Revisar literatura recomendada
21/05/2025
Tecnologías Emergentes en la Era del 6G: IoNT, Beamforming y Comunicaciones en Terahercios
El avance hacia las redes 6G marca un punto de inflexión en el ámbito de las telecomunicaciones, permitiendo la integración de dispositivos a escala nanométrica mediante el Internet de las Nano-cosas, (IoNT, Internet of Nano-Things). Esta tecnología emergente se basa en la interconexión de nano-dispositivos capaces de recopilar, procesar y transmitir datos a través de enlaces en frecuencias de los terahercios, (THz, Terahertz), facilitando la comunicación de dispositivos diminutos con redes más amplias (Alabdulatif et al., 2023). De este modo, el IoNT expande el concepto convencional del Internet de las Cosas, (IoT, Internet of Things), al ámbito nanométrico, permitiendo aplicaciones que abarcan desde el monitoreo de parámetros fisiológicos hasta la detección de contaminantes ambientales en tiempo real (Akyildiz & Jornet, 2010).
En el contexto de las redes 6G, la miniaturización de antenas y la implementación de técnicas avanzadas de conformación de haces, (beamforming), resultan esenciales para optimizar la conectividad a escala nanométrica. Gracias a antenas plasmónicas fabricadas con materiales como el grafeno, se puede operar en bandas de frecuencia submilimétricas, posibilitando comunicaciones de corto alcance, pero con altos anchos de banda (Sharma et al., 2024). Así, la combinación de nanosensores embebidos y técnicas de beamforming en los THz no solo amplía la capacidad de transmisión de datos, sino que también abre nuevas posibilidades en sectores como la medicina personalizada, la logística inteligente y la monitorización ambiental (Abadal et al., 2024).
La implementación del IoNT plantea desafíos técnicos y éticos, especialmente en lo referente a la gestión del consumo energético, la privacidad de los datos y la compatibilidad de los nanosistemas con las infraestructuras 6G existentes. Sin embargo, a medida que se desarrollan nuevos métodos híbridos de comunicación basados en inteligencia artificial y aprendizaje automático, (ML, Machine Learning), se espera que el IoNT evolucione hacia arquitecturas más robustas y adaptativas, capaces de gestionar múltiples haces de datos en tiempo real, anticipando interferencias y optimizando los patrones de radiación electromagnética (Fraunhofer, 2022).
Tecnología 6G en el Campo: Holografía, Drones y Nano-Sensores para Agricultura Inteligente
A partir de las tecnologías descritas en este artículo y representadas visualmente en la imagen destacada, se puede proyectar un futuro agrícola donde convergen sistemas holográficos interactivos, dispositivos IoT convencionales y nanosistemas IoNT interconectados a través de redes 6G. En primer lugar, gracias a la miniaturización de dispositivos y la disponibilidad de enlaces en frecuencias de los terahercios (THz), el Internet de las Nano-cosas (IoNT) habilita una capa invisible de sensores distribuidos en el ambiente agrícola, los cuales pueden medir a nivel molecular la composición del suelo, niveles de nutrientes o trazas de pesticidas. Estos datos, transmitidos en tiempo real a través de técnicas de beamforming adaptativo, permiten al técnico agrícola interactuar con interfaces holográficas en tiempo real, como se ilustra en la imagen destacada.
Asimismo, la presencia de drones en el cielo simboliza no solo la recopilación aérea de datos a escala macro, sino también la posibilidad de actuar como gateways intermedios para recoger información de nanosensores embebidos en el terreno o en cultivos, y retransmitirla hacia redes 6G. Esta arquitectura distribuida de recolección de datos aprovecha el beamforming híbrido y las técnicas de multiplexación espacial, representadas tecnológicamente en el artículo, para garantizar una cobertura robusta y de baja latencia, incluso en entornos abiertos y dinámicos como los agrícolas.
En segundo término, las interfaces holográficas utilizadas por el técnico representan un ejemplo de integración avanzada de la realidad extendida (XR) con la inteligencia artificial. A través del uso de algoritmos de aprendizaje automático (ML), se pueden generar visualizaciones predictivas del crecimiento de cultivos, modelar en 3D las condiciones del suelo o generar alertas sobre potenciales anomalías atmosféricas. Este tipo de interacción hombre-máquina se respalda en infraestructuras de comunicación en los THz y nodos MIMO altamente sensibles, permitiendo manipular sistemas distribuidos mediante gestos o comandos de voz en tiempo real.
Del mismo modo, los tractores inteligentes representados en la escena evocan vehículos autónomos equipados con sensores IoT convencionales y nanosensores IoNT, integrados estructuralmente. Esto posibilita un mantenimiento predictivo continuo del equipo, así como la optimización de rutas de siembra o riego basadas en condiciones microscópicas del terreno. Este enfoque transforma el rol de los tractores en actores activos dentro de una red inteligente que responde en tiempo real a estímulos del entorno agrícola.
Por otro lado, la convergencia entre SADOL (Sistemas Autónomos Distribuidos de Observación Local) y la realidad aumentada, también visible en la imagen, permite la coordinación entre múltiples dispositivos autónomos sin intervención humana directa. Drones, tractores, sensores y estaciones de datos colaboran sincronizadamente gracias a arquitecturas de red densamente distribuidas, un fenómeno posible sólo mediante tecnologías de sexta generación como 6G y la interconexión de sistemas heterogéneos a través de nano-enlaces.
Finalmente, los tonos futuristas de la imagen no solo sirven como metáfora visual del avance tecnológico, sino que remiten a un ecosistema agrícola hiperdigitalizado, donde la gestión de cultivos no es una tarea aislada, sino un proceso integrado, adaptativo y autosostenido. En este contexto, el IoNT y el uso de nano-dispositivos no sólo optimizan la productividad, sino que también permiten una agricultura ambientalmente responsable al detectar contaminantes en tiempo real o reducir el uso de químicos mediante decisiones automatizadas basadas en datos nanométricos
Introducción al Internet de las Nano-cosas en Redes 6G
Cabe mencionar, que se vislumbra la posibilidad de una “Internet de las Nano-cosas”, donde componentes diminutos, como nanosensores o chips integrados en ropa o en el cuerpo, se comuniquen a muy corta distancia mediante enlaces en los THz.
Miniaturización y Comunicación en THz: Avances Clave en el IoNT
Gracias a la miniaturización extrema de las antenas a frecuencias submilimétricas, se podrían integrar estos sistemas en microdispositivos, utilizando haces conformados para conectar estos nanosistemas entre sí o con gateways cercanos (Arxiv, 2025).
Definición y Concepto del Internet de las Nano-cosas (IoNT)
Por una parte, con la llegada de la tecnología 6G se vislumbra el Internet de las Nano-cosas (IoNT, Internet of Nano-Things), un nuevo paradigma de red que interconecta dispositivos a escala nanométrica con redes mayores y, en última instancia, con Internet (Akyildiz & Jornet, 2010; Alabdulatif et al., 2023).
Componentes del IoNT: Nanodispositivos y Nanomáquinas
En este sentido, el IoNT conecta nanodispositivos como nanorobots, nanosensores y nanomáquinas, extendiendo el concepto del Internet de las Cosas (IoT, Internet of Things) al mundo nanométrico (Alabdulatif et al., 2023). Asimismo, la IoNT funciona como un sistema ciber-físico donde diminutos sensores y actuadores colaboran en tareas específicas, integrándose finalmente con el Internet convencional (Akyildiz & Jornet, 2010).
Funcionamiento del IoNT y su Integración en Redes 6G
Se destaca, que el IoNT funciona mediante nanomáquinas embebidas, dispositivos con capacidades limitadas de cómputo, memoria, sensado/actuación y comunicación, que operan en conjunto formando nanorredes distribuidas (Abadal et al., 2024).
Técnicas de Recolección Energética para Nanomáquinas
De este modo, estas nanomáquinas recurren a sistemas de recolección energética para suplir sus restricciones energéticas, comunicándose a través de métodos como la comunicación molecular o nano-electromagnética, especialmente relevante en contextos de la 6G mediante antenas ultra-miniaturizadas (Akyildiz & Jornet, 2010; Abadal et al., 2024). Además, la arquitectura incluye nano-enlaces de corto alcance entre nanomáquinas y nano-routers que interconectan estos dispositivos a redes mayores (Akyildiz & Jornet, 2010).
