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

সূচিপত্র

1. ভূমিকা ও সংক্ষিপ্ত বিবরণ

এই গবেষণাপত্রটি অপটিক্যাল ক্যামেরা কমিউনিকেশন (ওসিসি)-এর জন্য ৫১২-কালার শিফট কীইং (৫১২-সিএসকে)-এর একটি যুগান্তকারী পরীক্ষামূলক প্রদর্শন উপস্থাপন করে। মূল অর্জন হলো ৪-মিটার দূরত্বে এত উচ্চ-ক্রমের মড্যুলেশন স্কিমের প্রথম ত্রুটিমুক্ত ডিমডুলেশন, যা ক্যামেরা-ভিত্তিক রিসিভারে অন্তর্নিহিত অরৈখিক ক্রসটকের উল্লেখযোগ্য চ্যালেঞ্জকে একটি মাল্টি-লেবেল নিউরাল নেটওয়ার্ক (এনএন)-ভিত্তিক ইকুয়ালাইজার-এর উদ্ভাবনী ব্যবহারের মাধ্যমে অতিক্রম করেছে।

ওসিসি-কে একটি নেক্সট-জেনারেশন অপটিক্যাল ওয়্যারলেস প্রযুক্তি হিসেবে অবস্থান দেওয়া হয়েছে, যা স্মার্টফোন ও ডিভাইসে সর্বব্যাপী সিএমওএস ইমেজ সেন্সরগুলির সুবিধা নেয়। একটি প্রধান গবেষণা ধারা হলো ক্যামেরার ফ্রেম রেট দ্বারা সীমাবদ্ধ ডেটা রেট বৃদ্ধি করা। সিএসকে ডেটাকে একটি আরজিবি-এলইডি ট্রান্সমিটার থেকে প্রাপ্ত রঙের পরিবর্তনের উপর মডুলেট করে, যা সিআইই ১৯৩১ কালার স্পেসের মধ্যে ম্যাপ করা হয়। উচ্চ-ক্রমের সিএসকে (যেমন, ৫১২-সিএসকে) বৃহত্তর বর্ণালী দক্ষতার প্রতিশ্রুতি দেয়, কিন্তু ক্যামেরার বর্ণালী সংবেদনশীলতা ও কালার ফিল্টার দ্বারা সৃষ্ট আন্তঃরঙ ক্রসটক দ্বারা এটি মারাত্মকভাবে ব্যাহত হয়।

2. প্রযুক্তিগত কাঠামো

2.1 রিসিভার কনফিগারেশন ও হার্ডওয়্যার

রিসিভার সিস্টেমটি একটি সনি আইএমএক্স৫৩০ সিএমওএস ইমেজ সেন্সর মডিউলকে কেন্দ্র করে তৈরি করা হয়েছে, যা পোস্ট-প্রসেসিং (ডিমোসাইকিং, ডিনয়েজিং, হোয়াইট ব্যালেন্স) ছাড়াই ১২-বিট র' আরজিবি ডেটা আউটপুট করার ক্ষমতার জন্য নির্বাচিত হয়েছে। এই র' ডেটা সঠিক সিগন্যাল পুনরুদ্ধারের জন্য অত্যন্ত গুরুত্বপূর্ণ। সিগন্যালটি একটি ৫০মিমি অপটিক্যাল লেন্সের মাধ্যমে ক্যাপচার করা হয়। ট্রান্সমিটারটি একটি ৮×৮ আরজিবি-এলইডি প্ল্যানার অ্যারে (প্যানেলের আকার: ৬.৫ সেমি)।

2.2 সিগন্যাল প্রসেসিং ও নিউরাল ইকুয়ালাইজেশন

প্রসেসিং পাইপলাইন নিম্নরূপ:

