Inteligencia artificial en las comunicaciones inalámbricas
Hoy en día, vivimos en la era de una IA débil, una categoría que se define por las siguientes cinco características clave:
1. Razonamiento lógico, por ejemplo, AlphaGo
2. Percepción, por ejemplo, reconocimiento facial
3. Representación de conocimiento, por ejemplo, Watson for Oncology de IBM
4. Procesamiento del lenguaje, por ejemplo, Siri de Apple, Alexa de Amazon
5. Planificación y navegación, por ejemplo, automóviles sin conductor
Una IA fuerte permite a las máquinas desarrollar capacidadesque sean iguales o superen la inteligencia humana (por ejemplo, robots inteligentes). Otro factor importante es el aprendizaje automático (ML)como una subcategoría de la IA. El ML, por ejemplo, se utiliza para construir sistemas que aprendan de conjuntos de datosmás que de instrucciones programadas, lo que da lugar a un proceso de aprendizaje basado en redes neuronales artificiales multicapas. Ahora, imagínese una red inalámbrica futura que cuente con una interfaz aérea nativa de IA que haga que las radios sean capaces de aprender del entorno y entre sí en función de redes neuronales entrenadas.
Las redes neuronales son, a su vez, una subcategoría del aprendizaje automático y son de suma importancia en las comunicaciones inalámbricas, como se muestra en los siguientes tres ejemplos de redes neuronales:
1. Redes neuronales recurrentes (RNN): la salida del paso previo sirve de entrada para el paso actual (por ejemplo, procesamiento de textos). Las RNN son de mucha utilidad para la predicción de series temporales («efectos memoria») y la linealización de las secciones de entrada de RF analógicas, así como de los subsistemas de antenas por medio de algoritmos de predistorción y posdistorsión digitales basado en modelos de aprendizaje automático.
2. Redes neuronales convolucionales (CNN): redes neuronales de retroalimentación con hasta 30 capas. Una CNN procesa matrices de datos (por ejemplo, originalmente diseñado para el procesamiento de imágenes) y es actualmente una opción para elaborar un receptor neuronal.
3. Concepto de autocodificador: una clase especial de red neuronal artificial que ayuda a aprender la codificación eficiente de los datos sin la necesidad de supervisión. Tiene como finalidad entrenar a la red para que ignore datos insignificantes. Actualmente, se vienen investigado autocodificadores, por ejemplo, en forma de transformadores, para comprimir la retroalimentación de la información acerca del estado del canal, que se recolecta de las mediciones en el enlace descendente y se envía de regreso en la dirección del enlace ascendente.