Científicos del Moscow Institute of Physics and Technology (MIPT) han creado un algoritmo basado en el aprendizaje automático que aumenta la eficiencia del uso de los canales de comunicación 5G y de las generaciones posteriores en un 30-40%, según informó el servicio de prensa de la universidad.

El desarrollo está diseñado para sistemas donde las latencias mínimas y la transmisión precisa de datos son críticas: cirugía remota, control de vehículos no tripulados, redes eléctricas "inteligentes" y automatización industrial. En tales escenarios, la latencia no debe exceder unos pocos milisegundos, y la probabilidad de pérdida de paquetes no debe ser superior a una cienmilésima de porcentaje.

Sin embargo, la calidad del canal inalámbrico cambia constantemente debido al movimiento de los suscriptores, las interferencias y las reflexiones de la señal. Los enfoques existentes o bien no predicen los cambios con suficiente precisión, o bien ignoran la asimetría de las consecuencias de los errores: una predicción exagerada amenaza con la pérdida de paquetes, una subestimada, con un gasto irracional de recursos.

El algoritmo desarrollado, ALPACA (Asymmetric Loss Prediction Algorithm for Channel Adaptation), predice el cambio en la calidad del canal basándose en una red neuronal convolucional-recurrente. La innovación clave es el uso de una función de pérdida asimétrica: el algoritmo es específicamente "penalizado" por predicciones demasiado optimistas que pueden llevar a fallos. Este enfoque permite reducir el consumo de recursos del canal hasta en un 40% en comparación con las soluciones existentes y aumentar el rendimiento de la red para atender aplicaciones críticas.

Como señaló el coautor del trabajo, el jefe del laboratorio de sistemas de comunicación inteligentes de MIPT, Evgeny Khorov, el algoritmo ha sido probado con datos obtenidos de experimentos de campo en entornos urbanos, así como con modelos de canales de comunicación estandarizados. Los resultados mostraron un aumento constante de la eficiencia en varios escenarios: el consumo de recursos se redujo en más del 30% sin pérdida de fiabilidad. El trabajo también propone un método para seleccionar el precodificador y una forma de determinar el momento para el reentrenamiento de los modelos, lo que permite que el sistema se adapte a un entorno cambiante.