Aprendizado por reforço profundo para alocação de recursos e numerologia escalável em HetNets multi-RAT habilitadas para NR-U

Por que seu próximo celular precisa de ondas de rádio mais inteligentes

À medida que avançamos rumo ao 6G, nossos celulares, carros, robôs de fábrica e headsets de realidade virtual disputarão todos o mesmo recurso invisível: o espectro sem fio. Alguns aparelhos exigem vídeo super‑rápido, outros precisam de reações em frações de segundo, e as frequências que eles compartilham já estão congestionadas. Este artigo explora como combinar novas tecnologias rádio 5G/6G com inteligência artificial pode extrair muito mais desempenho tanto do espectro licenciado quanto do não licenciado, mantendo aplicações exigentes fluidas mesmo em cidades e fábricas movimentadas.

Muitos serviços, um mundo sem fio lotado

As redes do futuro devem atender necessidades muito distintas ao mesmo tempo. Enhanced Mobile Broadband (eMBB) abastece tarefas de alta taxa, como streaming em 4K e realidade virtual, enquanto Ultra‑Reliable Low‑Latency Communication (URLLC) sustenta enlaces críticos para segurança, como carros autônomos ou controle industrial, onde milissegundos fazem diferença. Em vez de construir uma rede física separada para cada serviço, os operadores podem criar “slices” — faixas virtuais no mesmo hardware rádio — cada uma ajustada a um tipo de serviço. O desafio é que todas essas slices ainda compartilham espectro e estações base limitadas, então decidir quem recebe quais recursos, e quando, é um complicado ato de malabarismo.

Colocando o espectro não licenciado para trabalhar

Para aliviar a pressão sobre frequências licenciadas, o 5G introduziu o New Radio em bandas não licenciadas (NR‑U), que permite que estações base celulares operem ao lado do Wi‑Fi em torno de 5 GHz e além. Os autores estudam uma rede heterogênea onde uma grande estação macro e várias small cells usam tanto NR licenciado quanto NR‑U não licenciado. Usuários podem se conectar de três maneiras: a uma small cell NR tradicional, a uma small cell NR‑U, ou por agregação de portadora que combina ambos os links. Ao mesmo tempo, cada célula suporta duas slices: uma voltada para velocidade (eMBB) e outra para atraso ultrabaixo (URLLC). O sistema também deve compartilhar a banda não licenciada de forma justa com pontos de acesso Wi‑Fi vizinhos, que competem pelo canal seguindo suas próprias regras.

Tempos flexíveis para necessidades diferentes

Uma ferramenta chave nesse projeto é a “numerologia escalável”, um recurso do 5G que altera como os sinais de rádio são organizados no tempo e na frequência. Configurações mais grossas usam espaçamento menor e slots de tempo mais longos, eficientes para altas taxas de dados, porém com reação mais lenta. Configurações mais finas usam espaçamento maior e slots muito curtos, que respondem rapidamente e se adequam ao tráfego sensível à latência, mas transportam menos bits por slot. O artigo permite que cada slice — orientada à velocidade ou ao atraso — escolha sua própria numerologia em links NR e NR‑U. Essa flexibilidade amplia muito o espaço de configurações possíveis, mas também torna o ajuste manual quase impossível.

Ensinando a rede a se adaptar sozinha

Para navegar essa complexidade, os autores recorrem à inteligência artificial. Eles modelam a “satisfação” do usuário com um índice simples que aumenta quando a taxa de dados de um usuário supera um alvo ou seu atraso fica abaixo de um limiar. Um método de aprendizado por reforço profundo chamado dueling deep Q‑network (DDQN) observa a carga atual em cada slice e célula, então aprende como ajustar a parcela de recursos rádio e a escolha de numerologia por slice para maximizar a satisfação total. Sobre isso, um algoritmo de aprendizado baseado em arrependimento (regret) permite que os usuários “reconsiderem” qual estação base e modo (NR, NR‑U ou combinado) escolher, direcionando-os gradualmente para opções que historicamente forneceram melhor satisfação. O processo se repete: configurações de recurso influenciam as associações de usuários, que por sua vez retroalimentam o ciclo de aprendizado.

O que as simulações revelam

Usando modelos matemáticos detalhados de qualidade de sinal, interferência e compartilhamento de canal com Wi‑Fi, a equipe simula um cenário interno denso com uma célula macro, três small cells e redes Wi‑Fi coexistentes. Eles comparam seu sistema inteligente multi‑rádio e multi‑slice com três abordagens comuns: redes apenas NR, NR misturado com Wi‑Fi sem agregação, e agregação LTE‑Wi‑Fi (LWA). Ao longo de uma ampla gama de contagem de usuários e combinações de serviços, a abordagem proposta eleva a satisfação média do usuário em até cerca de 70% em relação a esquemas mais simples. Ela se mantém robusta mesmo quando muitos usuários Wi‑Fi competem nas mesmas bandas não licenciadas, e supera técnicas de otimização mais tradicionais, como algoritmos genéticos ou métodos de aprendizado mais simples.

O que isso significa para usuários comuns

Para não especialistas, a mensagem é direta: o controle mais inteligente e orientado por IA de como nossos dispositivos compartilham espectro licenciado e não licenciado pode fazer as redes 6G futuras parecerem mais rápidas e responsivas, mesmo em ambientes movimentados. Ao dividir flexivelmente a capacidade entre vídeo rápido e sinais de controle ultra‑confiáveis, escolhendo configurações rádio em tempo real e decidindo qual estação base e frequência cada dispositivo deve usar, o sistema proposto mantém mais usuários satisfeitos por mais tempo. Se adotadas em implantações reais, tais técnicas poderiam ajudar seu próximo celular, carro ou headset a funcionar suavemente sem a necessidade de grandes novas fatias de espectro exclusivo.

Citação: 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

Palavras-chave: fatiamento de rede 6G, coexistência NR-U e Wi‑Fi, aprendizado por reforço profundo, alocação de recursos, URLLC e eMBB