NR-U özellikli çoklu RAT HetNet’lerde kaynak tahsisi ve ölçeklenebilir numeroloji için derin pekiştirmeli öğrenme

Geleceğin telefonunun daha akıllı hava dalgalarına neden ihtiyacı var

6G’ye ilerledikçe telefonlarımız, arabalarımız, fabrika robotlarımız ve VR başlıklarımız hepsi aynı görünmez kaynağın—kablosuz spektrumun—için rekabet edecek. Bazı cihazlar süper hızlı video ister, bazıları ise milisaniyelik tepki sürelerine ihtiyaç duyar ve paylaşılan hava dalgaları zaten kalabalık. Bu makale, yeni 5G/6G radyo teknolojisini yapay zeka ile birleştirmenin, lisanslı ve lisanssız spektrumlardan çok daha fazla performans çıkarmaya nasıl yardımcı olabileceğini inceliyor; böylece yoğun şehirlerde ve fabrikalarda talepkar uygulamalar akıcı kalıyor.

Çok sayıda hizmet, tek bir kalabalık kablosuz dünya

Yarın’ın ağları aynı anda çok farklı gereksinimleri karşılamalı. Gelişmiş Mobil Genişbant (eMBB) 4K yayın ve sanal gerçeklik gibi yüksek hızlı işleri beslerken, Ultra Güvenilir Düşük Gecikmeli İletişim (URLLC) kendini süren araçlar veya endüstriyel kontrol gibi milisaniyelerin kritik olduğu güvenlik‑kritik bağlantıları destekler. Her biri için ayrı fiziksel ağlar kurmak yerine operatörler aynı radyo donanımında her biri belirli bir hizmete göre ayarlanmış ‘‘dilimler’’—sanal şeritler—yaratabilir. Zorluk şu ki, bu dilimlerin tümü sınırlı spektrum ve baz istasyonlarını paylaşır; kim hangi kaynakları ne zaman alacak kararını vermek karmaşık bir denge oyunudur.

Lisanssız spektrumu işe koşmak

Lisanslı frekanslardaki baskıyı hafifletmek için 5G, lisanssız bantlarda New Radio (NR‑U) getirdi; bu sayede hücresel baz istasyonları 5 GHz civarı ve ötesinde Wi‑Fi ile yan yana çalışabiliyor. Yazarlar, büyük bir makro baz istasyonu ve birkaç küçük hücrenin hem lisanslı NR hem de lisanssız NR‑U kullandığı heterojen bir ağı inceliyor. Kullanıcılar üç şekilde bağlanabiliyor: geleneksel bir NR küçük hücresine, bir NR‑U küçük hücresine veya her iki bağlantıyı birleştiren taşıyıcı agregasyonuyla. Aynı zamanda her hücre iki dilimi destekliyor: hız odaklı (eMBB) ve ultra düşük gecikme odaklı (URLLC). Sistem, lisanssız bandı çevredeki Wi‑Fi erişim noktalarıyla da adil şekilde paylaşmak zorunda; onlar kendi kurallarına göre kanalda rekabet ediyorlar.

Farklı gereksinimler için esnek zamanlama

Bu tasarımda ana araçlardan biri ‘‘ölçeklenebilir numeroloji’’; 5G’nin radyo sinyallerinin zaman ve frekansta nasıl düzenlendiğini değiştiren bir özelliği. Daha kaba ayarlar dar aralıklı ve daha uzun zaman yuvaları kullanır; bunlar yüksek veri hızları için verimlidir ama yavaş tepki verir. Daha ince ayarlar daha geniş aralıklı ve çok kısa yuvalar kullanır; bunlar hızlı yanıt verir ve gecikme açısından hassas trafiğe uygundur ama her yuva başına daha az bit taşır. Makale, her dilimin—hız odaklı veya gecikme odaklı—hem NR hem de NR‑U bağlantılarında kendi numerolojisini seçmesine izin veriyor. Bu esneklik olası yapılandırmalar alanını büyük ölçüde genişletiyor, ancak elle ayarlamayı neredeyse imkânsız hale getiriyor.

Ağı kendi kendine uyumlanmayı öğretmek

Bu karmaşıklıkla başa çıkmak için yazarlar yapay zekaya yöneliyor. Kullanıcı ‘‘memnuniyetini’’ bir hedef veri hızı aşıldığında veya gecikme bir eşikten düştüğünde artan basit bir indeksle modelliyorlar. Bir dueling deep Q‑network (DDQN) adı verilen derin pekiştirmeli öğrenme yöntemi, her dilimin ve hücrenin mevcut yükünü gözlemliyor ve radyo kaynaklarının payını ve dilim başına numeroloji seçimini toplam memnuniyeti maksimize edecek şekilde nasıl ayarlayacağını öğreniyor. Bunun üstüne, kullanıcıların hangi baz istasyonuna ve mod (NR, NR‑U veya birleşik) seçimine ‘‘yeniden karar vermesini’’ sağlayan pişmanlık‑tabanlı bir öğrenme algoritması ekleniyor; bu algoritma zamanla geçmişte daha iyi memnuniyet sağlamış seçeneklere doğru yönlendiriyor. Süreç tekrarlanıyor: kaynak ayarları kullanıcı ilişkilerini etkiliyor ve bunlar da öğrenme döngüsüne geri besleme sağlıyor.

Simülasyonlar ne gösteriyor

Sinyal kalitesi, girişim ve Wi‑Fi kanal paylaşımının ayrıntılı matematiksel modellerini kullanarak ekip, bir makro hücre, üç küçük hücre ve yan yana Wi‑Fi ağlarının olduğu yoğun bir iç mekan senaryosu simüle ediyor. Akıllı çok‑radyo, çok‑dilimli sistemlerini üç yaygın kıyaslamayla karşılaştırıyorlar: sadece NR ağları, agregasyon olmadan karışık NR ve Wi‑Fi, ve LTE‑Wi‑Fi agregasyonu (LWA). Geniş bir kullanıcı sayısı ve hizmet karışımı aralığında önerilen yaklaşım, ortalama kullanıcı memnuniyetini daha basit şemalara göre yaklaşık %70’e kadar artırıyor. Aynı lisanssız kanallarda birçok Wi‑Fi kullanıcısı rekabet etse bile yöntem sağlam kalıyor ve genetik algoritmalar veya daha basit öğrenme yöntemleri gibi geleneksel optimizasyon tekniklerinden daha iyi performans gösteriyor.

Günlük kullanıcılar için bunun anlamı

Uzman olmayanlar için mesaj açık: cihazlarımızın lisanslı ve lisanssız spektrumu nasıl paylaştığını yapay zekayla daha akıllıca kontrol etmek, yoğun ortamlarda bile geleceğin 6G ağlarını daha hızlı ve daha duyarlı hissettirebilir. Kapasiteyi hızlı video ile ultra güvenilir kontrol sinyalleri arasında esnekçe bölerek, radyo ayarlarını anında seçerek ve her cihazın hangi baz istasyonunu ve frekansı kullanacağını belirleyerek önerilen sistem daha fazla kullanıcının daha uzun süre memnun kalmasını sağlıyor. Gerçek konuşlandırmalarda benimsenirse, bu tür teknikler bir sonraki nesil telefonunuzun, arabanızın veya kulaklığınızın geniş, özel spektrum bloklarına ihtiyaç duymadan sorunsuz çalışmasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: 6G ağ dilimleme, NR-U ve Wi‑Fi birlikte varoluşu, derin pekiştirmeli öğrenme, kaynak tahsisi, URLLC ve eMBB