El documento explora el potencial de la inteligencia artificial (IA) y el aprendizaje automático (ML) para mejorar las capacidades de la capa 2 en las redes 6G del futuro. A medida que se avanza hacia la era de 6G, se prevé que estas redes deberán ofrecer una capacidad sin precedentes, baja latencia, eficiencia energética y capacidades cognitivas para soportar experiencias inmersivas que fusionen los mundos digital y físico. El análisis abarca investigaciones recientes sobre funciones impulsadas por IA más allá de la capa física, como la asignación de recursos, el acceso aleatorio, la modulación y codificación adaptativas, el control de potencia, el aprendizaje de protocolos, la información del estado del canal, la solicitud automática de repetición híbrida y el uso compartido del espectro multi-RAT. Aunque las funciones fundamentales del control de acceso al medio (MAC) en 6G seguirán siendo similares a las de generaciones anteriores, la integración de metodologías ML promete transformar significativamente varios dominios del MAC. El documento detalla diversos aspectos de la implementación de IA en las redes 6G, incluyendo la asignación de recursos mediante la programación profunda de canales de datos para optimizar el desempeño de la red; la mejora de la eficiencia en los procedimientos de acceso aleatorio; la adaptación del enlace a través de modulación y codificación adaptativas basadas en ML, y el control de potencia para mejorar el desempeño del enlace. Además, se aborda la reducción de la sobrecarga de señalización para mejorar la eficiencia de la red, el desarrollo de protocolos adaptativos que puedan aprender y optimizar el desempeño, la mejora de la precisión y eficiencia del informe del estado del canal, y la optimización del uso del espectro a través de múltiples tecnologías de acceso radioeléctrico. Los autores destacan que las técnicas de IA serán claves para optimizar la capa física de la interfaz aérea, simplificando problemas complejos de optimización y mejorando el desempeño de los procedimientos conocidos. También se menciona la propuesta de Nokia para un diseño de pila de protocolos novedoso, dividido en pilas lentas y rápidas, para ofrecer un alto grado de personalización y evitar que las optimizaciones de baja velocidad impacten el desempeño de la línea de usuario de alta velocidad. El documento concluye que la integración de estrategias impulsadas por ML en las redes 6G abrirá nuevas vías para el desarrollo y mantenimiento, apoyando los futuros esfuerzos de rediseño en las comunicaciones inalámbricas.

