РАЗРАБОТКА МОДЕЛИ БЛОКА ФИЗИЧЕСКОГО УРОВНЯ СЕТИ С ГЕНЕРАТИВНЫМ ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ

INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 103 РАЗРАБОТКА МОДЕЛИ БЛОКА ФИЗИЧЕСКОГО УРОВНЯ СЕТИ С ГЕНЕРАТИВНЫМ ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ Эшмурадов Дилшод Эльмурадович1, Саидова Гулчехра Эркиновна2, Мутаев Эркин Тулкунович3 1заведующий кафедрой «Системы энергообеспечения» Ташкентский университет информационных технологий, 2старший преподаватель кафедры «Системы энергообеспечения» Ташкентский университет информационных технологий, 3ассистент кафедры «Системы энергообеспечения» Ташкентский университет информационных технологий https://doi.org/10.5281/zenodo.17558481 Аннотация. Рассмотрены интеллектуальные технологии, которые используются для оптимизации и улучшения работы беспроводных коммуникационных систем. Разработана модель блока физического уровня сети с генеративным ИИ, которая может использоваться для улучшения энергоэффективности и надежности передачи данных в телекоммуникационных системах. Ключевые слова: корректировка физического уровня мобильных сетей, искусственный генеративный интеллект, аппаратное и программное обеспечение, интеллектуальный алгоритм, автоматическое регулирование параметров телекоммуникационной системы. Постановка научной проблемы. Постоянное повышение надежности и производительности сотовых систем является важной целью исследований физического уровня. Это требует оптимизации архитектуры и использования новых технологий для обеспечения высокой пропускной способности и минимального количества битовых ошибок. Одним из способов достижения этих целей является развитие новых модуляционных схем и кодирования, обеспечивающих высокую эффективность передачи данных при минимальном количестве ошибок. Технологии, такие как использование более широкого диапазона частот, межсимвольное воздействие и минимизация межканального воздействия, также помогают улучшить производительность систем. Оптимизация архитектуры физического уровня также является важным аспектом. Использование адаптивного управления мощностью, множественного доступа с распределенным управлением ресурсами и алгоритмов планирования ресурсов может улучшить эффективность использования канала и обеспечить лучшую производительность системы. При развитии 6G сети дополнительным требованием становится понижение задержек и повышение энергоэффективности. Это требует разработки новых алгоритмов и технологий для эффективного управления ресурсами, учетом движущихся объектов и масштабированием сети [1]. Устранение проблем исследования физического уровня беспроводных сетей требует большого усилия из-за ряда вызовов, с которыми сталкиваются сотовые системы, такие как 5G и будущие 6G. Одним из этих вызовов есть огромный объем данных, обрабатываемых в сотовых системах. С ростом популярности мультимедийных приложений, Интернета вещей (IoT) и других источников данных сети нуждаются в обеспечении достаточной пропускной INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 104 способности и скорости передачи для удовлетворения потребностей пользователей. Достижение этих требований возможно благодаря использованию алгоритмов искусственного интеллекта (AИИ). AИИ может помочь в оптимизации ресурсов, выявлении и устранении ошибок, предвидении задержек и прогнозировании трафика. Применение AИИ к сотовым системам позволяет улучшить производительность, обеспечить более эффективное управление ресурсами и снизить влияние задержек. Однако существуют вызовы, связанные с применением ИИ в сотовых системах, такие как сложность обработки в реальном времени, потребление энергии и безопасность. Для успешного внедрения ИИ в сотовые системы необходимы дополнительные исследования и разработки, которые решат эти вызовы и обеспечат эффективную работу ИИ-алгоритмов в мобильных сетях. В целом применение алгоритмов ИИ к сотовым системам является перспективным направлением исследований, которое может помочь решить сложные задачи и повысить производительность и надежность этих систем. Целью работы являются: алгоритмы повышения производительности физического уровня беспроводных систем за счет использования технологии генеративного искусственного интеллекта для оптимизации функциональных параметров, адаптации к изменяющимся условиям эксплуатации тракта передачи с соблюдением допустимой вычислительной сложности, эффективности и надежности. Научная новизна. Предложена модель блока физического уровня со встроенным алгоритмом искусственного интеллекта в формате комбинации аппаратного и программного обеспечения, объединяющая функциональные возможности физического уровня сети с интеллектуальными алгоритмами. Анализ исследований. Искусственный интеллект может сыграть немаловажную роль в развитии беспроводных систем. Традиционные