مقاله طراحی صورت فلکی آگاه از اهمیت برای ارتباطات معنایی: همه نمادها برابر نیستند.

سیستم‌های ارتباطی معنایی برای انتقال هدفمند باید اطلاعات مرتبط با وظیفه را نه تنها از طریق فشرده‌سازی منبع، بلکه از طریق نگاشت لایه فیزیکی نیز محافظت کنند. رویکردهای موجود، طراحی صورت فلکی (constellation) و کدگذاری معنایی را از هم جدا می‌کنند و نمادهای حیاتی را با همان نرخ نمادهای نامربوط در معرض خطاهای کانال قرار می‌دهند. برخلاف این، در این مقاله، یک چارچوب مشترک لایه معنایی-فیزیکی پیشنهاد می‌شود که از یک خودرمزگذار متغیر کوانتیزه برداری (vector quantized-variational autoencoder) برای استخراج مفاهیم گسسته نهفته، یک شاخص اهمیت معنایی (SCI) برای امتیازدهی به هر مفهوم بر اساس ارتباط با وظیفه، و یک عامل یادگیری تقویتی عمیق برای انتخاب پویا زیرمجموعه انتقال بر اساس شرایط لحظه‌ای کانال تشکیل شده است. در لایه فیزیکی، یک صورت فلکی M-QAM آگاه از معنا (learned semantic-aware M-QAM) موقعیت نمادها را بر اساس آمار هم‌رخدادی مشترک و امتیازات SCI اختصاص می‌دهد، که از فاصله‌گذاری یکنواخت و کدگذاری گری (Gray coding) استاندارد M-QAM که میانگین نرخ خطای بیت (BER) را بدون در نظر گرفتن محتوای معنایی به حداقل می‌رساند، فاصله می‌گیرد. ما یک معیار جدید آسیب‌پذیری نماد معنایی (SSV) و احتمال حفاظت معنایی (SPP) را برای سنجش میزان در معرض قرار گرفتن نمادهای حیاتی وظیفه به خطاهای رمزگشایی معرفی می‌کنیم و اثبات می‌کنیم که هر صورت فلکی کدگذاری شده با گری، در SSV وزن‌دار شده با SCI، به طور اکید نامطلوب است، هرگاه منبع دارای اهمیت معنایی و آمار هم‌رخدادی غیریکنواخت باشد. نتایج شبیه‌سازی نشان می‌دهد که صورت فلکی پیشنهادی به SPP نزدیک به ۱۰۰٪ در مرتبه‌های مدولاسیون از ۴-QAM تا ۱۰۲۴-QAM در مقابل ۵۰٪ برای صورت فلکی‌های استاندارد در بازده طیفی بالا، نسبت فشرده‌سازی ۲۱:۱ با کیفیت معنایی بالای ۰.۹ دست می‌یابد و بدون تغییر در مجموعه داده‌های MNIST، Fashion-MNIST و FSDD تعمیم می‌یابد.

Semantic communication systems for goal-oriented transmission must protect task-relevant information not only through source compression but also via physical layer mapping. Existing approaches decouple constellation design and semantic encoding, exposing critical symbols to channel errors at the same rate as irrelevant ones. Contrary to this, in this paper, a joint semantic-physical layer framework is proposed, which is composed of a vector quantized-variational autoencoder that extracts discrete latent concepts, a semantic criticality indicator (SCI) that scores each concept by task relevance, and a deep reinforcement learning agent that dynamically selects the transmission subset based on instantaneous channel conditions. At the physical layer, a learned semantic-aware M -QAM constellation assigns symbol positions according to joint co-occurrence statistics and SCI scores, departing from the uniform spacing and Gray coding of standard M -QAM which minimizes average BER without regard for semantic content. We introduce a novel semantic symbol vulnerability (SSV) metric and a semantic protection probability (SPP) to quantify the exposure of task-critical symbols to decoding errors, and prove that any Gray-coded constellation is strictly suboptimal in SCI-Weighted SSV whenever the source exhibits non-uniform semantic importance and co-occurrence statistics. Simulation results demonstrate that the proposed constellation achieves near 100% SPP across modulation orders from 4-QAM to 1024-QAM versus 50% for standard constellations at high spectral efficiency, a 21:1 compression ratio with semantic quality above 0.9, generalizing across MNIST, Fashion-MNIST, and FSDD without modification.