El documento aborda técnicas avanzadas de asignación de recursos en redes celulares, centrándose en la programación profunda y las mejoras en el acceso aleatorio. La programación profunda utiliza el aprendizaje automático para optimizar la asignación de canales de datos, superando las limitaciones de los programadores tradicionales que operan en dominios separados como el tiempo, la frecuencia y el espacio. En particular, se describe un enfoque de aprendizaje por refuerzo profundo (RL) que emplea una red neuronal Q doble (DDQN) para la programación de MU-MIMO en bajada. Este método ha demostrado ser superior a los algoritmos tradicionales, como el Proportional Fair (PF), al aprovechar la selectividad de frecuencia y los patrones de salto de frecuencia dinámicos. La DDQN se entrenó mediante aprendizaje por imitación para evitar problemas de desempeño derivados de la exploración aleatoria, y el modelo resultante proporciona decisiones de programación en tiempo real rápidas y de complejidad operativa consistente. Nokia está investigando otras técnicas de RL para la programación de recursos radioeléctricos, como el crítico de actor suave (SAC) y la optimización de políticas proximal (PPO), evaluando sus compromisos entre el entrenamiento y el rendimiento. Asimismo, se abordan procedimientos de acceso aleatorio, esenciales para la conectividad inicial en el enlace ascendente. Los métodos actuales enfrentan desafíos en redes de comunicaciones de tipo máquina masiva (mMTC) debido a recursos limitados del canal de acceso aleatorio (RACH) y la naturaleza basada en contención del proceso. Las técnicas convencionales basadas en umbrales para la detección de preámbulos utilizan secuencias de Zadoff-Chu, pero sufren de colisiones de preámbulos y detección falsa de picos en condiciones de interferencia. El documento destaca que las redes 5G introdujeron conectividad de baja latencia, que se mejorará aún más en 6G, sugiriendo la necesidad de técnicas de acceso aleatorio mejoradas para satisfacer las crecientes demandas de las tecnologías futuras. En cuanto a la adaptación de enlace, se menciona el uso de modelos de optimización de políticas proximales (PPO) y mejoras en el método de adaptación de enlace en el bucle exterior (OLLA) para mejorar la fiabilidad y el desempeño en comunicaciones ultra-fiables y de baja latencia (URLLC) en sistemas 6G, aunque con una complejidad computacional incrementada. En el control de potencia, el documento examina los componentes de bucle abierto y cerrado, destacando las limitaciones de los métodos tradicionales de control de potencia en bucle abierto (OLPC), que dependen de parámetros específicos de la celda establecidos mediante prueba y error. Para superar estas limitaciones, Nokia ha propuesto el uso de optimización bayesiana con procesos gaussianos (BOGP), mostrando mejoras significativas en pruebas de red 5G. Además, se exploran técnicas de aprendizaje por refuerzo multiagente (MARL) con entrenamiento centralizado y ejecución descentralizada (CTDE) para abordar la interferencia entre estaciones base vecinas y mejorar el control de potencia en células específicas. El documento concluye que el manejo de la interferencia espacial en redes masivas MIMO y MU-MIMO en 6G requiere repensar los enfoques convencionales de control de potencia en bucle cerrado.

El documento aborda técnicas avanzadas para la optimización de los protocolos de redes inalámbricas, con un enfoque particular en los sistemas 5G y 6G. En el contexto de 5G, se destaca la integración de funciones de control de potencia en bucle abierto (OLPC) y cerrado (CLPC) con las decisiones de programación en entornos MU-MIMO, una tarea que requiere enfoques de aprendizaje automático debido a su complejidad. La reducción de la sobrecarga de señalización en redes 5G es un tema central, debido a que las unidades de datos de protocolo MAC llevan identificadores de canal lógico para elementos de control como BSR o PHR, los cuales no siempre son necesarios. Por ejemplo, en redes de sensores de bajo tráfico, los intercambios BSR podrían no ser necesarios, permitiendo unidades MAC uplink más pequeñas. En contraste, redes de alta capacidad todavía dependen de la señalización BSR. La comparación de diferentes escenarios, como las máquinas de corte láser que generan paquetes de datos pequeños y frecuentes frente a aplicaciones de banda ancha móvil mejorada (eMBB) y oficinas en casa (SOHO) que manejan paquetes de datos más grandes, subraya la necesidad de un plano de control más personalizado. El artículo introduce el concepto de un stack de protocolo ancla (APS) para facilitar la personalización de los encabezados de protocolo MAC, que puede hacerse manualmente o mediante técnicas de aprendizaje automático. Los primeros intentos de aprendizaje de protocolos buscaban reemplazar capas completas de MAC con modelos de ML, pero resultaron imprácticos debido al amplio espacio de señalización MAC. Investigaciones recientes se centran en reducir el tamaño del problema mediante técnicas como la abstracción de estados, las comunicaciones semánticas y las comunicaciones orientadas a objetivos. En cuanto a las redes 6G, el documento discute técnicas avanzadas para la retroalimentación de información del estado del canal (CSI), que incluye métricas como matrices de canal e indicadores de rango, esenciales para la optimización del desempeño de la red. Con el aumento de los elementos de antena y los anchos de banda en 6G, la cantidad de datos CSI se incrementará, lo que requiere métodos de codificación eficientes. Los autoencoders basados en transformadores se destacan como superiores a los basados en convolución para la compresión de retroalimentación CSI, puesto que aprovechan mejor la proximidad de banda de frecuencia y las correlaciones espaciales entre elementos de antena, utilizando menos parámetros. Esta eficiencia es clave para la implementación de codificadores CSI basados en ML en hardware en tiempo real. El texto presenta una comparación entre una arquitectura de retroalimentación CSI basada en transformadores y los libros de códigos eType II de 3GPP Rel-16, mostrando mejoras en la tasa de bits de hasta el 13% para el enfoque basado en transformadores. También se menciona el uso compartido del espectro Multi-RAT (MRSS) para el despliegue de 6G, con una identificación de bandas de frecuencia específicas para su uso potencial, apoyando anchos de banda grandes de hasta 400 MHz. Sin embargo, se destaca que la banda de 410-7125 MHz seguirá siendo importante para la cobertura y la capacidad. MRSS se presenta como una solución para la coexistencia dinámica entre las redes 5G y 6G durante el período de transición, con la decisión clave de coordinar los espectros 5G y 6G de manera separada o conjunta.

