University of Wisconsin-Madison ਦੇ ਖੋਜੀਆਂ ਨੇ AI ਦੀ ਮਦਦ ਨਾਲ ਵਾਇਰਲੈੱਸ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਇੱਕ ਪੁਰਾਣੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰ ਦਿੱਤਾ ਹੈ। ਇਹ ਖੋਜ MIMO (Multiple-Input Multiple-Output) ਵਰਗੀਆਂ ਮਲਟੀ-ਐਂਟੀਨਾ ਸਿਸਟਮਾਂ ਦੀ ਕੁਸ਼ਲਤਾ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਇੱਕ ਅਕਾਦਮਿਕ ਸਫਲਤਾ ਹੈ, ਪਰ ਇਹ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ AI ਕਿਵੇਂ ਗੁੰਝਲਦਾਰ ਤਕਨੀਕੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਭਵਿੱਖ ਦੇ ਟੈਲੀਕਾਮ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ।
University of Wisconsin-Madison ਦੇ ਪ੍ਰੋਫੈਸਰ Dimitris Papailiopoulos ਦੀ ਅਗਵਾਈ ਵਾਲੇ ਖੋਜੀਆਂ ਨੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਾਇਰਲੈੱਸ ਕਮਿਊਨੀਕੇਸ਼ਨ ਸਿਸਟਮਾਂ ਵਿੱਚ 25 ਸਾਲਾਂ ਤੋਂ ਚੱਲ ਰਹੀ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਨੂੰ ਦੂਰ ਕੀਤਾ ਹੈ। ਇਹ ਪ੍ਰੋਜੈਕਟ Multiple-Input Multiple-Output (MIMO) ਟੈਕਨਾਲੋਜੀ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਸੀ, ਜੋ ਕਿ ਆਧੁਨਿਕ ਸੈਲੂਲਰ ਨੈੱਟਵਰਕਾਂ ਦਾ ਇੱਕ ਮਿਆਰ ਹੈ ਅਤੇ ਡਾਟਾ ਭੇਜਣ ਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਈ ਐਂਟੀਨਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਸ ਸਫਲਤਾ ਨੇ ਘੱਟ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦੀ ਲੋੜ ਦੇ ਬਿਨਾਂ, ਸ਼ੋਰ ਵਾਲੇ ਸਿਗਨਲਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਰਿਕਵਰ ਕਰਨ ਦੀ ਮੁਸ਼ਕਲ ਨੂੰ ਹੱਲ ਕੀਤਾ ਹੈ।
ਇਸ ਸਮੱਸਿਆ ਦਾ ਮੁੱਖ ਹਿੱਸਾ 'ਮੈਕਸਿਮਮ-ਲਾਈਕਲੀਹੁੱਡ ਡਿਟੈਕਸ਼ਨ' (maximum-likelihood detection) ਸੀ, ਜੋ ਕਿ ਸਹੀ ਡਾਟਾ ਟ੍ਰਾਂਸਫਰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ, ਇਸ ਵਿਧੀ ਲਈ ਡਾਟਾ ਟ੍ਰੈਫਿਕ ਵਧਣ 'ਤੇ ਸੰਭਾਵੀ ਸੰਦੇਸ਼ਾਂ ਦੀ ਇੱਕ ਅਸੰਭਵ ਵੱਡੀ ਗਿਣਤੀ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਲੋੜ ਪੈਂਦੀ ਸੀ, ਜਿਸ ਕਾਰਨ ਇਹ ਹਾਈ-ਸਪੀਡ ਕਮਿਊਨੀਕੇਸ਼ਨ ਨੈੱਟਵਰਕਾਂ ਲਈ ਅਵਿਵਹਾਰਕ ਸੀ। ਖੋਜ ਟੀਮ ਨੇ AI ਟੂਲਸ, ਖਾਸ ਤੌਰ 'ਤੇ GPT-5.6 ਅਤੇ Claude Fable 5, ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਅਤੇ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਹੱਲ ਕਰਨ ਲਈ ਨਵੀਆਂ ਰਣਨੀਤੀਆਂ ਤਿਆਰ ਕੀਤੀਆਂ, ਪਰਖੀਆਂ ਅਤੇ ਸੁਧਾਰੀਆਂ।
