Sztuczna inteligencja do dynamicznego przydziału zasobów w systemach ISAC w sieciach 6G: inteligentne formowanie wiązek, zarządzanie interferencją i rozdział mocy

Inteligentniejsze sieci bezprzewodowe dla codziennego życia

Przyszłe sieci 6G nie tylko połączą nasze telefony, samochody i urządzenia domowe — będą również działać jako precyzyjne czujniki nieustannie skanujące otoczenie. W artykule przedstawiono, jak sztuczna inteligencja może pomóc tym dwufunkcyjnym sieciom automatycznie decydować, gdzie kierować sygnały, ile mocy używać i jak unikać interferencji. Celem jest szybsze i bardziej niezawodne połączenie bezprzewodowe przy jednoczesnym umożliwieniu precyzyjnego wykrywania dla zastosowań takich jak autonomiczna jazda, inteligentne miasta i monitorowanie bezpieczeństwa.

Jedna sieć do komunikacji i wykrywania

Zamiast budować oddzielne systemy do komunikacji i radaropodobnego wykrywania, zintegrowane wykrywanie i komunikacja (ISAC) łączy oba zadania w tym samym sprzęcie i kanałach radiowych. Pojedyncza stacja bazowa 6G używa wielu małych anten do wysyłania sygnałów, które jednocześnie przesyłają dane do użytkowników i odbijają się od obiektów, ujawniając ich pozycję i ruch. Takie współdzielenie obiecuje lepsze wykorzystanie widma, niższe koszty i nowe usługi, ale stwarza też napięcia: sygnały przeznaczone dla użytkowników mogą zakłócać wykrywanie, a sygnały wykrywania mogą interferować z transmisją danych. W szybko zmieniających się warunkach — samochody poruszające się dużą prędkością, zatłoczone ulice miast czy zmienne obciążenie sieci — stare, „statyczne” ustawienia przestają wystarczać.

Dlaczego stałe reguły zawodzą

Tradycyjne systemy bezprzewodowe często opierają się na wcześniej zaprojektowanych regułach lub ciężkiej optymalizacji matematycznej, która zakłada wolno zmieniające się warunki i niemal idealną znajomość kanałów. W ISAC stacja bazowa musi nieustannie żonglować kierunkami wiązek, poziomami mocy i wyborami częstotliwości, jednocześnie radząc sobie z kilkoma rodzajami interferencji: echem własnych sygnałów, kolizjami między różnymi użytkownikami oraz przesłuchami między łącznościami wykrywania i komunikacji. Powtarzalne rozwiązywanie tego dylematu za pomocą konwencjonalnych narzędzi jest zbyt wolne i zbyt sztywne dla rzeczywistych scenariuszy 6G, gdzie użytkownicy się poruszają, zapotrzebowanie się zmienia, a wzorce interferencji ewoluują z chwili na chwilę.

Jak kontroler AI uczy się adaptować

Autorzy proponują sterownik oparty na sztucznej inteligencji wykorzystujący głębokie uczenie ze wzmocnieniem. Kontroler nieustannie obserwuje stan sieci: jakość kanałów, szybkość poruszania się użytkowników, poziom interferencji, wymagania co do dokładności wykrywania i dostępną moc. W każdym momencie wybiera działania — jak kształtować wiązki, jak dzielić moc między użytkowników i zadania wykrywania oraz jak przydzielać częstotliwości. Po każdej decyzji system otrzymuje nagrodę odzwierciedlającą kilka celów jednocześnie: wyższe szybkości transmisji, lepszą dokładność wykrywania, niższe zużycie energii i mniejszą interferencję. Po wielu symulowanych interakcjach SI odkrywa strategie lepiej równoważące te cele niż rozwiązania statyczne, a po wytrenowaniu wyuczona polityka może być stosowana w czasie rzeczywistym przy umiarkowanym zapotrzebowaniu obliczeniowym.

Wydajność na ulicach miasta i w otwartych przestrzeniach

Aby przetestować podejście, badacze symulują trzy typowe scenariusze 6G: szybkie środowisko miejskie z pojazdami poruszającymi się dużą prędkością, gęste inteligentne miasto z wieloma blisko rozmieszczonymi użytkownikami oraz spokojny obszar wiejski z niewielką liczbą urządzeń, ale wysokimi wymaganiami wykrywania. We wszystkich trzech przypadkach system sterowany przez AI przyniósł wyraźne korzyści. Zwiększa on całkowitą zdolność przesyłu danych nawet o około 45% w porównaniu z klasyczną optymalizacją i o około 50% w porównaniu ze statycznymi wzorcami wiązek, szczególnie gdy stacja bazowa dysponuje wieloma antenami lub wyższą mocą nadawczą. Jednocześnie bardziej skoncentrowane kierowanie energii w pożądanych kierunkach wykrywania zwiększa zysk wzorca wiązki i obniża teoretyczne granice błędu lokalizacji celów, co przekłada się na dokładniejsze wykrywanie obiektów i otoczenia.

Oszczędność energii i zmniejszenie zatłoczenia sygnałowego

Korzyści wykraczają poza prędkość i dokładność. Dzięki nauce, kiedy i gdzie moc jest naprawdę potrzebna, metoda oparta na AI może utrzymać określony poziom transmisji przy jednoczesnym obniżeniu mocy nadawczej o około 40% w porównaniu z tradycyjnymi rozwiązaniami. Uczy się też tłumić różne formy interferencji — samointerferencję, kolizje użytkownik–użytkownik oraz przesłuchy między wykrywaniem a komunikacją — nawet o około 50%. Czystsze środowisko sygnałowe poprawia zarówno łączność bezprzewodową, jak i wydajność wykrywania, szczególnie w zatłoczonych lub szybko zmieniających się warunkach. Autorzy dodatkowo analizują koszt obliczeniowy i pokazują, że ciężka faza uczenia może zostać przeprowadzona offline, natomiast decyzje online są wystarczająco szybkie, by sprostać rygorystycznym wymaganiom czasowym 6G.

Co to oznacza dla przyszłych systemów 6G

Dla czytelnika ogólnego główny wniosek jest taki, że artykuł pokazuje, jak AI może działać jako kontroler ruchu powietrznego w czasie rzeczywistym dla fal radiowych w infrastrukturze 6G. Zamiast polegać na stałych ustawieniach, sieć uczy się, jak kierować wiązki, dzielić moc i unikać wzajemnych zakłóceń między komunikacją a wykrywaniem — wszystko na bieżąco. Efektem jest bardziej elastyczny, energooszczędny i precyzyjny system bezprzewodowy, który lepiej wesprze samochody autonomiczne, inteligentne fabryki i inne aplikacje wymagające dużych ilości danych i krytyczne dla bezpieczeństwa. Badanie sugeruje, że taki sterowany przez AI przydział zasobów może stać się kluczową technologią umożliwiającą praktyczne wdrożenie zintegrowanego wykrywania i komunikacji w 6G.

Cytowanie: Aman, M., Rehman, G.U., Zubair, M. et al. AI-driven dynamic resource allocation for ISAC systems in 6G networks: intelligent beamforming, interference management, and power allocation. Sci Rep 16, 12613 (2026). https://doi.org/10.1038/s41598-026-42247-y

Słowa kluczowe: sieci bezprzewodowe 6G, zintegrowane wykrywanie i komunikacja, głębokie uczenie ze wzmocnieniem, formowanie wiązek, zarządzanie interferencją