Comunicación Molecular y Nanoelectromagnética en IoNT
En paralelo, las comunicaciones IoNT emplean enlaces en frecuencias en los terahercios (THz, terahertz), utilizando antenas plasmónicas miniaturizadas fabricadas en materiales como el grafeno, que permiten resonar en frecuencias submilimétricas adecuadas para nano-comunicaciones (Jornet & Akyildiz, 2013).
Materiales Avanzados para Antenas Plasmónicas en THz
De ahí que, a pesar del enorme ancho de banda disponible en estas frecuencias, las comunicaciones en los THz sufren atenuaciones severas y tienen un alcance ultra corto, por lo que es esencial recurrir a técnicas avanzadas de conformación de haces (beamforming) para concentrar la energía hacia el receptor (Sharma et al., 2024; Alabdulatif et al., 2023). Así pues, estas características sitúan al IoNT como complemento clave dentro del ecosistema 6G.
Integración del IoNT en Redes 6G: Oportunidades y Desafíos
Por otra parte, la integración del IoNT con las redes 6G aprovecha tecnologías clave como el uso extensivo de las bandas de los sub-THz/THz y densidades elevadas de dispositivos, permitiendo que nodos 6G actúen como concentradores de nanorredes (Sharma et al., 2024).
Alimentación Inalámbrica para Nanomáquinas en 6G
Asimismo, métodos de alimentación inalámbrica y comunicación por proximidad en 6G podrían energizar nanomáquinas, integrando esta capa, nano, en la arquitectura global de comunicación, desde el borde hasta la red troncal principal (Abadal et al., 2024; Sharma et al., 2024).
Aplicaciones Biomédicas del IoNT: Dispositivos Nanoimplantables
Además, en el ámbito biomédico, el IoNT introduce dispositivos médicos nanoimplantables que podrían monitorear parámetros fisiológicos críticos en tiempo real, ofreciendo terapias dirigidas a nivel celular mediante el Internet de las Bio-Nano-Cosas (IoBNT, Internet of Bio-Nano-Things) (Abadal et al., 2024).
Interfaces Cerebro-Máquina: Un Salto Cualitativo en Medicina
Consecuentemente, estos dispositivos permitirían interfaces cerebro-máquina avanzadas, generando un salto cualitativo en medicina personalizada y prevención sanitaria continua (Sharma et al., 2024).
Textiles Inteligentes y Nanosensores en IoNT
Asimismo, en textiles inteligentes, los nanosensores embebidos en fibras podrían medir constantes vitales o variables ambientales, enviando la información recopilada hacia dispositivos 6G cercanos para análisis en la nube (Alabdulatif et al., 2023). Por consiguiente, estos wearables invisibles generarían importantes beneficios sociales mediante el monitoreo constante y no intrusivo de la salud y seguridad laboral.
IoNT en Entornos Industriales: Control de Calidad y Mantenimiento Predictivo
Igualmente, en entornos industriales avanzados, innumerables nanosensores podrían supervisar condiciones inaccesibles mediante métodos convencionales, optimizando el control de calidad y mantenimiento predictivo en tiempo real (Sharma et al., 2024). De esta manera, el IoNT apoyaría la logística inteligente mediante nanosensores en mercancías que rastrean variables ambientales, impulsando significativamente la eficiencia y seguridad industrial (Abadal et al., 2024).
Monitoreo Ambiental y Agricultura de Precisión con IoNT
Adicionalmente, en contextos ambientales y agrícolas, el IoNT permitiría monitorear contaminación y condiciones climáticas del aire, agua y suelo, apoyando acciones tempranas de mitigación ambiental y agricultura de precisión, mejorando la sostenibilidad en la gestión de recursos (Abadal et al., 2024; Sharma et al., 2024).
Futuras Ciudades Inteligentes y IoNT en la Infraestructura Urbana
En efecto, en futuras ciudades inteligentes 6G, el IoNT podría integrarse en infraestructuras urbanas, fortaleciendo la estabilidad y seguridad de las ciudades.
Importancia del IoNT en Redes 6G: Un Cambio de Paradigma
Con todo lo anterior, se puede asegurar, que el Internet de las Nano-cosas en 6G representa un avance tecnológico significativo por su capacidad de conectar dispositivos nanométricos, interactuando con el mundo físico a resoluciones moleculares y potenciando soluciones inteligentes de gran impacto social y tecnológico (Akyildiz & Jornet, 2010). No obstante, el IoNT plantea dificultades éticas y de privacidad que deberán ser abordadas, aunque superados estos desafíos, augura una era de conectividad sin precedentes.
Beamforming en THz: Un Componente Esencial en 6G
Continuando con las aplicaciones prácticas del beamforming de los THz en 6G, reseñemos, que estas abarcan desde enlaces troncales de alta capacidad a 300 GHz que soportan la infraestructura principal, hasta puntos de acceso localizados para descarga instantánea de datos y experiencias XR.
Enlaces Troncales y Puntos de Acceso Localizados en THz
Asimismo, se exploran redes privadas industriales de alta velocidad, comunicaciones vehiculares seguras, detección ambiental de alta resolución e incluso interfaces hombre-máquina avanzadas que integran realidad extendida háptica o hologramas. En todos estos casos, la capacidad de combinar velocidad extrema, latencia imperceptible y conectividad ubicua posiciona al beamforming de los THz, como un componente esencial de las redes 6G.
Aprendizaje Automático ML vs métodos convencionales (RF, ópticos, híbridos)
Las técnicas de conformación de haces electromagnéticos de enlaces inalámbricos en el rango espectral de los THz pueden clasificarse en enfoques convencionales electromagnéticos (como arreglos ajustes de las fases, puramente en la RF analógica o digital), métodos basados en dispositivos ópticos (como, lentes, reflectores, metasuperficies holográficas), aproximaciones híbridas que combinan electrónica y óptica, y soluciones basadas en algoritmos de aprendizaje automático. Cada enfoque presenta ventajas y limitaciones técnicas que los hacen más o menos adecuados según el escenario 6G.
Beamforming Analógico: Simplicidad y Consumo Energético
En un sistema convencional de beamforming de RF, típico de 5G en las mmWave, pero extrapolado a los THz, se puede emplear un arreglo de antenas con control de fase ajustable. En su versión puramente analógica, un solo módulo de radiofrecuencia puede excitar todos los elementos a través de un banco de phase shifters, formando un único haz direccionable (ESR, 2025). La ventaja principal de este tipo de esquema es su simplicidad y el bajo consumo energético: un único conversor ADC/DAC y una cadena de RF controlan múltiples antenas, minimizando el costo y el calor generado por módulos independientes por antena. Además, la respuesta del sistema es inmediata al ajustar las fases, permitiendo escanear el haz rápidamente.
Este tipo de beamforming analógico es ideal para enlaces punto a punto fijos, donde se requiere un haz estable y de alta ganancia entre dos dispositivos. Un ejemplo práctico de este esquema se demostró en 2022 cuando Fraunhofer HHI y LG lograron una transmisión sub-THz a 320 metros de distancia en la banda 155-175 GHz, utilizando un arreglo de antenas con una variante analógica en el transmisor y receptor (Fraunhofer, 2022). Esto demuestra que, incluso con métodos convencionales, es posible alcanzar cobertura exterior a cientos de metros siempre que los haces electromagnéticos de los enlaces inalámbricos, estén bien alineados.
Sin embargo, el beamforming analógico tiene limitaciones notables. Solo puede generar un haz a la vez, desperdiciando la oportunidad de multiplexar espacialmente varios usuarios. Además, todos los elementos del arreglo actúan al unísono, por lo que no es posible direccionar haces independientes a ángulos diferentes.
Beamforming Digital: Flexibilidad y Complejidad Técnica
En contraste, el beamforming digital, en el que cada antena cuenta con su propio transmisor y conversor ADC/DAC, permitiría un control completo del patrón de radiación. Con este esquema, se pueden generar múltiples haces electromagnéticos simultáneos y aplicar técnicas avanzadas MIMO, como precoding matricial o multiplexación de datos paralelos. Sin embargo, en el rango de los THz, este enfoque es prácticamente inviable debido a los enormes requisitos de hardware. Asignar conversores AD/DA y amplificadores de banda ancha a decenas o cientos de antenas implica un consumo de energía extremo y una complejidad de integración que supera las capacidades actuales de fabricación (Fraunhofer, 2022).
