Dos jóvenes sentadas en plazas de una ciudad futurista se comunican a través de hologramas proyectados desde sus teléfonos avanzados con tecnología 6G. La imagen muestra un entorno tecnológico con luces brillantes y estructuras modernas, destacando un automóvil autónomo de última generación y señales digitales con los acrónimos '6G,' 'THz,' y 'mmWave'.
6G
Dos jóvenes sentadas en plazas de una ciudad futurista se comunican a través de hologramas proyectados desde sus teléfonos avanzados con tecnología 6G. La imagen muestra un entorno tecnológico con luces brillantes y estructuras modernas, destacando un automóvil autónomo de última generación y señales digitales con los acrónimos '6G,' 'THz,' y 'mmWave'.
La interacción holográfica con smartphones de última tecnología redefine la comunicación en un mundo hiperconectado con 6G
6G

Por: Anne Marie Madoni.

Revisar literatura recomendada..

24/03/2025

El Impacto Revolucionario de mmWave y los THz en el Futuro de la Humanidad

En la actualidad, las tecnologías mmWave y THz emergen como los pilares fundamentales que definirán la sexta generación de telecomunicaciones móviles (6G). Gracias a su capacidad para transmitir datos a velocidades ultra altas y ofrecer una latencia prácticamente inexistente, estas tecnologías no solo transformarán las comunicaciones cotidianas, sino que también permitirán aplicaciones innovadoras como la telemedicina avanzada, la comunicación holográfica y el internet táctil. Su relevancia radica en la posibilidad de conectar a millones de dispositivos simultáneamente con una eficiencia sin precedentes, impulsando sectores como la industria automotriz, la robótica y las ciudades inteligentes hacia una nueva era tecnológica (Rappaport et al., 2019; Han et al., 2021).

Por otra parte, aunque el potencial de las mmWave y los THz es inmenso, también presentan una serie de dificultades técnicas significativas relacionadas con la limitada propagación de señal, susceptibilidad al bloqueo por obstáculos y la necesidad de algoritmos sofisticados de beamforming y seguimiento de haces. Por ello, la investigación en inteligencia artificial y algoritmos avanzados será imprescindible para superar estos retos, asegurando conexiones robustas y confiables. De esta manera, las bandas de las mmWave y los THz no solo optimizarán la conectividad global, sino que marcarán un punto de inflexión en cómo interactuamos con el mundo digital y físico (Akyildiz et al., 2020; Elayan et al., 2020).

El futuro de las comunicaciones con mmWave y THz

En la actualidad, las tecnologías de comunicación avanzan a un ritmo acelerado, y la llegada de la sexta generación de redes móviles (6G) promete revolucionar la forma en que nos conectamos. En este contexto, las bandas de ondas milimétricas (mmWave) y de los terahercios (THz) cumplen una función básica, ya que permiten alcanzar velocidades de transmisión de datos sin precedentes y una latencia ultrabaja (Rappaport et al., 2019). Gracias a estas frecuencias, aplicaciones como la realidad aumentada, la telemedicina y la comunicación holográfica serán una realidad cotidiana (Han et al., 2021). Sin embargo, su implementación conlleva desafíos técnicos significativos, como la propagación limitada de la señal y la necesidad de algoritmos avanzados de rastreo y formación de haces para garantizar una conexión estable (Basar et al., 2019).

Además, la incorporación de estas bandas en el ecosistema 6G abre nuevas oportunidades en campos como la automatización industrial y las redes vehiculares (Dang et al., 2020). Para maximizar su potencial, se están desarrollando modelos de canal más precisos, estrategias de optimización basadas en inteligencia artificial y protocolos de acceso al medio (MAC) diseñados específicamente para estas frecuencias (Akyildiz et al., 2020). A medida que la investigación en este campo avanza, el impacto de las mmWave y los THz en la conectividad global será cada vez más tangible, transformando la manera en que interactuamos con la tecnología y con el mundo que nos rodea (Elayan et al., 2020).

Introducción a las comunicaciones en mmWave y THz

Se ha estado explorando el establecimiento y el rastreo de haces electromagnéticos en las bandas de ondas milimétricas (mmWave, Millimeter Wave) y terahercios (THz, Terahertz). En este contexto, se emplean protocolos de control de acceso al medio para las comunicaciones en los THz, los cuales permiten analizar el mecanismo de acceso inicial y especificar los requisitos y desafíos en diversas áreas de aplicación. Asimismo, investigaciones sobre distintos aspectos de las comunicaciones en las mmWave han presentado resultados relacionados con modelos de canal, arquitecturas de formación de haces y técnicas de estimación de canal. Además, se han abordado aspectos vinculados con la alineación de haces y los algoritmos de selección de haces, lo que contribuye al desarrollo y optimización de estas tecnologías.

Importancia de las ondas mmWave y de los THz en la comunicación 6G

Para abordar la comunicación móvil de sexta generación (6G), es esencial comprender las tecnologías involucradas en las bandas de ondas milimétricas (mmWave, Millimeter Wave) y terahercios (THz, Terahertz). Estas bandas ofrecen amplios anchos de banda, permitiendo velocidades de transmisión de datos significativamente más altas que las generaciones anteriores (Huang & Wang, 2011).

Desafíos del rastreo de haces en mmWave y en los THz

Hay que destacar, que el rastreo de haces en las bandas de las ondas mmWave y de los THz es fundamental debido a la alta directividad de las señales en estas frecuencias. A diferencia de las frecuencias más bajas, las señales en las mmWave y los THz tienen menor capacidad de difracción y penetración, lo que implica que obstáculos como edificios o incluso el cuerpo humano pueden bloquear la señal. Por lo tanto, es necesario alinear y mantener los haces entre el transmisor y el receptor para garantizar una comunicación eficiente. Por ejemplo, en un entorno urbano denso, los dispositivos deben ajustar continuamente la dirección de sus haces para mantener una conexión estable mientras los usuarios se mueven o cuando aparecen nuevos obstáculos (Akyildiz et al., 2014).

Protocolos MAC para comunicaciones en la banda de los THz

Además, los protocolos de control de acceso al medio (MAC, Media Access Control) en los THz deben adaptarse a las características únicas de estas frecuencias. La alta directividad y la rápida atenuación de las señales de los THz requieren mecanismos eficientes que minimicen las colisiones y optimicen el uso del espectro. Una estrategia es el uso de protocolos basados en la reserva de canales, donde los dispositivos negocian previamente el uso del medio antes de transmitir. Por ejemplo, en una red de sensores inalámbricos operando en THz, los nodos pueden utilizar un esquema de acceso múltiple por división de tiempo (TDMA, Time Division Multiple Access) para asignar intervalos de tiempo específicos para cada transmisión, reduciendo así las interferencias (Jornet & Akyildiz, 2011).

Modelos de canal en mmWave y su impacto en la comunicación

Asimismo, los modelos de canal en mmWave deben considerar factores como la alta atenuación por absorción atmosférica y la sensibilidad a obstáculos. Además, las señales de las ondas mmWave experimentan desvanecimientos rápidos y efectos de multitrayectoria debido a reflexiones en superficies urbanas. Por ejemplo, en un entorno urbano, las señales de las mmWave pueden reflejarse en edificios y vehículos, creando múltiples trayectorias que llegan al receptor en diferentes momentos, lo que afecta la calidad de la señal (Rappaport et al., 2013).

Formación de haces en las mmWave y los THz: técnicas y arquitecturas

Por otro lado, la formación de haces (beamforming) es una técnica esencial en mmWave y THz para dirigir la energía de la señal hacia el receptor deseado. Existen varias arquitecturas para implementar esta técnica.

Tipos de formación de haces en mmWave y THz

Formación de haces analógica: utiliza una sola cadena de radiofrecuencia (RF, Radio Frequency) con una red de fase para controlar la dirección del haz. Es eficiente en términos de consumo de energía, pero limitada en flexibilidad.

Formación de haces digital: cada antena tiene su propia cadena RF y convertidor analógico-digital, lo que permite un control preciso y la formación de múltiples haces simultáneamente. Sin embargo, es más costosa y consume más energía.

Formación de haces híbrida: combina elementos de las arquitecturas analógica y digital para equilibrar eficiencia energética y flexibilidad. Por ejemplo, en una estación base 5G, se puede utilizar una formación de haces híbrida para atender a múltiples usuarios simultáneamente, ajustando dinámicamente la dirección y forma de los haces según la demanda (Heath et al., 2016).

Estimación de canal para la optimización de haces

Por consiguiente, la estimación precisa del canal es crucial para la alineación efectiva de los haces en mmWave y THz. Las técnicas de estimación de canal buscan caracterizar las condiciones del medio de transmisión para ajustar los parámetros de la comunicación. Por ejemplo, se pueden emplear señales piloto para medir la respuesta del canal y adaptar la formación de haces en consecuencia.

Algoritmos de selección de haces en redes 6G

Además, los algoritmos de selección de haces determinan la mejor dirección y forma del haz para maximizar la calidad de la señal. Estos algoritmos pueden basarse en criterios como la intensidad de la señal recibida o la relación señal-ruido. Por ejemplo, en un escenario de comunicación vehicular, un vehículo en movimiento puede utilizar un algoritmo de selección de haces para mantener una conexión estable con una estación base, ajustando continuamente la dirección del haz en respuesta a cambios en el entorno (Alkhateeb et al., 2014).

Aplicaciones de las ondas mmWave y de los THz en la comunicación 6G

En el contexto de las comunicaciones 6G, las tecnologías de ondas mmWave y de los THz habilitarán aplicaciones como:

Comunicación holográfica: se trata de un tipo de transmisión de hologramas en tiempo real para experiencias de realidad aumentada y virtual más inmersivas. Por ejemplo, en una conferencia virtual, los participantes podrían interactuar como si estuvieran físicamente presentes, gracias a la alta capacidad de transmisión de datos de las bandas de los THz.

Internet táctil: permite interacciones hápticas en tiempo real, esenciales para aplicaciones como la telecirugía. Por ejemplo, un cirujano en una ubicación remota podría operar a un paciente utilizando robots controlados a través de una red 6G, recibiendo retroalimentación táctil en tiempo real.

Comunicación vehicular avanzada: facilita la comunicación entre vehículos y la infraestructura para mejorar la seguridad y eficiencia del tráfico. Por ejemplo, vehículos autónomos podrían compartir información sobre condiciones de la carretera y tráfico en tiempo real, coordinando maniobras para evitar accidentes y optimizar rutas (Dang et al., 2020).

Retos técnicos y soluciones en comunicaciones de ondas mmWave y de los THz

Hay que advertir, que las bandas en las mmWave y los THz ofrecen oportunidades significativas para las comunicaciones 6G, pero también presentan problemas técnicos que requieren soluciones innovadoras en formación de haces, estimación de canal y control de acceso al medio.

En cuanto a la tecnología 6G y su enfoque en el establecimiento y rastreo de haces electromagnéticos en las bandas de ondas milimétricas (mmWave) y de los terahercios (THz), es fundamental comprender dado, que esta tecnología representa la próxima generación de comunicaciones inalámbricas, promete velocidades de datos significativamente más altas, menor latencia y una mayor capacidad en comparación con las tecnologías 5G existentes. Para alcanzar estos avances, la 6G explora el uso de frecuencias más altas en las bandas de las mmWave y los THz, lo que permite un ancho de banda mucho mayor y, por ende, mayores velocidades de datos. Sin embargo, estas frecuencias también presentan limitaciones únicas, especialmente en términos de propagación de la señal y direccionalidad.

A medida que la tecnología de comunicación móvil evoluciona, la sexta generación de redes inalámbricas (6G) se posiciona como la próxima revolución en telecomunicaciones. Por consiguiente, el uso de frecuencias en las bandas de ondas milimétricas (mmWave, millimeter wave) y en los terahercios (THz, terahertz) resulta fundamental para alcanzar los objetivos de mayor capacidad, menor latencia y velocidades de datos sin precedentes. Específicamente, estas frecuencias permiten ampliar el espectro utilizable, habilitando anchos de banda significativamente mayores en comparación con las bandas sub-6 GHz utilizadas en 5G (Rappaport et al., 2019).

Por otro lado, las bandas de ondas mmWave y de los THz ofrecen un ancho de banda superior debido a sus altas frecuencias, lo que se traduce en velocidades de transmisión de datos mucho más elevadas. En particular, la banda de las ondas mmWave abarca frecuencias de 30 GHz a 300 GHz, mientras que la banda en los THz se encuentra en el rango de 0.1 THz a 10 THz (Han et al., 2021). Estas frecuencias proporcionan capacidades de datos en el orden de múltiples terabits por segundo (Tbps), lo que resulta ideal para aplicaciones que requieren velocidades de transmisión de datos extremadamente altas, como la computación holográfica, las comunicaciones de ultra alta definición y la realidad extendida (XR, extended reality) (Akyildiz et al., 2020).

Asimismo, las bandas de las mmWave y los THz presentan ciertas limitaciones técnicas que deben ser abordadas para su implementación en 6G. En primer lugar, la propagación de la señal en estas frecuencias es altamente susceptible a la absorción atmosférica, lo que reduce significativamente su alcance efectivo. En la banda de los THz, por ejemplo, la atenuación causada por la absorción de moléculas de oxígeno y vapor de agua es considerablemente mayor en comparación con frecuencias más bajas (Elayan et al., 2020). Además, las señales en estas bandas experimentan una menor difracción, lo que implica que los obstáculos físicos, como edificios o incluso cuerpos humanos, pueden bloquear fácilmente la propagación de la señal (Ju et al., 2021).