математические модели могут быть сложными и непрактичными для точного отображения всех аспектов беспроводных систем, особенно при учете различных факторов, таких как изменение канала, изменчивость условий связи и разнообразие требований пользователей. Применение подходов, основанных на данных и искусственном интеллекте, позволяет использовать большие объемы реальных данных для построения моделей и принятия разумных решений. Алгоритмы машинного обучения и глубинного обучения могут выявлять сложные связи и паттерны данных, что помогает оптимизировать параметры и функционирование беспроводных систем. Применение подходов, основанных на данных, позволяет более гибко моделировать и оптимизировать беспроводные. системы в зависимости от изменяющихся условий и требований. Учет реальных данных позволяет более точно прогнозировать трафик, предусматривать сменность канала и использовать адаптивное управление ресурсами для достижения лучшей производительности и надежности сети. Однако важно учитывать, что разработка моделей, основанных на данных и искусственном интеллекте, также требует большого количества качественных данных для тренировки и проверки моделей. Получение данных может быть вызовом, особенно для новых поколений беспроводных систем, таких как 6G [2]. Традиционные математические модели могут оказаться недостаточными для анализа сложных нелинейных искажений, особенно на высоких частотах. Проблемы нелинейности могут возникать из-за различных физических эффектов, таких как нелинейность усилителей, межмодуляционная и межносительная интерференция. Искусственный интеллект, в том числе методы машинного обучения и глубинного обучения, может являться мощным INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 105 инструментом для моделирования и линеаризации сложных нелинейных искажений. Эти методы могут учить связи меж входными и выходными сигналами на базе огромного размера настоящих данных. Это позволяет построить модели, которые лучше аппроксимируют нелинейные искажения и помогают понять влияние этих искажений на систему. Применение алгоритмов искусственного интеллекта на базе данных позволяет осуществлять адаптацию к изменяющейся среде канала, что особенно полезно в беспроводных системах, где условия связи могут изменяться от момента к моменту. Это позволяет улучшить производительность, обеспечить стабильность и эффективность беспроводных систем [3]. Такой подход на основе искусственного интеллекта может упростить процесс проектирования и оптимизации беспроводных систем, поскольку не нужно создавать сложные аналитические модели для описания всех нелинейных искажений. Вместо этого алгоритмы искусственного интеллекта могут научиться зависимостям между входными и исходными данными на основе реальных наблюдений и экспериментов. Это позволяет сосредоточиться на практических вопросах, таких как повышение пропускной способности, уменьшение задержек, повышение энергоэффективности и достижение высокой плотности соединений в беспроводных системах. Алгоритмы искусственного интеллекта могут выявить сложные связи и паттерны в больших объемах данных и использовать эту информацию для принятия разумных решений по оптимизации работы системы. При использовании подходов на основе искусственного интеллекта, таких как нейронные сети, возможно автоматическое обнаружение нелинейных зависимостей и адаптация к изменяющейся среде канала. Это может улучшить производительность беспроводной системы и обеспечить эффективную передачу данных с учетом изменения условий. Следовательно, подход на основе искусственного интеллекта позволяет упростить процесс проектирования и оптимизации беспроводных систем, обеспечивая повышенную производительность, снижение задержек, энергоэффективность и достижение большей плотности соединений [4]. Компромисс между эффективностью обучения и производительностью, поскольку при использовании алгоритмов искусственного интеллекта на физическом уровне следует найти компромисс между эффективностью обучения моделей и производительностью системы. Большие объемы данных и сложные алгоритмы могут потребовать больших вычислительных ресурсов, поэтому важно обеспечить оптимальную производительность, используя эффективные алгоритмы и аппаратное обеспечение. Внедрение алгоритмов искусственного интеллекта на физическом уровне мобильных сетей открывает новые возможности для усовершенствования различных показателей системы связи, таких как пропускная способность, задержка, энергоэффективность и т. д. Вместо сложных математических моделей алгоритмы искусственного интеллекта могут использовать большое количество обучающих данных для оптимизации системы физического уровня. Одним из главных преимуществ алгоритмов искусственного интеллекта является их способность выявлять сложные взаимосвязи между входом и выходом без надобности в точных