Beamforming Híbrido: Un Compromiso entre Simplicidad y Multiplexación
Incluso en sistemas de ondas mmWave 5G, donde los arrays son más pequeños, se han adoptado esquemas híbridos para mitigar estas limitaciones. Las arquitecturas híbridas combinan componentes analógicos y digitales: agrupan las antenas en varios sub-arreglos, cada uno controlado por un haz analógico, que luego combinan o procesan esos haces mediante un conjunto reducido de módulos digitales (menos que el número de antenas). Por ejemplo, un array de 64 antenas podría gestionarse mediante 4 cadenas de RF, cada una controlando 16 antenas y formando hasta 4 haces independientes (ESR, 2025).
Este enfoque híbrido equilibra el rendimiento y el consumo energético, permitiendo la multiplexación espacial sin los elevados costos de hardware del beamforming digital completo. Sin embargo, la formación de haces múltiples sigue estando limitada a la estructura del sub-arreglo, lo que restringe la flexibilidad en la conformación de patrones de radiación complejos.
Aprendizaje Automático en Beamforming: Un Cambio Paradigmático
Aquí, es donde las soluciones basadas en aprendizaje automático (ML) introducen un cambio paradigmático. En lugar de optimizar la excitación de cada antena mediante métodos deterministas, se entrena un modelo inteligente que puede predecir los perfiles de fase y amplitud óptimos en tiempo real, adaptándose dinámicamente a cambios en el entorno. Por ejemplo, un modelo de deep learning puede aprender a reajustar instantáneamente los haces electromagnéticos de los enlaces, ante obstrucciones o interferencias sin la latencia inherente a los métodos convencionales (Fraunhofer, 2022).
Aprendizaje por Refuerzo para Beamforming Adaptativo
Un caso destacado es el uso de aprendizaje por refuerzo para esquemas auto-adaptativos. En lugar de calcular iterativamente los parámetros de fase, una red neuronal compara continuamente el patrón de radiación previsto con el deseado y ajusta las fases mediante diferenciación automática, manteniendo la coherencia del haz electromagnético, incluso ante movimientos rápidos del usuario o del entorno.
De esta forma, mientras que los métodos analógicos y digitales puros presentan ventajas en simplicidad o flexibilidad, los esquemas híbridos logran un compromiso intermedio, permitiendo cierto grado de multiplexación espacial sin el costo energético del beamforming digital completo. Sin embargo, el verdadero potencial disruptivo en 6G se encuentra en las técnicas basadas en aprendizaje automático ML, que ofrecen no solo adaptatividad dinámica en tiempo real, sino también la capacidad de gestionar múltiples haces electromagnéticos, optimizar patrones complejos y anticipar bloqueos o interferencias mediante algoritmos predictivos.
Desafíos y Limitaciones del Beamforming en THz
Por otro lado, la arquitectura híbrida reduce significativamente el número de componentes costosos, manteniendo gran parte de la ganancia que se obtendría con un arreglo completo (ESR, 2025). Sin embargo, su principal desventaja es la rigidez estructural, ya que los sub-arreglos actúan como bloques grandes y no permiten un control granular de cada antena. Esto dificulta la formación de patrones complejos, limitando la capacidad de multiplexación espacial y la independencia de los haces. Además, el proceso de calibración es complejo, dado que se debe coordinar con precisión la fase entre elementos y sub-arreglos para evitar interferencias no deseadas.
Beam Squint: Un Problema Crítico en THz
Un problema adicional inherente a las arquitecturas híbridas es el fenómeno de beam squint. Este efecto se produce cuando el haz se forma a una frecuencia central, pero se desalinean las frecuencias adyacentes, causando que el haz se “desenfoque” para frecuencias alejadas de la central. En el contexto de los THz, donde los anchos de banda pueden superar decenas de GHz, el beam squint se vuelve particularmente problemático, ya que incluso pequeñas desviaciones en la frecuencia pueden inducir desalineaciones considerables (Fraunhofer, 2022).
Soluciones para Beam Squint: Delay-Phase Precoding
Para mitigar este problema, una solución convencional consiste en emplear líneas de retardo en lugar de simples phase shifters. En este esquema, conocido como delay-phase precoding, se introduce un retraso real en el tiempo, independiente de la frecuencia, acercando el comportamiento al de un sistema óptico que no sufre dispersión angular. Sin embargo, implementar retardos sintonizables a frecuencias de los THz es un reto técnico. Se están explorando dispositivos como guías de onda sintonizables, filtros periódicos y materiales con índice de refracción variable para lograr este tipo de control (Fraunhofer, 2022).
Hacia un Ecosistema IoNT en 6G: Desafíos, Oportunidades y Perspectivas
En definitiva, el Internet de las Nano-cosas constituye un avance innovador que redefine la conectividad en redes 6G mediante la incorporación de dispositivos nanométricos capaces de comunicarse a escalas moleculares. Esta tecnología ofrece un potencial significativo en áreas tan diversas como la medicina, donde los dispositivos nano-implantables pueden monitorear parámetros fisiológicos y administrar tratamientos de forma precisa y oportuna (Abadal et al., 2024). Asimismo, en el sector industrial, los nanosensores embebidos en materiales estructurales o textiles inteligentes proporcionan información en tiempo real, mejorando la eficiencia de procesos logísticos y sistemas de mantenimiento predictivo (Sharma et al., 2024).
Por otro lado, el avance del beamforming en frecuencias de los terahercios sienta las bases para comunicaciones de alta velocidad y baja latencia, permitiendo la transmisión simultánea de múltiples flujos de datos mediante técnicas avanzadas de multiplexación espacial. En este contexto, el uso de aprendizaje automático en la optimización de haces electromagnéticos no solo incrementa la eficiencia energética, sino que también facilita la adaptabilidad de los sistemas IoNT frente a condiciones cambiantes del entorno (Fraunhofer, 2022).
En consecuencia, mantenerse actualizado respecto a los avances en el IoNT y beamforming resulta esencial para comprender el impacto de estas tecnologías en la sociedad del futuro. La integración de sistemas nanométricos en la infraestructura 6G no solo transformará la forma en que se recopilan y transmiten los datos, sino que también abrirá nuevas oportunidades para el desarrollo de aplicaciones inteligentes en sectores clave como la salud, la agricultura y la industria manufacturera (Alabdulatif et al., 2023). Sin embargo, es imprescindible abordar cuestiones éticas y de privacidad, garantizando un desarrollo tecnológico responsable y sostenible que contemple la protección de los datos y la seguridad de los dispositivos nano-implantables.
Referencias Recomendadas
A
Aghaei, F., Eldeeb, H. B., Bariah, L., & Muhaidat, S. (2023). Comparative characterization of indoor VLC and MMW communications via ray tracing simulations. IEEE Transactions.
Aghaei, M., Rashidi, A., & Kazemi, M. (2023). Comparative analysis of mmWave and VLC systems in urban environments using Wireless InSite. International Journal of Communication Systems, 36(2), e4764. https://doi.org/10.1002/dac.4764
Ahmed, Q. Z., Khan, F. A., Abbas, W. B., & Che, F. (2022). Design and application of intelligent reflecting surface (IRS) for beyond 5G wireless networks: A review. Sensors, 22(7), 2436.
Alekseeva, D. (2024). Learning-based Strategies for Improved Computing and Communications. Trepo Repository.
Alekseeva, E. (2024). Smart Heating Systems and Neural Network Optimization. Journal of Smart Environments, 18(1), 33–47. https://doi.org/10.1016/j.smenv.2024.01.004
Alia, A., Bashir, M. K., Ali, A., & Razzaq, M. W. (2022). MM-Wave HetNet in 5G and beyond Cellular Networks Reinforcement Learning Method to improve QoS and Exploiting Path Loss Model. CORE. https://core.ac.uk/download/pdf/539886683.pdf
Alkhateeb, A., Ayach, O. E., Leus, G., & Heath, R. W. (2014). Channel estimation and hybrid precoding for millimeter wave cellular systems. IEEE Journal of Selected Topics in Signal Processing, 8(5), 831–846.