De manera similar, la direccionalidad de las ondas en estas frecuencias representa un desafío y una ventaja al mismo tiempo. Por un lado, las antenas utilizadas en mmWave y THz pueden formar haces altamente direccionales, permitiendo una mayor concentración de energía en una dirección específica, lo que mejora la eficiencia espectral y reduce la interferencia. Sin embargo, esta característica también implica que la alineación precisa entre el transmisor y el receptor es indispensable para mantener la conexión, lo que puede ser problemático en entornos con movilidad elevada o en condiciones de bloqueo de la señal (Rappaport et al., 2019).

A pesar de estas limitaciones, existen soluciones innovadoras que permiten mitigar los problemas de propagación y direccionalidad en estas bandas. Una de ellas es el uso de técnicas avanzadas de conformación de haces, también conocidas como beamforming, que permiten adaptar dinámicamente la dirección del haz electromagnético de la señal en función de la ubicación del receptor (Heath et al., 2018). Adicionalmente, el despliegue de redes densas con múltiples estaciones base y el uso de superficies inteligentes reflectoras (RIS, reconfigurable intelligent surfaces) pueden mejorar la cobertura y la fiabilidad de la conexión en entornos urbanos y de alta movilidad (Basar et al., 2019).

En términos de aplicaciones prácticas, la integración de ondas mmWave y de los THz en 6G permitirá el desarrollo de nuevas experiencias digitales e innovaciones tecnológicas. Por ejemplo, en el ámbito de las comunicaciones vehiculares, estas frecuencias posibilitarán la transmisión de grandes volúmenes de datos en tiempo real, lo que mejorará los sistemas de conducción autónoma y la seguridad en las carreteras (Chaccour et al., 2022). Asimismo, en la telemedicina, la capacidad de transmitir imágenes médicas de ultra alta resolución en milisegundos facilitará diagnósticos más precisos y procedimientos quirúrgicos asistidos a distancia con menor latencia (Giordani et al., 2020).

De esta manera, la utilización de las bandas de ondas mmWave y de los THz en 6G representa una oportunidad sin precedentes para la evolución de las telecomunicaciones, proporcionando velocidades de datos ultraaltas y una conectividad más eficiente. No obstante, la implementación de estas frecuencias también plantea barreras técnicas significativas en términos de propagación y direccionalidad de la señal, los cuales deben abordarse mediante tecnologías como beamforming, redes densas y superficies inteligentes. En última instancia, el desarrollo de la 6G permitirá una transformación radical en sectores clave como la movilidad inteligente, la salud digital y la industria del entretenimiento.

Propagación de señales en mmWave y los THz: limitaciones y soluciones

Con relación a la propagación de señales en estas bandas, es relevante mencionar que las ondas mmWave y de los THz son más susceptibles a la atenuación y al bloqueo, que las frecuencias más bajas utilizadas en las tecnologías celulares anteriores. Esto implica que las señales se debilitan más rápidamente a medida que viajan a través del aire y pueden ser fácilmente bloqueadas por objetos como edificios, árboles e incluso la lluvia. Para superar estas dificultades técnicas, la 6G utiliza técnicas avanzadas de formación de haces para dirigir las señales de manera precisa hacia los dispositivos receptores.

En lo que al tema refiere, la formación de haces es una técnica que implica el uso de múltiples antenas para crear un haz enfocado de energía electromagnética. Al ajustar la fase y la amplitud de las señales transmitidas desde cada antena, el haz se puede dirigir en una dirección específica, lo que aumenta la intensidad de la señal en el receptor y reduce la interferencia en otras direcciones. En el contexto de la 6G, la formación de haces es necesaria para establecer y mantener enlaces de comunicación confiables en las bandas de las mmWave y los THz.

A medida que las tecnologías de comunicación móvil avanzan hacia la sexta generación (6G), la utilización de frecuencias en el rango de las ondas milimétricas (mmWave, Millimeter Wave) y de los terahercios (THz, Terahertz) se vuelve esencial para alcanzar tasas de transmisión de datos extremadamente altas. Sin embargo, una de las principales limitaciones de estas bandas es su alta susceptibilidad a la atenuación y al bloqueo debido a su interacción con el entorno. En comparación con las frecuencias más bajas empleadas en 3G, 4G y 5G, como las bandas sub-6 GHz, las ondas mmWave y en los THz presentan mayores pérdidas debido a absorción atmosférica, dispersión y obstrucciones físicas (Rappaport et al., 2019).

Por otro lado, la atenuación de las señales en estas bandas ocurre más rápidamente debido a la mayor frecuencia de las ondas, lo que se traduce en una longitud de onda más corta y una menor capacidad de penetración a través de materiales como el concreto, el vidrio o incluso la vegetación. A modo de comparación, las ondas de radio en las bandas de 700 MHz y 2.5 GHz, comúnmente utilizadas en 4G, pueden atravesar paredes y edificios con menor degradación, mientras que las señales en el espectro de 28 GHz o superiores se ven fuertemente afectadas por la absorción y la dispersión en el aire (Roh et al., 2014). Además, fenómenos como la lluvia y la humedad impactan significativamente la propagación de las ondas mmWave y de los THz, debido a la resonancia con las moléculas de agua, lo que resulta en una mayor absorción y, por lo tanto, en pérdidas adicionales de señal (Kurner & Priebe, 2014).

Como consecuencia, las técnicas avanzadas de formación de haces se vuelven fundamentales en las comunicaciones 6G para contrarrestar estos desafíos. La formación de haces o beamforming es una estrategia basada en el uso de arreglos de antenas en fase, donde se ajusta la amplitud y la fase de las señales transmitidas desde múltiples antenas para dirigir la energía en una dirección específica. Esta técnica permite enfocar la señal hacia el dispositivo receptor, aumentando su intensidad y minimizando la interferencia en otras direcciones, lo que resulta en una mayor eficiencia espectral y un mejor rendimiento de la red (Zhang et al., 2019).

En lo que respecta a la implementación práctica, la tecnología de formación de haces en 6G se basa en sistemas de antenas masivas, conocidas como MIMO masivo (Massive MIMO, Massive Multiple-Input Multiple-Output), que emplean un gran número de elementos radiantes para optimizar la transmisión. Por ejemplo, en un escenario urbano denso, donde múltiples edificios y objetos pueden bloquear la señal en el rango de las mmWave o de los THz, la formación de haces permite redirigir dinámicamente las transmisiones hacia rutas despejadas, manteniendo la conectividad del usuario final (Wu et al., 2021). Asimismo, esta tecnología es esencial en aplicaciones de vehículos autónomos y comunicaciones entre dispositivos en entornos de alta movilidad, donde la señal debe ser constantemente ajustada para seguir la trayectoria del receptor en tiempo real (Heath et al., 2016).

Por otra parte, los algoritmos de formación de haces se combinan con técnicas de inteligencia artificial (IA) para mejorar la eficiencia de la red, permitiendo predicciones sobre la mejor dirección de transmisión con base en datos de movilidad del usuario y cambios en el entorno. En redes 6G, esto es particularmente relevante en escenarios como fábricas inteligentes y redes de acceso en espacios cerrados, donde los dispositivos deben mantener una conectividad estable a pesar de la presencia de múltiples obstrucciones y reflexiones de señal (Dang et al., 2020).

Por lo tanto, la combinación de formación de haces, MIMO masivo y el uso de tecnologías de inteligencia artificial optimiza la transmisión en las bandas de las mmWave y los THz, permitiendo superar las limitaciones inherentes a estas frecuencias. A medida que se desarrolla la infraestructura de la tecnología 6G, estas técnicas serán esenciales para garantizar una comunicación eficiente y confiable en entornos con altas tasas de atenuación y bloqueo.

Establecimiento y rastreo de haces en 6G

Por lo que toca al establecimiento de haces, este proceso implica identificar la ubicación del dispositivo receptor y dirigir el haz hacia él. Esto se puede lograr mediante diversas técnicas, como el uso de información de ubicación proporcionada por el dispositivo o mediante el escaneo del entorno en busca de señales piloto emitidas por el dispositivo. Una vez que se ha establecido el haz, es necesario realizar un seguimiento continuo de la posición del dispositivo receptor para garantizar que el haz permanezca alineado y la comunicación se mantenga ininterrumpida.

A lo que hace referencia el rastreo de haces, este proceso implica ajustar dinámicamente la dirección del haz a medida que el dispositivo receptor se mueve. Esto se puede lograr mediante el uso de algoritmos de seguimiento que monitorean la intensidad de la señal recibida y realizan ajustes en la formación del haz para mantener la alineación óptima. El rastreo de haces es especialmente importante en escenarios de movilidad, donde los dispositivos receptores pueden estar en movimiento constante.

Introducción a los protocolos MAC en 6G y comunicaciones de los THz

En lo que corresponde a la pregunta sobre cómo se pueden analizar los protocolos de control de acceso al medio (MAC) para las comunicaciones en los terahercios (THz) en el contexto de la 6G, es esencial comprender la naturaleza única de esta tecnología. Las comunicaciones en los THz ofrecen velocidades de datos extremadamente altas, pero también enfrentan problemas significativos debido a la alta atenuación de la señal y a la sensibilidad a los bloqueos. Esto hace que el diseño de protocolos MAC eficientes sea fundamental para garantizar un rendimiento óptimo de la red.

Establecimiento y seguimiento de haces en redes 6G

Debemos comprender, que el establecimiento de haces en los enlaces de las redes de comunicación de próxima generación, como 6G, implica la localización precisa del dispositivo receptor y la orientación del haz en su dirección. Para lograr esto, se emplean diversas técnicas, entre ellas el uso de información de ubicación proporcionada por el dispositivo y el escaneo del entorno en busca de señales piloto emitidas por el receptor (Zhang et al., 2022). La información de ubicación puede obtenerse mediante sistemas de posicionamiento como el Global Navigation Satellite System (GNSS, Global Navigation Satellite System) o a través de técnicas basadas en la red, como la triangulación de señales de estaciones base (Zhang et al., 2022). Además, el escaneo del entorno permite detectar señales piloto emitidas por los dispositivos receptores, lo que facilita la orientación del haz mediante algoritmos de dirección adaptativa (Wang et al., 2023).

Por otro lado, una vez que se ha establecido el enlace del haz, es esencial realizar un seguimiento continuo de la posición del dispositivo receptor. Esto se debe a que la alineación precisa del haz garantiza la comunicación ininterrumpida y minimiza la pérdida de señal causada por movimientos del usuario o por cambios en el entorno, como la aparición de obstáculos (Guo et al., 2021). Para mantener la alineación óptima del haz, se emplean algoritmos de seguimiento que monitorean la intensidad de la señal recibida y realizan ajustes dinámicos en la formación del haz (Cheng et al., 2022). Entre los algoritmos más utilizados en este contexto se encuentran los algoritmos de filtrado de Kalman y los algoritmos de aprendizaje profundo que analizan patrones de movimiento y predicen la trayectoria futura del dispositivo (Liu et al., 2022).

Asimismo, el rastreo de haces es necesario en escenarios de alta movilidad, en los que los dispositivos receptores pueden estar en movimiento constante. Este proceso implica ajustar dinámicamente la dirección del haz a medida que el dispositivo cambia de ubicación, lo cual se logra mediante técnicas de estimación de movimiento y predicción de trayectoria (Chen et al., 2022). En aplicaciones prácticas, como los vehículos autónomos y la conectividad en trenes de alta velocidad, la necesidad de un rastreo preciso del haz es aún más crítica para garantizar conexiones estables y de alta velocidad (Yang et al., 2023).

Análisis y optimización de los protocolos MAC en 6G

Además, en el contexto de la tecnología 6G, el análisis de los protocolos de control de acceso al medio (MAC, Medium Access Control) en las comunicaciones en los terahercios (THz, Terahertz) es un tema fundamental debido a las características únicas de esta tecnología. Las comunicaciones en la banda de los THz ofrecen tasas de datos extremadamente altas, pero también enfrentan limitaciones técnicas importantes debido a la alta atenuación de la señal y su sensibilidad a bloqueos físicos (Akyildiz et al., 2022). Para abordar estos desafíos, se han desarrollado protocolos MAC avanzados que utilizan técnicas como el acceso múltiple basado en ondas milimétricas, la asignación dinámica de recursos y la formación de haces adaptativa (Elayan et al., 2023). Un ejemplo práctico de aplicación de estos protocolos se encuentra en las redes de comunicación para entornos urbanos densamente poblados, donde la coordinación eficiente de múltiples haces es esencial para optimizar la cobertura y reducir interferencias (Huang et al., 2023).

Hay que reconocer, que el establecimiento y seguimiento de haces en 6G son procesos clave para garantizar la conectividad eficiente en entornos de alta movilidad. La combinación de información de ubicación, escaneo del entorno y algoritmos de rastreo permite mantener una alineación precisa del haz y asegurar la comunicación ininterrumpida. Además, el diseño de protocolos MAC eficientes en la banda de los THz es fundamental para optimizar el rendimiento de la red en escenarios donde la alta velocidad de transmisión es una prioridad. Estas tecnologías y técnicas juegan un papel esencial en la evolución de las redes móviles de próxima generación.

