Dr hab. inż. Szymon Szott, Prof. AGH uzyskał grant NCN w konkursie OPUS 20 + LAP.

Tematem projektu jest „Zarządzanie zasobami radiowymi w bezprzewodowych sieciach lokalnych oparte na uczeniu maszynowym”.

Streszczenie popularnonaukowe

Sieci bezprzewodowe stały się ważną częścią naszego codziennego życia, ale rzadko zastanawiamy się jakie zasoby radiowe wymagane są do zapewnienia poprawnego działania tych sieci. Podczas gdy niektóre systemy radiowe, takie  jak LTE, używają  dedykowanego pasma radiowego (zakupionego od organów regulacyjnych), istnieją też techniki, które działają w nielicencjonowanych pasmach częstotliwości, np. Wi-Fi. Popularność sieci Wi-Fi jest bardzo duża. W samym 2020 r. sprzedano ponad 4 miliardy urządzeń Wi-Fi. Istnieją prognozy, że do 2022 r. ponad połowa całego ruchu internetowego będzie  korzystała z tej techniki, a na świecie będzie ponad pół  miliarda hotspotów Wi-Fi. W związku z nieustannie gwałtownym wzrostem ruchu i liczby urządzeń użytkowników, niezwykle ważne staje się znalezienie metod poprawy wydajności lokalnych  sieci bezprzewodowych działających w pasmach nielicencjonowanych. Ze względu na dużą złożoność tego problemu, optymalizacja wydajności  staje się coraz trudniejsza do wykonania przy użyciu dostępnych metod  inżynierskich. Sposobem na rozwiązanie tego problemu jest skorzystanie z możliwości, jakie daje sztuczna inteligencja.

W ramach projektu chcemy zastosować uczenie maszynowe (ang. machine learning, ML), które stanowi podzbiór sztucznej inteligencji, do optymalizacji pracy sieci bezprzewodowych. Dzięki uczeniu maszynowemu, algorytmy mogą podejmować decyzje na podstawie zebranych danych bez konieczności wcześniejszego ich zaprogramowania (jak ma to miejsce w przypadku klasycznych algorytmów komputerowych). Wśród różnych metod uczenia maszynowego wyróżniają się rozwiązania polegające na tzw. uczeniu się przez wzmocnienie (ang. reinforcement learning) ponieważ obejmuje ono pojęcie inteligentnych agentów (np. urządzenia sieciowe) podejmujących działania (np. dobór parametrów) w określonym środowisku (np. łączność bezprzewodowa) w celu maksymalizacji nagrody (np. przepustowość użytkownika). Ponieważ obecne urządzenia sieciowe mają duże możliwości obliczeniowe, optymalizacja pracy sieci bezprzewodowej może być w najbliższym czasie przeprowadzana za pomocą ML.