Quando os turistas compram uma participação em um timeshare à beira-mar, eles decidem com antecedência quem pode usar a propriedade e quando. O Instituto Nacional de Padrões e Tecnologia (NIST) está ajudando a Federal Communications Commission (FCC) a instituir um plano semelhante para quando os provedores comerciais sem fio e a Marinha dos Estados Unidos tentarem compartilhar uma seção desejável de 150 megahertz (MHz) de largura de rádio Espectro (RF) para comunicações.

Em um novo jornal, Os pesquisadores do NIST demonstram que algoritmos de aprendizagem profunda - uma forma de inteligência artificial - são significativamente melhores do que os comumente usados, método menos sofisticado para detectar quando os radares offshore estão operando. A detecção de radar aprimorada permitiria aos usuários comerciais saber quando devem produzir a chamada Banda de 3,5 Gigahertz (3,5 GHz).

Em 2015, a FCC adotou regras para o Citizens Broadband Radio Service (CBRS) para permitir que fornecedores comerciais de equipamentos sem fio LTE (evolução de longo prazo) e provedores de serviços usem a banda de 3,5 GHz quando não for necessária para operações de radar.

Empresas como AT&T, Google, Nokia, Qualcomm, A Sony e a Verizon estão ansiosas para acessar essa banda (entre 3550 e 3700 MHz) porque ela expandirá os mercados de produtos e dará aos usuários finais melhor cobertura e velocidades de transmissão de dados mais altas em uma variedade de ambientes onde o serviço é tradicionalmente fraco.

O NIST ajudou a desenvolver 10 especificações padrão que permitem aos provedores de serviços e outros usuários em potencial operarem na Banda de 3,5 GHz sob os regulamentos da FCC, garantindo à Marinha que a banda pode ser compartilhada com sucesso sem interferência de RF. Essas especificações padrão, incluindo o algoritmo para proteção de usuários militares em exercício, foram aprovados em fevereiro de 2018 pelo Wireless Innovation Forum Spectrum Sharing Committee (WINNF SSC), órgão público-privado de normalização do CBRS. Contudo, atualmente não há padrões oficiais para determinar quando os militares estão usando a banda. O novo estudo, relatado na revista IEEE Transactions on Cognitive Communications and Networking, representa o mais recente esforço de pesquisa do NIST para atingir esse objetivo.

Na prática atual, sinais de radar de navios no mar são identificados por detectores automatizados que procuram aumentos de energia no espectro eletromagnético. "Contudo, "disse Michael Souryal, líder para o projeto de suporte de compartilhamento de espectro NIST, "esses detectores de energia não discriminam o suficiente para acertar de forma consistente, às vezes confundindo outros sinais de RF como radar ou perdendo totalmente as assinaturas de radar. "

Souryal e seus colegas recorreram à inteligência artificial (IA) para uma solução potencial. Oito algoritmos de aprendizagem profunda - sistemas de software que aprendem com dados pré-existentes - foram treinados para reconhecer sinais de radar offshore de uma coleção de quase 15, 000 espectrogramas de 60 segundos (representações visuais dos sinais de radar ao longo do tempo). Esses espectrogramas foram registrados em 2016 perto de bases navais em San Diego, Califórnia, e Virginia Beach, Virgínia, para a Rede Nacional de Teste de Espectro e Comunicações Avançados (NASCTN).

Após o treinamento, os algoritmos de aprendizagem profunda foram comparados com detectores de energia para ver qual tinha o melhor desempenho na identificação e classificação de um conjunto de espectrogramas diferentes daqueles usados ​​para educar os detectores de IA.

"Descobrimos que três dos algoritmos de aprendizado profundo superaram sensivelmente os detectores de energia, "Souryal disse.

O melhor algoritmo de aprendizado profundo e a coleção de espectrograma foram usados ​​para desenvolver estatísticas de ocupação da banda de 3,5 GHz, "conjuntos de dados que descrevem quando a banda está disponível e por quanto tempo.

Agora que os pesquisadores do NIST validaram o uso dos algoritmos de aprendizado profundo, eles planejam continuar refinando os detectores de IA, treinando-os com alta resolução, dados de radar mais detalhados, que eles acreditam que deve levar a um desempenho ainda melhor.