Con relación a los protocolos MAC en 6G, estos deben ser capaces de manejar la asignación dinámica de recursos en un entorno de alta densidad y movilidad. Deben adaptarse a las condiciones cambiantes del canal y a las diferentes necesidades de calidad de servicio (QoS) de las aplicaciones. Además, deben ser energéticamente eficientes para prolongar la vida útil de los dispositivos.

En lo que respecta al tema de los análisis de estos protocolos, se pueden utilizar diversas técnicas. Las simulaciones por computadora son una herramienta valiosa para evaluar el rendimiento de diferentes protocolos MAC bajo diversas condiciones de red y tráfico. Los modelos matemáticos pueden ayudar a comprender las interacciones entre los diferentes componentes del protocolo y a predecir su comportamiento. Las pruebas de campo en entornos reales son esenciales para validar los resultados de las simulaciones y los modelos, y para identificar posibles problemas que no se hayan previsto.

En consideración a los problemas técnicos específicos de las comunicaciones de los THz, el análisis de los protocolos MAC debe centrarse en aspectos como la eficiencia espectral, la latencia, la equidad y la robustez frente a interferencias y bloqueos. También es importante considerar la escalabilidad del protocolo para soportar un gran número de dispositivos y la capacidad de adaptarse a diferentes escenarios de despliegue.

Tecnologías avanzadas para mejorar los protocolos MAC en 6G

Por lo que toca a las tecnologías específicas que pueden utilizarse en el análisis de protocolos MAC para 6G, algunas de las más relevantes son el Machine Learning (ML), la Inteligencia Artificial (IA), el Software Defined Networking (SDN) y la Network Function Virtualization (NFV) (Saad et al., 2019). El aprendizaje automático puede ser utilizado para optimizar la asignación de recursos, predecir el tráfico futuro y adaptarse a las condiciones cambiantes del canal. La inteligencia artificial puede ayudar a tomar decisiones inteligentes sobre la selección de canales, la formación de haces y la gestión de la energía. Las redes definidas por software permiten una gestión centralizada y flexible de la red, lo que facilita la implementación y el ajuste de los protocolos MAC. Asimismo, la virtualización de funciones de red permite la implementación de funciones de red, como los protocolos MAC, en software, lo que aumenta la flexibilidad y la escalabilidad de la red.

En lo que atañe a la investigación en este campo, se están explorando diversas soluciones innovadoras. Por ejemplo, se están investigando protocolos MAC basados en el aprendizaje por refuerzo que pueden aprender de forma autónoma a tomar decisiones óptimas en entornos complejos y dinámicos. También se están desarrollando protocolos MAC que utilizan técnicas de formación de haces adaptativas para mejorar la eficiencia espectral y la robustez frente a bloqueos.

Para responder a las exigencias de las redes 6G, los protocolos de control de acceso al medio (MAC) han evolucionado significativamente. Al igual que en generaciones previas, estos protocolos se encargan de coordinar qué dispositivos pueden transmitir en cada momento para evitar colisiones. Sin embargo, en 6G su papel se amplía con nuevas funcionalidades que van más allá de la simple asignación de recursos. De acuerdo con Valcarce Rial et al. (2023), el MAC en 6G no solo gestiona el acceso en términos de tiempo, frecuencia y espacio, sino que también incorpora técnicas avanzadas como la monitorización de energía, la supresión selectiva de antenas (antenna muting) y la compresión de señalización para reducir la sobrecarga de datos.

Además, estas innovaciones surgen como respuesta a los estrictos requisitos de la 6G, que incluyen comunicaciones ultra confiables y de baja latencia (URLLC, Ultra-Reliable Low Latency Communications), tasas de transmisión extremadamente altas (eMBB, Enhanced Mobile Broadband) hacia los Tbps y una masiva conectividad de dispositivos (mMTC, Massive Machine Type Communications). En este contexto, los protocolos MAC de sexta generación deberán ser más inteligentes, flexibles y adaptativos. Como señala Shen et al. (2023), su diseño debe permitir la administración dinámica de recursos en tiempo real, la integración de control de haces (beamforming) para comunicaciones direccionales en frecuencias elevadas y la retroalimentación constante sobre el estado del canal y los dispositivos conectados.

Simulación de protocolos MAC en 6G: Comparativa entre ns-3, OMNeT++, OPNET (Riverbed Modeler) y NetSim

Es evidente que, para garantizar un rendimiento óptimo antes de su implementación, los investigadores recurren a simulaciones computacionales. Herramientas como ns-3, OMNeT++, OPNET (Riverbed Modeler) y NetSim son ampliamente utilizadas para evaluar el desempeño de nuevos protocolos MAC en condiciones de tráfico y topología diversas (Wilhelmi et al., 2020). En particular, ns-3 cuenta con extensiones especializadas como TeraSim, diseñada para la simulación de redes en el espectro de los terahercios (THz). Según Hossain et al. (2018), esta plataforma permite modelar entornos 6G combinando canales en los THz detallados con arquitecturas ad hoc o celulares, incorporando tanto protocolos MAC convencionales (ALOHA, CSMA) como esquemas avanzados con handshakes adaptativos.

Evolución de los Protocolos MAC: De ALOHA y CSMA a Handshakes Adaptativos en Redes 6G

No hay duda, que los protocolos de Control de Acceso al Medio (MAC, Medium Access Control) resultan esenciales en redes de comunicación para gestionar el acceso de múltiples dispositivos a un canal compartido, evitando interferencias y garantizando la eficiencia en la comunicación (Tanenbaum & Wetherall, 2020). En particular, el protocolo ALOHA permite que cada dispositivo transmita sin verificar previamente el estado del canal, ocasionando posibles colisiones y pérdida de datos debido a la superposición de mensajes. Frente a este inconveniente, se desarrolló el protocolo ALOHA ranurado, que divide el tiempo en intervalos discretos y restringe la transmisión al inicio de cada intervalo, disminuyendo significativamente las probabilidades de colisión (Kleinrock & Tobagi, 1975).

Por otra parte, el protocolo de Acceso Múltiple por Detección de Portadora (CSMA, Carrier Sense Multiple Access) mejora la eficiencia del uso del medio al incorporar la escucha previa del canal antes de transmitir. Si el canal está ocupado, la transmisión se pospone hasta que se detecta disponibilidad, reduciendo así considerablemente las colisiones. Una variante conocida es CSMA con Detección de Colisiones (CSMA/CD, Carrier Sense Multiple Access with Collision Detection), ampliamente implementada en Ethernet, que permite detener inmediatamente la transmisión al detectar colisiones, reintentando posteriormente luego de un periodo de espera aleatorio (Stallings, 2017).

Asimismo, en las redes de comunicación de próxima generación, como las redes móviles 6G, se requieren métodos más sofisticados que manejen dinámicamente la creciente demanda de conexiones. En este contexto, han surgido los esquemas avanzados conocidos como handshakes adaptativos, que consisten en intercambios dinámicos de información para establecer acuerdos sobre parámetros óptimos de transmisión como potencia, tasa de datos o ventanas temporales para acceso al medio. Estos parámetros se ajustan automáticamente en función de la congestión y las condiciones del canal, optimizando así el rendimiento, la latencia y la eficiencia energética del sistema (Giordani et al., 2020).

Por ejemplo, en un escenario práctico como las redes densas de Internet de las Cosas (IoT, Internet of Things), los esquemas adaptativos pueden regular dinámicamente los intervalos de espera y contención basados en la congestión actual detectada en el canal, mejorando la utilización del medio y reduciendo las colisiones en contextos altamente poblados de dispositivos (Beltramelli et al., 2020). Igualmente, en aplicaciones críticas futuras como vehículos autónomos conectados y la telemedicina, la implementación de handshakes adaptativos permitirá ajustar en tiempo real los parámetros de comunicación para garantizar baja latencia, alta confiabilidad y eficiencia energética, factores esenciales en escenarios de alto riesgo y sensibilidad (Dang et al., 2020).

En definitiva, aunque los protocolos MAC convencionales como ALOHA y CSMA son fundamentales y ampliamente utilizados, las características únicas y exigencias de las futuras redes móviles 6G hacen necesario desarrollar técnicas avanzadas como los esquemas adaptativos, capaces de gestionar dinámicamente la comunicación en función del entorno, asegurando así una mayor eficiencia, fiabilidad y rendimiento.

ns-3 y TeraSim: Simulación Avanzada para Redes 6G y Tecnología THz

Inicialmente, el simulador ns-3 (Network Simulator 3) es un software de simulación de redes basado en eventos discretos, ampliamente utilizado para la investigación y el desarrollo de tecnologías emergentes en comunicación móvil. Su estructura modular y la licencia abierta (GNU GPLv2) permiten a especialistas y académicos implementar y evaluar nuevos protocolos de red de manera flexible, especialmente en contextos tecnológicos avanzados como las redes de sexta generación (6G) (Henderson, Carneiro, & Riley, 2022; Riley & Henderson, 2010).

Además, ns-3 está desarrollado principalmente en el lenguaje de programación C++ e incluye soporte para scripting mediante Python, facilitando así la creación y modificación de simulaciones complejas. Esta característica ha permitido una rápida adaptación del simulador para cubrir diversas necesidades técnicas, como la simulación de nuevas tecnologías inalámbricas y redes heterogéneas, propias del entorno 6G (Riley & Henderson, 2010; Khan et al., 2020).

En este sentido, TeraSim se presenta como una extensión especializada de ns-3, diseñada para simular redes que operan en la banda de los terahercios (THz), considerada clave para alcanzar altas velocidades de transmisión de datos y baja latencia en 6G. Esta herramienta permite la combinación detallada de modelos de canales en los THz con arquitecturas celulares y ad hoc, facilitando evaluaciones precisas de esquemas avanzados como handshakes adaptativos y protocolos MAC (Medium Access Control) tales como ALOHA y CSMA (Carrier Sense Multiple Access) (Hossain, Xia, & Jornet, 2018; Wilhelmi et al., 2020).

De igual manera, ns-3 ha sido implementado en investigaciones sobre tecnologías fundamentales del paradigma 6G, como Massive MIMO (Multiple-Input Multiple-Output), que utiliza múltiples antenas para mejorar considerablemente el rendimiento de las redes inalámbricas, incrementando la capacidad y eficiencia espectral. Además, este simulador integra algoritmos avanzados de inteligencia artificial (IA, Artificial Intelligence) y aprendizaje automático (ML, Machine Learning), esenciales para la asignación dinámica de recursos y la optimización del uso del espectro electromagnético en estas redes futuras (Khan et al., 2020; Giordani et al., 2020).

Por ejemplo, aplicaciones prácticas recientes del ns-3 en el contexto 6G incluyen escenarios de agricultura inteligente, donde la red facilita la monitorización remota de cultivos y automatiza procesos de riego, optimizando así los recursos agrícolas mediante comunicaciones ultra confiables y de baja latencia. Asimismo, en telemedicina, ns-3 ha sido utilizado para evaluar redes que soportan cirugías remotas, considerando aspectos críticos como la latencia mínima y la fiabilidad extrema necesarias para asegurar procedimientos médicos precisos y seguros (Giordani et al., 2020; Letaief et al., 2019).

Asimismo, la capacidad de ns-3 para adaptarse constantemente mediante extensiones especializadas como TeraSim y su flexibilidad modular, lo convierten en una herramienta indispensable para la investigación y desarrollo de soluciones avanzadas en comunicaciones móviles 6G, asegurando resultados confiables antes de su implementación en entornos reales (Henderson et al., 2022; Hossain et al., 2018).

OMNeT++ para telecomunicaciones 6G: Simulación de baja latencia, alta velocidad y redes inteligentes

En el ámbito de las redes móviles de próxima generación, OMNeT++ (Objective Modular Network Testbed in C++) es un simulador modular que permite modelar sistemas basados en eventos discretos, siendo ampliamente adoptado en investigaciones sobre telecomunicaciones, protocolos de red y sistemas distribuidos (Varga, 2024). De hecho, esta herramienta ha sido utilizada para evaluar arquitecturas complejas mediante simulaciones precisas antes de implementarlas en ambientes reales, facilitando el desarrollo de aplicaciones avanzadas en tecnologías emergentes (Deschamps, 2023).

Adicionalmente, OMNeT++ está compuesto por módulos programados en C++ que se integran mediante el lenguaje de descripción de red NED (Network Description), lo cual favorece una estructura modular y reutilizable que simplifica la creación y modificación de escenarios experimentales (Varga & OpenSim Ltd., 2024). Asimismo, dispone de un entorno visual que permite monitorear simulaciones, analizar resultados y verificar la interacción entre componentes del sistema (OMNeT++, 2024).

En el contexto específico de la comunicación móvil de sexta generación (6G), OMNeT++ ofrece frameworks complementarios como INET Framework y Simu5G, capaces de modelar protocolos avanzados y redes celulares incluyendo arquitecturas LTE/LTE-A y 5G New Radio (NR), además de implementar aplicaciones basadas en computación en el borde móvil (MEC, Mobile Edge Computing) (Nardini et al., 2021). De acuerdo con recientes investigaciones, estos frameworks posibilitan modelar detalladamente condiciones propias de redes 6G, tales como altísimas tasas de transferencia de datos, latencias ultrabajas y mecanismos avanzados de gestión autónoma de la red mediante algoritmos basados en inteligencia artificial (AI, Artificial Intelligence) (Singh et al., 2023).

