למידה עמוקה בחיזוק לחלוקת משאבים ונומרולוגיה מדרגית ב‑NR‑U ברשתות הטרוגניות מרובות‑RAT

למה הטלפון של העתיד זקוק לגלי אוויר חכמים יותר

כשנתקדם לכיוון 6G, הטלפונים, המכוניות, הרובוטים במפעלים ומשקפי ה‑VR שלנו יתחרו כולם על אותו משאב בלתי נראה: ספקטרום אלחוטי. חלק מהמכשירים זקוקים לוידאו מהיר במיוחד, אחרים דורשים תגובות ברגעים בודדים, והגלים שהם חולקים כבר צפופים. המאמר הזה חוקר כיצד שילוב טכנולוגיית רדיו חדשה של 5G/6G עם בינה מלאכותית יכול להפיק הרבה יותר ביצועים הן מספקטרום מורשה והן מספקטרום בלתי מורשה, ולשמור על אפליקציות תובעניות חלקות גם בערים ומפעלים עמוסים.

שירותים רבים, עולם אלחוטי אחד וצפוף

רשתות של מחר חייבות לשרת צרכים שונים במקביל. Enhanced Mobile Broadband (eMBB) מניע משימות בקצב גבוה כמו סטרימינג ב‑4K ומציאות מדומה, בעוד Ultra‑Reliable Low‑Latency Communication (URLLC) תומך בקישורים קריטיים לבטיחות כמו רכבים אוטונומיים או בקרה תעשייתית, שבהם מילישניות קובעות. במקום לבנות רשת פיזית נפרדת לכל שירות, מפעילים יכולים ליצור "פרוסות" — מסלולים וירטואליים על אותו חומרת רדיו — שכל אחת מכוונת לסוג שירות מסוים. האתגר הוא שכל אותן פרוסות עדיין חולקות ספקטרום וקימים מוגבלים, ולכן ההחלטה מי מקבל אילו משאבים ומתי היא מעשה איפוק מורכב.

להגשים את הספקטרום הבלתי מורשה

כדי להקל על העומס בתדרים מורשים, 5G הציגה New Radio ברצועות בלתי מורשות (NR‑U), שמאפשרת תחנות סלולריות לפעול לצד Wi‑Fi סביב 5 GHz ומעבר לה. המחברים בוחנים רשת הטרוגנית שבה תחנת מאקרו גדולה וכמה תאים קטנים משתמשים גם ב‑NR מורשה וגם ב‑NR‑U בלתי מורשה. משתמשים יכולים להתחבר בשלוש דרכים: לתא קטן NR קלאסי, לתא קטן NR‑U, או באמצעות אגירת נשאים (carrier aggregation) המשלבת את שני הקישורים. במקביל, כל תא תומך בשתי פרוסות: אחת הממוקדת במהירות (eMBB) והשנייה בעיכוב על‑התקן נמוך (URLLC). המערכת חייבת גם לחלוק את הרצועה הבלתי מורשה בצורה הוגנת עם נקודות גישה Wi‑Fi בסביבה, שנלחמות על הערוץ לפי הכללים שלהן.

תזמון גמיש לצרכים שונים

כלי מרכזי בעיצוב הזה הוא "נומרולוגיה מדרגית", תכונה של 5G שמשנה את האופן שבו האותות הרדיו מסודרים בזמן ובתדר. הגדרות גסות משתמשות בריווח צר ובחריצי זמן ארוכים יותר, היעילות גבוהה עבור קצבי נתונים גבוהים אך תגובתיות נמוכה. הגדרות עדינות משתמשות בריווח רחב ובחריצים קצרים מאוד, שמגיבים במהירות ומתאימים לתעבורה רגישת‑עיכוב, אך נושאות פחות ביטים לכל חריץ. המאמר מאפשר לכל פרוסה — הממוקדת במהירות או בעיכוב — לבחור את הנומרולוגיה שלה בקישורי NR ו‑NR‑U. הגמישות הזו מרחיבה מאוד את מרחב התצורות האפשריות, אבל גם הופכת כיוונון ידני לכמעט בלתי אפשרי.

ללמד את הרשת להתאים את עצמה

כדי לנווט במורכבות הזו, המחברים פונים לבינה מלאכותית. הם ממחישים את "שביעות הרצון" של המשתמשים במדד פשוט שגדל כאשר קצב הנתונים של משתמש עולה על יעד או שהעיכוב יורד מתחת לסף. שיטת למידת חיזוק עמוקה בשם dueling deep Q‑network (DDQN) מתבוננת בעומס הנוכחי על כל פרוסה ותא, ולומדת כיצד להתאים את חלקי המשאבים הרדיו ואת בחירת הנומרולוגיה לכל פרוסה כדי למקסם את שביעות הרצון הכוללת. מעל לזה, אלגוריתם למידה מבוסס‑חרטה (regret) מאפשר למשתמשים "להרהר" מחדש באיזו תחנת בסיס ובאיזה מצב (NR, NR‑U או משולב) להתחבר, וכך להטות אותם בהדרגה לעבר אפשרויות שהניבו שביעות רצון גבוהה יותר בעבר. התהליך חוזר: הגדרות המשאבים משפיעות על שיוכים של משתמשים, ואלה בתורם מזינים חזרה את לולאת הלמידה.

מה הסימולציות מגלות

באמצעות מודלים מתמטיים מפורטים של איכות האות, הפרעה ושיתוף ערוץ עם Wi‑Fi, הצוות מדמה תרחיש פנימי צפוף עם תא מאקרו, שלושה תאים קטנים ורשתות Wi‑Fi מקבילות. הם משווים את המערכת החכמה שלהם הרבת‑הרדיו והרבת‑הפרוסות מול שלוש תצורות בסיס נפוצות: רשתות NR בלבד, שילוב NR ו‑Wi‑Fi ללא אגירה, ואגירת LTE‑Wi‑Fi (LWA). בטווח רחב של מספרי משתמשים ותמהילי שירותים, הגישה המוצעת מעלה את שביעות הרצון הממוצעת של משתמשים עד כ‑70% יחסית לסכמות פשוטות יותר. היא נשארת חסונה גם כאשר משתמשי Wi‑Fi רבים מתחרים על אותן רצועות בלתי מורשות, ומצטיינת על פני טכניקות אופטימיזציה מסורתיות יותר כמו אלגוריתמים גנטיים או שיטות למידה פשוטות יותר.

מה זה אומר עבור המשתמשים היומיומיים

לקהל שאינו מומחה, המסר ברור: שליטה חכמה מבוססת בינה מלאכותית על האופן שבו המכשירים שלנו חולקים ספקטרום מורשה ובלתי מורשה יכולה לגרום לרשתות 6G להרגיש מהירות ותגובתיות יותר, גם בסביבות עמוסות. על‑ידי פיצול גמיש של הקיבולת בין וידאו מהיר לאותות בקרה אמינים במיוחד, בחירת הגדרות רדיו בזמן אמת והחלטה באיזו תחנת בסיס ותדירות כל מכשיר ישתמש, המערכת המוצעת שומרת על יותר משתמשים מרוצים לאורך זמן. אם יאומצו בפריסה ממשית, טכניקות כאלה עשויות לסייע לטלפון, לרכב או לאוזניות של הדור הבא שלך לפעול חלק ללא צורך בהקצאות עצומות של ספקטרום בלעדי.

ציטוט: 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

מילות מפתח: חיתוך רשתות ב‑6G, Coexistence של NR‑U ו‑Wi‑Fi, למידת חיזוק עמוקה, הקצאת משאבים, URLLC ו‑eMBB