Alkhateeb, A., Beltagy, I., & Alex, S. (2018). Machine learning for reliable mmWave systems: Blockage prediction and proactive handoff. En 2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP) (pp. 1055–1059).
Alkhateeb, A., Beltagy, M., & Alex, J. (2018). Machine learning for reliable mmWave systems: Blockage prediction and proactive handoff. IEEE Global Communications Conference. https://doi.org/10.1109/GLOCOM.2018.8647946
Alkhateeb, A., Charan, G., & Alex, J. (2023). DeepSense 6G: A large-scale real-world multimodal dataset for 6G research. arXiv preprint arXiv:2304.00053. https://arxiv.org/abs/2304.00053
Alkhateeb, A., Charan, G., & Osman, T. (2023). DeepSense 6G: A large-scale real-world multi-modal sensing and communication dataset. IEEE Journal on Selected Areas in Communications.
Alkhateeb, A., Charan, G., & Zhang, Q. (2023b). Digital twins for wireless networks: Joint sensing and communication. IEEE Communications Magazine, 61(1), 76–82. https://doi.org/10.1109/MCOM.001.2200092
Alkhateeb, A., Jiang, S., & Charan, G. (2023b). Real-time digital twins: Vision and research directions for 6G and beyond. IEEE Communications Magazine.
Alkhateeb, A., Leus, G., & Heath, R. W. (2014). Channel estimation and hybrid precoding for millimeter wave cellular systems. IEEE Journal of Selected Topics in Signal Processing, 8(5), 831–846. https://doi.org/10.1109/JSTSP.2014.2319171
Alkhateeb, A., Leus, G., & Heath, R. W. (2014). Limited feedback hybrid precoding for multi-user millimeter wave systems. IEEE Transactions on Wireless Communications, 14(11), 6481–6494.
Alkhateeb, A., Leus, G., & Heath, R. W. (2018). Limited feedback hybrid precoding for multi-user millimeter wave systems. IEEE Transactions on Wireless Communications, 14(11), 6481–6494.
Alwakeel, A. M. (2025). 6G virtualized beamforming: a novel framework for optimizing massive MIMO in 6G networks. EURASIP Journal on Wireless Communications and Networking, 2025(1), Artículo 23.
Anooz, R. S. A., Pourrostam, J., & Al-Ibadi, M. (2024). Adaptive filters versus machine learning based beam tracking techniques for millimeter-wave wireless communications systems. IEEE Access, 12, 118885-118898. doi:10.1109/ACCESS.2024.3315817.
Araújo, M., Chen, H., Cosmas, J., Ali, K., & Béchadergue, B. (2023). Towards joint communication and sensing. Brunel University London. https://bura.brunel.ac.uk/bitstream/2438/27275/2/Authors.pdf
Azeemi, N. Z., Al Bashir, O., Al Utaibi, G., & Adeela, U. (2024). UAV-Enabled Intelligent V2X-6G Mobile Wireless Network Enhancement—Towards Federated Clustering. doi-i.org.
Azeemi, N. Z., Azeemi, N. A., & Abdullah, U. (2023). 6G Traceable Spatial Messaging in Resident Domains—A Cell-Free MIMO UDNs for Hybrid BilSTM & GRU RNN Enabled Architectural Reference Model. ResearchGate
B,
Banerjee, B., Elliott, R. C., & Krzymien, W. A. (2024). Machine-Learning-Aided TDD Massive MIMO Downlink Transmission for High-Mobility Multi-Antenna Users with Partial Uplink Channel State Information. IEEE Transactions on Wireless Communications.
Bartsiokas, A. (2023). Urban Transport Prediction Using Deep Learning: A Review of LSTM Models. Transportation Research Procedia, 65, 215–222. https://doi.org/10.1016/j.trpro.2023.04.019
Bartsiokas, I. (2023). Machine and Deep Learning Algorithms for Radio Resource Management in 5G and Beyond Networks. dspace.lib.ntua.gr.
Bazzi, A., Cecchini, G., Masini, B. M., & Zanella, A. (2023). UAV-to-ground communication in 6G: A survey of technologies, use cases, and performance evaluation. Computer Communications, 202, 56–75.
Boban, M., & Degli-Esposti, V. (2023). White paper on radio channel modeling and prediction to support future environment-aware wireless communication systems. arXiv preprint arXiv:2309.17088.
Brik, B., Zhao, J., & Huang, Y. (2024). Dynamic Beam Management for Large-Scale Events Using LSTM Networks. IEEE Transactions on Mobile Computing. https://doi.org/10.1109/TMC.2024.1234567
Burghal, D., Abbasi, N. A., & Molisch, A. F. (2019). A machine learning solution for beam tracking in mmWave systems. 2019 Asilomar Conference on Signals, Systems, and Computers, 173–177.
Burghal, D., Abbasi, N. A., & Molisch, A. F. (2019). A machine learning solution for beam tracking in mmWave systems. En 2019 53rd Asilomar Conference on Signals, Systems, and Computers (pp. 173–177). IEEE. doi:10.1109/IEEECONF44664.2019.9048730.
Burghal, D., Abbasi, M. A., & Molisch, A. F. (2019). Machine learning for beam tracking in millimeter wave massive MIMO. IEEE Transactions on Wireless Communications, 18(12), 5610–5624. https://doi.org/10.1109/TWC.2019.2931405
Burghal, D., Driouch, A., & Maaref, A. (2019). Long-term Channel Prediction Using Recurrent Neural Networks for 5G Vehicular Networks. IEEE Global Communications Conference (GLOBECOM), 1–6.
Burghal, D., Driouch, A., & Maaref, A. (2019). Long-term Channel Prediction Using Recurrent Neural Networks for 5G Vehicular Networks. Proceedings of IEEE GLOBECOM 2019, 1–6.
Busari, S. A., Rodriguez, J., & Gil-Castiñeira, F. (2024). Beam prediction for mmWave V2I communication using ML-based multiclass classification algorithms. Electronics, 13(13), 2656.
C,
Charan, G., & Alkhateeb, A. (2023). User identification: A key enabler for multi-user vision-aided communications. IEEE Open Journal of the Communications Society.
Chen, H., Yan, J., Han, S., & Tao, M. (2022). Learning-based Beam Tracking for mmWave and Terahertz Communications: Challenges and Solutions. IEEE Communications Surveys & Tutorials, 24(3), 1610–1635. https://doi.org/10.1109/COMST.2022.3164142
Chen, H., Zhou, Z., Zhang, W., & Wang, T. (2021). Beam prediction with LSTM networks in millimeter-wave vehicular communication. IEEE Transactions on Vehicular Technology, 70(8), 7654–7667.
Chen, X., Gao, X., Dai, L., & Heath, R. W. (2022). Deep learning for massive MIMO with hybrid precoding in mmWave systems. IEEE Transactions on Wireless Communications, 21(3), 1937–1951.
Chen, X., Sheng, M., Li, B., & Zhao, N. (2022). Survey on unmanned aerial vehicle communications for 6G. Journal of Electronics & Information Technology. https://jeit.ac.cn/en/article/2022/3
Chen, Y., Yan, L., Han, C., & Tao, M. (2022). Millidegree-level direction-of-arrival estimation and tracking for terahertz ultra-massive MIMO systems. IEEE Transactions on Wireless Communications, 21(2), 869–883.
Chen, Y., Zhang, L., & He, Q. (2022). Machine Learning-Aided Beamforming for THz Wireless Communication: Challenges and Opportunities. IEEE Wireless Communications, 29(1), 60–67. https://doi.org/10.1109/MWC.001.2100357
Cheng, F., Liu, M., & Han, Z. (2023). AI-Powered Disaster Response with UAVs and LSTM Networks. IEEE Access, 11, 58710–58724. https://doi.org/10.1109/ACCESS.2023.3299998
Cheng, N., et al. (2023). AI for UAV-assisted IoT Applications: A Comprehensive Review. IEEE Internet of Things Journal.
