MA-GAN: خود نگرانی سیکھنا الیکٹرانک جنگ میں بغیر سابقہ سگنل کے علم کے کیسے تبدیلی لاتا ہے

الیکٹرو میگنیٹک سپیکٹرم اب ایک بھیڑ بھاڑ والا اور تنازعہ کا مرکز بن چکا ہے۔ الیکٹرانک کاؤنٹر میجرز اب صرف شور پیدا کرنے تک محدود نہیں رہے۔ انہیں سگنلز کو مؤثر طریقے سے خراب کرنے کے لیے جدید ذہانت کی ضرورت ہے۔ MA-GAN نامی ایک نیا فریم ورک اس مسئلے کا بہترین حل پیش کرتا ہے۔ یہ ٹارگٹ سگنلز کے بارے میں کوئی سابقہ معلومات کے بغیر ہی ہائی فائڈلیٹی جمینگ ویو فارمز جنریٹ کرتا ہے۔ یہ روایتی طریقوں میں پائی جانے والی اہم کمزوریوں کو دور کرتا ہے۔ یہ خاص طور پر غیر تعاون کرنے والے ماحول میں مفید ہے جہاں موڈولیشن کی اقسام یا سمبل ریٹس نامعلوم ہوتی ہیں یا تیزی سے تبدیل ہوتی ہیں۔

روایتی جمینگ تکنیکی اکثر ٹارگٹ کمیونیکیشن لنک کے بارے میں وسیع سابقہ معلومات پر انحصار کرتی ہیں۔ سپریسو جمینگ چینل کو شور سے بھر کر زیادہ توانائی خرچ کرتی ہے۔ ڈیسیپٹو جمینگ کے لیے ٹارگٹ سگنلز سے ساختی مماثلت درکار ہوتی ہے۔ تفصیلی پیرامیٹر کے علم کے بغیر اس مماثلت کو حاصل کرنا مشکل ہے۔ حالیہ ڈیپ لرننگ کے طریقوں نے ویو فارم جنریشن کو خودکار بنانے کی کوشش کی ہے۔ کنڈیشنل جنریٹو ایڈورسarial نیٹ ورکس امید افزا نتائج دیتے ہیں لیکن ان میں عمومی نوعیت کی کمی پائی جاتی ہے۔ یہ ماڈلز کئی موڈولیشن اقسام کو سنبھالتے وقت موڈ کولیپس کا شکار ہو جاتے ہیں۔ وہ غیب میں آنے والے سگنلز یا مختلف سمبل ریٹس کے مطابق خود کو ڈھالنے میں ناکام رہتے ہیں۔ یہ ان کی عملی افادیت کو متحرک اوپن سپیکٹرم سیناریوز میں محدود کر دیتا ہے۔

MA-GAN لیبل پر منحصر کنڈیشنگ کو چھوڑ کر ان چیلنجوں کو عبور کرتا ہے۔ یہ کمپیوٹر ویژن میں Masked Autoencoders اور SimMIM سے متاثر ہو کر ایک مسکڈ سیلف سپروائزڈ لرننگ حکمت عملی استعمال کرتا ہے۔ سسٹم کا بنیادی حصہ MWM-encoder ہے جو ون ڈائمینشنل آئی/کو ٹائم سیریز ڈیٹا کو پروسیس کرتا ہے۔ ان پٹ سگنل کے بے ترتیب حصوں کو مسک کر encoder کو سکھایا جاتا ہے کہ وہ لوکل وِنڈو اٹینشن مشینزم کے ذریعے گمشدہ حصوں کو دوبارہ تعمیر کرے۔ یہ عمل ماڈل کو مضبوط ہائر آرکیکل فچر ریپریزنٹیشنز سیکھنے میں مدد دیتا ہے۔ یہ فچرز اسپیکٹرل اینویلپس جیسے بڑے پیمانے کے عالمی شماریات اور فوری کانسٹیلیشن سٹرکچرز جیسے باریک مقامی تفصیلات دونوں کو پکڑتے ہیں۔

ایڈورسarial ٹریننگ کے دوران MA-GAN جنریٹر کی رہنمائی کے لیے ملٹی سکیل فچر فیوژن استعمال کرتا ہے۔ پری ٹرینڈ encoder ٹارگٹ سگنل سے چار مختلف پیمانوں پر فچرز نکالتا ہے۔ یہ فچرز پھر مل کر رینڈم نوائز کے ساتھ جنریٹر میں شامل کر دیے جاتے ہیں۔ یقینی بنایا جاتا ہے کہ جنریٹ شدہ جمینگ ویو فارم ٹارگٹ کے ساتھ متعدد پہلوؤں میں مطابقت رکھتا ہے۔ ملٹی ہیڈ ڈسکریمی نیٹر ہر پیمانے پر جنریٹ شدہ سگنل کی اصلیت کا جائزہ لیتا ہے۔ یہ معیار بہتر بنانے کے لیے باریک بین فیڈ بیک فراہم کرتا ہے۔ فریم ورک میں اسپیکٹرل ہم آہنگی اور فیز تسلسل کے لیے واضح پابندیاں بھی شامل ہیں۔ یہ پابندیاں قدرتی نہ ہونے والی فیز کی عدم تسلسل کو روکتی ہیں جو جدید ریسیورز کو سگنل کو مصنوعی ثابت کر سکتی ہیں۔

تجرباتی نتائج ظاہر کرتے ہیں کہ MA-GAN موجودہ طریقوں سے نمایاں طور پر بہتر کارکردگی دکھاتا ہے۔ یہ WGAN-GP، DC-GAN اور TFC-GAN کے مقابلے میں برتری دکھاتا ہے۔ پاور اسپیکٹرل ڈینسٹی کوریلیشن اور آٹو کوریلیشن فنکشن مماثلت جیسے میٹرکس اس کی اثاثہ کاری کو اجاگر کرتے ہیں۔ MA-GAN مضبوط عمومی نوعیت کی صلاحیتیں بھی ظاہر کرتا ہے۔ یہ معلوم اور اب تک دیکھے نہ گئے موڈولیشن اقسام دونوں کے خلاف مؤثر جمینگ کارکردگی برقرار رکھتا ہے۔ یہ مختلف چینل کی حالتوں جیسے AWGN، Rayleigh فیڈنگ اور Rician فیڈنگ میں درست ثابت ہوتا ہے۔ ہائی جمینگ ٹو سگنل ریٹو پر اس کا بیٹ ایرر ریٹ اثر مثالی سگنل لائک جممر کے قریب پہنچ جاتا ہے۔ یہ قابلیت ایڈاپٹو الیکٹرانک جنگ میں ایک اہم قدم ہے۔ یہ پیچیدہ غیر یقینی الیکٹرو میگنیٹک ماحول میں حقیقی وقت کے خودکار جمینگ کو ممکن بناتا ہے۔