Учёные Московского физико-технического института (МФТИ) создали алгоритм на основе машинного обучения, который повышает эффективность использования каналов связи 5G и последующих поколений на 30–40%, сообщили в пресс-службе вуза.
Разработка предназначена для систем, где критически важны минимальные задержки и точная передача данных: удалённая хирургия, управление беспилотным транспортом, «умные» энергосети и промышленная автоматика. В таких сценариях задержка не должна превышать нескольких миллисекунд, а вероятность потери пакета — одной стотысячной доли процента.
Однако качество беспроводного канала постоянно меняется из-за движения абонентов, помех и переотражений сигнала. Существующие подходы либо недостаточно точно прогнозируют изменения, либо игнорируют асимметрию последствий ошибок: завышенный прогноз грозит потерей пакета, заниженный — нерациональным расходом ресурсов.
Разработанный алгоритм ALPACA (Asymmetric Loss Prediction Algorithm for Channel Adaptation) предсказывает изменение качества канала на основе сверточно-рекуррентной нейронной сети. Ключевое новшество — использование асимметричной функции потерь: алгоритм специально «штрафуется» за слишком оптимистичные прогнозы, которые могут привести к сбоям. Такой подход позволяет снизить расход ресурсов канала до 40% по сравнению с существующими решениями и увеличить пропускную способность сети для обслуживания ответственных приложений.
Как отметил соавтор работы, заведующий лабораторией интеллектуальных систем связи МФТИ Евгений Хоров, алгоритм протестирован на данных, полученных в ходе натурных экспериментов в условиях городской среды, а также на стандартизованных моделях каналов связи. Результаты показали стабильный прирост эффективности в различных сценариях — потребление ресурсов снизилось более чем на 30% без потери надёжности. В работе также предложены метод выбора прекодера и способ определения момента для дообучения моделей, что позволяет системе адаптироваться к изменяющейся обстановке.