Aprendizaje profundo por refuerzo para asignación de recursos y numerología escalable en NR-U habilitado para HetNets multi‑RAT

Por qué tu futuro teléfono necesita ondas más inteligentes

A medida que avanzamos hacia el 6G, nuestros teléfonos, coches, robots de fábrica y cascos de realidad virtual competirán por el mismo recurso invisible: el espectro inalámbrico. Algunos dispositivos necesitan vídeo ultrarrápido, otros requieren reacciones en fracciones de segundo, y las ondas que comparten ya están saturadas. Este artículo explora cómo combinar la nueva tecnología radio 5G/6G con inteligencia artificial puede exprimir mucho más rendimiento tanto del espectro licenciado como del no licenciado, manteniendo las aplicaciones exigentes fluidas incluso en ciudades y fábricas concurridas.

Muchos servicios, un mundo inalámbrico saturado

Las redes del mañana deben atender necesidades muy distintas a la vez. Enhanced Mobile Broadband (eMBB) impulsa tareas de alta tasa como la transmisión 4K y la realidad virtual, mientras que Ultra‑Reliable Low‑Latency Communication (URLLC) soporta enlaces críticos para la seguridad, como vehículos autónomos o control industrial, donde importan los milisegundos. En lugar de construir una red física separada para cada caso, los operadores pueden crear “slices” —carriles virtuales sobre el mismo hardware radio— cada uno afinado para un tipo de servicio. El reto es que todos estos slices siguen compartiendo un espectro y estaciones base limitados, por lo que decidir quién obtiene qué recursos y cuándo es un complejo acto de malabarismo.

Poniendo en práctica el espectro no licenciado

Para aliviar la presión sobre las frecuencias licenciadas, el 5G introdujo New Radio en bandas no licenciadas (NR‑U), que permite a las estaciones base celulares operar junto a Wi‑Fi alrededor de 5 GHz y más allá. Los autores estudian una red heterogénea donde una gran estación macro y varias celdas pequeñas usan tanto NR licenciado como NR‑U no licenciado. Los usuarios pueden conectarse de tres maneras: a una celda pequeña NR tradicional, a una celda pequeña NR‑U, o mediante agregación de portadora que combina ambos enlaces. Al mismo tiempo, cada celda soporta dos slices: uno centrado en la velocidad (eMBB) y otro en la latencia ultrabaja (URLLC). El sistema también debe compartir la banda no licenciada de forma justa con puntos de acceso Wi‑Fi cercanos, que compiten por el canal usando sus propias reglas.

Temporización flexible para distintas necesidades

Una herramienta clave en este diseño es la “numerología escalable”, una característica del 5G que cambia cómo se organizan las señales radio en tiempo y frecuencia. Configuraciones más gruesas usan una separación estrecha y ranuras temporales largas, que son eficientes para altas tasas de datos pero reaccionan lentamente. Configuraciones más finas usan separación mayor y ranuras muy cortas, que responden con rapidez y encajan con el tráfico sensible a la demora, pero transportan menos bits por ranura. El artículo permite que cada slice —orientado a la velocidad o a la latencia— elija su propia numerología tanto en los enlaces NR como en NR‑U. Esta flexibilidad amplía enormemente el espacio de configuraciones posibles, pero también hace que el ajuste manual sea casi imposible.

Enseñar a la red a adaptarse sola

Para navegar esta complejidad, los autores recurren a la inteligencia artificial. Modelan la “satisfacción” del usuario con un índice simple que aumenta cuando la tasa de datos de un usuario supera un objetivo o su retraso cae por debajo de un umbral. Un método de aprendizaje profundo por refuerzo llamado dueling deep Q‑network (DDQN) observa la carga actual de cada slice y celda, y aprende a ajustar la porción de recursos radio y la elección de numerología por slice para maximizar la satisfacción total. Sobre esto, un algoritmo de aprendizaje basado en el arrepentimiento permite a los usuarios “reconsiderar” a qué estación base y modo (NR, NR‑U o combinado) se conectan, orientándolos gradualmente hacia opciones que históricamente ofrecieron mayor satisfacción. El proceso se repite: las decisiones de recursos influyen en las asociaciones de usuarios, que a su vez retroalimentan el bucle de aprendizaje.

Lo que revelan las simulaciones

Usando modelos matemáticos detallados de calidad de señal, interferencia y compartición de canal con Wi‑Fi, el equipo simula un escenario interior denso con una celda macro, tres celdas pequeñas y redes Wi‑Fi coexistentes. Comparan su sistema inteligente multi‑radio, multi‑slice frente a tres líneas base comunes: redes solo NR, NR y Wi‑Fi mixto sin agregación, y agregación LTE‑Wi‑Fi (LWA). A lo largo de una amplia gama de conteos de usuarios y mezclas de servicios, el enfoque propuesto eleva la satisfacción media del usuario hasta alrededor de un 70% en relación con esquemas más simples. Permanece robusto incluso cuando muchos usuarios Wi‑Fi compiten en los mismos canales no licenciados, y supera a técnicas de optimización más tradicionales como algoritmos genéticos o métodos de aprendizaje más sencillos.

Qué significa esto para los usuarios cotidianos

Para los no especialistas, el mensaje es claro: un control más inteligente impulsado por IA sobre cómo nuestros dispositivos comparten espectro licenciado y no licenciado puede hacer que las redes 6G futuras se sientan más rápidas y receptivas, incluso en entornos concurridos. Al dividir la capacidad de forma flexible entre vídeo rápido y señales de control ultrarreliables, elegir ajustes radio sobre la marcha y decidir qué estación base y frecuencia debe usar cada dispositivo, el sistema propuesto mantiene a más usuarios satisfechos durante más tiempo. Si se adopta en despliegues reales, tales técnicas podrían ayudar a que tu próximo teléfono, coche o casco funcione sin problemas sin necesidad de enormes nuevos tramos de espectro exclusivo.

Cita: Elmosilhy, N.A., Elmesalawy, M.M., El-Haleem, A.M.A. et al. Deep reinforcement learning for resource allocation and scalable numerology in NR-U enabled multi-RAT HetNets. Sci Rep 16, 4768 (2026). https://doi.org/10.1038/s41598-026-36539-6

Palabras clave: segmentación de red 6G, coexistencia NR-U y Wi‑Fi, aprendizaje profundo por refuerzo, asignación de recursos, URLLC y eMBB