一个研究小组已经开发出一个可以帮助提高5G性能的公式。这个公式有什么作用？机器学习是如何参与到这个过程中的？

机器学习

机器学习是一个工程领域，由于计算系统的能力和数据的可用性，在过去的十年里已经非常成熟。与传统系统不同，机器学习为工程师提供了一种工具，不仅可以教他们识别模式，还可以从他们的环境中学习，这有助于随着时间的推移提高他们的性能。在机器学习的早期发展中，它主要用于图像和语音识别，但近年来这种情况正在发生变化。机器学习现在被广泛应用于医疗诊断，股票市场决策，甚至环境控制。

频谱查找

无线技术非常复杂，每一次技术迭代都会增加一层额外的复杂性。第一代无线技术，基于无线电波，将使用火花隙接收信号，而下一代无线电将使用二极管解调信号，以提取音频信息。在无线技术经过几次迭代之后，包含密码功能的复杂数字电路将被部署以保持信息的私密性。现在许多设备正朝着移动技术方向发展，对可能有数千个同时连接请求的蜂窝塔有着巨大的需求。为了帮助管理此负载，无线电系统部署频道时每个频道处理x个设备，并且一个频道中的设备不能干扰另一个频道中的设备。但是找到一个低流量的频道可能需要一段时间，而最佳频道的使用往往是附近设备和环境的共同作用。由于采用试错法来选择信道，存在极大的低效率，导致能耗增加，执行时间缩短。

介绍机器学习

为了解决这个问题，美国国家标准与技术研究所（NIST）的一组研究人员开发了一个数学公式，其行为类似于机器学习算法。本质上，该公式根据先前的经验选择无线网络频率信道，而不是使用试错法。由于系统在过去会有一个与外部因素有关的选定配置，可以说相同的设置提供了更好的运行机会。对这样一个系统的需求源于这样一个事实，即移动网络正在部署一种称为许可证辅助访问的解决方案，它同时使用许可证和未经许可证的频段。这意味着同时使用Wi-Fi和蜂窝设备的环境最终会在信道上竞争，结果导致信道查找速度减慢。因此，如果两个天线（Wi-Fi和mobile）都用机器学习式的公式来寻找最佳的信道，它们就可以独立运行，找到最佳的解决方案。根据计算机模拟，这个公式映射了环境条件，如存在的发射机和信道数，能够将尝试次数从45000个信道减少到10个信道，使其速度提高5000倍。

结论

机器学习适应其环境的能力允许它随着时间的推移而提高性能。这样的算法不需要仅限于音频和视频应用；理论上，它们可以改进任何过程。因此，工程师应该查看他们的设计，并尝试识别涉及试错的情况，然后看看是否可以用学习算法来代替。