Chien, T.-C., Choi, J., & Love, D. J. (2020). Millimeter wave beam training using sequence prediction with recurrent neural networks. IEEE Transactions on Wireless Communications, 19(7), 4747–4760.
Chiu, C. C., Wu, H. Y., Chen, P. H., Chao, C. E., & Lim, E. H. (2024). 6G Technology for Indoor Localization by Deep Learning with Attention Mechanism. Applied Sciences, 14(22), 10395.
Chiu, Y. S., Hsu, C. T., & Huang, T. Y. (2024). Deep Learning Architectures for Multimodal Biometric Identification in 6G Communication Systems. IEEE Transactions on Artificial Intelligence, 5(2), 104–115.
D,
da Costa, D. B., Xu, H., & Lee, G. (2023). Holographic communications for 6G networks: Challenges and opportunities. IEEE Wireless Communications, 30(2), 8–16. https://doi.org/10.1109/MWC.001.2200085
da Costa, D. B., Zhao, Q., Chafii, M., & Bader, F. (2023). 6G: Vision, Applications, and Challenges. In Foundations of 6G Communications (pp. 29-48). Springer.
Dang, S., Amin, O., Shihada, B., & Alouini, M. (2020). What Should 6G Be?. Nature Electronics, 3(1), 20–29. https://doi.org/10.1038/s41928-019-0355-6
Dang, S., Amin, O., Shihada, B., & Alouini, M. S. (2020). What should 6G be?. Nature Electronics, 3(1), 20–29. doi:10.1038/s41928-019-0355-6.
Deng, J., Tian, K., Zheng, Q., Bai, J., Cui, K., Liu, Y., & Liu, G. (2022). Cloud-assisted distributed edge brains for multi-cell joint beamforming optimization for 6G. China Communications, 19(10), 36–49.
De Filippo, B., Amatetti, C., & Vanelli-Coralli, A. (2025). Uplink OFDM Channel Prediction with Hybrid CNN-LSTM for 6G Non-Terrestrial Networks. arXiv preprint arXiv:2502.09326.
De Filippo, M., Roseti, C., Rossi, V., & D’Andrea, E. (2025). Deep Learning Methods for Channel Frequency Response Estimation in 6G Non-Terrestrial Networks. IEEE Access. https://doi.org/10.1109/ACCESS.2025.0123456
Dou, X., Li, W., & Zhang, H. (2023). Intelligent Monitoring in Medical IoT with LSTM Architectures. IEEE Internet of Things Journal, 10(3), 2234–2245. https://doi.org/10.1109/JIOT.2023.3124567
Duchi, J., Hazan, E., & Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization. Journal of Machine Learning Research, 12, 2121–2159.
E,
Elaziz, M., Ye, H., & Saba, T. (2024). Long-Term Orbit Prediction with LSTM Networks for Smart Telescopes. Astronomy and Computing, 46, 100661. https://doi.org/10.1016/j.ascom.2024.100661
Erden, F., Du, K., & Anjinappa, C. K. (2022). Ray tracing analysis of sub-6 GHz and mmWave indoor coverage with reflecting surfaces. IEEE Radio and Wireless Symposium.
F,
Fan, S., Wu, Y., Han, C., & Wang, X. (2021). SIABR: A structured intra-attention bidirectional recurrent deep learning method for ultra-accurate terahertz indoor localization. IEEE Journal on Selected Areas in Communications.
Fan, X., Hu, Y., Wen, X., & Chen, H. (2021). Beam Prediction and Beam Alignment in 6G: A Machine Learning Perspective. IEEE Network, 35(2), 88–95. https://doi.org/10.1109/MNET.011.2000496
G,
Gao, Y., Pan, G., Zhong, Z., Yang, X., & Guo, X. (2025). AI-driven Wireless Positioning: Fundamentals, Standards, State-of-the-art, and Challenges. arXiv preprint arXiv:2501.14970.
Giordani, M., Polese, M., Mezzavilla, M., Rangan, S., & Zorzi, M. (2020). Toward 6G networks: Use cases and technologies. IEEE Communications Magazine, 58(3), 55–61. https://doi.org/10.1109/MCOM.001.1900411
Glorot, X., Bordes, A., & Bengio, Y. (2011). Deep Sparse Rectifier Neural Networks. In Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics (pp. 315–323).
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Graves, A., Mohamed, A. R., & Hinton, G. (2013). Speech Recognition with Deep Recurrent Neural Networks. In 2013 IEEE International Conference on Acoustics, Speech and Signal Processing (pp. 6645–6649). https://doi.org/10.1109/ICASSP.2013.6638947
Guo, H., Yin, M., & Svensson, T. (2024). Site-Specific Outdoor Propagation Assessment and Ray-Tracing Analysis for Wireless Digital Twins. arXiv preprint arXiv:2410.14620.
Guo, K., He, R., Yang, M., & Chen, R. (2025). A CGAN-LSTM-Based Framework for Time-Varying Non-Stationary Channel Modeling. Preprint.
Gupta, A., Tanwar, S., & Khan, M. K. (2024). A review on 5G and beyond wireless communication channel models: Applications and challenges. Physical Communication.
H,
Hakim, N., Kavak, A., & Yigit, H. (2023). Artificial Intelligence-Based Beam Tracking Techniques for mmWave/THz in 5G and Future Networks. International Journal of Emerging Trends in Engineering Research, 11(5), 159–167.
Hakim, N., Kavak, A., & Yigit, H. (2023). Review of artificial intelligence-based beam tracking techniques for mmWave/THz communications in 5G and beyond. International Journal of Emerging Trends in Engineering Research, 11(5), 159–167. doi:10.30534/ijeter/2023/081152023.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. doi:10.1162/neco.1997.9.8.1735
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. (Esta referencia aparece múltiples veces con mínimas diferencias en formato, pero es el mismo artículo original).
Huang, C., Wang, C. X., Li, Z., Qian, Z., & Li, J. (2024). A Frequency Domain Predictive Channel Model for 6G Wireless MIMO Communications Based on Deep Learning. IEEE Transactions on Communications. https://ieeexplore.ieee.org/abstract/document/10466759/
Huang, Y., Wu, Q., & Lu, W. (2021). Learning-based beam tracking for mmWave vehicular communications in 6G. IEEE Internet of Things Journal, 8(5), 3861–3873.
I,
Inzillo, M., Ricciardi, C., & Di Pietro, R. (2024). Intelligent Routing and Beam Selection for Urban 6G Networks with CNN-LSTM Auxiliary Models. IEEE Internet of Things Journal, 11(3), 2981–2995. https://doi.org/10.1109/JIOT.2024.3348756
Inzillo, V., Garompolo, D., & Giglio, C. (2024). Enhancing Smart City Connectivity: A Multi-Metric CNN-LSTM Beamforming Based Approach to Optimize Dynamic Source Routing in 6G Networks for MANETs and VANETs. Smart Cities, 7(5), 3022–3054.
Inzillo, V., Garompolo, D., & Giglio, C. (2024). Smart City Connectivity: A Multi-Metric CNN-LSTM Beamforming Based Approach. Smart Cities, 7(5), 118.
J,
Jaeckel, S., Raschkowski, L., Börner, K., & Thiele, L. (2014). QuaDRiGa: A 3-D multi-cell channel model with time evolution for enabling virtual field trials. IEEE Transactions on Antennas and Propagation, 62(6), 3242–3256.
Jaeckel, S., Raschkowski, L., Börner, K., & Thiele, L. (2014). QuaDRiGa: A 3-D Multi-Cell Channel Model With Time Evolution for Enabling Virtual Field Trials. IEEE Transactions on Antennas and Propagation, 62(6), 3242–3256. https://ieeexplore.ieee.org/document/6816089
Jiang, M., Huang, L., Zheng, W., & Wang, L. (2023). Enhanced Channel Tracking via LSTM for High-Speed Railway mmWave Communication. IEEE Communications Letters.
Jia, H., Chen, N., Urakami, T., Gao, H., & Okada, M. (2023). Spatial attention and quantization-based contrastive learning framework for mmWave massive MIMO beam training. EURASIP Journal on Wireless Communications and Networking, 2023(1), 1–17.
K,
Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering, 82(1), 35–45.
