Djup förstärkningsinlärning för resursallokering och skalbar numerologi i NR‑U‑aktiverade multi‑RAT HetNets

Att utnyttja icke‑licensierat spektrum

För att avlasta licensierade frekvenser introducerade 5G New Radio i icke‑licensierade band (NR‑U), vilket tillåter mobilbasstationer att fungera sida vid sida med Wi‑Fi runt 5 GHz och uppåt. Författarna studerar ett heterogent nät där en stor makrobasstation och flera små celler använder både licensierad NR och icke‑licensierad NR‑U. Användare kan ansluta på tre sätt: till en traditionell NR‑small cell, till en NR‑U‑small cell eller via carrier aggregation som kombinerar båda länkarna. Samtidigt stödjer varje cell två slices: en inriktad på hastighet (eMBB) och en på ultra‑låg fördröjning (URLLC). Systemet måste dessutom dela det icke‑licensierade bandet rättvist med närliggande Wi‑Fi‑åtkomstpunkter, som konkurrerar om kanalen enligt sina egna regler.

Flexibel timing för olika behov

Ett nyckelverktyg i denna utformning är "skalerbar numerologi", en 5G‑funktion som ändrar hur radiosignaler arrangeras i tid och frekvens. Grovinställda parametrar använder smalare frekvensavstånd och längre tidsluckor, vilket är effektivt för höga datahastigheter men reagerar långsamt. Finare inställningar använder bredare avstånd och mycket korta luckor, vilket ger snabb respons och passar för fördröjningskänslig trafik, men bär färre bitar per lucka. Artikeln tillåter varje slice—hastighetsorienterad eller fördröjningsorienterad—att välja sin egen numerologi på både NR‑ och NR‑U‑länkar. Denna flexibilitet vidgar konfigurationsutrymmet avsevärt, men gör också manuell finjustering nästintill omöjlig.

Lära nätverket att anpassa sig självt

För att navigera denna komplexitet vänder sig författarna till artificiell intelligens. De modellerar användares "nöjdhet" med ett enkelt index som ökar när en användares datahastighet överstiger ett mål eller dess fördröjning faller under en tröskel. En djup förstärkningsinlärningsmetod kallad dueling deep Q‑network (DDQN) observerar den aktuella belastningen på varje slice och cell, och lär sig sedan hur andelen radioresurser och numerologival per slice ska justeras för att maximera total nöjdhet. Ovanpå detta låter en regret‑baserad inlärningsalgoritm användare ”omöverväga” vilken basstation och vilket läge (NR, NR‑U eller kombinerat) de ansluter till, vilket gradvis styr dem mot alternativ som historiskt gett bättre nöjdhet. Processen upprepas: resursinställningar påverkar användartillhörighet, som i sin tur återkopplar till inlärningsloopen.

Vad simuleringarna visar

Med detaljerade matematiska modeller för signal‑kvalitet, interferens och Wi‑Fi‑kanaldelning simulerar teamet ett tätt inomhusscenario med en makrocell, tre små celler och samexisterande Wi‑Fi‑nät. De jämför sitt intelligenta multi‑radio, multi‑slice‑system mot tre vanliga baslinjer: endast NR‑nät, blandade NR och Wi‑Fi utan aggregation, och LTE‑Wi‑Fi‑aggregation (LWA). Över ett brett spektrum av användarantal och tjänstemixar ökar den föreslagna metoden genomsnittlig användarnöjdhet med upp till cirka 70 % jämfört med enklare scheman. Den förblir robust även när många Wi‑Fi‑användare konkurrerar om samma icke‑licensierade kanaler, och den överträffar mer traditionella optimeringstekniker som genetiska algoritmer eller enklare inlärningsmetoder.

Vad detta betyder för vardagsanvändare

För icke‑specialister är budskapet enkelt: smartare, AI‑driven styrning av hur våra enheter delar både licensierat och icke‑licensierat spektrum kan få framtida 6G‑nät att kännas snabbare och mer responsiva, även i trånga miljöer. Genom att flexibelt dela kapacitet mellan snabb video och ultra‑pålitliga styrsignaler, välja radioparametrar i realtid och bestämma vilken basstation och frekvens varje enhet ska använda, håller det föreslagna systemet fler användare nöjda större delen av tiden. Om sådana tekniker införs i verkliga nät kan de hjälpa din nästa generations telefon, bil eller headset att fungera smidigt utan att kräva stora nya exklusiva spektrumytor.

Citering: 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

Nyckelord: 6G-nätverksskivning, NR‑U och Wi‑Fi samexistens, djup förstärkningsinlärning, resursallokering, URLLC och eMBB