Minimering av avbrottsprobabilitet och energiförbrukning genom djupinlärningsbaserad prediktion i D2D mm‑vågkommunikation

Varför dina telefonsnabbval spelar roll

När två nära liggande telefoner kommunicerar direkt med varandra i stället för att routa allt via en avlägsen mobilmast blir nedladdningar snabbare och batterierna räcker längre. Denna form av genväg, kallad device‑to‑device‑kommunikation, är särskilt attraktiv i de mycket höga radiobanden som kallas millimetervågor, vilka kan bära stora mängder data. Men dessa länkar är sköra: väggar, människor och till och med rörliga föremål kan avbryta signalerna, orsaka plötsliga anslutnings"avbrott" och slösa energi. Denna artikel undersöker hur en blandning av naturinspirerade sökstrategier och hjärnliknande neurala nätverk kan göra sådana direkta länkar både mer pålitliga och mer energieffektiva.

Direkt kommunikation mellan närliggande prylar

I kommande 5G‑ och efter‑5G‑system kommer telefoner, sensorer och fordon i allt större utsträckning att prata direkt med varandra över korta avstånd. Att hoppa över basstationen minskar fördröjning, avlastar nätverket och kan vara avgörande i nödsituationer när infrastrukturen är skadad. Millimetervågsbanden erbjuder stora frekvensresurser för denna trafik, men de har en hake: signaler dämpas snabbt, blockeras lätt och påverkas av fluktuerande interferens. Ingenjörer beskriver risken att en länk sjunker under en användbar kvalitetsnivå som dess ”avbrottsprobabilitet”. Samtidigt tömmer varje extra steg i sändningseffekt batterier och belastar redan trånga nät. Utmaningen är att hålla avbrotten låga samtidigt som man minskar den energi varje enhet använder för att prata.

Kartering av ett trångt trådlöst grannskap

Författarna bygger först en matematisk bild av en livlig trådlös scen. Basstationer, vanliga mobilanvändare och specialiserade device‑to‑device‑par sprids över ett område enligt realistiska spatiala mönster som bildar naturliga kluster av närliggande enheter. Inom denna layout studerar de tre sätt att beskriva täckning: en ”koherent” vy där detaljerad positions‑ och kanalinfo är känd; en ”icke‑koherent” vy som endast använder långsiktiga statistiker; och en ”enkluster”‑vy som fokuserar på interferens som genereras inom en grupp. För varje fall härleder de formler som relaterar nyckelstorheter såsom signal‑till‑interferens‑och‑brus‑kvoten till sannolikheten att en länk förblir över en vald kvalitetsgräns. Dessa formler tjänar som lekplan där optimerings‑ och inlärningsmetoder kan söka efter bättre effektnivåer.

Lärande från flamingos, älgar och spikar

För att minska avbrott introducerar artikeln en hybrid sökmetod kallad Flamingo Elk Herd Optimization (FEHO). Den efterliknar två djurbeteenden: flamingos som utforskar stora områden när de födosöker och älgar som finjusterar sina positioner inom en hjord. Genom att kombinera vida utforskningar med noggrann lokal anpassning söker FEHO efter sändningseffektnivåer för alla enhetspaar som gemensamt minimerar risken för att länkar fallerar. Parallellt använder författarna ett Deep Spiking Neural Network (DSNN) för att hantera energianvändningen. I stället för att arbeta med släta signaler bearbetar detta nätverk information som pulser eller spikar, närmare hur biologiska neuroner fungerar. Det observerar mönster av avbrott över tid och lär sig en smart effekttröskel: en nivå som håller täckningen acceptabel samtidigt som onödig sändningsstyrka minskas. Tillsammans föreslår FEHO kandidatlösningar för effektnivåer och DSNN tillhandahåller adaptiva trösklar som speglar verkliga kanalförhållanden.

Testning av den nya metoden

Teamet utvärderar sitt kombinerade ramverk, kallat FEHO+DSNN, genom omfattande datorsimuleringar under två vanliga trådlösa scenarier: Rayleigh‑kanaler, som modellerar kraftigt spridda miljöer utan klar siktlinje, och Rician‑kanaler, som inkluderar en dominerande direkt väg. De varierar antalet användare och signal‑till‑brus‑kvoten för att efterlikna täta urbana utplaceringar. Jämfört med flera nyare tekniker — inklusive andra svärm‑baserade optimerare, inlärningsstödd effektstyrning och caching‑baserade scheman — konvergerar den nya metoden konsekvent snabbare och når bättre avvägningar. I många fall minskar den genomsnittlig sändningseffekt med tiotals decibel samtidigt som avbrottsprobabiliteten hålls på eller under konkurrerande metoder, och den gör det med inferenstider tillräckligt korta för realtidsanvändning i operativa nätverk.

Vad detta innebär för framtida trådlösa system

För en icke‑expert är budskapet enkelt: detta arbete visar att smarta algoritmer kan göra så att närliggande enheter kommunicerar mer direkt, mer pålitligt och med mindre batteriförbrukning, även i de kinkiga millimetervågsbanden. Genom att kombinera en sökstrategi inspirerad av djurgruppers beteende med ett neuralt nätverk som lär av spikliknande händelser, utformar författarna ett system som väger upprätthållen anslutning mot energibesparing. Deras resultat tyder på att framtida telefoner, sensorer och till och med fordon kan upprätthålla starka kortdistanslänkar utan att ständigt sända med maximal effekt. När trådlösa nät blir tätare och mer komplexa kommer sådana adaptiva, energieffektiva strategier att vara avgörande för att hålla våra digitala samtal jämna, snabba och hållbara.

Citering: 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

Nyckelord: device-to-device communication, millimeter-wave networks, outage probability, energy-efficient wireless, deep spiking neural networks