基于机器学习的蜂窝与无小区大规模MIMO系统中的功率控制

这项研究为何与日常连接相关

随着手机、平板和智能设备争夺无线带宽，网络在提供快速、可靠服务同时又不浪费能量方面面临挑战。本文探讨了现代机器学习如何帮助移动网络在实时条件下决定每根天线与每个设备通信时应使用多少功率。比起当今的标准方法，这种更智能的决策有望带来更平稳的连接、在人群密集区域更好的覆盖和更低的时延——这些都是未来 5G 与 6G 服务（如虚拟现实、远程机械控制和超可靠低时延通信）的关键要素。

从大塔到众多“安静”的辅助节点

传统蜂窝网络以大型基站为中心，每个基站服务固定的“小区”。一种更新的思路称为无小区大规模 MIMO，用许多分散在区域内的小型接入点取代了刚性的单个小区边界，所有接入点协同工作。用户不再只属于某一座塔，任何附近的天线都可以帮助传递其信号。这种共享方式缩短了设备与天线之间的距离，有助于减少盲区。然而，在数十乃至数百根天线与用户之间协调功率水平成为一项复杂的难题——尤其当我们希望在压榨更多数据吞吐量的同时最小化干扰时。

教网络更聪明地分配功率

工程师长期以来依赖诸如称为 WMMSE 的数学密集型算法来决定每根天线应使用的功率。这些方法精确但运行缓慢且资源消耗大，使其难以在大规模密集网络中实时应用。作者改为训练深度神经网络来模仿——在某些情况下甚至超越——这种细致的功率调优。他们生成大量仿真数据，覆盖不同的用户位置、天线布局和信道条件组合，然后教会神经网络直接从无线信道信息预测良好的功率设置。

一种新的公平性与性能评分方法

研究不只是关注网络的总数据率，而是评估每个单独用户的表现。作者提出了一个紧凑的指标“ΔAUC”，它衡量描述用户速率分布的两条曲线之间的面积——一条对应神经网络，另一条对应传统方法。正的 ΔAUC 表明在整个用户群体中，基于学习的方法至少能为用户提供不差、有时甚至更好的数据速率。这种关注分布的视角不仅揭示平均收益，还体现了公平性：系统是服务多数用户还是只对少数幸运用户有利。

当网络规模增长会发生什么

团队系统地变化了三个关键要素：用户数量、每个接入点或基站的天线数，以及接入点的数量。他们测试了传统蜂窝布局与无小区布局，并改变用于训练神经网络的仿真样本数量。结果表明，仅仅增加用户数量对神经网络的准确性影响不大，但增加天线和接入点会明显有利。随着物理基础设施更密集，输入到神经网络的信息变得更丰富，使其能够更接近或超过传统算法。更大的训练数据集进一步提升其预测能力，但在样本足够多时改进趋于平缓。在许多情形下，神经网络方法将总数据率提高了数个百分点，同时保持单个用户表现的一致性。

为下一代无线加快决策速度

神经网络方法的一个关键优势是速度。训练完成后，它能在远少于传统迭代算法所需时间的情况下产生良好的功率设置——在所做测试中快了十倍以上。这使其更适合无法容忍延迟的应用场景，如工业控制、车辆协同或关键任务通信。通过将其新的以公平性为导向的指标与误差测量、数据率比较和时序分析结合，研究为基础设施应有的密度和为安全依赖机器学习进行功率控制所需的训练数据量提供了实用指导。

这对未来无线系统意味着什么

主要结论是，精心设计的深度神经网络能够替代并在某些情况下改进现代无线网络中计算量巨大的优化程序。它们可以提供略高的数据率、更公平的服务分配以及更快的决策速度，尤其是在存在大量天线和接入点时。这为更智能、更具响应性的 5G 和 6G 系统铺平了道路：学习型控制器在幕后管理功率，使我们的日常设备以更低的时延和更强的鲁棒性保持连接。

引用: 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

关键词: 大规模MIMO, 功率控制, 无小区网络, 深度学习, 5G 与 6G