一個研究小組已經開發出一個可以幫助提高5G性能的公式。這個公式有什么作用？機器學習是如何參與到這個過程中的？

機器學習

機器學習是一個工程領域，由于計算系統的能力和數據的可用性，在過去的十年里已經非常成熟。與傳統系統不同，機器學習為工程師提供了一種工具，不僅可以教他們識別模式，還可以從他們的環境中學習，這有助于隨著時間的推移提高他們的性能。在機器學習的早期發展中，它主要用于圖像和語音識別，但近年來這種情況正在發生變化。機器學習現在被廣泛應用于醫療診斷，股票市場決策，甚至環境控制。

頻譜查找

無線技術非常復雜，每一次技術迭代都會增加一層額外的復雜性。第一代無線技術，基于無線電波，將使用火花隙接收信號，而下一代無線電將使用二極管解調信號，以提取音頻信息。在無線技術經過幾次迭代之后，包含密碼功能的復雜數字電路將被部署以保持信息的私密性。現在許多設備正朝著移動技術方向發展，對可能有數千個同時連接請求的蜂窩塔有著巨大的需求。為了幫助管理此負載，無線電系統部署頻道時每個頻道處理x個設備，并且一個頻道中的設備不能干擾另一個頻道中的設備。但是找到一個低流量的頻道可能需要一段時間，而最佳頻道的使用往往是附近設備和環境的共同作用。由于采用試錯法來選擇信道，存在極大的低效率，導致能耗增加，執行時間縮短。

介紹機器學習

為了解決這個問題，美國國家標準與技術研究所（NIST）的一組研究人員開發了一個數學公式，其行為類似于機器學習算法。本質上，該公式根據先前的經驗選擇無線網絡頻率信道，而不是使用試錯法。由于系統在過去會有一個與外部因素有關的選定配置，可以說相同的設置提供了更好的運行機會。對這樣一個系統的需求源于這樣一個事實，即移動網絡正在部署一種稱為許可證輔助訪問的解決方案，它同時使用許可證和未經許可證的頻段。這意味著同時使用Wi-Fi和蜂窩設備的環境最終會在信道上競爭，結果導致信道查找速度減慢。因此，如果兩個天線（Wi-Fi和mobile）都用機器學習式的公式來尋找最佳的信道，它們就可以獨立運行，找到最佳的解決方案。根據計算機模擬，這個公式映射了環境條件，如存在的發射機和信道數，能夠將嘗試次數從45000個信道減少到10個信道，使其速度提高5000倍。

結論

機器學習適應其環境的能力允許它隨著時間的推移而提高性能。這樣的算法不需要僅限于音頻和視頻應用；理論上，它們可以改進任何過程。因此，工程師應該查看他們的設計，并嘗試識別涉及試錯的情況，然后看看是否可以用學習算法來代替。
責任編輯:tzh