El futuro de las comunicaciones inalámbricas, particularmente en la transición de 5G a 6G, está marcando una era de innovaciones tecnológicas impulsadas por el aprendizaje automático (ML). Esta evolución no solo implica una coexistencia más compleja entre las redes 5G y 6G debido a su naturaleza centrada en los haces de señales, sino que también ofrece una flexibilidad incrementada, dada la heterogeneidad de los despliegues de 6G que involucran redes privadas y públicas compartiendo espectro. En este contexto, los modelos de ML se entrenan para escenarios específicos de compartición de espectro, adaptándose a las cambiantes condiciones de la red. Las técnicas avanzadas como el aprendizaje por refuerzo distribuido con múltiples agentes (MARL) se proponen para la coordinación del acceso al espectro, siendo particularmente útiles para redes privadas de 6G. Los clasificadores profundos han mostrado un notable desempeño en las tareas de detección del espectro, prediciendo con precisión su uso, lo cual es esencial durante la transición de 5G a 6G. Además, el Compartición de Espectro Multi-Radio (MRSS) jugará un papel clave en esta transición, aunque es probable que no persista a largo plazo. En cuanto a la capa de MAC, esta será fundamental tanto en las operaciones de la capa física como en la semántica del plano de control de la Capa 2. Se espera que los futuros sistemas MAC basados en ML utilicen modelos más pequeños y especializados debido a las limitaciones de tiempo real, revolucionando el desarrollo y prueba de productos inalámbricos mediante el uso de programadores profundos. Del mismo modo se abarcan avances significativos en el ámbito de las comunicaciones inalámbricas, con un enfoque particular en la integración de la IA y el ML en las redes de acceso radioeléctrico. Estos avances están configurando un panorama donde la evolución hacia la tecnología 6G promete sistemas de red más eficientes, adaptables e inteligentes. La lista extensa de abreviaturas relacionadas con tecnologías de comunicación inalámbrica y conceptos de IA/ML subraya la importancia creciente de estos avances. Las técnicas de adaptación de enlace mediante aprendizaje profundo, la optimización bayesiana para la gestión de recursos radioeléctricos y los enfoques generativos para modelar el tráfico en redes industriales destacan cómo la IA está transformando el diseño de protocolos y el acceso al canal inalámbrico. Los protocolos de comunicación semántica y las estrategias de migración del espectro de 5G a 6G reflejan un esfuerzo continuo por mejorar el rendimiento, la eficiencia y la adaptabilidad de las redes. En conjunto, estos desarrollos sugieren que el futuro de las comunicaciones inalámbricas se dirigirá hacia sistemas más inteligentes y personalizados, capaces de satisfacer las crecientes demandas de las comunicaciones inalámbricas futuras.

Para leer más ingrese a:

https://onestore.nokia.com/asset/213703?_ga=2.186585193.1194869367.1721844512-386192744.1721844512