في عالم الاتصالات اللاسلكية المتسارع، تظهر حاجة ملحة لتحسين أداء موجات البيانات وتدفقها بشكل فعّال. ولتلبية هذا التحدي، تم دمج تقنيتين مبتكرتين في دراسة جديدة: التعلم الآلي التلقائي (AutoML) والنماذج العميقة (Deep Unfolding).

تستخدم هذه الدراسة خوارزمية تقليل التدرج القريب (Proximal Gradient Descent) المحولة إلى شبكة عصبية عميقة. بدلاً من الاعتماد على معلمات محددة مسبقًا، تتعلم كل طبقة من الطبقات المعلمات الخاصة بها، مما يعزز من مرونة النظام وفعاليته.

أيضاً، يتضمن هذا التصميم معمارية هجين تتضمن طبقة قادرة على إجراء تحويل تدرج خطي قابل للتعلم قبل تنفيذ الإسقاط القريب. ويستخدم النظام برنامج AutoGluon مع تقدير بارزين (Tree-Structured Parzen Estimator) لتحقيق تحسين معلمات الهيبر (Hyperparameter Optimization) عبر مساحة بحث موسعة تشمل عمق الشبكة، وتكوين سرعة الخطوات، ودرجة التعلم، وغيرها.

النظام المطور، والذي يعرف باسم Auto-PGD، يحقق كفاءة طيفية بنسبة 98.8% من حل PGD التقليدي الذي يتطلب 200 تكرار باستخدام خمس طبقات فقط، ويتطلب الأمر تدريب 100 عينة فقط. كما تم معالجة مشكلة تطبيع التدرجات لضمان أداء متسق خلال عملية التدريب والتقييم، مع توضيح لتسجيل كمية التدفق لكل طبقة كأداة لزيادة الشفافية في النتائج.

تتجاوز هذه النتائج التحديات التقليدية، حيث تقلل من كمية البيانات التدريبية اللازمة وتكاليف الاستدلال، بينما تحافظ على تفسير أفضل مقارنة بالنماذج التقليدية التي تشبه الصناديق السوداء. هذا التطور يُبرز الابتكارات المثيرة في مجال الذكاء الاصطناعي، ويفتح آفاقاً جديدة لتحسين تكنولوجيا الاتصالات.