В Московском физико-техническом институте разработали алгоритм для беспроводной связи нового поколения. Он построен на методах машинного обучения и делает передачу сигнала устойчивее даже в нестабильных условиях — например, когда абоненты движутся, а вокруг много помех и отражений.
Система стала эффективнее на 30–40%: это значит, что при том же объеме ресурсов она может обслуживать больше пользователей без потери качества. Разработка ориентирована на сети 5G и то, что придет им на смену, — там задержки должны быть минимальными, а данные передаваться без сбоев.
В таких сценариях, как удаленная хирургия, управление беспилотниками, умные сети или промышленная автоматика, цена ошибки крайне высока. Допустимая задержка — миллисекунды, а вероятность потерять пакет данных — не больше одной стотысячной процента.
На практике соблюсти эти параметры сложно: канал связи постоянно меняется. Решение о настройках передачи нужно принимать заранее, но существующие модели либо неточно предсказывают изменения, либо не учитывают, что ошибки в прогнозах бывают разными. Завышенный прогноз — риск сбоя, заниженный — неэффективный расход ресурсов.
Эту задачу решал Кирилл Глинский — научный сотрудник лаборатории интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей Института проблем передачи информации РАН. В основе его работы — нейросетевая модель, а точнее сверточно-рекуррентная сеть, которая предсказывает изменение качества канала.
Главное отличие созданного алгоритма ALPACA в том, что он использует асимметричную функцию потерь. Искусственный интеллект в этом случае штрафуется в первую очередь за слишком оптимистичные прогнозы — именно они опасны для систем с жесткими требованиями к надежности. В результате алгоритм позволяет экономить до 40% ресурсов канала по сравнению с аналогами и увеличивает пропускную способность для таких ответственных приложений.
Испытания провели на реальных данных, собранных в городской среде, а также на стандартных моделях каналов. Разработка стабильно показывала прирост эффективности в разных условиях — расход ресурсов снижался более чем на 30% без потери надежности.
В работе также предложены метод выбора прекодера и способ определять, когда модели нужно дообучаться. Это позволяет системе подстраиваться под меняющуюся обстановку и держать качество связи на высоком уровне.
Читайте также: 5G появится в городах-миллионниках до конца 2027 года