Apprendimento profondo per rinforzo per l’allocazione delle risorse e la numerologia scalabile in HetNet multi-RAT abilitate NR-U

Perché il tuo prossimo telefono avrà bisogno di onde radio più intelligenti

Mentre ci avviciniamo al 6G, telefoni, auto, robot di fabbrica e visori VR concorreranno tutti per la stessa risorsa invisibile: lo spettro wireless. Alcuni dispositivi richiedono video ultra‑veloce, altri tempi di reazione al millisecondo, e le frequenze che condividono sono già affollate. Questo articolo esplora come la combinazione di nuova tecnologia radio 5G/6G e intelligenza artificiale possa estrarre molto più rendimento sia dallo spettro licenziato che da quello non licenziato, mantenendo applicazioni esigenti fluide anche in città e stabilimenti occupati.

Molti servizi, un unico mondo wireless affollato

Le reti di domani dovranno servire esigenze molto diverse contemporaneamente. Enhanced Mobile Broadband (eMBB) alimenta attività ad alta velocità come streaming 4K e realtà virtuale, mentre Ultra‑Reliable Low‑Latency Communication (URLLC) supporta collegamenti critici per la sicurezza come le auto a guida autonoma o il controllo industriale, dove contano i millisecondi. Invece di costruire una rete fisica separata per ciascuno, gli operatori possono creare “slice” — corsie virtuali sull’hardware radio comune — ciascuna tarata su un tipo di servizio. La sfida è che tutte queste slice condividono comunque spettro e stazioni base limitati, quindi decidere chi ottiene quali risorse, e quando, è un complesso gioco di equilibrio.

Mettere a lavoro lo spettro non licenziato

Per alleggerire la pressione sulle frequenze licenziate, il 5G ha introdotto il New Radio in bande non licenziate (NR‑U), che permette alle stazioni base cellulari di operare accanto al Wi‑Fi attorno ai 5 GHz e oltre. Gli autori studiano una rete eterogenea dove una grande stazione macro e diverse small cell usano sia NR licenziato sia NR‑U non licenziato. Gli utenti possono collegarsi in tre modi: a una small cell NR tradizionale, a una small cell NR‑U, o tramite carrier aggregation che combina entrambi i collegamenti. Allo stesso tempo, ogni cella supporta due slice: una focalizzata sulla velocità (eMBB) e l’altra sulla latenza ultra‑bassa (URLLC). Il sistema deve inoltre condividere la banda non licenziata in modo equo con i punti di accesso Wi‑Fi vicini, che contendono il canale usando le proprie regole.

Tempi flessibili per bisogni diversi

Uno strumento chiave in questo progetto è la “numerologia scalabile”, una caratteristica del 5G che modifica come i segnali radio sono disposti nel tempo e in frequenza. Impostazioni più grossolane usano spaziatura stretta e slot temporali lunghi, efficienti per alte velocità ma lente nella reazione. Impostazioni più fini usano spaziatura ampia e slot molto brevi, che rispondono rapidamente e sono adatte al traffico sensibile alla latenza, ma trasportano meno bit per slot. L’articolo permette a ogni slice — orientata alla velocità o alla latenza — di scegliere la propria numerologia sia sui collegamenti NR sia su quelli NR‑U. Questa flessibilità amplia notevolmente lo spazio delle configurazioni possibili, ma rende anche la taratura manuale praticamente impossibile.

Insegnare alla rete ad adattarsi da sola

Per districarsi in questa complessità, gli autori ricorrono all’intelligenza artificiale. Modellano la “soddisfazione” dell’utente con un indice semplice che aumenta quando il bitrate di un utente supera un obiettivo o la sua latenza scende al di sotto di una soglia. Un metodo di deep reinforcement learning chiamato dueling deep Q‑network (DDQN) osserva il carico corrente su ciascuna slice e cella, e impara come regolare la quota delle risorse radio e la scelta della numerologia per slice per massimizzare la soddisfazione totale. Sopra a questo, un algoritmo di learning basato sul rimpianto (regret) permette agli utenti di “riconsiderare” quale stazione base e modalità (NR, NR‑U o combinata) scegliere, orientandoli gradualmente verso le opzioni che storicamente hanno dato maggiore soddisfazione. Il processo si ripete: le impostazioni delle risorse influenzano le associazioni degli utenti, che a loro volta ricombinano il ciclo di apprendimento.

Cosa rivelano le simulazioni

Usando modelli matematici dettagliati della qualità del segnale, dell’interferenza e della condivisione del canale Wi‑Fi, il team simula uno scenario indoor denso con una macro cell, tre small cell e reti Wi‑Fi coesistenti. Confrontano il loro sistema intelligente multi‑radio, multi‑slice con tre baseline comuni: reti solo NR, mix di NR e Wi‑Fi senza aggregazione, e aggregazione LTE‑Wi‑Fi (LWA). Su un ampio intervallo di numeri di utenti e mix di servizi, l’approccio proposto aumenta la soddisfazione media degli utenti fino a circa il 70% rispetto a schemi più semplici. Rimane robusto anche quando molti utenti Wi‑Fi contendono sugli stessi canali non licenziati, e supera tecniche di ottimizzazione più tradizionali come gli algoritmi genetici o metodi di apprendimento più semplici.

Cosa significa per gli utenti comuni

Per i non specialisti, il messaggio è chiaro: un controllo più intelligente, guidato dall’IA, di come i nostri dispositivi condividono spettro licenziato e non licenziato può rendere le reti 6G future più veloci e reattive, anche in ambienti affollati. Suddividendo flessibilmente la capacità tra video veloce e segnali di controllo ultra‑affidabili, scegliendo le impostazioni radio al volo e decidendo quale stazione base e quale frequenza debba usare ciascun dispositivo, il sistema proposto mantiene più utenti soddisfatti per più tempo. Se adottate nelle implementazioni reali, tali tecniche potrebbero aiutare il tuo prossimo telefono, la tua auto o il tuo visore a funzionare senza intoppi senza richiedere vaste nuove porzioni di spettro esclusivo.

Citazione: 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

Parole chiave: slicing di rete 6G, coesistenza NR-U e Wi‑Fi, apprendimento profondo per rinforzo, allocazione delle risorse, URLLC e eMBB