Ученые Московского физико-технического института разработали алгоритм машинного обучения ALPACA, который повышает емкость беспроводных сетей пятого поколения на 30–40%. Новый подход позволяет увеличить число пользователей с надежной связью и одновременно снизить расход ресурсов канала более чем на треть.
Развитие сетей 5G открывает дорогу приложениям, где цена ошибки критически высока: удаленная хирургия, управление беспилотным транспортом, «умные» энергосети, промышленная автоматика. Все эти сценарии относятся к классу URLLC — сверхнадежных систем связи с минимальными задержками. Задержка в них не должна превышать нескольких миллисекунд, а вероятность потери пакета данных — одной стотысячной доли процента. Выдержать такие параметры крайне сложно: качество беспроводного канала постоянно меняется из-за движения абонентов, помех и переотражений сигнала.
Существующие решения с задачей не справляются в полной мере. Эвристические алгоритмы и классические нейросетевые модели либо переоценивают канал — тогда пакеты теряются, либо занижают прогноз — тогда ресурсы уходят впустую. По словам Кирилла Глинского, первого автора исследования, традиционные методы не всегда позволяют обеспечить строгие требования по задержке и надежности, особенно при высокой мобильности пользователей, поэтому он решил изучить возможность применения нейросетевых алгоритмов.
Разработанный алгоритм получил название ALPACA — Asymmetric Loss Prediction Algorithm for Channel Adaptation (алгоритм с асимметричной функцией потерь для адаптации канала). В его основе лежит сверточно-рекуррентная нейронная сеть, которая заблаговременно предсказывает изменение качества канала. Ключевое новшество — асимметричная функция потерь: ALPACA намеренно «штрафуется» за слишком оптимистичные прогнозы, которые могут обернуться сбоем. Это позволяет сохранять надежность там, где она критична, не жертвуя эффективностью использования полосы.
По результатам тестирования на данных из городской среды и стандартных моделях каналов связи, алгоритм показал стабильный прирост эффективности в различных сценариях, снизив потребление ресурсов канала более чем на 30% без снижения надежности, отметил соавтор работы Евгений Хоров, заведующий лабораторией интеллектуальных систем связи МФТИ и лаборатории беспроводных сетей того же института РАН. Кроме того, в диссертации Глинского предложены метод выбора прекодера — блока, который подготавливает сигнал к отправке, — и способ определения момента для дообучения модели.
Это дает системе возможность перестраиваться по мере изменения условий. Результаты опубликованы в журнале первого квартиля IEEE Access и представлены на конференции IEEE INFOCOM с рейтингом CORE A*. В 2025 году Кирилл Глинский стал победителем Всероссийского молодежного научного форума «Наука будущего — наука молодых». Исследование легло в основу его кандидатской диссертации 2026 года.
Ранее мы сообщали, что только четверть Android-устройств в России поддерживает 5G.