Minimização da probabilidade de interrupção e do consumo de energia por predição baseada em deep learning na comunicação D2D em mm wave

Por que os atalhos do seu telefone importam

Quando dois telefones próximos conversam diretamente entre si em vez de rotear tudo por uma torre de celular distante, os downloads ficam mais rápidos e as baterias duram mais. Essa forma de atalho, chamada comunicação dispositivo‑a‑dispositivo, é especialmente atraente nas frequências muito altas conhecidas como ondas milimétricas, que podem transportar enormes quantidades de dados. Mas esses links são frágeis: paredes, pessoas e até objetos em movimento podem interromper os sinais, causando “interrupções” súbitas na conexão e desperdiçando energia. Este artigo explora como uma combinação de estratégias de busca inspiradas na natureza e redes neurais similares ao cérebro pode tornar tais conexões diretas mais confiáveis e mais eficientes em termos de energia.

Conversa direta entre aparelhos próximos

Em sistemas 5G e além, telefones, sensores e veículos falarão cada vez mais diretamente entre si a curtas distâncias. Pular a estação base reduz a latência, diminui a congestão da rede e pode ser crucial em emergências quando a infraestrutura está danificada. As bandas de ondas milimétricas oferecem espectro amplo para esse tráfego, mas trazem um problema: os sinais atenuam rapidamente, são facilmente bloqueados e sofrem interferência variável. Engenheiros descrevem o risco de que um link caia abaixo de um nível de qualidade utilizável como sua “probabilidade de interrupção”. Ao mesmo tempo, cada bit adicional de potência de transmissão consome mais baterias e aquece redes já congestionadas. O desafio é manter a probabilidade de interrupção baixa enquanto também reduz a energia que cada dispositivo usa para comunicar.

Mapeando um bairro sem fio lotado

Os autores primeiro constroem um retrato matemático de uma cena sem fio ocupada. Estações base, usuários celulares comuns e pares especializados dispositivo‑a‑dispositivo são distribuídos por uma área segundo padrões espaciais realistas que formam aglomerações naturais de dispositivos próximos. Dentro desse arranjo, eles estudam três maneiras de descrever a cobertura: uma visão “coerente” onde informações detalhadas de posição e canal são conhecidas; uma visão “não coerente” que usa apenas estatísticas de longo prazo; e uma visão de “único aglomerado” que foca na interferência gerada dentro de um grupo. Para cada caso, eles derivam fórmulas que relacionam quantidades-chave, como a razão sinal‑para‑interferência‑e‑ruído, à chance de que um link permaneça acima de um limiar de qualidade escolhido. Essas fórmulas servem como o campo de jogo no qual métodos de otimização e de aprendizado podem procurar melhores configurações de potência.

Aprendendo com flamingos, alces e picos

Para reduzir interrupções, o artigo introduz um método de busca híbrido chamado Flamingo Elk Herd Optimization (FEHO). Ele imita dois comportamentos animais: flamingos explorando grandes regiões ao forragear e alces ajustando finamente suas posições dentro de um rebanho. Ao misturar exploração de amplo alcance com ajuste local preciso, o FEHO procura níveis de potência de transmissão para todos os pares de dispositivos que, em conjunto, minimizem a chance de falhas nos links. Em paralelo, os autores recorrem a uma Rede Neural Espinhada Profunda (DSNN) para lidar com o uso de energia. Em vez de trabalhar com sinais contínuos, essa rede processa informação como rajadas, ou picos, mais próximo de como neurônios biológicos operam. Ela observa padrões de interrupções ao longo do tempo e aprende um limiar de potência inteligente: um nível que mantém a cobertura aceitável enquanto reduz potência de transmissão desnecessária. Juntos, o FEHO propõe configurações candidatas de potência e a DSNN fornece limiares adaptativos que refletem as reais condições do canal.

Colocando o novo método à prova

A equipe avalia seu framework combinado, denominado FEHO+DSNN, por meio de extensas simulações computacionais em dois cenários sem fio comuns: canais Rayleigh, que modelam ambientes fortemente espalhados sem linha de visão clara, e canais Ricianos, que incluem um caminho direto dominante. Eles variam o número de usuários e a relação sinal‑ruído para espelhar implantações urbanas densas. Em comparação com várias técnicas recentes — incluindo outros otimizadores baseados em enxames, controle de potência auxiliado por aprendizado e esquemas baseados em cache — a nova abordagem converge consistentemente mais rápido e alcança melhores compensações. Em muitos casos reduz a potência média de transmissão em dezenas de decibéis enquanto mantém a probabilidade de interrupção igual ou inferior às de métodos concorrentes, fazendo isso com tempos de inferência curtos o suficiente para uso em tempo real em redes ativas.

O que isso significa para os sistemas sem fio do futuro

Para um público leigo, a mensagem é direta: este trabalho mostra que algoritmos inteligentes podem permitir que dispositivos próximos conversem de forma mais direta, mais confiável e com menos consumo de bateria, mesmo nas exigentes bandas de ondas milimétricas. Ao combinar uma estratégia de busca inspirada no comportamento de grupos animais com uma rede neural que aprende a partir de eventos em forma de picos, os autores projetam um sistema que equilibra manter a conexão e economizar energia. Seus resultados sugerem que futuros telefones, sensores e até veículos poderão manter links de curto alcance fortes sem constantemente transmitir na potência máxima. À medida que as redes sem fio se tornam mais densas e complexas, estratégias adaptativas e conscientes de energia como essa serão fundamentais para manter nossas conversas digitais suaves, rápidas e sustentáveis.

Citação: Bilal, N.M., Velmurugan, T. Minimization of outage probability and energy consumption by deep learning-based prediction in D2D mm wave communication. Sci Rep 16, 9006 (2026). https://doi.org/10.1038/s41598-025-34846-y

Palavras-chave: comunicação dispositivo-a-dispositivo, redes milimétricas, probabilidade de interrupção, wireless energeticamente eficiente, redes neurais espinhadas profundas