几十年来，业余双向无线电运营商通过在一天的正确时间选择正确的无线电频率在整个大洲进行通信，这是因为相对较少的用户和设备共享无线电波而使奢侈品成为可能。但是随着蜂窝无线电在电话和物联网设备中的普及，寻找无干扰的频率变得越来越困难，因此研究人员计划使用深度学习来创建认知无线电，以立即调整其无线电频率以获得最佳性能。

正如东北大学无线物联网研究所的研究人员所解释的那样，蜂窝物联网设备的种类和密度的不断增加给无线网络优化带来了新的挑战。一个给定的无线电频率范围可以由一百个设计用于在同一总体区域中工作的小型无线电设备共享，每个小型无线电设备具有各自的信令特性，并且在适应变化的条件时会有所变化。当预测在给定的瞬间哪些频谱碎片可能是自由的时，大量的设备降低了固定数学模型的功效。

这就是深度学习的源头。研究人员希望使用嵌入在无线设备硬件中的机器学习技术来提高频率利用率，从而使设备可以自行开发AI优化的频谱使用策略。早期研究表明，深度学习模型在处理嘈杂的无线电信道时，其分类准确度平均比传统系统高20％，并且能够扩展到数百个同时运行的设备，而不是数十个。此外，为此目的开发的深度学习架构也将可用于其他多项任务。

为此应用程序实施深度学习的一个关键挑战是需要快速处理大量数据以进行连续分析。深度学习可能依赖于数千万个参数，并且这里可能需要在毫秒级别上每秒测量超过100兆字节的数据。研究人员指出，这超出了“甚至是当前可用的最强大的嵌入式设备”的能力，而低延迟要求不要在云中处理结果。

因此，目标将是帮助将深度学习模型缩小到可以在小型设备上运行的程度，并使用复杂的测试工具（“无线数据工厂”）随着硬件的改进来改进软件，包括提高其抵抗对抗攻击的能力。研究人员预计将在5G毫米波和未来的6G太赫兹硬件中使用该学习技术，尽管超高频信号容易受到物理干扰，但在未来的二十年中，它们将比4G设备更加普及。