En términos prácticos, una aplicación significativa de OMNeT++ en escenarios 6G consiste en generar conjuntos de datos realistas destinados a entrenar algoritmos de aprendizaje automático (ML, Machine Learning), con el propósito de optimizar dinámicamente la eficiencia de las redes en función de parámetros como la calidad del servicio (QoS, Quality of Service) y el manejo del tráfico de datos heterogéneo (Nardini et al., 2021). Por ejemplo, estudios recientes utilizaron OMNeT++ para simular redes satelitales-terrestres integradas con aplicaciones IoT masivas, demostrando su viabilidad para evaluar soluciones inteligentes que mejoren la seguridad, estabilidad y rendimiento general de estas redes (Singh et al., 2023).
De esta manera, OMNeT++ se presenta como un entorno robusto y flexible que impulsa la investigación avanzada en redes móviles de nueva generación, especialmente en escenarios relacionados con la sexta generación, permitiendo un análisis detallado y confiable antes de la implementación real (Varga & OpenSim Ltd., 2024; Deschamps, 2023; Singh et al., 2023).

OPNET (Riverbed Modeler) : Simulador clave para el diseño y análisis de redes 6G y tecnologías en los THz

En primer lugar, OPNET (Riverbed Modeler), que significa Herramientas de Ingeniería de Redes Optimizadas (OPNET, Optimized Network Engineering Tools), es un simulador de redes de comunicación ampliamente empleado en telecomunicaciones, diseñado para la planificación, modelado y análisis de diversas infraestructuras de comunicación (Gómez et al., 2019). Debido a sus capacidades de simulación basadas en eventos discretos, es posible representar el comportamiento de la red mediante la evaluación de eventos específicos, como la transmisión, recepción o pérdida de paquetes, lo cual facilita un análisis detallado del rendimiento bajo diferentes escenarios y condiciones (Rojas & Cortés, 2020). Queremos añadir, que el simulador OPNET actualmente se conoce como Riverbed Modeler. Esto se debe a que OPNET Technologies fue adquirida por la empresa Riverbed Technology en 2012, y desde entonces el nombre del producto cambió.

Por otro lado, entre las características técnicas más relevantes de OPNET (Riverbed Modeler) está su amplia biblioteca de modelos predefinidos que incluye dispositivos, protocolos, medios físicos y aplicaciones diversas, permitiendo al usuario crear simulaciones realistas y adaptadas a necesidades específicas. Esta flexibilidad facilita evaluar desde protocolos convencionales hasta aquellos novedosos propuestos para comunicaciones móviles de próxima generación, incluyendo las futuras redes 6G (Wilhelmi et al., 2020).

Asimismo, en el contexto particular de la comunicación móvil de sexta generación (6G), OPNET (Riverbed Modeler) puede aplicarse en escenarios complejos que involucran frecuencias en el espectro de terahercios (THz), un rango de frecuencias clave para futuras tecnologías inalámbricas avanzadas. Esta herramienta es capaz de simular interacciones entre capas del modelo OSI y evaluar protocolos específicos, como los protocolos de acceso múltiple al medio (MAC, Medium Access Control), en situaciones diversas y bajo restricciones técnicas particulares de este nuevo rango de frecuencias (Hossain et al., 2018).

Adicionalmente, OPNET (Riverbed Modeler) permite analizar y evaluar estrategias complejas de gestión dinámica de recursos en redes 6G, tales como la asignación dinámica de espectro, modulación adaptativa y esquemas avanzados de codificación. Este enfoque contribuye a optimizar la eficiencia energética, reducir interferencias y garantizar el rendimiento deseado en escenarios altamente demandantes, propios de aplicaciones emergentes como comunicación holográfica o realidad extendida (XR, Extended Reality) (Chowdhury et al., 2020).

Por ejemplo, investigadores han empleado OPNET (Riverbed Modeler), en simulaciones prácticas orientadas a evaluar la viabilidad técnica de protocolos MAC adaptativos en redes inalámbricas de ultra alta frecuencia, permitiendo predecir comportamientos de red y optimizar configuraciones antes del despliegue físico de dichas infraestructuras (Zhang et al., 2021). Esta metodología proporciona información crítica que reduce costos operativos y técnicos asociados a pruebas reales en laboratorio, acelerando significativamente el proceso de innovación tecnológica en telecomunicaciones 6G.

Así, OPNET (Riverbed Modeler), representa una herramienta fundamental en la evolución de redes de comunicación móvil hacia estándares emergentes como 6G, debido a su robustez, precisión y capacidad para adaptarse a los desafíos específicos que plantean las tecnologías inalámbricas del futuro inmediato.

NetSim: La herramienta clave para simular redes 5G y 6G con precisión avanzada

Además, NetSim es una herramienta avanzada utilizada ampliamente en simulación y modelado de redes, particularmente en investigaciones sobre tecnologías de comunicación emergentes como 5G y 6G. Esta plataforma permite a especialistas crear gemelos digitales de redes para optimizar protocolos, diseñar tecnologías innovadoras y planificar despliegues considerando rigurosamente las limitaciones de propagación inalámbrica (Tetcos, s.f.).

Asimismo, NetSim ofrece simulación de redes móviles de extremo a extremo, manejando información a nivel de paquetes e integrando dispositivos esenciales como equipos de usuario (UE, User Equipment), nodos de banda base (gNB, gNodeB) y componentes centrales 5G como las funciones de gestión de sesión (SMF, Session Management Function) y funciones de plano de usuario (UPF, User Plane Function) (Tetcos, s.f.). Por otro lado, su interfaz intuitiva facilita la creación visual de topologías complejas mediante arrastrar y soltar, además de soportar tecnologías avanzadas como sistemas de múltiples entradas y múltiples salidas (MIMO, Multiple Input Multiple Output), formación de haces (beamforming), segmentación de redes (network slicing) y modalidades autónomas y no autónomas (SA/NSA, Standalone/Non-Standalone) (Tetcos, s.f.).

En este sentido, en el contexto específico de comunicaciones móviles de sexta generación (6G), NetSim es usado para simular y evaluar aplicaciones avanzadas que demandan altas velocidades de transmisión y baja latencia, como realidad virtual y aumentada (VR/AR, Virtual Reality/Augmented Reality), inteligencia artificial (AI, Artificial Intelligence) y automatización industrial (Chowdhury et al., 2020). Por ejemplo, mediante NetSim es posible modelar entornos en que vehículos autónomos requieren comunicación instantánea para evaluar aspectos cruciales del rendimiento de la red, tales como capacidad y latencia (Saxena et al., 2021). De manera adicional, NetSim facilita la evaluación e implementación de redes no terrestres (NTN, Non-Terrestrial Networks), como aquellas que incluyen satélites y drones, orientadas a extender cobertura global en escenarios diversos (Chowdhury et al., 2020).

De igual forma, NetSim permite incorporar algoritmos de inteligencia artificial y aprendizaje automático (AI/ML, Artificial Intelligence/Machine Learning) en redes de acceso radioeléctrico (RAN, Radio Access Network), optimizando dinámicamente recursos y mejorando sustancialmente la eficiencia global del sistema (Tetcos, s.f.). Como ejemplo, a través de simulaciones con NetSim se puede evaluar cómo una red asigna automáticamente recursos en tiempo real según la demanda del usuario y las condiciones del canal inalámbrico, asegurando una calidad de servicio óptima (Saxena et al., 2021).

En consecuencia, NetSim destaca como herramienta de simulación versátil y eficaz que facilita la investigación avanzada en telecomunicaciones, permitiendo tanto a académicos como profesionales diseñar, evaluar y optimizar redes innovadoras alineadas con los requerimientos futuros de tecnologías móviles de próxima generación como la 6G (Chowdhury et al., 2020; Tetcos, s.f.).

Retos y futuro de los protocolos MAC en 6G

Continuando con el análisis de los protocolos MAC en 6G, tenemos que hacer referencia a que éstos no se limitan a la simulación. Para comprender su comportamiento teórico, se emplean modelos matemáticos basados en teoría de colas, cadenas de Markov y optimización de recursos. Por ejemplo, Zheng et al. (2023) describen cómo los modelos de Markov pueden representar distintas etapas del acceso al canal en un MAC híbrido TDMA/CSMA, permitiendo estimar métricas como throughput y latencia sin necesidad de ejecutar pruebas experimentales. Adicionalmente, otros enfoques incluyen la aplicación de teoría de juegos para modelar la asignación de espectro entre múltiples usuarios y el uso de geometría estocástica para analizar la cobertura e interferencia en redes densas de 6G.

Teoría de colas y 6G: Ejemplos de uso en protocolos MAC y redes inteligentes

Por un lado, los modelos matemáticos basados en teoría de colas han sido fundamentales para analizar y predecir el comportamiento de sistemas complejos en ingeniería, incluyendo las telecomunicaciones. En el contexto del 6G, estos modelos permiten representar escenarios de congestión y evaluar métricas clave como el tiempo de espera, la latencia, el uso de recursos y la eficiencia del canal. La teoría de colas describe la dinámica entre llegadas de paquetes, su procesamiento y el orden en que se atienden, mediante estructuras como colas M/M/1, M/G/1 o G/G/1, donde los parámetros indican la distribución de tiempos de llegada y servicio (Bacelli et al., 2020).

Adicionalmente, en la arquitectura de redes móviles 6G, donde se prevé una densidad masiva de dispositivos y servicios ultra-confiables de baja latencia, (URLLC, Ultra-Reliable Low-Latency Communications), la teoría de colas se adapta para modelar múltiples niveles de servicio. Por ejemplo, en sistemas de acceso múltiple híbridos como TDMA/CSMA, los modelos de colas ayudan a estimar el rendimiento del canal considerando distintos patrones de tráfico. Zheng et al. (2023) emplearon modelos de cadenas de Markov y colas para evaluar el rendimiento de protocolos MAC híbridos, determinando la latencia promedio bajo diferentes condiciones de tráfico y estrategias de acceso.

Simultáneamente, en escenarios de edge computing y virtualización de funciones de red, (NFV, Network Function Virtualization), los modelos de colas permiten dimensionar adecuadamente los recursos distribuidos, evaluando la carga de procesamiento en nodos cercanos al usuario. Así, pueden minimizarse los tiempos de respuesta en aplicaciones críticas como realidad extendida (XR, Extended Reality) o vehículos autónomos. Por ejemplo, Wang et al. (2022) presentaron un modelo M/M/c para representar el procesamiento de tareas en servidores edge, demostrando cómo ajustar dinámicamente el número de servidores para reducir la latencia sin sobredimensionar los recursos.

En consecuencia, la teoría de colas también se aplica a la asignación dinámica de recursos en redes densas. En ambientes industriales 6G, donde dispositivos IoT deben enviar información crítica en tiempo real, se utilizan modelos de colas para garantizar que los datos más prioritarios se procesen primero. En una fábrica inteligente, un protocolo MAC híbrido puede modelarse con colas con prioridad, asegurando que sensores de seguridad tengan menor tiempo de espera en comparación con dispositivos de monitoreo menos urgentes (Salama et al., 2023).

Por otra parte, la integración de inteligencia artificial, (AI, Artificial Intelligence), y aprendizaje por refuerzo profundo, (DRL, Deep Reinforcement Learning), con modelos de colas abre nuevas posibilidades para la gestión autónoma de redes. Los agentes DRL pueden aprender políticas óptimas para minimizar la congestión y distribuir la carga de manera eficiente, utilizando retroalimentación basada en métricas como longitud de cola, tasa de pérdida de paquetes y tiempos de espera. Gao et al. (2021) aplicaron esta estrategia en redes vehiculares 6G, utilizando modelos M/M/1 combinados con DRL para optimizar rutas de datos y minimizar interrupciones en la comunicación.

Con todo lo anterior, es importante destacar que la teoría de colas se adapta a nuevos paradigmas como la comunicación holográfica y los gemelos digitales, donde se requiere procesar flujos de datos de gran volumen en tiempo casi real. En este contexto, se modelan múltiples etapas de procesamiento en serie (colas en cascada), representando el tránsito desde la adquisición de datos hasta la interpretación visual del contenido, permitiendo detectar cuellos de botella y rediseñar la arquitectura de red para mejorar la experiencia del usuario (Chen et al., 2023).

Cadenas de Markov: una herramienta para el análisis de protocolos MAC en la era del 6G

En primera instancia, las cadenas de Markov constituyen modelos probabilísticos que describen sistemas dinámicos cuya evolución depende únicamente del estado presente, ignorando completamente los eventos anteriores. Esta propiedad, conocida como “memoria de un solo paso”, resulta idónea para representar procesos estocásticos en múltiples dominios, incluyendo la comunicación móvil. Así, su estructura matemática facilita la construcción de modelos de comportamiento que permiten predecir, analizar y optimizar sistemas complejos sin la necesidad de simulaciones prolongadas o pruebas físicas (Carreño & Sanabria-Codesal, 2019; Kulkarni, 2016).

De igual forma, en el contexto específico de las tecnologías de comunicación de sexta generación, las cadenas de Markov se han consolidado como una herramienta analítica de gran importancia para los protocolos de Control de Acceso al Medio, (MAC, Medium Access Control). Estos protocolos regulan cómo múltiples dispositivos comparten el canal inalámbrico de transmisión, y su correcto funcionamiento determina la eficiencia, latencia y fiabilidad del sistema. En protocolos MAC híbridos, como los que combinan Acceso Múltiple por División de Tiempo, (TDMA, Time Division Multiple Access), con Acceso Múltiple por Detección de Portadora, (CSMA, Carrier Sense Multiple Access), las cadenas de Markov permiten modelar con precisión transiciones entre estados de transmisión, espera, colisión y éxito, facilitando el cálculo de métricas clave como la probabilidad de éxito, la latencia promedio y el throughput del canal (Zheng et al., 2023; Hu et al., 2021).