1. র' ডেটা সংগ্রহ: সেন্সর থেকে অপ্রক্রিয়াজাত আরজিবি মান সংগ্রহ করুন।
2. কালার স্পেস রূপান্তর: একটি স্ট্যান্ডার্ড ম্যাট্রিক্স ব্যবহার করে আরজিবি-কে সিআইই ১৯৩১ (x, y) ক্রোমাটিসিটি স্থানাঙ্কে রূপান্তর করুন: $\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix} \begin{pmatrix} R \\ G \\ B \end{pmatrix}$।
3. নিউরাল নেটওয়ার্ক ইকুয়ালাইজেশন: (x, y) স্থানাঙ্কগুলি একটি মাল্টি-লেবেল এনএন-এ ইনপুট দেওয়া হয়। এই নেটওয়ার্কটি কালার চ্যানেলগুলির মধ্যে অরৈখিক ক্রসটক শিখতে এবং ক্ষতিপূরণ করার জন্য ডিজাইন করা হয়েছে। এটিতে ২টি ইনপুট ইউনিট (x, y), $N_h$ হিডেন লেয়ার $N_u$ ইউনিট সহ, এবং M=9 আউটপুট ইউনিট রয়েছে (৫১২-সিএসকে-এর জন্য প্রতীক প্রতি ৯ বিটের সাথে সঙ্গতিপূর্ণ)।
4. ডিমডুলেশন ও ডিকোডিং: এনএন একটি পোস্টেরিয়র সম্ভাব্যতা বন্টন আউটপুট করে। লগ-লাইকলিহুড রেশিও (এলএলআর) এটি থেকে গণনা করা হয় এবং চূড়ান্ত ত্রুটি সংশোধনের জন্য একটি লো-ডেনসিটি প্যারিটি-চেক (এলডিপিসি) ডিকোডারে ইনপুট দেওয়া হয়।

৫১২-সিএসকে কনস্টেলেশন প্রতীকগুলি সিআইই ১৯৩১ ডায়াগ্রামে একটি ত্রিভুজাকার প্যাটার্নে ক্রমানুসারে সাজানো হয়েছে, নীল শীর্ষবিন্দু (x=0.1805, y=0.0722) থেকে শুরু করে।

3. পরীক্ষামূলক ফলাফল ও বিশ্লেষণ

3.1 বিইআর পারফরম্যান্স বনাম এলইডি অ্যারের আকার

পরীক্ষাটি অ্যারেতে সক্রিয় এলইডির সংখ্যা ১×১ থেকে ৮×৮ পর্যন্ত পরিবর্তন করে বিট এরর রেট (বিইআর) মূল্যায়ন করেছে প্রাপ্ত আলোর তীব্রতা (ইমেজে এলাকা) এর একটি ফাংশন হিসেবে। ট্রান্সমিশন দূরত্ব ৪ মিটারে স্থির ছিল। ফলাফলগুলি প্রদর্শন করেছে যে সম্পূর্ণ ৮×৮ অ্যারের সাথে ত্রুটিমুক্ত অপারেশন অর্জনের জন্য নিউরাল ইকুয়ালাইজার অপরিহার্য ছিল, যা সিগন্যাল তীব্রতা ও এলাকার সাথে বৃদ্ধিপ্রাপ্ত ক্রসটককে কার্যকরভাবে প্রশমিত করেছে।

3.2 প্রধান কার্যক্ষমতা মেট্রিক্স

• মড্যুলেশন ক্রম: ৫১২-সিএসকে (৯ বিট/প্রতীক), পরীক্ষামূলক ওসিসি প্রদর্শনের জন্য একটি রেকর্ড উচ্চ।
• দূরত্ব: ৪ মিটার, ব্যবহারিক পরিসীমা দেখায়।
• প্রধান সক্ষমকারী: র' সেন্সর ডেটায় সরাসরি প্রয়োগকৃত নিউরাল নেটওয়ার্ক-ভিত্তিক অরৈখিক ইকুয়ালাইজেশন।
• তুলনা: এই কাজটি পূর্ববর্তী প্রদর্শনগুলির (৮-সিএসকে, ১৬-সিএসকে, ৩২-সিএসকে) তুলনায় মড্যুলেশন ক্রম এবং ক্ষতিপূরণ কৌশলের পরিশীলন উভয় ক্ষেত্রেই উল্লেখযোগ্যভাবে অগ্রসর হয়েছে।

4. মূল বিশ্লেষণ ও বিশেষজ্ঞ ব্যাখ্যা

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি কেবল সিএসকে-কে ৫১২ রঙে ঠেলে দেওয়ার বিষয়ে নয়; এটি একটি সুনির্দিষ্ট প্রুফ-অফ-কনসেপ্ট যে ডেটা-চালিত, নিউরাল সিগন্যাল প্রসেসিং হল উচ্চ-কার্যক্ষমতা ওসিসি আনলক করার চাবিকাঠি। লেখকরা সঠিকভাবে চিহ্নিত করেছেন যে মৌলিক বাধা এলইডি বা সেন্সর নয়, বরং চ্যানেলে জটিল, অরৈখিক বিকৃতি। তাদের সমাধান—ঐতিহ্যগত রৈখিক ইকুয়ালাইজারগুলিকে বাইপাস করে একটি মাল্টি-লেবেল এনএন-এর দিকে—ডিজাইন দর্শনের একটি ব্যবহারিক ও শক্তিশালী পরিবর্তন, যা আরএফ কমিউনিকেশনে নিউরাল রিসিভারের সাফল্যের প্রতিফলন ঘটায় [১]।

