5G與6G網路＋深度學習＋AI＝無線電系統最佳化
https://bit.ly/2KMDbh2
幾十年來，業餘雙向無線電營運商總是能夠選擇一天中的正確時間以及正確的無線電頻率
在整個區域內進行無干擾的通訊。不過，這是屬於相對較少的用戶和裝置共享無線電波的
方式，因此如何在蜂窩無線電的手機和物聯網裝置普及的今日，尋找無干擾的頻率變得越
來越困難。
現今，研究人員計劃使用深度學習來創建認知無線電（Cognitive Radio），期望能立即
調整無線電頻率，以獲得最佳性能的狀態。
所謂的感知無線電的概念是由Mitola在1999 年首先提出，其是指出具有射頻感知（RF
sensing）和系統重置（Reconfigurability）能力。一旦擁有具有感知無線電技術的無線
通訊裝置或系統，就可充份利用空閒頻道，一來可提升現有系統的通訊容量，二來亦可創
造新的緊急救難通訊服務等。
美國波士頓東北大學無線物聯網研究所機構指出，蜂窩物聯網裝置的種類和密度不斷增加
的結果，帶給無線網路優化帶來了新挑戰。
一個給定的無線電頻率範圍可以讓在同一總體區域中，一百台專門設計用於小型無線電的
裝置共用且一起運作。每個小型無線電裝置具有各自的訊號特性，並且在不同條件下，進
行調整。當預測哪些頻譜區段可能被自由使用的瞬間，大量的裝置會降低固定數學模型的
功效。
一旦採用深度學習，這一瓶頸似乎就了答案。研究人員希望使用嵌入在無線裝置硬體中的
機器學習技術來提高頻率利用率，進而使裝置可以自行發展出最適化頻譜使用的AI策略。
早期研究表明，深度學習模型在處理嘈雜的無線電頻道時，其分類準確度平均比起傳統系
統還要高上20%，並且能夠擴展到數百個同時運行的裝置。此外，為此目的開發的深度學
習架構也將可用於其他多項任務。
應用程式實施深度學習的一個關鍵挑戰是需要快速處理大量資料以進行連續分析。深度學
習可能依賴於數千萬個參數，並且這裏可能需要在毫秒級別上每秒測量超過100百萬位元
組的資料。研究人員指出，這超出了是當前可用的最強大嵌入式裝置的能力。
研究人員預計將在5G毫米波和未來的6G太赫茲硬體中使用深度學習技術，儘管超高頻信號
容易受到物理干擾，但在未來的二十年中，它們將比4G裝置更加普及。