Asimismo, los modelos de Markov permiten abstraer etapas del acceso al medio en redes 6G densas, donde la asignación eficiente de recursos y la interferencia entre dispositivos pueden comprometer la calidad del servicio. Gracias a este tipo de modelado, se pueden realizar evaluaciones predictivas de rendimiento sin recurrir a entornos experimentales, lo que reduce significativamente los costos y tiempos de desarrollo. Por ejemplo, en aplicaciones industriales como las fábricas inteligentes, donde la latencia ultra baja y la confiabilidad son críticas, estos modelos permiten anticipar el comportamiento del protocolo MAC ante distintas cargas de tráfico y configuraciones topológicas (Salama et al., 2023; Alsharif et al., 2020).

Por otra parte, más allá de la comunicación móvil, las cadenas de Markov han sido empleadas para modelar fenómenos sociales como la fidelidad de usuarios en redes digitales. Estos usos educativos demuestran su versatilidad, ya que permiten reforzar conceptos de álgebra lineal como autovalores, autovectores y sistemas de ecuaciones en tiempo discreto. Aplicaciones como éstas también estimulan la enseñanza de las matemáticas aplicadas, ofreciendo una visión integradora entre teoría y práctica tecnológica (Carreño & Sanabria-Codesal, 2019; Ross, 2014).

Podemos afirmar entonces, que el empleo de modelos de Markov en el análisis de protocolos MAC para redes 6G representa una sinergia efectiva entre teoría matemática y diseño tecnológico. A través de su capacidad para simular con rigor las dinámicas de acceso al canal, estos modelos permiten mejorar la calidad del servicio, optimizar recursos y acelerar la implementación de soluciones en escenarios críticos, lo cual es esencial en un entorno de comunicación móvil tan intensamente demandante como lo será la 6G.

Aplicaciones prácticas de la optimización de recursos en protocolos MAC para redes 6G

Al hacer referencia a la optimización de recursos, ésta se ha convertido en un pilar en el diseño de protocolos de control de acceso al medio, (MAC, Medium Access Control), en redes móviles de sexta generación, (6G, Sixth Generation). Esta disciplina matemática permite maximizar la utilización del espectro radioeléctrico, la eficiencia energética y la asignación de tiempo de transmisión, mediante algoritmos que resuelven problemas de optimización lineal, entera o no lineal. Un ejemplo ilustrativo se encuentra en el uso de la programación lineal para determinar la asignación óptima de canales entre múltiples usuarios en redes densas, minimizando la interferencia y maximizando el throughput, es decir, la velocidad efectiva de transferencia de datos (Qi et al., 2022). Este enfoque garantiza que los dispositivos conectados puedan operar de manera más eficiente, incluso en entornos con alta demanda de tráfico.

Posteriormente, al incorporar técnicas como la teoría de juegos y la geometría estocástica, los modelos de optimización pueden capturar de forma más realista la dinámica competitiva entre nodos que comparten el espectro. En este contexto, la teoría de juegos permite modelar la competencia por el acceso al canal entre múltiples usuarios, donde cada uno busca maximizar su utilidad individual sin perjudicar la estabilidad del sistema. A través de formulaciones como los equilibrios de Nash, los diseñadores de redes pueden prever comportamientos estratégicos y diseñar mecanismos de incentivos adecuados para fomentar la cooperación (Shi et al., 2023). Esta aproximación es especialmente útil en escenarios donde múltiples dispositivos IoT compiten por recursos limitados, como en fábricas inteligentes o redes vehiculares.

Asimismo, el aprendizaje automático ha emergido como una herramienta complementaria clave en la optimización de protocolos MAC para 6G. Mediante algoritmos de aprendizaje por refuerzo, los nodos pueden aprender políticas de acceso al canal basadas en la experiencia, adaptándose dinámicamente a condiciones variables del entorno. Por ejemplo, se han propuesto modelos basados en redes neuronales profundas que permiten a los nodos decidir cuándo y cómo transmitir, considerando factores como la congestión del canal, el consumo energético y las prioridades del tráfico (Miuccio et al., 2022). Estas soluciones se vuelven más críticas en aplicaciones que demandan ultra baja latencia y alta confiabilidad, como la cirugía remota o el control de vehículos autónomos.

En efecto, las aplicaciones prácticas de estos modelos se extienden a entornos industriales, donde se requiere una gestión eficiente y determinista del acceso al medio. En entornos como las fábricas inteligentes, los protocolos MAC híbridos que combinan TDMA (Time Division Multiple Access) y CSMA (Carrier Sense Multiple Access) se modelan mediante cadenas de Markov y se optimizan con técnicas de programación matemática para reducir el retardo y aumentar la confiabilidad. Un caso concreto es el uso de modelos de Markov para representar las transiciones entre los estados de espera, transmisión y colisión, permitiendo una estimación precisa del rendimiento sin necesidad de simulaciones extensivas (Zheng et al., 2023). Este tipo de modelado proporciona una base sólida para la toma de decisiones en el diseño de sistemas industriales de comunicación crítica.

Sin embargo, aunque la simulación y el modelado matemático son fundamentales, las pruebas experimentales en entornos industriales son necesarias para validar el desempeño de estos protocolos en condiciones reales. Salama et al. (2023) demostraron la viabilidad de un protocolo MAC híbrido CSMA-TDMA para fábricas inteligentes mediante pruebas en una topología en estrella representativa de sensores industriales. En dichos experimentos, midieron el retardo de comunicación y la tasa de paquetes perdidos bajo diferentes cargas de tráfico, confirmando que su diseño cumplía los requisitos de baja latencia y alta confiabilidad de la manufactura avanzada.

Cómo mejorar las comunicaciones en los THz con RIS, SDN y RL en redes 6G

Por otra parte, las comunicaciones en el espectro de los THz presentan una serie de limitaciones técnicas significativas a pesar de su gran potencial. Aunque este rango de frecuencias permite alcanzar velocidades de transmisión de datos del orden de los terabits por segundo, la eficiencia espectral puede verse afectada por factores como el ruido térmico, la atenuación por absorción molecular y el corto alcance de propagación (Rojek et al., 2024). En consecuencia, para mitigar estos problemas, los protocolos MAC en 6G deben implementar mecanismos de reconfiguración de haces en tiempo real y el uso de superficies inteligentes reconfigurables (RIS) para mejorar la cobertura y la robustez ante bloqueos inesperados (Shen et al., 2023).

En este contexto, las tecnologías avanzadas como la inteligencia artificial (IA), el aprendizaje automático (ML), las redes definidas por software (SDN) y la virtualización de funciones de red (NFV) juegan un papel clave en la optimización del MAC en 6G. De acuerdo con Valcarce Rial et al. (2023), la IA puede emplearse para predecir la calidad del canal y programar transmisiones de manera preventiva, mientras que SDN permite una gestión centralizada y coordinada de los recursos inalámbricos en entornos industriales. Asimismo, la NFV facilita la implementación de funciones MAC como software modular en la nube de borde, permitiendo configuraciones personalizadas para distintas aplicaciones dentro de una misma red.

Sin duda, una tendencia emergente en el diseño de protocolos MAC es el uso del aprendizaje por refuerzo (RL) combinado con formación de haces adaptativa. Como explican Miuccio et al. (2024), los agentes de aprendizaje pueden optimizar la toma de decisiones en tiempo real, ajustando las transmisiones según las condiciones del canal y reduciendo colisiones en redes industriales densas. Además, en las frecuencias de los THz, donde la alineación precisa del haz es crítica para evitar pérdidas de señal, los algoritmos de RL pueden predecir bloqueos y realizar cambios de haz anticipados, garantizando enlaces más estables y de baja latencia (Zheng et al., 2023).

Se puede asegurar, que los protocolos MAC en 6G representan un avance significativo en la gestión del acceso al medio, integrando técnicas innovadoras para cumplir con los estrictos requisitos de latencia, eficiencia y escalabilidad de las redes de próxima generación. Si bien el camino hacia su estandarización aún presenta desafíos, la combinación de simulación, modelado matemático, pruebas experimentales y tecnologías inteligentes está permitiendo el desarrollo de soluciones cada vez más avanzadas. En este sentido, la investigación en MAC 6G continúa evolucionando con el objetivo de garantizar un desempeño óptimo en entornos industriales y más allá.

Comunicaciones con las mmWave en 6G: modelos de canal y estimación de señal

En cuanto a las comunicaciones en ondas milimétricas (mmWave) en el contexto de la tecnología 6G, el análisis de diversos aspectos como los modelos de canal, las arquitecturas de formación de haces, las técnicas de estimación de canal, la alineación de haces y los algoritmos de selección de haces es fundamental para optimizar el rendimiento y la eficiencia de la red.

Modelos de canal para las ondas mmWave: impacto en la conectividad

En lo que corresponde a los modelos de canal en las mmWave, estos son esenciales para comprender cómo se propagan las señales en estas frecuencias y cómo se ven afectadas por factores como la reflexión, la difracción y la dispersión. Los modelos precisos permiten simular el comportamiento del canal y evaluar el impacto de diferentes técnicas de transmisión y recepción. Por ejemplo, un modelo de canal puede ayudar a predecir la pérdida de trayectoria en diferentes entornos y a diseñar sistemas de antenas que maximicen la ganancia de señal.

Estrategias avanzadas de formación de haces

En cuanto a las arquitecturas de formación de haces, estas son esenciales para superar la alta atenuación de las de las mmWave y lograr una comunicación confiable a largas distancias. La formación de haces permite concentrar la energía de la señal en una dirección específica, lo que aumenta la potencia de transmisión y reduce la interferencia. Las arquitecturas de formación de haces pueden ser analógicas o digitales, y cada una tiene sus propias ventajas y desventajas en términos de complejidad, costo y rendimiento.

En lo que se refiere a las técnicas de estimación de canal, éstas son necesarias para adaptar la transmisión y recepción de señales a las condiciones cambiantes del canal. La estimación precisa del canal permite optimizar la formación de haces, la selección de canales y la modulación de la señal para maximizar la velocidad de transmisión de datos y minimizar los errores. Las técnicas de estimación de canal pueden basarse en pilotos, en retroalimentación o en aprendizaje automático, y cada una tiene sus propias características en términos de precisión, complejidad y sobrecarga.

En el contexto de la alineación de haces, este es un proceso crítico para establecer y mantener una comunicación eficiente en mmWave. La alineación precisa de los haces de transmisión y recepción es esencial para maximizar la ganancia de la señal y minimizar la interferencia. Los algoritmos de alineación de haces pueden estar basados en búsqueda exhaustiva, en estimación de ángulo de llegada o en aprendizaje automático, y cada uno tiene sus propias ventajas y desventajas en términos de velocidad, precisión y complejidad.

Selección de haces en redes 6G: desafíos y soluciones

En lo que al tema refiere a los algoritmos de selección de haces, estos son importantes para elegir el mejor haz de transmisión y recepción en un entorno con múltiples haces disponibles. La selección adecuada de haces permite optimizar la calidad de la señal y la eficiencia espectral. Los algoritmos de selección de haces pueden basarse en la intensidad de la señal recibida, en la calidad del canal estimado o en la información de contexto, y cada uno tiene sus propias características en términos de rendimiento, complejidad y sobrecarga.

En cuanto a la investigación y el desarrollo de estas tecnologías para 6G, se están explorando diversas soluciones innovadoras. Por ejemplo, se están investigando modelos de canal más precisos que consideren la dispersión en entornos urbanos densos y la interacción de las señales de las ondas mmWave con diferentes materiales. También se están desarrollando arquitecturas de formación de haces más flexibles y eficientes que permitan adaptarse a diferentes escenarios de movilidad y a las necesidades cambiantes de las aplicaciones. Además, se están investigando técnicas de estimación de canal, alineación de haces y selección de haces basadas en inteligencia artificial y aprendizaje automático para mejorar el rendimiento y la adaptabilidad de los sistemas de comunicación mmWave en 6G.

Ondas Milimétricas en 6G: Desafíos y Soluciones en Modelos de Canal y Procesamiento de Haces

Por una parte, hay que aclarar que las comunicaciones en ondas milimétricas (mmWave) en el contexto de la tecnología 6G, aplica modelos de canal, formación de haces, estimación de canal, alineación de haces y selección de haces. De esta manera, los modelos de canal para mmWave en 6G son esenciales para comprender la propagación de señales en estas frecuencias y evaluar cómo los factores ambientales afectan el rendimiento de la comunicación. La propagación de señales en mmWave se caracteriza por una alta atenuación, lo que implica que obstáculos como edificios, árboles y mobiliario urbano pueden bloquear o reflejar las señales, alterando su trayectoria (Rappaport et al., 2019). Asimismo, la difracción en mmWave es limitada debido a la longitud de onda corta, lo que impide que las señales rodeen objetos con eficacia. Además, la dispersión se presenta en entornos urbanos densos, donde las múltiples reflexiones pueden generar trayectorias de propagación múltiples, afectando la calidad de la señal. Para simular estos efectos, se han desarrollado modelos de canal como el modelo basado en trazado de rayos, que emula la propagación de señales mediante técnicas geométricas, y los modelos de canal estocásticos, que utilizan distribuciones probabilísticas para representar el comportamiento del canal (Heath et al., 2018).