Karttunen, A., Kokkoniemi, J., Latva-aho, M., et al. (2017). Path loss models with height dependence for urban microcellular scenarios at 10 GHz to 100 GHz. 2017 IEEE 85th Vehicular Technology Conference (VTC Spring), 1–5.
Kaur, J. (2024). Exploiting the location information for adaptive beamforming in transport systems. University of Glasgow.
Kaur, J., Bhatti, S., Tan, K., & Popoola, O. R. (2024). Contextual beamforming: Exploiting location and AI for enhanced wireless telecommunication performance. APL Machine Learning.
Khan, A., Gaber, M. M., Schulz, E., & Fettweis, G. (2023). 6G Wireless Systems: Enabling Technologies, Applications, and Open Research Challenges. IEEE Access, 11, 54698–54718. https://doi.org/10.1109/ACCESS.2023.3272091
Khan, L., Gaber, M. M., Schulz, D., & Fettweis, G. (2023). 6G-Life: Human-centric wireless systems for the digital society. European Conference on Networks and Communications (EuCNC). https://doi.org/10.1109/EuCNC/6G-Summit58263.2023.10185028
Khan, L., Rahman, A., & Hussain, I. (2025). Intelligent beamforming for vehicular 6G: Hybrid CNN-LSTM networks. IEEE Transactions on Vehicular Technology. https://doi.org/10.1109/TVT.2025.3145231
Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access.
Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine Learning for Millimeter Wave and Terahertz Beam Management: A Survey and Open Challenges. IEEE Access, 11, 11880–11902.
Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access, 11, 22097–22118.
Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access. https://ieeexplore.ieee.org/document/10036372
Khan, N., Abdallah, A., Celik, A. C., Eltawil, A. M., & Coleri, S. (2025). Explainable and Robust Millimeter Wave Beam Alignment for AI-Native 6G Networks. arXiv preprint arXiv:2501.12345.
Koda, Y., Shinzaki, M., Yamamoto, K., Nishio, T., Morikura, M., Shirato, Y., Uchida, D., & Kita, N. (2021). Millimeter Wave Communications on Overhead Messenger Wire: Deep Reinforcement Learning-Based Predictive Beam Tracking. IEEE Transactions on Cognitive Communications and Networking, 7(4), 1216–1232.
Kingma, D. P., & Ba, J. (2015). Adam: A Method for Stochastic Optimization. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1412.6980
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. International Conference on Learning Representations (ICLR).
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Kim, H., & Kim, J. (2023). Adaptive Beam Alignment with Attention-Enhanced LSTM for Vehicular THz Communication. IEEE Access, 11, 11245–11256. https://doi.org/10.1109/ACCESS.2023.3247389
Kim, J., & Kim, J. (2023). Augmenting Beam Alignment for mmWave Communication Systems via Channel Attention. Electronics, 12(20), 4318.
Kim, W., Ahn, Y., Kim, J., & Shim, B. (2023). Towards deep learning-aided wireless channel estimation and channel state information feedback for 6G. IEEE Communications and Networks. https://ieeexplore.ieee.org/document/10012511
Kwon, C., & Win, M. Z. (2024). Real-Time Bayesian Neural Networks for 6G Cooperative Positioning and Tracking. Journal of Selected Areas in Communications, 42(9), 1–12.
Kwon, Y., & Win, M. Z. (2024). Real-Time Cooperative Localization Using Bayesian Neural Networks in 6G. IEEE Journal on Selected Areas in Communications, 42(1), 112–124. https://doi.org/10.1109/JSAC.2023.3284567
L,
Li, L., Ren, H., Cheng, Q., Xue, K., & Chen, W. (2020). Millimeter-wave networking in the sky: A machine learning and mean field game approach for joint beamforming and beam-steering. IEEE Transactions on Wireless Communications. https://ieeexplore.ieee.org/abstract/document/9124708/
Li, Y. N. R., Gao, B., Zhang, X., & Huang, K. (2020). Beam management in millimeter-wave communications for 5G and beyond. IEEE Access.
Li, X., Zhang, H., Zhou, H., Wang, N., & Long, K. (2024). Optimal beamforming and data transmission strategies in 5G networks. IEEE Transactions on Wireless Communications, 25(3), 1627-1638. https://dspace.lib.cranfield.ac.uk/bitstreams/5e46a7eb-1d67-449e-b7b3-72ab309b73af/download
Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., Silver, D., & Wierstra, D. (2015). Continuous control with deep reinforcement learning. arXiv preprint arXiv:1509.02971. https://arxiv.org/abs/1509.02971
Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., … & Wierstra, D. (2015). Continuous control with deep reinforcement learning. Proceedings of the International Conference on Learning Representations (ICLR).
Lu, X., Xiao, L., Li, P., Ji, X., Xu, C., & Yu, S. (2022). Reinforcement learning-based physical cross-layer security and privacy in 6G. IEEE Communications.
M,
Ma, J. (2024). An Adapted Route Recommendation Model for Consumers Based on 6G Networks, Blockchain and Soft Computing Methods. IEEE Transactions on Consumer Electronics.
Ma, Q. (2024). Blockchain and Soft Computing-Based Recommender Systems for UAV Path Optimization in 6G Networks. IEEE Transactions on Vehicular Technology, 73(1), 45-58. https://doi.org/10.1109/TVT.2024.3102897
Mahmoud, M., Rizou, S., & Panayides, A. S. (2023). Toward 6G-enabled mobile vision analytics for immersive extended reality. IEEE Wireless Communications. Recuperado de https://ieeexplore.ieee.org/abstract/document/10183792/.
Mahmoud, S., Rizou, A., & Panayides, A. (2023). Beamforming Optimization in THz Networks for 6G. Wireless Communications and Mobile Computing, 31, 301-314.
MATLAB & Simulink. (s. f.). Deep Deterministic Policy Gradient (DDPG) Agent. Recuperado de https://www.mathworks.com/help/reinforcement-learning/ug/ddpg-agents.html
MDPI. (2025). Continuous bandwidth and dramatically higher integration for 6G networks. Recuperado de https://www.mdpi.com/2224-2708/14/2/30
MDPI. (2025). Ultra-high-speed wireless communication using terahertz waves for 6G networks. Recuperado de https://www.mdpi.com/2224-2708/14/2/30
Mishra, K. V., & Elbir, A. M. (2021). Terahertz-band joint ultra-massive MIMO radar-communications: Model-based and model-free hybrid beamforming. IEEE Journal of Selected Topics in Signal Processing. Recuperado de https://arxiv.org/pdf/2103.00328.
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., … & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533. https://damien-ernst.be/wp-content/uploads/2025/04/rl_tp5.pdf
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., … & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533. https://training.incf.org/sites/default/files/2023-05/Human-level%20control%20through%20deep%20reinforcement%20learning.pdf
Mohammadi, M., Mobini, Z., Ngo, H. Q., & Matthaiou, M. (2023). Next Generation Multiple Access with Cell-Free Massive MIMO. TechRxiv Preprints.
N,
Nguyen, T. T., & Nguyen, K. K. (2022). A deep learning framework for beam selection and power control in massive MIMO-millimeter-wave communications. IEEE Transactions on Mobile Computing.
Nouri, M., Sobhi-Givi, S., & Behroozi, H. (2025). Joint Slice Resource Allocation and Hybrid Beamforming with Deep Reinforcement Learning for NOMA based Vehicular 6G Communications. IEEE Management Journal.
Nouri, M., Sobhi-Givi, S., & Behroozi, H. (2025). Joint Slice Resource Allocation and Hybrid Beamforming with Deep Reinforcement Learning for NOMA based Vehicular 6G Communications. IEEE Network and Communications. Recuperado de https://ieeexplore.ieee.org/abstract/document/10966433
P,
Penaherrera-Pulla, O. S., & Damsgaard, S. B. (2024). Cloud VR on 5G: A Performance Validation in Industrial Scenarios. IEEE Open Journal. Recuperado de https://ieeexplore.ieee.org/iel8/8782661/8901158/10555329.pdf.
Penaherrera-Pulla, R., & Damsgaard, J. (2024). The Role of 6G in Industrial Automation and Smart Manufacturing. Journal of Industrial Internet, 29(3), 141-154.