математических моделях. Они могут научиться по большому объему данных и обнаруживать даже тонкие зависимости, которые могут быть сложными для анализа или моделирования традиционными методами. Обобщая использование методов искусственного интеллекта в проектировании физического уровня беспроводных систем позволяет добиться сквозной оптимизации производительности и эффективности системы, уменьшить задержки и улучшить взаимодействие между различными блоками. Это способствует улучшению общей INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 106 производительности беспроводных систем и повышает их способность отвечать требованиям 5G и 6G коммуникационных стандартов [5]. Рис.1. Структура сквозного физического уровня на основе обучения с подкреплением Структура сквозного физического уровня на основе усиленного обучения может быть организована с помощью следующих компонентов (рис.1). Среда определяет пространство, в котором работает система физического уровня. Оно может включать модели канала связи, данных о задержках, шумах и других факторах, влияющих на передачу данных. Среда также дает возможность взаимодействия с агентом. Агент выполняет действия в среде с целью достижения определенных целей. В данном случае агентом является система физического уровня, которая принимает решение по настройке параметров передатчика, кодирования, модуляции, распределения ресурсов и других функций с целью оптимизации производительности системы. Состояние представляет совокупность информации, необходимой для принятия решения агентом. Это могут быть данные о канале связи, состоянии буферов, уровне шума, текущих настройках и других входных параметрах. Действия определяют набор возможных шагов, которые агент может предпринять в среде. Например, это может быть выбор определенной кодировки, модуляции или распределения ресурсов между пользователями. Вознаграждение отражает оценку производительности агента за совершенные действия. Она может быть задана в качестве функции от параметров производительности системы, таких как пропускная способность, шум, задержка и т.д. Целью агента является максимизация общего вознаграждения. Использование легких платформ и оптимизация алгоритмов могут помочь добиться необходимого быстродействия вычислений. Все эти подходы позволят достичь требований к задержке в 6G системах и обеспечить эффективную работу алгоритмов искусственного интеллекта на физическом уровне [6]. Перенос алгоритмов искусственного интеллекта (АИИ) на базовые станции в радиодоступных сетях может быть эффективным решением. Поскольку вычислительная мощность пользовательского оборудования ограничена, а рабочая нагрузка обработки базовой полосы уже значительна на пользовательском оборудовании, запуск алгоритмов искусственного интеллекта непосредственно на нем может быть неэффективным. Перенос обработки базового диапазона на базовые станции позволяет использовать их большую INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 107 вычислительную мощность и ресурсы для выполнения сложных алгоритмов ИИ. Это может включать в себя обработку сигналов, декодирование, фильтрацию, улучшение качества сигнала, минимизацию помех и другие задачи, связанные с физическим уровнем радиодоступа. Перенос алгоритмов ИИ на базовые станции также может улучшить производительность сети и качество обслуживания. Применение АИИ может помочь в распознавании паттернов, прогнозировании трафика, управлении ресурсами, адаптации к изменяющимся условиям сети и многих других задач [7]. Однако при перенесении алгоритмов ИИ на базовые станции следует учитывать ограничения по обработке и ресурсам, чтобы обеспечить оптимальную производительность сети. Кроме того, обеспечение безопасности и конфиденциальности данных является важным аспектом при использовании АИИ в сетях радиодоступа [8]. Рассмотрим важные аспекты, связанные с развертыванием алгоритмов искусственного интеллекта (АИИ) в системах 6G и радио доступных сетях, которые могут включать соединение компонента физического уровня и блока алгоритма искусственного интеллекта (AИИ) или замену компонента физического уровня на блок алгоритма ИИ, как показано на рис. 2. Имеется два возможных сценария этого подхода. Сочетание компонента физического уровня и блока алгоритма ИИ. Рис. 2. Модель блока физического уровня со встроенным алгоритмом ИИ Вывод. Алгоритмы генеративного искусственного интеллекта могут быть использованы для повышения производительности физического уровня беспроводных систем путем оптимизации функциональных параметров и адаптации к изменяющимся условиям эксплуатации тракта передачи. Технология генеративного искусственного интеллекта позволяет создавать модели, которые могут генерировать новые оптимальные решения на основе большого объема данных и правил. Перенос алгоритмов искусственного интеллекта на базовые станции