Asimismo, las arquitecturas de formación de haces son clave para compensar la atenuación de las mmWave, permitiendo la concentración de energía en direcciones específicas y mejorando la cobertura. La formación de haces puede implementarse mediante arquitecturas analógicas, digitales o híbridas. La formación de haces analógica emplea una única cadena de radiofrecuencia y un conjunto de antenas con ajustes de fase para dirigir la señal, lo que reduce costos y consumo energético, pero limita la flexibilidad en la orientación del haz (Zhang et al., 2020). Por otro lado, la formación de haces digital permite un control más preciso mediante el uso de múltiples cadenas de radiofrecuencia, aunque a costa de mayor complejidad y consumo energético. En entornos industriales, la empresa Qualcomm ha desarrollado sistemas de formación de haces híbridos para mejorar la eficiencia energética y la flexibilidad en dispositivos 6G (Xiao et al., 2021).

En este contexto, las técnicas de estimación de canal son fundamentales para optimizar la transmisión y recepción de señales en las mmWave. La estimación de canal basada en pilotos utiliza señales de referencia para medir las condiciones del canal, proporcionando alta precisión, pero con un costo en términos de sobrecarga (Alkhateeb et al., 2019). La estimación de canal basada en retroalimentación se basa en la información enviada por el receptor al transmisor para ajustar la transmisión, reduciendo errores, pero con un mayor consumo de recursos de comunicación. Por otro lado, el aprendizaje automático está siendo utilizado para mejorar la estimación del canal en sistemas 6G, mediante el uso de redes neuronales para predecir las condiciones del canal y optimizar la transmisión sin necesidad de enviar información adicional (Ye et al., 2020).

Además, la alineación de haces de transmisión electromagnética, se ha convertido en un proceso con múltiples aplicaciones en el área de la propagación de ondas mmWave, para garantizar que los transmisores y receptores mantengan una comunicación eficiente. En este sentido, en los entornos dinámicos, como el de los vehículos autónomos y las redes industriales, los algoritmos de alineación de haces permiten ajustar la dirección de los haces en tiempo real. La búsqueda exhaustiva evalúa todas las posibles direcciones de los haces electromagnéticos, proporcionando alta precisión, pero con una gran sobrecarga computacional (Gao et al., 2019). La estimación del ángulo de llegada permite reducir la complejidad, al identificar directamente la mejor dirección de haz, aunque con una menor precisión en entornos con alto nivel de dispersión. Recientemente, los sistemas basados en inteligencia artificial han demostrado ser efectivos para predecir la mejor alineación de haces en función del historial de señales recibidas, reduciendo el tiempo de ajuste en redes 6G (Song et al., 2021).

Igualmente, la selección de haces es fundamental para optimizar la calidad de la señal y la eficiencia espectral. Los algoritmos de selección pueden basarse en la intensidad de la señal recibida, donde se elige el haz con mayor potencia, o en la calidad estimada del canal, considerando aspectos como la relación señal a ruido y la interferencia (Wang et al., 2020). También se han desarrollado técnicas basadas en aprendizaje automático, que analizan información de contexto, como la movilidad de los usuarios y las condiciones del entorno, para predecir la mejor selección del haz en tiempo real. En aplicaciones prácticas, Huawei ha explorado soluciones de selección de haces optimizadas mediante inteligencia artificial para redes de acceso en 6G, con el objetivo de mejorar la conectividad en entornos urbanos densos (Zhang et al., 2022).

Fabricación de chips de grafeno con IA y 6G: El futuro de los semiconductores

En primer lugar, consideremos un ejemplo hipotético, como el representado en la Figura 1, que muestra un entorno industrial futurista donde se colabora estrechamente entre humanos y robots para la reparación de dispositivos IoT del sector industrial. Una ingeniera técnica, vestida con un uniforme detallado, utiliza herramientas especializadas mientras analiza datos proyectados en una interfaz holográfica. A su lado, un robot humanoide de diseño avanzado colabora activamente, ilustrando la sinergia entre la inteligencia artificial y la destreza humana. Al fondo, drones de telecomunicaciones transportan antenas que operan en los rangos espectrales de ondas milimétricas (mmWave) y terahercios (THz), garantizando una conectividad 6G estable para la fábrica. La iluminación con tonalidades vibrantes acentúa la atmósfera innovadora que define estos entornos industriales de vanguardia. (Zhang et al., 2022).

Además, la integración de la inteligencia artificial en la fabricación de chips de grafeno para aplicaciones en los THz y las mmWave es un factor determinante en el desarrollo de la tecnología 6G. La miniaturización de los dispositivos semiconductores y la mejora en la eficiencia de transmisión requieren materiales avanzados como el grafeno, que presenta propiedades únicas en términos de conductividad y flexibilidad. Investigaciones recientes han demostrado que la combinación de formación de haces adaptativa con algoritmos de aprendizaje profundo permite optimizar la transmisión de señales en frecuencias ultraaltas, mitigando las pérdidas de propagación y mejorando la eficiencia espectral (Heath et al., 2018).

Por otra parte, la aplicación de técnicas de fabricación avanzadas en la producción de chips de grafeno está revolucionando la industria de semiconductores. Las tecnologías de deposición de capas atómicas y la integración de nanomateriales están permitiendo el desarrollo de circuitos con una capacidad de transmisión sin precedentes. Estos avances son fundamentales para la implementación de las redes 6G, ya que facilitan el despliegue de estaciones base con menor consumo energético y mayor capacidad de procesamiento. Empresas líderes en el sector han comenzado a explorar la incorporación de estas tecnologías en sus procesos de producción, garantizando dispositivos más eficientes y sostenibles (Alkhateeb et al., 2019).

En este contexto, los robots con inteligencia artificial están desempeñando una función significativa en la automatización de la fabricación de chips de grafeno. Su capacidad para realizar tareas de ensamblaje con alta precisión y velocidad está optimizando la producción en fábricas inteligentes. La utilización de sistemas autónomos basados en redes neuronales permite ajustar los parámetros de fabricación en tiempo real, reduciendo defectos y mejorando el rendimiento de los dispositivos. Esta evolución en la industria de semiconductores está impulsando la adopción de materiales innovadores para el desarrollo de redes de comunicaciones más rápidas y eficientes (Ye et al., 2020).

Por otro lado, la sinergia entre la tecnología 6G y la robótica avanzada está permitiendo una mayor conectividad en entornos industriales. La implementación de drones de telecomunicaciones equipados con antenas mmWave y THz está optimizando la cobertura en fábricas inteligentes, asegurando una comunicación estable entre dispositivos IoT y sistemas autónomos. La baja latencia y la alta velocidad de transmisión que ofrece la tecnología 6G están habilitando nuevas aplicaciones en manufactura, como el mantenimiento predictivo y la supervisión remota mediante realidad aumentada. Estos avances están transformando la forma en que operan las industrias, impulsando la eficiencia y la productividad (Song et al., 2021).

Inevitablemente, la combinación de la fabricación de chips de grafeno, la inteligencia artificial y la conectividad 6G está configurando el futuro de la industria tecnológica. A medida que estos avances continúan evolucionando, se espera una mayor integración de sistemas autónomos en la producción de dispositivos semiconductores, optimizando los procesos de fabricación y mejorando el rendimiento de las redes de comunicación 6G. La colaboración entre ingenieros, robots y sistemas inteligentes seguirá desempeñando un papel esencial en la innovación tecnológica, consolidando un ecosistema industrial más eficiente y sostenible (Wang et al., 2020).

Impulsando la revolución 6G con las ondas mmWave y los THz

En resumen, las comunicaciones en las mmWave dentro del marco de la tecnología 6G requieren modelos de canal precisos, arquitecturas de formación de haces eficientes, técnicas de estimación de canal avanzadas, procesos de alineación de haces optimizados y algoritmos de selección de haces inteligentes. Estos avances permitirán mejorar la cobertura, minimizar la interferencia y optimizar el uso del espectro en futuras redes de comunicación.

En vista de los avances actuales, la incorporación de las bandas de las mmWave y los THz en las redes 6G marcará un antes y un después en las telecomunicaciones. Estas tecnologías no solo permitirán velocidades de transmisión significativamente más altas, sino que también facilitarán aplicaciones innovadoras como el internet táctil y la inteligencia artificial distribuida (Giordani et al., 2020). Un ejemplo claro es la posibilidad de realizar cirugías remotas con retroalimentación háptica en tiempo real, lo que cambiará radicalmente la medicina moderna (Chaccour et al., 2022). Del mismo modo, los vehículos autónomos podrán comunicarse de manera instantánea con su entorno, aumentando la seguridad y eficiencia del tráfico (Rappaport et al., 2019).

Por otro lado, la investigación y el desarrollo en este campo continúan resolviendo las limitaciones técnicas que plantea el uso de frecuencias tan elevadas. La combinación de formación de haces avanzada, superficies inteligentes reconfigurables y algoritmos basados en inteligencia artificial está allanando el camino para una implementación eficiente de estas tecnologías (Heath et al., 2018). En consecuencia, es imperativo que la comunidad científica, las empresas tecnológicas y los gobiernos trabajen en conjunto para acelerar la adopción de las ondas mmWave y de los THz en la infraestructura 6G (Zhang et al., 2019).

A medida que nos acercamos a una nueva era de conectividad, la comprensión y optimización de estas tecnologías serán clave para garantizar su éxito. Por ello, invitamos a los investigadores, ingenieros y entusiastas de la tecnología a continuar explorando este fascinante campo. La revolución 6G está en marcha, y quienes lideren la innovación en ondas mmWave y los THz, serán los arquitectos del futuro de las telecomunicaciones (Wu et al., 2021).

Una ingeniera técnica humana y un robot humanoide altamente avanzado reparando dispositivos IoT en un entorno industrial futurista. La chica luce un uniforme detallado, con su rostro claramente visible mientras trabaja con precisión. El robot, con un diseño mecánico sofisticado, la asiste en la tarea. En el fondo, drones de telecomunicaciones transportan antenas mmWave y THz para garantizar la conectividad 6G en la fábrica. El ambiente es vibrante y brillante, con resplandores tecnológicos en tonos amarillo, verde, rojo y naranja, reflejando la avanzada tecnología en uso.
Figura 1. Técnico humano y robot humanoide colaboran en la reparación de dispositivos IoT en una fábrica inteligente con conectividad 6G, soportada por drones con antenas de ondas milimétricas mmWave y de los THz

El futuro de las telecomunicaciones con inteligencia artificial y aprendizaje automático

En un mundo cada vez más interconectado, la gestión eficiente del espectro electromagnético se ha convertido en un factor clave para la evolución de las telecomunicaciones. En este sentido, las redes de próxima generación, como la 6G, prometen revolucionar la conectividad mediante el uso de tecnologías avanzadas como el aprendizaje automático (ML, Machine Learning) y la inteligencia artificial (AI, Artificial Intelligence) en la gestión de haces (BM, Beam Management). Estas innovaciones permitirán optimizar la transmisión de datos a frecuencias extremadamente altas, como las ondas milimétricas (mmWave) y los terahercios (THz), mejorando la eficiencia del espectro y reduciendo la latencia en entornos de alta demanda (Zhang & Dai, 2020).

Por otra parte, la creciente demanda de aplicaciones de realidad aumentada, vehículos autónomos y automatización industrial requiere redes más rápidas, confiables y adaptativas. En este contexto, la implementación del aprendizaje automático, ML, en la gestión de haces posibilita la toma de decisiones inteligentes en tiempo real, ajustando la dirección y potencia de las señales según el entorno y la movilidad del usuario (Gupta & Jha, 2015). Este avance tecnológico no solo optimiza el rendimiento de la red, sino que también sienta las bases para un ecosistema de comunicaciones más autónomo y estable. En consecuencia, la investigación y desarrollo de estas técnicas representa un pilar fundamental en la evolución de las telecomunicaciones hacia la implementación de la tecnología 6G y más allá.

Limitaciones técnicas y avances en la gestión de haces (BM) en las bandas de las ondas mmWave y los THz

Centros de investigación consideran, que se necesita profundizar en las técnicas de gestión y rastreo de haces, (BM, Beam Management), basados en aprendizaje automático, (ML, Machine Learning), y abordar los problemas de las bandas en el rango espectral de las ondas mmWave y de los THz. Actualmente, las investigaciones sobre comunicaciones en las mmWave sobre la gestión de haces electromagnéticos, BM, se centran principalmente en enfoques convencionales y carecen de análisis de soluciones en gestión y rastreo de haces, BM, basadas en aprendizaje automático, ML. Se plantean entonces, posibles líneas de investigación futuras en una variedad de aspectos en las comunicaciones de las bandas de los THz y para la gestión, BM, con el fin ampliar las investigaciones en estas áreas. Los estudios deben cubrir la BM en las bandas de las mmWave y los THz principalmente centrados en enfoques de nueva generación en BM, tratando soluciones basadas en aprendizaje automático, ML. En este sentido, es importante el análisis comparativo de las soluciones existentes de la BM basadas en ML. Así como analizar la tecnología BM, basada en inteligencia artificial, (AI, Artificial Intelligence) y en aprendizaje automático, ML, que considere la visión del marco de la BM en 5G New Radio y pueda identificar algunas limitaciones importantes de la gestión de haces, BM, existentes, que puedan representar un cuello de botella para futuras versiones de las redes de comunicación 5G y 6G. (Zhang & Dai, 2020).