যুক্তিসঙ্গত প্রবাহ: যুক্তিটি আকর্ষণীয়: ১) গতির জন্য উচ্চ-ক্রমের সিএসকে প্রয়োজন, ২) ক্যামেরা ক্রসটক উচ্চ-ক্রমের সিএসকে নষ্ট করে, ৩) এই ক্রসটক জটিল ও অরৈখিক, ৪) অতএব, এটি বাতিল করতে একটি সার্বজনীন ফাংশন আনুমানিক (একটি নিউরাল নেটওয়ার্ক) ব্যবহার করুন। র' সেন্সর ডেটা-এর ব্যবহার একটি গুরুত্বপূর্ণ, প্রায়শই উপেক্ষিত বিবরণ। এটি ক্যামেরার অভ্যন্তরীণ ইমেজ সিগন্যাল প্রসেসর (আইএসপি)-এর তথ্য হ্রাস ও প্রবর্তিত বিকৃতি এড়ায়, যা এমআইটি মিডিয়া ল্যাবের মতো প্রতিষ্ঠানের কম্পিউটেশনাল ফটোগ্রাফি গবেষণায় সেরা অনুশীলনের সাথে সামঞ্জস্যপূর্ণ।

শক্তি ও ত্রুটি: প্রধান শক্তি হল একটি আধুনিক এমএল উপাদানকে একটি ফিজিক্যাল-লেয়ার কমস স্ট্যাকের মধ্যে সফলভাবে একীভূত করা, একটি ঘোষিত রেকর্ড অর্জন করা। পরীক্ষামূলক বৈধতা স্পষ্ট। যাইহোক, বিশ্লেষণে একটি প্রাথমিক প্রদর্শনের সাধারণ ত্রুটি রয়েছে: ডেটা রেট (বিট/সেকেন্ড) এর কোন উল্লেখ নেই, কেবল বর্ণালী দক্ষতা (বিট/প্রতীক)। বাস্তব-বিশ্বের থ্রুপুট প্রভাব অস্পষ্ট থেকে যায়। তদুপরি, এনএন-এর জটিলতা, প্রশিক্ষণ ডেটার প্রয়োজনীয়তা এবং বিভিন্ন ক্যামেরা বা পরিবেশে সাধারণীকরণের ক্ষমতা অন্বেষণ করা হয়নি—মানকীকরণ ও বাণিজ্যিকীকরণের জন্য উল্লেখযোগ্য বাধা।

কার্যকরী অন্তর্দৃষ্টি: গবেষকদের জন্য, পথটি স্পষ্ট: রিয়েল-টাইম ইকুয়ালাইজেশনের জন্য হালকা ওজন, অভিযোজিত নিউরাল আর্কিটেকচার-এর উপর ফোকাস করুন। বেঞ্চমার্কিং-এ প্রকৃত থ্রুপুট ও লেটেন্সি অন্তর্ভুক্ত করা উচিত। শিল্পের জন্য (যেমন, আইইইই পি৮০২.১৫.৭আর১ ওসিসি টাস্ক গ্রুপ), এই কাজটি ভবিষ্যতের মানগুলিতে নিউরাল-ভিত্তিক রিসিভার বিবেচনা করার জন্য শক্তিশালী প্রমাণ সরবরাহ করে, তবে অবশ্যই কঠোর আন্তঃপরিচালনাযোগ্যতা পরীক্ষার সাথে যুক্ত হতে হবে। পরবর্তী ধাপ হল একটি নির্দিষ্ট ল্যাব সেটআপ থেকে একটি গতিশীল দৃশ্যের দিকে যাওয়া, সম্ভবত সাইকেলজিএএন-স্টাইল ডোমেন অ্যাডাপ্টেশন [২] দ্বারা অনুপ্রাণিত কৌশল ব্যবহার করে এনএন-কে পরিবর্তনশীল পরিবেষ্টিত আলোর অবস্থার জন্য ক্ষতিপূরণ করতে দেওয়া, যা নির্দিষ্ট ক্রসটকের চেয়ে অনেক কঠিন চ্যালেঞ্জ।

5. প্রযুক্তিগত বিবরণ ও গাণিতিক সূত্রায়ন

মূল সিগন্যাল প্রসেসিং দুটি প্রধান রূপান্তর জড়িত:

১. আরজিবি থেকে সিআইই ১৯৩১ রূপান্তর: $\begin{pmatrix} x \\ y \end{pmatrix} = \mathbf{M} \cdot \begin{pmatrix} R \\ G \\ B \end{pmatrix}$ যেখানে $\mathbf{M}$ হল পূর্বনির্ধারিত ম্যাট্রিক্স: $\mathbf{M} = \begin{pmatrix} 0.4124 & 0.3576 & 0.1805 \\ 0.2126 & 0.7152 & 0.0722 \end{pmatrix}$। এটি ডিভাইস-নির্ভর আরজিবি মানগুলিকে একটি পরম কালার স্পেসে ম্যাপ করে।

২. ইকুয়ালাইজার হিসেবে নিউরাল নেটওয়ার্ক: এনএন $f_{\theta}$ ফাংশনটি শেখে যা বিকৃত প্রাপ্ত স্থানাঙ্ক $(x', y')$-কে সমস্ত ৫১২টি প্রতীকের জন্য পোস্টেরিয়র সম্ভাব্যতা $P(\text{symbol}_i | x', y')$-তে ম্যাপ করে। প্যারামিটার $\theta$ প্রশিক্ষিত হয় পূর্বাভাসিত সম্ভাব্যতা এবং পরিচিত প্রেরিত প্রতীকগুলির মধ্যে ক্রস-এনট্রপি ক্ষতি কমানোর জন্য। তারপর $k$-তম বিটের জন্য এলএলআর আনুমানিক করা হয়: $LLR(b_k) \approx \log \frac{\sum_{i \in S_k^1} P(\text{symbol}_i | x', y')}{\sum_{i \in S_k^0} P(\text{symbol}_i | x', y')}$ যেখানে $S_k^1$ এবং $S_k^0$ হল সেই প্রতীকগুলির সেট যেখানে $k$-তম বিট যথাক্রমে ১ এবং ০।

6. বিশ্লেষণ কাঠামো ও উদাহরণ কেস

ওসিসি অগ্রগতি মূল্যায়নের কাঠামো: যেকোনো নতুন ওসিসি গবেষণাপত্র সমালোচনামূলকভাবে মূল্যায়ন করতে, আমরা একটি চার-মাত্রিক বিশ্লেষণ কাঠামো প্রস্তাব করি:

1. বর্ণালী-স্থানিক দক্ষতা (বিট/সম্পদ): অর্জিত ডেটা রেট (বিপিএস) কী এবং এটি কোন সম্পদ ব্যবহার করে (ব্যান্ডউইথ, স্থানিক পিক্সেল, সময়)? এই গবেষণাপত্রটি বর্ণালী দক্ষতায় (বিট/প্রতীক) উচ্চ স্কোর করে কিন্তু একটি কংক্রিট বিপিএস চিত্রের অভাব রয়েছে।
2. দৃঢ়তা ও ব্যবহারিকতা: কার্যকরী সীমাবদ্ধতাগুলি কী কী (দূরত্ব, সারিবদ্ধতা, পরিবেষ্টিত আলো)? ৪মি ভাল, কিন্তু স্থির অবস্থা একটি সীমাবদ্ধতা।
3. সিস্টেম জটিলতা ও খরচ: সমাধানের খরচ কী? একটি নিউরাল ইকুয়ালাইজার গণনামূলক খরচ ও প্রশিক্ষণের ওভারহেড যোগ করে।
4. মানকীকরণ সম্ভাবনা: কৌশলটি কতটা পুনরুৎপাদনযোগ্য ও আন্তঃপরিচালনাযোগ্য? র' ডেটা এবং একটি প্রশিক্ষিত এনএন-এর উপর নির্ভরতা বর্তমানে এই স্কোর কমিয়ে দেয়।

উদাহরণ কেস - কাঠামো প্রয়োগ: এই ৫১২-সিএসকে এনএন কাজের সাথে রৈখিক ইকুয়ালাইজেশন ব্যবহার করে একটি ক্লাসিক ৮-সিএসকে কাজের [৩] তুলনা করুন।

• দক্ষতা: বিট/প্রতীকে ৫১২-সিএসকেই অত্যন্ত শ্রেষ্ঠ।
• দৃঢ়তা: এনএন অরৈখিকতাগুলি ভালভাবে পরিচালনা করতে পারে, কিন্তু অপ্রশিক্ষিত অবস্থার অধীনে (নতুন ক্যামেরা, ভিন্ন আলো) এর কার্যক্ষমতা একটি সরল রৈখিক মডেলের তুলনায় অজানা।
• জটিলতা: এনএন উল্লেখযোগ্যভাবে বেশি জটিল।
• মানকীকরণ: রৈখিক ইকুয়ালাইজেশন মানকীকরণ করা সহজ।