сетей радиодоступа имеет несколько преимуществ. Базовые станции имеют обычно большее количество вычислительных ресурсов по сравнению с пользовательским оборудованием, что позволяет им выполнять сложные алгоритмы ИИ более эффективно. Запуск алгоритмов ИИ на базовых станциях позволяет снизить рабочую нагрузку на пользовательское оборудование, поскольку они могут передавать только обработанные результаты или простые команды вместо полноценных алгоритмов. Использование алгоритмов АИ на базовых станциях может помочь в распознавании паттернов трафика, управлении ресурсами и оптимизации сетевых процессов, что может привести к улучшению производительности сети и обеспечению лучшего качества обслуживания. Перенос алгоритмов ИИ на базовые INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 108 станции позволяет принимать решения на месте, без необходимости передавать данные на удаленные серверы для обработки. Это может сократить задержки и улучшить реакцию сети на изменение условий. Учитывая эти преимущества, перенос алгоритмов ИИ на базовые станции может являться эффективным решением для улучшения производительности и качества обслуживания в радиодоступных сетях. Однако следует учитывать ограничение ресурсов базовых станций. ГИИ может использоваться для оптимизации параметров беспроводной системы для улучшения производительности. Он может анализировать данные пользовательского профиля, такие как физическая форма, стиль жизни, питание и другие факторы, и рекомендовать оптимальные параметры для достижения наилучших результатов. Также ГИИ может использоваться для обнаружения шаблонов в физических данных, полученных из беспроводных систем. Он может анализировать данные тренировки, результаты физических упражнений, биометрические показатели и другие факторы, чтобы идентифицировать связи между различными факторами и производительностью. На основе этого анализа могут быть разработаны алгоритмы, помогающие оптимизировать физические тренировки и повышать производительность. ГИИ может помогать разрабатывать оптимальные планы тренировок для достижения конкретных физических целей. Учитывая физическую форму, временные ограничения, доступные ресурсы и другие факторы, ГИИ может разработать индивидуальные планы тренировок, позволяющие достичь максимальной производительности телекоммуникационных систем. В результате, обеспечиваются предпосылки для повышения скорости передачи данных в сети до 1 Тбит/секунду и уменьшение задержки менее 1 миллисекунды. Список использованных источников 1. TJ O'Shea, Roy T., Т.К. IEEE J. Sel. Topics Signal Process. 12(1), 168–179 (2018) 2. Shental O., Hoydis J., Machine LLRning: Learning to softly demodulate, in IEEE Globecom Workshops 2019, HI, USA (2019), pp. 1–7. 3. Rajendran S., Meert W., Giustiniano D., Lenders V., Pollin S., Deep learning models для бездротового сигнального classification with distributed lowcost spectrum sensors. IEEE Trans. Cognitive Commun. Netw. 4(3), 433–445 (2018) 4. M. Vasylkivskyi, G. Vargatyuk, O. Boldyreva. Intelligent optimization of multiple access infocommunication networks. Herald of Khmelnytskyi national university, Issue 6, Part 2, 2022 (315). p.32-39 5. Y. Wang, S. Member, M. Liu, Data-driven deep learning for automatic modulation. IEEE Trans. Veh. Technol. 68(4), 4074–4077 (2019) 6. M. Vasylkivskyi, G. Vargatyuk, O. Boldyreva. Intelligent radio interface with the support of artificial intelligence. Herald of Khmelnytskyi national university, Issue 1, 2023 (317). p.26-32. 7. He R., Ai B., AF Molisch, GL Stüber, Q. Li, Z. Zhong, J. Yu, Clustering enabled wireless channel modeling using big data algorithms. IEEE Commun. Mag. 56(5), 177–183 (2018) 8. Григоренко В.М. Методы искусственного интеллекта - очередной этап развития интеллектуальных методов обработки информации в системах безопасности В.М. Григоренко, Г.В.Казаков, А.Б.Лузин / В сборнике: Актуальные проблемы защиты и безопасности. Труды XXVII Всероссийской научно-практической конференции. СанктПетербург, 2024. С. 42-47. 9. Жумамуратов Б.А., Эшмурадов Д.Э., Тураева Н.М. Перспективы развития INTERNATIONAL SCIENTIFIC JOURNAL SCIENCE AND INNOVATION SPECIAL ISSUE “MODERN PROBLEMS AND PROSPECTS FOR THE DEVELOPMENT OF DIGITAL TRANSFORMATION IN ENERGY” SEPTEMBER 24, 2025 109 аэронавигационных систем // “Raqamli texnologiyalar: sohalarga amaliy joriy etishning muammo va yechimlari” nomli III xalqaro ilmiy-texnik konferensiyasi. Тошкент - 2023. https://doi.org/10.5281/zenodo.7866550. - С.1095-1100. 10. Жумамуратов Б.А., Эшмурадов Д.Э., Тураева Н.М. Разработка модели системы восстановления навигационного оборудования летательных аппаратов за счет повышения их эксплуатационной готовности // Журнал «Авиакосмическое приборостроение». DOI:10.25791/aviakosmos.6.2023.1343. №6. Санкт-Петербург -2023. - С.18-27. (05.00.00 №2)