科學家正在發展（AI）可以幫助下一代無線網絡（例如6G）提供更快，更可靠的連接的模型。
在學習研究人員詳細介紹了一個AI系統，該系統詳細介紹了一項AI系統，該系統在2024年12月的IEEE交易中介紹了該系統，該系統通過關注關鍵信息（例如角度，延遲和信號強度），從而減少了需要在設備和無線基站（例如單元塔）之間發送的信息量。
通過優化使用高頻毫米波的無線網絡中的信號數據（電磁頻譜的mmwave頻段，研究人員發現連通性誤差大大降低，並且AI系統改善了在城市交通和行人中的多種環境中的數據可靠性和連接性。
這項研究的主要作者說：“為了解決下一代無線網絡中快速增長的數據需求，必須利用MMWave頻段中豐富的頻率資源。”Byungju Lee，韓國仁川國立大學電信系教授。
有關的：
“我們的方法可確保精確的光束形成，這允許信號與設備無縫連接，即使用戶在運動時，”李說。
更聰明的塑造波浪的方式
當前對使用高頻無線電頻譜（如MMWaves）的網絡的挑戰是，它們依賴於大量通過大量多輸入多輸出（MIMO）一起工作的天線。該過程需要精確的信息（稱為“渠道狀態信息”（CSI）），以便在基站和移動設備之間提供具有兼容天線的連接性。
這種情況因網絡環境的變化而更加複雜，例如天線與人和交通移動，或設備和蜂窩塔之間的視線障礙物。這導致“通道老化” - 預測的通道狀態與其實際狀態之間的不匹配，從而導致性能降低，例如降低數據吞吐量和信號質量。
為了克服這些挑戰，該研究的作者使用了一種新型的AI模型，稱為變壓器。卷積神經網絡（CNN）可以通過識別信號模式和分類來幫助預測和優化無線網絡流量。
但是研究人員採用了不同的方法：通過在其網絡分析方法中使用變壓器模型代替CNN，可以跟踪信號變化中的短期和長期模式。結果，被稱為“變壓器輔助參數CSI反饋”的AI系統可以在無線網絡中進行實時調整，以提高基站和用戶之間的連接質量，即使後者快速移動。
改進是由CNN和變壓器之間的區別。兩者都是神經網絡模型，分析了圖像等視覺模式（在這種情況下，電磁頻譜上的模式），但是CNN傾向於在較小的數據集上訓練，並專注於“本地”功能，而變形金剛則使用較大的數據集並具有較大的數據集並具有一種自我注意的機制這使他們能夠確定不同輸入元素及其在全球層面上的關係的重要性。
簡而言之，變壓器模型將學習整個圖像，而CNN對邊緣和紋理等功能有偏見。可以這麼說，變形金剛看到了更大的情況。
但是，變壓器模型比CNN更需要計算。但是，如果他們可以提供強大的下一代無線網絡，那麼它們可能是在不久的將來進行高速無線通信的關鍵。
