科学家正在发展（AI）可以帮助下一代无线网络（例如6G）提供更快，更可靠的连接的模型。
在学习研究人员详细介绍了一个AI系统，该系统详细介绍了一项AI系统，该系统在2024年12月的IEEE交易中介绍了该系统，该系统通过关注关键信息（例如角度，延迟和信号强度），从而减少了需要在设备和无线基站（例如单元塔）之间发送的信息量。
通过优化使用高频毫米波的无线网络中的信号数据（电磁频谱的mmwave频段，研究人员发现连通性误差大大降低，并且AI系统改善了在城市交通和行人中的多种环境中的数据可靠性和连接性。
这项研究的主要作者说：“为了解决下一代无线网络中快速增长的数据需求，必须利用MMWave频段中丰富的频率资源。”Byungju Lee，韩国仁川国立大学电信系教授。
有关的：
“我们的方法可确保精确的光束形成，这允许信号与设备无缝连接，即使用户在运动时，”李说。
更聪明的塑造波浪的方式
当前对使用高频无线电频谱（如MMWaves）的网络的挑战是，它们依赖于大量通过大量多输入多输出（MIMO）一起工作的天线。该过程需要精确的信息（称为“渠道状态信息”（CSI）），以便在基站和移动设备之间提供具有兼容天线的连接性。
这种情况因网络环境的变化而更加复杂，例如天线与人和交通移动，或设备和蜂窝塔之间的视线障碍物。这导致“通道老化” - 预测的通道状态与其实际状态之间的不匹配，从而导致性能降低，例如降低数据吞吐量和信号质量。
为了克服这些挑战，该研究的作者使用了一种新型的AI模型，称为变压器。卷积神经网络（CNN）可以通过识别信号模式和分类来帮助预测和优化无线网络流量。
但是研究人员采用了不同的方法：通过在其网络分析方法中使用变压器模型代替CNN，可以跟踪信号变化中的短期和长期模式。结果，被称为“变压器辅助参数CSI反馈”的AI系统可以在无线网络中进行实时调整，以提高基站和用户之间的连接质量，即使后者快速移动。
改进是由CNN和变压器之间的区别。两者都是神经网络模型，分析了图像等视觉模式（在这种情况下，电磁频谱上的模式），但是CNN倾向于在较小的数据集上训练，并专注于“本地”功能，而变形金刚则使用较大的数据集并具有较大的数据集并具有一种自我注意的机制这使他们能够确定不同输入元素及其在全球层面上的关系的重要性。
简而言之，变压器模型将学习整个图像，而CNN对边缘和纹理等功能有偏见。可以这么说，变形金刚看到了更大的情况。
但是，变压器模型比CNN更需要计算。但是，如果他们可以提供强大的下一代无线网络，那么它们可能是在不久的将来进行高速无线通信的关键。