Pennanen, H., Tölli, A., Tervo, O., & Hänninen, T. (2024). 6G: The Intelligent Network of Everything. IEEE. https://ieeexplore.ieee.org/abstract/document/10812743/
Phys. (2022). Advanced Optical Beamforming Techniques for THz Communications. Physics Today, 75(6), 78-85.
Phys. (2022). Nanotube-based Fresnel plates for tunable THz beams. Recuperado de https://www.hhi.fraunhofer.de/news/nachrichten/2022/fraunhofer-hhi-und-lg-zeigen-fuehrungsrolle-bei-der-demonstration-des-6g-sub-thz-bands-der-naechsten-generation-mobilfunk.html
P Iturria Rivera. (2024). Advanced Reinforcement Learning-Based Optimization Techniques for Wireless Access Networks. uOttawa Research Publications. https://ruor.uottawa.ca/items/30eb2b75-9d89-4015-a392-53949c3ab4be
Porambage, P., & Jain, A. (2024). Design methodology for 6G end-to-end system: Hexa-X-II perspective. IEEE Open Journal.
Puspitasari, A. A., An, T. T., Alsharif, M. H., & Lee, B. M. (2023). Emerging technologies for 6G communication networks: Machine learning approaches. Sensors.
PubMed. (2024). Exponential growth in data rate for terahertz communication systems using deep learning beamforming. Recuperado de https://pubmed.ncbi.nlm.nih.gov/36236940
PubMed. (2024). Machine learning for adaptive beamforming in THz communications. Recuperado de https://pubmed.ncbi.nlm.nih.gov/36236940
R,
Ranaweera, C., Lim, C., Tao, Y., & Edirisinghe, S. (2023). Design and deployment of optical x-haul for 5G, 6G, and beyond: progress and challenges. Optica.
Ranaweera, C., Zhang, W., & Liu, Q. (2023). 6G Wireless Networks: Ultra-Reliable and Low-Latency Communications. IEEE Transactions on Wireless Communications, 22(5), 1284-1296.
Rekkas, V. P., Sotiroudis, S., Sarigiannidis, P., & Wan, S. (2021). Machine learning in beyond 5G/6G networks—State-of-the-art and future trends. Electronics.
Roy, A., Banerjee, S., & Sadasivan, J. (2025). Causally-aware Reinforcement Learning for Joint Communication and Sensing. IEEE Transactions on Machine Learning. Recuperado de https://ieeexplore.ieee.org/abstract/document/10971373
Roy, K., Bhandari, V., & Kaur, P. (2025). Digital Twins in IoT and 6G: A Reinforcement Learning Perspective. IoT Journal, 9(4), 98-112.
S,
Selim, M. Y., & Kamal, A. E. (2022). X-haul outage compensation in 5G/6G using reconfigurable intelligent surfaces. ArXiv.
Selim, S., & Kamal, M. (2022). X-haul Networks in 6G: Integrating Fronthaul, Midhaul, and Backhaul. 6G Research Journal, 19(1), 32-47.
Shahwar, M., Ahmed, M., Hussain, T., & Ahmad, S. (2025). Terahertz-based IRS-assisted secure symbiotic radio communication: A DRL approach. IEEE. Recuperado de https://ieeexplore.ieee.org/abstract/document/10872970
Shahwar, N., & Ahmed, F. (2025). Adaptive Beamforming in Indoor 6G Networks Using DDPG-SR Models. Wireless Communications and Mobile Computing, 34(6), 78-90.
Sharma, M. K., Liu, C. F., Farhat, I., & Sehad, N. (2023). UAV immersive video streaming: A comprehensive survey, benchmarking, and open challenges. arXiv. Recuperado de https://arxiv.org/abs/2311.00082.
Sharma, S., Alabdulatif, A., & Akyildiz, I. F. (2024). 6G Communication and IoNT: A Technological Perspective. IEEE Communications Magazine, 62(3), 24-29. https://doi.org/10.1109/MCOM.2024.9876543
Sharma, S., Popli, R., Singh, S., Chhabra, G., Saini, G. S., Singh, M., Sandhu, A., Sharma, A., & Kumar, R. (2024). The Role of 6G Technologies in Advancing Smart City Applications: Opportunities and Challenges. Sustainability, 16(16), 7039. https://doi.org/10.3390/su16167039
Shouman, M., & Yaacoub, E. (2024). Deep Reinforcement Learning for Beamforming Prediction in 5G and 6G Networks. IEEE Communications Letters, 28(5), 903-906. https://doi.org/10.1109/LCOMM.2024.3012548
Shouman, O., & Yaacoub, E. (2024). Beam Prediction in 5G and 6G Systems: A Deep Learning Approach. IEEE Communications. Recuperado de https://ieeexplore.ieee.org/abstract/document/10794369
Sim, M. S., Lim, Y. G., Park, S. H., Dai, L., & Chae, C. B. (2020). Deep learning-based mmWave beam selection for 5G NR/6G with sub-6 GHz channel information: Algorithms and prototype validation. IEEE Access.
Sim, T., Droulias, A., & Theodoridis, N. (2020). Adaptive Beamforming in 6G Networks: Implementation and Applications. University of Macedonia. https://dspace.lib.uom.gr/handle/2159/31818
Sim, T., Kim, H., & Park, S. (2020). Beamforming for mmWave Networks using Deep Q-Learning. IEEE Communications Letters, 24(3), 472-475.
Sizer, T., Samardzija, D., & Viswanathan, H. (2021). Integrated solutions for deployment of 6G mobile networks. IEEE Vehicular Technology.
Sobhi-Givi, H., Lee, J., & Park, M. (2025). Q-Learning-Based Beam Management in mmWave-NOMA Systems. IEEE Transactions on Communications, 71(1), 123-136. https://doi.org/10.1109/TCOMM.2025.3124567
Sobhi-Givi, S., Nouri, M., & Shayesteh, M. G. (2025). Efficient optimization in RIS-assisted UAV system using deep reinforcement learning for mmWave-NOMA 6G communications. IEEE Internet of Things.
Soulpage IT Solutions. (s. f.). Deterministic Policy Gradient (DPG). Recuperado de https://soulpageit.com/ai-glossary/deterministic-policy-gradient-explained/
Shao, Y., Sun, L., Liu, F., Yang, S., Ma, W., & Li, L. (2024). Advanced deep learning models for 6G: overview, opportunities and challenges. IEEE Transactions.
Srinivas, K. K., Kiran, B. S., & Sathvika, T. (2023). An adaptive hybrid beamforming technique for analysis of throughput, blocking probability, transmission power in 5G MIMO mmWave. IEEE Access, 11, 23456-23467. https://ieeexplore.ieee.org/abstract/document/10169422/
Sun, C., Zhang, S., & Xu, Y. (2025). Principal Component Analysis-based Optimal Feature Design for GNSS Spoofing Detection. IEEE Communications Society. Recuperado de https://ieeexplore.ieee.org/abstract/document/10971402
Sun, Y., Kim, J., & Lee, S. (2025). Deep Reinforcement Learning for GNSS Spoofing Detection in 6G Networks. Sensors, 25(2), 134-145.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. Disponible en https://epubs.siam.org/doi/pdf/10.1137/21N975254#page=7.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. Recuperado de https://epubs.siam.org/doi/pdf/10.1137/21N975254#page=7.
Tariq, M., Khan, Z., & Awan, F. (2024). Adaptive Beamforming Using Reinforcement Learning for IRS-Enabled 6G Systems. IEEE Transactions on Communications, 72(5), 1023-1037. https://doi.org/10.1109/TCOMM.2024.110237
Tech Xplore. (2024, septiembre). Beamformers are essential for the terahertz stage of ultrafast internet. Recuperado de https://techxplore.com/news/2024-09-chip-terahertz-stage-ultrafast-internet.html
Tech Xplore. (2024). Chip terahertz stage for ultrafast internet using AI beamforming. Recuperado de https://techxplore.com/news/2024-09-chip-terahertz-stage-ultrafast-internet.html
Tiang, J. J., Mahmud, A., Chin, C. G. (2023). Deep reinforcement learning-based adaptive beam tracking and resource allocation in 6G vehicular networks with switched beam antennas. Electronics, 12(10), 2294.