ਤਕਨੀਕੀ ਪੱਖ ਤੋਂ, ਟੀਮ ਨੇ ਇੱਕ ਅਜਿਹਾ ਐਲਗੋਰਿਦਮ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ ਜੋ ਪੋਲੀਨੋਮੀਅਲ ਸਮੇਂ (polynomial time) ਵਿੱਚ ਸਿਗਨਲ ਦੀ ਸਟੀਕ ਬਹਾਲੀ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਬਸ਼ਰਤੇ ਸਿਗਨਲ ਦੀ ਗੁਣਵੱਤਾ ਕੁਝ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਪੂਰਾ ਕਰੇ। ਇਸ ਵਿਕਾਸ ਦਾ ਉਦੇਸ਼ ਸਿਸਟਮਾਂ ਨੂੰ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਆਗਿਆ ਦੇਣਾ ਹੈ, ਜਿਸ ਨਾਲ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮੁਸ਼ਕਲ ਵਿੱਚ ਅਜਿਹੀ ਵਾਧਾ ਨਾ ਹੋਵੇ ਜੋ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਇਸ ਕਿਸਮ ਦੀ ਖੋਜ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਸਮੱਸਿਆ ਰਹੀ ਹੈ।
ਪਾਠਕਾਂ ਲਈ ਇਹ ਨੋਟ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਇਹ ਇੱਕ ਅਕਾਦਮਿਕ ਖੋਜ ਮੀਲਪੱਥਰ ਹੈ, ਨਾ ਕਿ ਕੋਈ ਵਪਾਰਕ ਤਕਨਾਲੋਜੀ ਰੀਲੀਜ਼। ਹਾਲਾਂਕਿ ਇਸ ਖੋਜ ਦੇ ਭਵਿੱਖ ਦੇ ਟੈਲੀਕਮਿਊਨੀਕੇਸ਼ਨਜ਼ ਲਈ ਸੰਭਾਵਨਾਵਾਂ ਹਨ, ਪਰ ਅਜਿਹੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਅਸਲ-ਵਿਸ਼ਵ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਤਬਦੀਲ ਕਰਨ ਲਈ ਵਿਆਪਕ ਟੈਸਟਿੰਗ, ਸਿਸਟਮ ਏਕੀਕਰਨ ਅਤੇ ਸਖ਼ਤ ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਲੋੜ ਪਵੇਗੀ। ਖੋਜ ਨੇ ਇਹ ਵੀ ਉਜਾਗਰ ਕੀਤਾ ਹੈ ਕਿ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਹੱਲਾਂ ਲਈ ਅਜੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਦੀ ਲੋੜ ਹੈ; ਟੀਮ ਨੇ AI ਮਾਡਲਾਂ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਸਬੂਤਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਉਹਨਾਂ ਨੂੰ ਤਸਦੀਕ ਕਰਨ ਅਤੇ ਸੁਧਾਰਨ ਵਿੱਚ ਕਈ ਦਿਨ ਬਿਤਾਏ।
ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਤਕਨੀਕੀ ਤਰੱਕੀਆਂ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਟੈਲੀਕਮਿਊਨੀਕੇਸ਼ਨਜ਼ ਸੈਕਟਰ ਦੀ ਪਾਲਣਾ ਕਰਨ ਵਾਲਿਆਂ ਦੁਆਰਾ ਲੰਬੇ ਸਮੇਂ ਦੀ ਕੁਸ਼ਲਤਾ ਵਾਧੇ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਸਮਝਣ ਲਈ ਟਰੈਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਨੈੱਟਵਰਕ ਆਪਰੇਟਰ ਅਤੇ ਉਪਕਰਨ ਨਿਰਮਾਤਾ ਲਗਾਤਾਰ ਸਪੈਕਟ੍ਰਲ ਕੁਸ਼ਲਤਾ - ਇੱਕੋ ਫ੍ਰੀਕੁਐਂਸੀ 'ਤੇ ਵਧੇਰੇ ਡਾਟਾ ਪ੍ਰਸਾਰਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ - ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦੇ ਤਰੀਕੇ ਲੱਭ ਰਹੇ ਹਨ। ਜੇ ਇਹ ਟੈਕਨਾਲੋਜੀ ਅੰਤ ਵਿੱਚ ਅਕਾਦਮਿਕ ਸਬੂਤ ਤੋਂ ਹਾਰਡਵੇਅਰ ਲਾਗੂਕਰਨ ਤੱਕ ਪਹੁੰਚਦੀ ਹੈ, ਤਾਂ ਇਹ ਭਵਿੱਖ ਵਿੱਚ ਨੈੱਟਵਰਕ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਡਿਜ਼ਾਈਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ। ਫਿਲਹਾਲ, ਇਸਦਾ ਪ੍ਰਭਾਵ ਕੰਪਿਊਟਰ ਸਾਇੰਸ ਅਤੇ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਖੋਜ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਹੈ। ਇਸ ਵਿਕਾਸ ਦਾ ਅਗਲਾ ਪੜਾਅ ਪੀਅਰ ਰਿਵਿਊ ਅਤੇ ਇਹਨਾਂ ਐਲਗੋਰਿਦਮ ਨੂੰ ਮੌਜੂਦਾ ਵਾਇਰਲੈੱਸ ਹਾਰਡਵੇਅਰ ਸਿਸਟਮਾਂ ਲਈ ਕਿਵੇਂ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਇਸ ਬਾਰੇ ਹੋਰ ਖੋਜ ਹੋਵੇਗੀ।