Beam Management (BM) en 6G: Rol del aprendizaje automático (ML)

Con respecto a las tecnologías emergentes en la comunicación 6G, la gestión y rastreo de haces, (BM, Beam Management), basados en aprendizaje automático, (ML, Machine Learning), son aspectos centrales que buscan mejorar la eficiencia y precisión en la transmisión de datos a frecuencias extremadamente altas, como las ondas milimétricas (mmWave) y las frecuencias de terahercios (THz) (Zhang & Dai, 2020). En consonancia con la evolución de estas tecnologías, la gestión de haces, BM, utiliza técnicas avanzadas de aprendizaje automático, ML, para optimizar la formación y dirección de haces, permitiendo una mejor cobertura y capacidad en ambientes con alta densidad de dispositivos (Rappaport et al., 2015). Las ondas en mmWave y los THz, aunque ofrecen anchos de banda mucho mayores, presentan barreras técnicas significativas a superar, como la rápida atenuación y la necesidad de una alineación precisa de los haces entre transmisores y receptores (Gupta & Jha, 2015). En correspondencia con estos retos, las técnicas de aprendizaje automático, ML, permiten un análisis dinámico y en tiempo real de las condiciones del canal, ajustando de manera adaptativa los haces para mantener una conexión estable y de alta calidad (Zhang & Dai, 2020).

Optimización del rendimiento con aprendizaje automático, ML, en la gestión de haces

En lo que al tema refiere, la gestión de haces electromagnéticos, BM, basada en aprendizaje automático, ML, también desempeña un papel fundamental en la mitigación de interferencias y en la optimización de la energía utilizada para la transmisión (Rappaport et al., 2015). A través del aprendizaje continuo, los sistemas pueden prever y reaccionar ante cambios en el entorno de comunicación, como la aparición de nuevos obstáculos o el movimiento de usuarios, ajustando los parámetros de transmisión en consecuencia (Gupta & Jha, 2015). Referente a lo que se ha observado en investigaciones recientes, las técnicas de aprendizaje, ML, aplicadas a la gestión, BM, pueden integrar información de múltiples sensores y fuentes de datos para mejorar la precisión en la formación de haces, reduciendo la probabilidad de errores y mejorando la experiencia del usuario (Zhang & Dai, 2020). En correspondencia con lo que ya se conoce, la capacidad de gestionar haces de manera eficiente es crítica en las bandas de frecuencias más altas, donde incluso pequeñas desviaciones pueden llevar a la pérdida de la señal (Rappaport et al., 2015).

Evolución de las técnicas de gestión de haces, BM, en redes 6G

En correspondencia con lo que es el enfoque en la 6G, se espera que estas técnicas de aprendizaje automático, ML, evolucionen hacia modelos aún más complejos y precisos, aprovechando la gran cantidad de datos generados por la red 6G, para realizar ajustes en tiempo real (Zhang & Dai, 2020). Estas tecnologías permiten que las redes 6G sean más estables, elásticas, y capaces de auto-optimizarse, lo que es fundamental para el futuro de las comunicaciones inalámbricas (Gupta & Jha, 2015). En relación con el uso del aprendizaje automático, ML, se anticipa que estas técnicas también se integrarán con otras tecnologías avanzadas, como la inteligencia artificial, (AI, Artificial Intelligence), y el Internet de las Cosas, (IoT, Internet of Things), para crear un ecosistema de comunicación completamente interconectado y autónomo, capaz de manejar la complejidad de las futuras redes 6G (Rappaport et al., 2015).

Así, las investigaciones en curso sugieren que el desarrollo de la gestión de haces electromagnéticos, BM, basados en aprendizaje automático, ML, es una vía prometedora para superar las limitaciones actuales de las comunicaciones en el rango de frecuencias de las ondas mmWave y de los THz, permitiendo la implementación de redes de próxima generación 6G, que sean no solo más rápidas y capaces, sino también más adaptables y eficientes en el uso de recursos energéticos (Zhang & Dai, 2020).

Beam Management en 5G y su transición hacia 6G

La gestión de haces (Beam Management, BM) en 5G New Radio (NR) es fundamental para mantener enlaces direccionales de alta calidad en frecuencias altas. Consiste en procedimientos como barrido de haces, medición, determinación óptima y reporte del haz, realizados continuamente para ajustar la alineación desde el emisor al receptor, ante variaciones del entorno (Xue et al., 2024). La gestión BM permite orientar haces altamente direccionales, mejorando la eficiencia y confiabilidad de las comunicaciones inalámbricas en bandas mmWave (Heng et al., 2021).

Aplicación del aprendizaje automático en BM para redes 5G y 6G

Para redes avanzadas 5G y futuras 6G, se están investigando soluciones de gestión de haces, BM, basadas en aprendizaje automático (Machine Learning, ML) para superar limitaciones de métodos estándar, como sobrecarga de señalización y latencias en la selección de haces óptimos (Xue et al., 2024). Las técnicas de ML facilitan la predicción dinámica del mejor haz, reduciendo la necesidad de exploración exhaustiva y mejorando la eficiencia (Khan et al., 2023).

Técnicas avanzadas de ML en la selección de haces en tiempo real

En el contexto 6G, se espera integrar profundamente inteligencia artificial (Artificial Intelligence, AI) y ML en la gestión de haces, permitiendo decisiones más autónomas y precisas. En este campo, se exploran modelos complejos, incluyendo aprendizaje profundo y aprendizaje por refuerzo, para mejorar la selección de haces en tiempo real (Brilhante et al., 2023).

En entornos industriales con alta densidad de dispositivos, técnicas avanzadas de aprendizaje automático, ML, optimizan la formación y dirección de los haces electromagnéticos, reduciendo interferencias y mejorando el rendimiento de la red 6G. Adicionalmente, redes neuronales pueden gestionar la asignación simultánea de los haces irradiados en tiempo real, mejorando significativamente la eficiencia espectral (Khan et al., 2023).

Retos técnicos de las ondas mmWave y los THz y el papel del ML

Las frecuencias de las ondas mmWave y los Terahertz (THz) presentan limitaciones técnicas importantes como atenuación rápida, baja difracción y necesidad crítica de alineación precisa de haces. Estudios recientes demuestran la severidad en la degradación de los enlaces por pequeñas desviaciones en estas bandas (He et al., 2023). El uso del aprendizaje automático, ML, permite analizar dinámicamente las condiciones del canal, adaptando continuamente la dirección y formación de los haces electromagnéticos, para mantener una conexión estable (Pyun et al., 2023).

Aprendizaje continuo para mejorar la estabilidad de la red

El aprendizaje continuo (Continuous Learning) es clave para que las redes anticipen cambios ambientales, ajustando preventivamente los haces según patrones aprendidos, mejorando así la estabilidad y solidez de la red ante obstáculos y movilidad (Ahmad et al., 2022). Por lo que, la evolución de las técnicas de aprendizaje automático, ML, aplicadas a la gestión de haces, BM, ha avanzado hacia modelos sofisticados capaces de ajustes en tiempo real utilizando aprendizaje supervisado, por refuerzo y aprendizaje federado, asegurando precisión y mínima latencia en las transiciones de los haces electromagnéticos (Marenco et al., 2024).

La incorporación de IA integrando ML en la gestión BM, hace que las redes sean más estables, flexibles y auto-optimizables, capaces de gestionar eficientemente fluctuaciones dinámicas de carga y condiciones ambientales cambiantes, reduciendo considerablemente la intervención manual en optimización de recursos (Ahmad et al., 2022). Esto es posible, debido al uso de técnicas de BM basadas en ML en el rango de las ondas mmWave y los THz, que permiten establecer enlaces rápidamente, adaptándose dinámicamente al entorno, lo que mejora considerablemente la eficiencia energética y reduce las transmisiones innecesarias, facilitando así la implementación de redes rápidas y adaptativas (Xue et al., 2024).

En aplicaciones industriales con dispositivos IoT, la gestión inteligente de haces es crítica para comunicaciones ultra fiables y de baja latencia. Ejemplos son fábricas inteligentes donde se emplean haces direccionales para mantener conexiones robustas entre robots, sensores y vehículos autónomos (Jabbar et al., 2022). De forma similar, en telecomunicaciones con drones (Unmanned Aerial Vehicles, UAV), la gestión dinámica de haces con aprendizaje automático, ML, es fundamental para mantener enlaces direccionales precisos pese a movimientos aleatorios y vibraciones de los drones. Estudios recientes proponen el uso de aprendizaje profundo y por refuerzo para gestionar la alineación de haces electromagnéticos en tiempo real, optimizando la conectividad aérea en aplicaciones industriales y urbanas (Ahmad et al., 2022).

MIMO masivo y Beamforming híbrido en 6G

En cuanto a las técnicas convencionales empleadas en las bandas de ondas milimétricas (mmWave) y los terahercios (THz), estas se enfocan principalmente en optimizar la propagación de señales mediante metodologías consolidadas que buscan mitigar los desafíos propios de las altas frecuencias. Convencionalmente, el enfoque ha estado centrado en el uso de grandes conjuntos de antenas, conocidos como MIMO (Multiple Input Multiple Output), los cuales permiten mejorar la eficiencia espectral al incrementar la capacidad del canal mediante la transmisión simultánea de múltiples señales. En línea con este enfoque, en las bandas de las ondas mmWave se han implementado técnicas de formación de haces (BF, Beamforming), que permiten dirigir la señal en un haz estrecho hacia el receptor, reduciendo así la pérdida de señal y mejorando la calidad de la comunicación, especialmente en entornos urbanos densos.

En lo que corresponde a las frecuencias de los THz, las técnicas convencionales enfrentan desafíos adicionales debido a la mayor atenuación de la señal y la sensibilidad extrema a obstáculos y condiciones atmosféricas. Con el tema de la comunicación en bandas de los THz, se han explorado técnicas como el BF híbrido (Beamforming), que combina componentes analógicos y digitales para mejorar la flexibilidad y eficiencia energética del sistema. En cuanto al uso de modulaciones avanzadas, estas se emplean para maximizar el rendimiento de las señales a frecuencias tan altas, permitiendo la transmisión de datos a velocidades extremadamente elevadas. En correspondencia con lo que se observa en la literatura reciente, estas técnicas aún presentan limitaciones importantes en términos de alcance y robustez en comparación con las tecnologías de generaciones anteriores.

Además de eso, la técnica basada en el uso de grandes conjuntos de antenas, conocidas como MIMO, (Multiple Input Multiple Output), ha sido ampliamente investigada en el ámbito de las comunicaciones móviles de próxima generación, particularmente en el desarrollo de la tecnología 6G. Esta técnica permite mejorar la eficiencia espectral mediante el incremento de la capacidad del canal, al transmitir simultáneamente múltiples señales a través de diferentes antenas en el transmisor y el receptor. En este sentido, el principio fundamental de la tecnología MIMO radica en la explotación de la diversidad espacial para mejorar la tasa de transmisión y la confiabilidad de la comunicación, lo que se traduce en un uso más eficiente del espectro disponible (Björnson et al., 2019).

Aplicaciones de MIMO masivo en comunicaciones vehiculares

Es importante resaltar, que la implementación de MIMO masivo, que consiste en la utilización de un número extremadamente alto de antenas en una estación base, ha demostrado ser una solución efectiva para mitigar la interferencia y mejorar la cobertura en entornos urbanos densos. Un ejemplo práctico de esta tecnología se observa en los sistemas de comunicación vehicular con 6G, donde la tecnología de MIMO masivo permite la transmisión confiable de grandes volúmenes de datos a vehículos en movimiento, optimizando la conectividad en escenarios de movilidad extrema (Marzetta et al., 2020).

Beamforming híbrido: solución para las bandas de los THz

Asimismo, en el contexto de las comunicaciones en las bandas de los THz, también se han desarrollado técnicas avanzadas de formación de haces BF híbrido, (Beamforming), que combinan igualmente, componentes analógicos y digitales para mejorar la flexibilidad y la eficiencia energética del sistema. A diferencia de los métodos convencionales, en los que la formación de haces se implementa íntegramente en el dominio digital, el enfoque híbrido permite reducir el consumo energético y la complejidad computacional al realizar parte del procesamiento en el dominio analógico. Como resultado, la formación de haces BF híbrida, se convierte en una solución prometedora para las comunicaciones en frecuencias extremadamente altas, donde la propagación de la señal se ve afectada por la atenuación atmosférica y la dispersión (Zhang et al., 2021).

Por otro lado, en la implementación práctica de la formación de haces electromagnéticos BF híbrida, en las bandas de los THz, se han desarrollado esquemas de multiplexación espacial mejorados para optimizar la dirección de las señales en función de la posición del usuario y las condiciones del entorno. Un caso concreto de aplicación se encuentra en la comunicación inalámbrica para redes de acceso en interiores de alta densidad, como los centros de datos y los entornos industriales inteligentes, donde la formación de haces BF híbrida, permite proporcionar enlaces de alta capacidad sin comprometer la eficiencia energética (Lin et al., 2022).