বিনিময়টি স্পষ্ট: উন্নত সিগন্যাল প্রসেসিং জটিলতার বিনিময়ে উচ্চতর দক্ষতা কিনে নেয়। ক্ষেত্রের গতিপথ হল সেই জটিলতা গ্রহণ করার দিকে যাতে শারীরিক সীমা অতিক্রম করা যায়।

7. ভবিষ্যৎ প্রয়োগ ও গবেষণার দিকনির্দেশনা

এই কাজের প্রভাব গবেষণাগারের বাইরে প্রসারিত:

• ৬জি-এর জন্য আল্ট্রা-হাই-স্পিড লাইফাই: এত উচ্চ-ক্রমের ওসিসি-কে লাইফাই অবকাঠামোর সাথে একীভূত করা স্টেডিয়াম, বিমানবন্দর বা স্মার্ট কারখানায় মাল্টি-গিগাবিট প্রতি সেকেন্ড হটস্পট অ্যাক্সেস প্রদান করতে পারে, আরএফ নেটওয়ার্কগুলিকে পরিপূরক করে।
• স্মার্টফোন-কেন্দ্রিক আইওটি: ন্যূনতম হার্ডওয়্যার সংযোজন সহ স্মার্টফোন ক্যামেরাগুলিকে রিসিভার হিসেবে ব্যবহার করে নিরাপদ, নৈকট্য-ভিত্তিক ডেটা বিনিময় (যেমন, পেমেন্ট, টিকিটিং, ডিভাইস পেয়ারিং) সক্ষম করা।
• অটোমোটিভ ভি২এক্স কমিউনিকেশন: যানবাহনের হেডলাইট/টেইললাইট এবং ক্যামেরা ব্যবহার করে সরাসরি যানবাহন-থেকে-যানবাহন বা যানবাহন-থেকে-অবকাঠামো যোগাযোগের জন্য, নিরাপত্তা ব্যবস্থা উন্নত করা।

গুরুত্বপূর্ণ গবেষণার দিকনির্দেশনা:

1. ইকুয়ালাইজারগুলির জন্য অভিযোজিত ও ফেডারেটেড লার্নিং: এমন এনএন-গুলি বিকাশ করা যা নতুন ক্যামেরা মডেল বা আলোর জন্য অনলাইনে অভিযোজিত হতে পারে, সম্ভাব্যভাবে ডিভাইস জুড়ে ফেডারেটেড লার্নিং ব্যবহার করে র' ডেটা শেয়ার না করেই দৃঢ় মডেল তৈরি করতে।
2. ভিশনের সাথে যৌথ উৎস-চ্যানেল কোডিং: একটি নির্দিষ্ট ক্যামেরা সেন্সরের জন্য মড্যুলেশন (সিএসকে কনস্টেলেশন) এবং ইকুয়ালাইজার যৌথভাবে অপ্টিমাইজ করে এমন গভীর শিক্ষণ কৌশল অন্বেষণ করা, এন্ড-টু-এন্ড লার্নড কমিউনিকেশন সিস্টেমের অনুরূপ।
3. ক্রস-লেয়ার অপ্টিমাইজেশন: ফিজিক্যাল-লেয়ার এনএন ইকুয়ালাইজারকে উচ্চতর-লেয়ার প্রোটোকলের সাথে একীভূত করা গতিশীল পরিবেশে সামগ্রিক সিস্টেম থ্রুপুট ও নির্ভরযোগ্যতা অপ্টিমাইজ করার জন্য।

যোগাযোগ, কম্পিউটার ভিশন এবং মেশিন লার্নিং-এর অভিসরণ, যেমনটি এই গবেষণাপত্রে প্রদর্শিত হয়েছে, সেখানেই ওসিসি-তে সবচেয়ে বিঘ্নিত উদ্ভাবনগুলি উদ্ভূত হবে।

8. তথ্যসূত্র

1. O'Shea, T. J., & Hoydis, J. (2017). An Introduction to Deep Learning for the Physical Layer. IEEE Transactions on Cognitive Communications and Networking. (কমসে নিউরাল নেটওয়ার্কের উদাহরণ)।
2. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (ডোমেন অ্যাডাপ্টেশনের জন্য সাইকেলজিএএন)।
3. Chen, H.-W., et al. (2019). [1] in the original PDF. (পূর্ববর্তী, নিম্ন-ক্রমের সিএসকে কাজের উদাহরণ)।
4. IEEE Standard for Local and Metropolitan Area Networks--Part 15.7: Short-Range Optical Wireless Communications. IEEE Std 802.15.7-2018।
5. MIT Media Lab, Computational Photography. (র' সেন্সর ডেটার গুরুত্বের জন্য ধারণাগত উৎস)।