C. Zhu et al., "16-CSK over 80 cm using a quadrichromatic LED," Relevant Conference/Journal, 2016.
3. N. Murata et al., "16-digital CSK over 100 cm based on IEEE 802.15.7," Relevant Conference/Journal, 2016.
4. P. Hu et al., "Tri-LEDs based 32-CSK over 3 cm," Relevant Conference/Journal, 2019.
5. R. Singh et al., "Tri-LEDs based 32-CSK," Relevant Conference/Journal, 2014.
6. O'Shea, T., & Hoydis, J. (2017). "An Introduction to Deep Learning for the Physical Layer." IEEE Transactions on Cognitive Communications and Networking. (কমিউনিকেশনের জন্য এমএল-এর উপর বাহ্যিক কর্তৃত্বপূর্ণ উৎস)
7. IEEE Standard for Local and Metropolitan Area Networks--Part 15.7: Short-Range Optical Wireless Communications. IEEE Std 802.15.7-2018. (বাহ্যিক কর্তৃত্বপূর্ণ মান)
8. Commission Internationale de l'Eclairage (CIE). (1931). Commission internationale de l'éclairage proceedings, 1931. Cambridge: Cambridge University Press. (রঙ বিজ্ঞানের জন্য বাহ্যিক কর্তৃত্বপূর্ণ উৎস)
9. Sony Semiconductor Solutions Corporation. IMX530 Sensor Datasheet. (বাহ্যিক কর্তৃত্বপূর্ণ হার্ডওয়্যার উৎস)
10. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. (নিউরাল নেটওয়ার্কের উপর বাহ্যিক কর্তৃত্বপূর্ণ উৎস)