美国国家标准与技术研究院（NIST）的研究人员开发了一种数学模型，旨在提升5G及其他无线网络在选择和共享通信频率方面的效率，相比传统的试错法，该模型的效率提高了大约5000倍。

这一模型属于机器学习领域，它可以根据特定网络环境的历史经验来选定被称为信道的无线频率范围。在最近的一次会议上，研究人员展示了如何将该模型应用于多种网络发射机的软件设计。

此模型为解决无线网络，特别是5G网络的需求增长问题提供了思路之一。它通过利用未授权频段来增强传输性能。未授权频段中最常见的例子就是Wi-Fi频段，这些频段并没有被联邦通信委员会分配给特定用户。

NIST的研究聚焦于Wi-Fi与蜂窝系统在争夺特定频率或子信道时的竞争情况。研究的重点在于，蜂窝网络通过采用一种称为许可辅助接入（LAA）的技术来提高数据传输速度，该技术结合了未授权和授权频谱。

NIST的工程师Jason Coder表示：“这项工作探讨了机器学习在决定传输哪个频率信道时的应用，这可能会使未授权频段的通信效率更高。”

NIST的模型使得发射机能迅速选出最佳子信道，从而在未授权频段内成功实现Wi-Fi和LAA网络的同时运行。每个发射机都会学会在不影响彼此通信的情况下最大化网络总数据速率。该方法通过优化信道搜索和避免错误搜索，快速实现了接近最优的整体性能。

这项研究不同于以往对通信中机器学习的研究，因为它考虑了多个网络层次、物理设备以及基站和接收机之间的信道访问规则。

这个模型采用了“Q学习”技术，即它将环境因素（如网络类型、存在的发射机数量和信道数）映射到最大化一个称为Q值的操作上，以此获得最佳结果。

通过与环境互动并尝试不同的操作，算法会学习哪些信道能提供最佳的结果。每个发射机都会学会在特定环境条件下选择产生最佳数据速率的信道。

如果两个网络都选择了合适的信道，那么整个网络环境的效率将会提升。特别是在发射机选择了未被占用的信道时，成功传输的概率会增加，进而带来更高的数据速率。同时，如果发射机选择了干扰较小的信道，信号强度会增强，从而提高接收数据速率。

在计算机模拟中，最优分配方法需要搜索所有可能的组合以找到最大化总网络数据速率的最佳方案。而NIST的模型所产生的结果接近最优方案，但实现过程要简单得多。研究显示，为了找到最佳解决方案，通常需要进行约45,600次实验，而NIST的模型只需尝试10个信道就能达到相似的效果，仅需不到0.02%的工作量。

这项研究主要关注室内环境，例如拥有多个Wi-Fi接入点的建筑物，以及在无许可证频段内运行的移动电话。研究人员现在计划在更大规模的户外环境中测试这种方法，并通过实际实验验证其有效性。