Учёные предложили учить ИИ в сетях 6G на медленных точных расчётах

Точная программа заранее считает лучшие решения, нейросеть на них учится и в работе сети отвечает за миллисекунды. Такой слой авторы предлагают встроить в сети 6G.

Итальянские исследователи предлагают встроить в мобильные сети 6G отдельный слой: точные, но медленные программы-оптимизаторы заранее просчитывают решения, а нейросети учатся на них и в работе отвечают за миллисекунды. Шестистраничный препринт группа Джамбаттисты Амати выложила на arXiv 18 сентября.

Почему это важно: сеть 6G должна сама распределять частоты, мощность и маршруты. Но с ростом сети точный расчёт таких задач занимает всё больше времени и перестаёт укладываться в задержки, допустимые при управлении сетью на лету.

Общая картина: 3GPP¹, O-RAN Alliance и европейские проекты вроде 6GARROW уже встраивают ИИ в управление сетью. Авторы видят между двумя направлениями разрыв:

Архитектуры сетей с ИИ описывают, как модели запускают, как за ними следят и как их обновляют, но считают сами модели уже готовыми.
Работы по «обучению оптимизации» (Learning-to-Optimize, L2O) учат нейросеть подражать точному расчёту, но видят в этом лишь ускорение одного алгоритма, а не часть устройства сети.

Как это работает: слой собирает замеры радиоканала, данные о трафике и топологии, а также данные цифровых двойников и прогоняет их через четыре этапа:

Внешняя программа-оптимизатор находит лучшие решения для типичных состояний сети.
Решения вместе с исходными данными, ограничениями и сведениями об оптимизаторе попадают в общее хранилище.
На этом хранилище учится нейросеть-заменитель: она не копирует алгоритм, а запоминает, какое решение подходит к какому состоянию сети.
Проверенную модель ставят в сеть, и медленный оптимизатор в работе уже не участвует.

Детали: когда меняются трафик или топология, слой запускает новые расчёты, пополняет хранилище и переучивает модель. Остальные части системы при этом трогать не нужно.

Пример: авторы проверили схему на связи машин между собой по стандарту NR V2X². В плотной городской застройке придорожных станций мало, дома загораживают сигнал, поэтому машина часто передаёт данные через соседние автомобили. Программа, решающая задачу методом смешанного целочисленного линейного программирования³, находит лучшую схему ретрансляции для снимков дорожной обстановки из симулятора, а графовая нейронная сеть⁴ GINE учится повторять её выбор.

В цифрах:

Для отдельных связей нейросеть приняла то же решение, что и точная программа, примерно в 96% случаев.
На всех проверенных графах она отвечала быстрее чем за 5 мс.
В гибридной схеме нейросеть сужает для программы поле поиска, и та находит те же оптимальные решения заметно быстрее.

Но: эти цифры взяты из двух прежних работ тех же авторов, вышедших в 2026 году; новых экспериментов в препринте нет, он описывает архитектуру. Что слой подойдёт для маршрутизации, распределения частот и размещения сервисов, авторы пока лишь предполагают.

Что дальше: группа собирается научить нейросеть-заменитель соблюдать ограничения сети, подключить к расчётам цифровые двойники и встроить слой в будущие архитектуры 6G.