Управление мощностью на основе машинного обучения в сотовых и безъячеистых системах massive MIMO

Почему это исследование важно для повседневных соединений

Когда наши телефоны, планшеты и умные устройства конкурируют за беспроводную полосу пропускания, сети испытывают трудности с обеспечением быстрой и надёжной связи без лишней траты энергии. В этой работе рассматривается, как современные методы машинного обучения могут помочь мобильным сетям в реальном времени решать, какую мощность должна использовать каждая антенна при связи с каждым устройством. Более интеллектуальное по сравнению с сегодняшними стандартными методами управление мощностью обещает более плавные соединения, лучшее покрытие в людных местах и меньшие задержки — ключевые параметры для будущих сервисов 5G и 6G, таких как виртуальная реальность, дистанционное управление машинами и сверхнадёжная связь с низкой задержкой.

От больших вышек к множеству тихих помощников

Традиционные сотовые сети строятся вокруг крупных базовых станций, каждая из которых обслуживает фиксированную «ячейку». Более новая идея, называемая безъячеистой massive MIMO, заменяет жёсткие границы ячеек множеством небольших точек доступа, разбросанных по территории и действующих совместно. Вместо того чтобы пользователь «принадлежал» одной вышке, любую близлежащую антенну можно подключить к передаче его сигнала. Такой совместный подход сокращает расстояние между устройствами и антеннами и может уменьшать «мёртвые зоны». Однако координация уровней мощности среди десятков или сотен антенн и пользователей становится сложной задачей — особенно если нужно минимизировать интерференцию и при этом максимально эффективно передавать данные по воздуху.

Обучение сетей умному распределению мощности

Инженеры долгое время полагались на математически насыщенные алгоритмы, такие как метод WMMSE, для принятия решений о мощности каждой антенны. Эти методы точны, но медленны и требовательны к ресурсам, что затрудняет их применение в реальном времени для больших плотных сетей. Авторы вместо этого обучают глубокие нейронные сети имитировать — а в некоторых случаях и превосходить — такое тщательное тонкое настройку мощности. Они генерируют большие смоделированные наборы данных, охватывающие множество комбинаций позиций пользователей, конфигураций антенн и условий канала, а затем учат нейросеть предсказывать хорошие настройки мощности непосредственно по информации о беспроводном канале.

Новый способ оценить справедливость и производительность

Вместо того чтобы ориентироваться только на суммарную скорость передачи данных в сети, исследование оценивает, как обстоят дела у каждого отдельного пользователя. Авторы вводят компактную метрику, названную «ΔAUC», которая измеряет площадь между двумя кривыми, описывающими распределение скоростей пользователей — одна кривая для нейросети и одна для традиционного метода. Положительная ΔAUC означает, что в масштабах всей популяции пользователей подход на основе обучения обеспечивает пользователям не хуже, а зачастую чуть лучшие скорости передачи данных. Такой взгляд, учитывающий распределение, помогает выявить не только средние улучшения, но и справедливость: обслуживает ли система многих пользователей хорошо, а не только нескольких удачливых.

Что происходит при росте сети

Команда систематически варьирует три ключевых параметра: число пользователей, число антенн на точку доступа или базовую станцию и количество самих точек доступа. Они тестируют как традиционные сотовые раскладки, так и безъячеистые, а также меняют количество смоделированных примеров, используемых для обучения нейросети. Их результаты показывают, что простое увеличение числа пользователей мало влияет на точность нейросети, тогда как увеличение числа антенн и точек доступа явно помогает. По мере того как физическая инфраструктура становится плотнее, входная информация, подаваемая в нейросеть, становится богаче, что позволяет ей ближе подходить к результатам или превосходить традиционный алгоритм. Большие тренировочные наборы данных дополнительно улучшают прогнозы, причём улучшения выравниваются после достижения достаточного числа примеров. В самых разных сценариях нейронный подход повышает суммарные скорости передачи данных на несколько процентов, сохраняя при этом предсказуемое поведение для отдельных пользователей.

Ускорение решений для следующего поколения беспроводной связи

Ключевое преимущество нейросетевого подхода — скорость. После обучения он может выдавать хорошие настройки мощности за долю времени, требуемого итеративным традиционным алгоритмом — в тестах более чем в десять раз быстрее. Это делает его значительно более подходящим для приложений, не терпящих задержек, таких как промышленное управление, координация транспортных средств или критически важная связь. Сочетая новую метрику, учитывающую справедливость, с измерениями ошибок, сравнением скоростей и анализом времени, исследование даёт практические рекомендации о том, насколько плотной должна быть инфраструктура и сколько тренировочных данных требуется, чтобы с уверенностью полагаться на машинное обучение для управления мощностью.

Что это значит для будущих беспроводных систем

Основной вывод в том, что тщательно спроектированные глубокие нейронные сети могут заменить, а иногда и улучшить тяжеловесные оптимизационные процедуры в современных беспроводных сетях. Они могут обеспечивать немного более высокие скорости передачи данных, более справедливое распределение обслуживания и намного более быстрые решения, особенно когда доступно много антенн и точек доступа. Это прокладывает путь к более умным, более отзывчивым системам 5G и 6G, в которых контроллеры на основе обучения незаметно управляют мощностью, помогая нашим повседневным устройствам оставаться на связи с меньшими задержками и большей устойчивостью.

Цитирование: Ahmadi, N., Akbarizadeh, G. Machine learning based power control in cellular and cell-free massive MIMO systems. Sci Rep 16, 8129 (2026). https://doi.org/10.1038/s41598-026-38685-3

Ключевые слова: massive MIMO, управление мощностью, безъячеистые сети, глубокое обучение, 5G и 6G