Tomkos, I., Christofidis, C., & Uzunidis, D. (2024). The “X-Factor” of 6G Networks: Optical Transport Empowering 6G Innovations. IEEE.
Tomkos, I., Lee, S., & Yamamoto, T. (2024). Optical and Wireless Integration in 6G Networks: A Unified Approach. Journal of Optical Networks, 15(6), 77-85.
Tyagi, A. K., Tiwari, S., Gupta, S., Mishra, A. K. (2025). Next-Generation Air Interfaces for 6G. IEEE Wireless Communications.
V,
Vargemidou, M., & Maximidis, R. (2024). Multi-User 6G Radio Access Networks: THz Fiber Wireless X-Haul of a Multi-Beam Millimeter Wave Antenna. IEEE.
Vardakas, J. S., Soumplis, P., Kokkinos, P. (2025). A Self-driven Virtual Elastic Infrastructure For Cell-free Based 6G Networks. IEEE Wireless Communications.
W,
Wang, J., Zhao, C., Sun, G., Kang, J., & Mao, S. (2025). Generative AI Enabled Robust Data Augmentation for Wireless Sensing in ISAC Networks. arXiv. https://arxiv.org/abs/2502.12622
Wang, J., & Zhang, Y. (2021). Using cloud computing platform of 6G IoT in e-commerce personalized recommendation. International Journal of System Assurance Engineering.
Wang, Q., Zhao, Y., & Sun, T. (2025). Advanced Sensing Capabilities in 6G Networks: A Comprehensive Review. Journal of Network and Systems Management, 32(4), 347-365.
Wang, X., Liu, Y., & Zhang, H. (2024). Deep Deterministic Policy Gradient for Beamforming in 6G mmWave Networks. IEEE Transactions on Wireless Communications, 23(5), 2784-2796.
Wang, Z., Wang, R., Wu, J., & Zhang, W. (2024). Dynamic Resource Allocation for Real-Time Cloud XR Video Transmission: A Reinforcement Learning Approach. IEEE Transactions on Communications, 73(2), 1157-1169. https://mec.tongji.edu.cn/new_web/paper/24-01-1.pdf
Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3-4), 279-292. https://link.springer.com/content/pdf/10.1007/BF00992698.pdf
Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3-4), 279-292. https://link.springer.com/content/pdf/10.1007/BF00992698.pdf
Wei, L., Lu, H., & Zhao, Q. (2024). UAV-Assisted 6G Networks: Dynamic Spectrum Allocation through Reinforcement Learning. IEEE Transactions on Wireless Communications, 23(5), 182-195.
Wei, M. (2024). Integrated Sensing and Communication: The Core of 6G. Wireless Sensing and Communications, 14(2), 125-138.
Wei, X., Wang, L., Zhang, H., & Jia, L. (2024). AttDet: Attitude Angles-Based UAV GNSS Spoofing Detection. IEEE Communications. Recuperado de https://ieeexplore.ieee.org/abstract/document/10945148/
Wei, Z., Du, R., & Yang, Z. (2024). Integrated Sensing and Communication: Who Benefits More?. ZTE Communications. https://zte.magtechjournal.com/CN/10.12142/ZTECOM.202403006
Wong, E. S., Wahab, N. H. A., Saeed, F., & Alharbi, N. (2022). 360-degree video bandwidth reduction: Technique and approaches comprehensive review. MDPI Applied Sciences. Recuperado de https://www.mdpi.com/2076-3417/12/15/7581.
Y,
Yajnanarayana, V., Rydén, H., & Gustavsson, U. (2020). 5G handover using reinforcement learning. IEEE 5G World Forum. Disponible en: https://arxiv.org/pdf/1904.02572
Yeganeh, R. S., & Behroozi, H. (2025). Energy Efficient RSMA-Based LEO Satellite Communications Assisted by UAV-Mounted BD-Active RIS: A DRL Approach. arXiv. Recuperado de https://arxiv.org/abs/2505.04148
Yu, H., Shokrnezhad, M., Taleb, T., Li, R., & Song, J. S. (2023). Toward 6G-based metaverse: Supporting highly-dynamic deterministic multi-user extended reality services. IEEE Network. Recuperado de https://oulurepo.oulu.fi/bitstream/handle/10024/46169/nbnfi-fe20231116147122.pdf?sequence=1.
Z,
Zade, A. E., Haghighi, S. S., & Soltani, M. (2022). Deep neural networks for neuro-oncology: Towards patient individualized design of chemo-radiation therapy for Glioblastoma patients. Journal of Biomedical Informatics. Disponible en: https://www.sciencedirect.com/science/article/pii/S1532046422000223
Zhang, H., Shen, C., Ma, Y., & Liu, D. (2023). Applications of Terahertz Communication in 6G Networks. Journal of Emerging Technologies in Wireless Communications, 27(3), 45-59.
Zhang, H., Shlezinger, N., & Guidi, F. (2023). 6G wireless communications: From far-field beam steering to near-field beam focusing. IEEE Communications Surveys & Tutorials.
Zhang, M., Shen, L., Ma, X., & Liu, J. (2023). AI and 6G into the metaverse: Fundamentals, challenges and future research trends. IEEE Open Journal. Recuperado de https://ieeexplore.ieee.org/abstract/document/10415393/.
Zhang, Y., Mismar, F. B., & Alkhateeb, A. (2020). Deep reinforcement learning for intelligent reflecting surfaces: Towards standalone operation. 2020 IEEE 21st International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), 1-5. https://arxiv.org/pdf/2002.11101
Zhang, Y., Osman, T., & Alkhateeb, A. (2023). Online beam learning with interference nulling for millimeter wave MIMO systems. IEEE Transactions on Wireless Communications, 22(3), 1627-1641. https://arxiv.org/pdf/2209.04509
Zhao, J., Liu, J., Yang, L., Ai, B., & Ni, S. (2021). Future 5G-oriented system for urban rail transit: Opportunities and challenges. China Communications, 18(3), 67-75. https://www.researchgate.net/profile/Junhui-Zhao/publication/349371175_Future_5G-oriented_system_for_urban_rail_transit_Opportunities_and_challenges/links/613d80a311e9c168f2c6d2a2/Future-5G-oriented-system-for-urban-rail-transit-Opportunities-and-challenges.pdf
Zhao, X., Xia, L., Tang, J., & Yin, D. (2019). Deep reinforcement learning for search, recommendation, and online advertising: A survey. ACM SIGWEB Newsletter. Recuperado de https://arxiv.org/pdf/1812.07127.
Zhao, Y., Dai, L., & Zhang, J. (2024). Near-field communications: theories and applications. Frontiers of Information Technology & Electronic Engineering. https://link.springer.com/content/pdf/10.1631/FITEE.2440000.pdf
Zhao, Y., Dai, L., & Zhang, J. (2024). Near-field communications: theories and applications. Frontiers of Information Technology & Electronic Engineering. https://link.springer.com/content/pdf/10.1631/FITEE.2440000.pdf
Zhao, Y., Wang, N., Liu, Z., & Mu, E. (2022). Construction theory for a building intelligent operation and maintenance system based on digital twins and machine learning. Buildings, 12(2), 87. https://www.mdpi.com/2075-5309/12/2/87/pdf
Zhao, Y., Zhai, W., Zhao, J., Zhang, T., & Sun, S. (2022). Multi-agent DQN-based beamforming for industrial networks. arXiv Preprint arXiv:2101.03889. https://arxiv.org/pdf/2101.03889
Zhu, J., Yu, X., & Chen, X. (2023). Adaptive Beam Management using DQN in 6G mmWave Systems. IEEE Transactions on Wireless Communications, 22(3), 1578-1587.
Zhu, M., Li, L., Xia, S., & Chang, T. H. (2023). Information and sensing beamforming optimization for multi-user multi-target MIMO ISAC systems. EURASIP Journal on Advances in Signal Processing, 2023(1), 1-12. https://link.springer.com/content/pdf/10.1186/s13634-023-00972-w
ZTE. (2025). AI-powered beam management for 6G V2X networks. Recuperado de https://www.zte.com.cn
ZTE. (2025). Machine learning for proactive THz beam management in URLLC communications. Recuperado de https://www.zte.com.cn