Αποκωδικοποίηση CW με Νευρωνικά Δίκτυα

Η Επανάσταση της Τεχνητής Νοημοσύνης στον Παραδοσιακό Ασύρματο.

Η κώδικας Μορς (CW) παραμένει μια από τις πιο γοητευτικές και ανθεκτικές μορφές επικοινωνίας στον κόσμο του ραδιοερασιτεχνισμού. Παρά την απλότητά της, η αυτόματη αποκωδικοποίησή της από υπολογιστές αποτελεί εδώ και δεκαετίες μια τεράστια τεχνική πρόκληση. 

Τα παραδοσιακά λογισμικά βασίζονται σε σταθερούς αλγορίθμους και αυστηρά κατώφλια (thresholds) για να ξεχωρίσουν τα σήματα (τελείες και παύλες) από τον θόρυβο. Αυτή η προσέγγιση αποτυγχάνει παταγωδώς όταν οι συνθήκες διάδοσης χειροτερεύουν, όταν υπάρχει έντονο QRM/QRN, ή όταν ο χειριστής στην άλλη πλευρά της γραμμής εκπέμπει με το χέρι (hand keying) όπως ο Blogger, προκαλώντας αστάθεια στον χρονισμό. Η λύση σε αυτό το διαχρονικό πρόβλημα έρχεται από το μέλλον της πληροφορικής: τα βαθιά νευρωνικά δίκτυα.

Η εισαγωγή της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης αλλάζει ριζικά το παιχνίδι. Αντί να προσπαθούμε να "εκπαιδεύσουμε" έναν κλασικό αλγόριθμο με άκαμπτους κανόνες για το τι αποτελεί μια τελεία ή μια παύλα, εκπαιδεύουμε ένα νευρωνικό δίκτυο τροφοδοτώντας το με χιλιάδες ώρες ηχητικών δειγμάτων CW. Αυτά τα δείγματα περιλαμβάνουν τα πάντα: από καθαρά σήματα παραγόμενα από υπολογιστή, μέχρι σήματα θαμμένα μέσα σε βαθύ θόρυβο, με παρεμβολές και ασταθείς ταχύτητες. Το δίκτυο "μαθαίνει" να αναγνωρίζει τα μοτίβα του κώδικα με τον ίδιο σχεδόν τρόπο που το ανθρώπινο αυτί και ο εγκέφαλος ενός έμπειρου ραδιοερασιτέχνη απομονώνουν το επιθυμητό σήμα μέσα από το χάος της μπάντας.

Στην πράξη, η αρχιτεκτονική που χρησιμοποιείται συχνότερα συνδυάζει Συνελικτικά Νευρωνικά Δίκτυα (CNN) και Αναδρομικά Νευρωνικά Δίκτυα (RNN), όπως τα LSTM. Το ηχητικό σήμα από τον ασύρματο μετατρέπεται αρχικά σε φασματογράφημα, δηλαδή σε μια οπτική αναπαράσταση των συχνοτήτων σε συνάρτηση με τον χρόνο. Το CNN αναλαμβάνει να "δει" αυτή την εικόνα και να φιλτράρει τον οπτικό θόρυβο, εντοπίζοντας τα ίχνη των σημάτων CW. Στη συνέχεια, το RNN αναλαμβάνει τη χρονική ανάλυση, καθώς διαθέτει "μνήμη" και μπορεί να κατανοήσει τη ροή και τη διάρκεια των σημάτων, ξεχωρίζοντας με ακρίβεια τα κενά ανάμεσα στα στοιχεία, τις λέξεις και τους χαρακτήρες. Όλα αυτά συμβαίνουν σε χρόνο μηδενικό.

Το αποτέλεσμα αυτής της τεχνολογικής σύγκλισης είναι εντυπωσιακό. Τα συστήματα αποκωδικοποίησης που βασίζονται σε νευρωνικά δίκτυα μπορούν να αντιγράψουν σήματα που για τα κλασικά προγράμματα θεωρούνται απλώς "λευκός θόρυβος". Επιπλέον, επιδεικνύουν εξαιρετική προσαρμοστικότητα στο λεγόμενο "fist" του κάθε χειριστή, συγχωρώντας μικρά λάθη στον χρονισμό της χειροκίνητης εκπομπής.

Καθώς η επεξεργαστική ισχύς των υπολογιστών αλλά και των μικρών single-board computers (όπως το Raspberry Pi) αυξάνεται, η ενσωμάτωση τέτοιων έξυπνων μοντέλων στον καθημερινό εξοπλισμό του shack γίνεται όλο και πιο εύκολη. Η αυτόματη αποκωδικοποίηση CW με νευρωνικά δίκτυα δεν καταργεί την ομορφιά της παραδοσιακής λήψης με το αυτί, αλλά γεφυρώνει έναν αιώνα ιστορίας του ασυρμάτου με την αιχμή της σύγχρονης επιστήμης, προσφέροντας ένα πανίσχυρο εργαλείο για την ανάσυρση των ασθενέστερων σημάτων από τα βάθη των βραχέων κυμάτων.