Nuevas modulaciones para mejorar la comunicación en 6G

Además, con la finalidad de maximizar el rendimiento de las señales en frecuencias tan altas, se han explorado técnicas de modulaciones avanzadas, que buscan optimizar la eficiencia espectral y permiten la transmisión de datos a velocidades extremadamente elevadas. En este contexto, los esquemas de modulación como QAM de orden elevado, (Quadrature Amplitude Modulation), y OTFS, (Orthogonal Time Frequency Space), han surgido como soluciones viables para mejorar la robustez de la comunicación en entornos con alta variabilidad de canal. En particular, OTFS ha demostrado ser altamente eficaz en la compensación de los efectos de dispersión del canal en las bandas de los THz, permitiendo la transmisión estable de datos en escenarios con movilidad alta, como en la comunicación entre satélites y estaciones terrestres (Hadani et al., 2018).

Cómo funciona la modulación QAM y OTFS en la próxima generación 6G

Por otro lado, al abordar las técnicas de modulación en el contexto de la comunicación móvil de sexta generación (6G), es fundamental comprender que estas tecnologías representan un eje esencial para lograr eficiencia espectral y resiliencia ante condiciones dinámicas de canal. La modulación de amplitud en cuadratura de orden elevado, (QAM, Quadrature Amplitude Modulation), es una técnica en la que se modulan tanto la amplitud como la fase de una onda portadora, permitiendo la transmisión simultánea de múltiples bits por símbolo. Cuanto mayor sea el orden de la modulación, más información puede transportarse por cada símbolo, aunque también se vuelve más sensible al ruido y a la interferencia (Goldsmith, 2005). Por ejemplo, en un esquema 256-QAM, se codifican 8 bits por símbolo, lo que es esencial para alcanzar velocidades ultra-elevadas de datos en aplicaciones 6G, como la transmisión de hologramas en tiempo real o la interacción háptica en sistemas de realidad extendida (Xu et al., 2021).

En consecuencia, se ha hecho imprescindible implementar modulaciones robustas en escenarios donde el canal presenta una alta variabilidad temporal y frecuencia selectiva, como en las comunicaciones a frecuencias de terahercios (THz). En este marco, el espacio tiempo-frecuencia ortogonal, (OTFS, Orthogonal Time Frequency Space), ofrece una solución innovadora al representar la señal en el dominio de retardo-Doppler en lugar del dominio tiempo-frecuencia clásico. Esta representación permite que cada símbolo experimente toda la dispersión del canal, facilitando una ecualización más efectiva y estable ante la movilidad extrema y el multitrayecto (Hadani et al., 2018). Por ejemplo, en vehículos aéreos no tripulados o comunicaciones satelitales en movimiento rápido, OTFS proporciona una ganancia considerable frente a técnicas convencionales como OFDM (Chowdhury et al., 2022).

Simultáneamente, es preciso resaltar algunas propiedades técnicas de estas modulaciones. En el caso de QAM, su eficiencia espectral mejora exponencialmente con el incremento del orden de la modulación, aunque exige mayor relación señal-ruido (SNR). En cambio, OTFS se caracteriza por su estabilidad frente al desvanecimiento selectivo y al efecto Doppler, así como por su compatibilidad con tecnologías MIMO, (Multiple Input Multiple Output), y su capacidad de operar en canales altamente dispersivos (Li et al., 2021). Ambos métodos encuentran aplicación en 6G, donde se prevé una demanda de conectividad ubicua, baja latencia y capacidad masiva, siendo QAM útil en redes densas urbanas de baja movilidad, mientras OTFS se adapta mejor a contextos de movilidad elevada y frecuencias por encima de 100 GHz.

En definitiva, las técnicas de modulación como QAM de orden elevado y OTFS constituyen herramientas clave en el diseño de sistemas 6G, cada una con aplicaciones diferenciadas pero complementarias. Así, su implementación eficiente no solo aumentará la capacidad y confiabilidad de las comunicaciones futuras, sino que habilitará nuevas experiencias inmersivas y servicios avanzados de conectividad en tiempo real en entornos críticos e intensivos en datos (Zhang et al., 2020).

Modulación OTFS y su impacto en la conectividad 6G

Igualmente podemos agregar, en el ámbito de las comunicaciones 6G, las modulaciones avanzadas han sido clave para habilitar nuevas aplicaciones, como la comunicación holográfica y la transmisión de datos en tiempo real para redes de inteligencia artificial distribuidas. Un ejemplo representativo es la integración de modulaciones avanzadas en sistemas de telemedicina inmersiva, donde la transmisión de imágenes médicas en 3D requiere tasas de datos ultraaltas y latencias mínimas para garantizar la precisión en los procedimientos quirúrgicos remotos (You et al., 2021).

En conclusión, la combinación de MIMO masivo, la formación de haces, BF híbrido y modulaciones avanzadas representa un enfoque integral para abordar los problemas técnicos de la comunicación en las bandas de los THz en 6G. Estas tecnologías permiten mejorar la eficiencia espectral, optimizar la formación de haces y maximizar la tasa de transmisión de datos, facilitando la implementación de aplicaciones innovadoras en diversos sectores industriales y científicos.

Gestión de haces en redes 6G: aplicaciones y casos de uso

En cuanto al tema de las exigencias en 6G, se espera que estas tecnologías evolucionen significativamente para satisfacer las demandas de ultra alta velocidad, latencia extremadamente baja y conectividad masiva. En lo alusivo a lo que respecta a la gestión de haces, (BM, Beam Management), en 6G, el enfoque clásico podría no ser suficiente para cumplir con los requisitos de los nuevos casos de uso, como la realidad aumentada y virtual, la automatización industrial y las comunicaciones vehiculares. Con relación a lo que es el contexto de 6G, se están desarrollando técnicas basadas en inteligencia artificial, (AI, Artificial Intelligence), y aprendizaje automático, (ML, Machine Learning), que permiten una adaptación dinámica de los haces en tiempo real, mejorando la solidez del sistema frente a variaciones del entorno.

Asimismo, en correspondencia con lo que se espera para las futuras redes de comunicación, las soluciones basadas en aprendizaje automático, ML, permitirán que los sistemas de 6G no solo sean más eficientes, sino también más adaptables y capaces de manejar la complejidad de los entornos de alta frecuencia. En lo alusivo a lo que son las bandas de las mmWave y los THz, se anticipa una transición desde los enfoques convencionales hacia tecnologías más avanzadas, que integren capacidades de auto-optimización y gestión inteligente de recursos, posicionando a la 6G como un cambio fundamental en la evolución de las comunicaciones inalámbricas.

A la vez, en la evolución de las redes de comunicación hacia la 6G, la gestión de haces, (BM, Beam Management), adquiere un papel fundamental para optimizar la cobertura y mejorar la eficiencia espectral. En este contexto, la realidad aumentada y virtual, la automatización industrial y las comunicaciones vehiculares pueden beneficiarse de técnicas avanzadas basadas en inteligencia artificial, (AI, Artificial Intelligence), y aprendizaje automático, (ML, Machine Learning), para lograr una adaptación dinámica de los haces en tiempo real, garantizando una mayor estabilidad ante variaciones ambientales. Por ejemplo, en entornos industriales, donde la conectividad de alta precisión es esencial para la automatización de procesos, el uso de AI y ML permite ajustar la dirección y potencia de los haces electromagnéticos según los movimientos de robots autónomos, asegurando una conectividad estable incluso en presencia de interferencias o cambios en la disposición de la maquinaria (Gupta et al., 2023).

Optimización de BM en realidad aumentada y comunicaciones vehiculares

En consecuencia, en el ámbito de la realidad aumentada y virtual, la gestión de haces adaptativa basada en AI puede mejorar significativamente la experiencia del usuario. Un caso ilustrativo es el uso de dispositivos de realidad aumentada en aplicaciones de mantenimiento remoto, donde los ingenieros reciben instrucciones visuales en tiempo real a través de redes 6G. Para garantizar una transmisión ininterrumpida y de baja latencia, los algoritmos de aprendizaje automático, ML, pueden predecir los movimientos del usuario y ajustar los haces en función de la posición y orientación de los dispositivos, reduciendo así la probabilidad de pérdida de conexión o degradación del servicio (Rappaport et al., 2022).

Además, en lo que respecta a las comunicaciones vehiculares, la transición hacia vehículos autónomos requiere un sistema de comunicación altamente confiable y con mínima latencia. En este sentido, la gestión de haces inteligente permite la optimización del enlace de comunicación entre vehículos y estaciones base, adaptando la cobertura en función de la velocidad y la dirección de los automóviles. Un ejemplo práctico es la comunicación entre vehículos en autopistas inteligentes, donde la inteligencia artificial predice la trayectoria de los vehículos y ajusta los haces de manera preventiva, minimizando la interferencia y garantizando una conectividad continua para la transmisión de datos críticos en tiempo real (Chowdhury et al., 2022).

Por otro lado, en lo que concierne a las bandas de ondas milimétricas, (mmWave, millimeter Wave), y de los terahercios, (THz, Terahertz), la transición desde enfoques convencionales hacia tecnologías avanzadas es indispensable para mejorar la eficiencia espectral y la gestión de recursos en 6G. En este sentido, se están desarrollando técnicas basadas en inteligencia artificial para permitir la auto-optimización de los enlaces de comunicación. Un ejemplo se encuentra en la implementación de redes de acceso radioeléctrico abiertas e inteligentes, donde los algoritmos de aprendizaje profundo optimizan dinámicamente la asignación del espectro y la potencia de transmisión, mejorando la eficiencia energética y reduciendo la interferencia entre celdas (Wang et al., 2023).

En otro orden de ideas, la incorporación de la gestión inteligente en las redes 6G facilita la optimización de enlaces en entornos urbanos densos, donde la propagación de ondas en las bandas THz es susceptible a bloqueos por estructuras arquitectónicas. En este contexto, las soluciones basadas en AI pueden detectar en tiempo real obstáculos en la línea de vista y redirigir los haces electromagnéticos a través de reflexiones o nodos intermedios, asegurando una cobertura continua y estable para aplicaciones de alta demanda, como la transmisión de video en ultra alta definición o la conectividad en entornos de fábricas inteligentes (Jiang et al., 2024).

Redes inteligentes y autoorganizadas en 6G

En última instancia, la implementación de estos enfoques innovadores en la gestión de haces de 6G redefine el paradigma de las comunicaciones inalámbricas, permitiendo sistemas más estables, eficientes y adaptativos. La combinación de AI y ML con tecnologías emergentes en las bandas da las ondas mmWave y de los THz contribuirá significativamente al desarrollo de redes autoorganizadas y autónomas, estableciendo un nuevo estándar en la optimización de recursos y en la calidad de servicio para futuras aplicaciones industriales, vehiculares y de realidad aumentada.

Impacto de la inteligencia artificial en la gestión de haces en 6G

Por otro lado, relacionado con la tecnología BM, (Beam Management), basada en inteligencia artificial, AI, (Artificial Intelligence), y aprendizaje automático, ML, (Machine Learning), dentro del contexto de las comunicaciones 6G, es esencial comprender su funcionamiento y las características principales. La gestión de haces, BM, como una técnica clave en las comunicaciones inalámbricas, se ocupa de la gestión y seguimiento de los haces de señal para maximizar la eficiencia de la transmisión de datos, especialmente en las bandas de frecuencias mmWave y THz, lo que la hace prominente en las redes 6G. Esta tecnología se enfrenta a una variedad de limitaciones técnicas, debido a la alta direccionalidad y la susceptibilidad a obstrucciones en estas frecuencias, lo que hace fundamental el uso de AI y ML para mejorar su rendimiento (Li & Wang, 2021).

Predicción y optimización de haces con ML en entornos dinámicos

En relación a las técnicas utilizadas, el aprendizaje automático, ML, se implementa en la gestión de haces, BM, para predecir y optimizar la dirección y forma de los haces electromagnéticos, basándose en patrones históricos y datos en tiempo real, permitiendo así adaptarse dinámicamente a cambios en el entorno como el movimiento de usuarios o la aparición de obstáculos. Además, la inteligencia artificial, AI, se emplea para tomar decisiones autónomas sobre la mejor estrategia de formación y rastreo de haces, utilizando algoritmos avanzados que analizan grandes volúmenes de datos para mejorar la precisión y reducir la latencia (Wang et al., 2020).

En conexión con los beneficios que estas tecnologías aportan, la integración del aprendizaje automático ML, y la inteligencia artificial AI, en la gestión de haces BM, permite un manejo más eficiente del espectro, lo que es fundamental en las bandas de las ondas mmWave y de los THz, donde la propagación de la señal es más complicada debido a la alta frecuencia. Estas bandas, aunque ofrecen un ancho de banda extremadamente amplio, presentan desafíos significativos en términos de pérdida de trayectoria y sensibilidad a los bloqueos físicos, por lo que la gestión adecuada de los haces es crítica para mantener la calidad del servicio (Yang et al., 2022).

Con referencia a las aplicaciones prácticas de estas tecnologías, en un escenario urbano denso, donde los usuarios y obstáculos cambian constantemente, la gestión de haces BM, basada en AI y ML puede ajustar automáticamente la transmisión de los haces electromagnéticos para mantener una conexión óptima. Por ejemplo, cuando un usuario está en movimiento, el sistema puede prever su trayectoria y ajustar el haz en consecuencia para evitar la desconexión. De igual manera, en un entorno industrial, donde las máquinas y vehículos se mueven dentro de un área controlada, la gestión de haces BM, puede optimizar la cobertura para asegurar que cada dispositivo permanezca conectado a la red en todo momento (Zhang & Zhang, 2023).

Eficiencia energética y sostenibilidad en la gestión de haces

Al considerar la evolución futura, la implementación de la gestión de haces electromagnéticos BM, en la 6G, no solo se limitará a mejorar la calidad del enlace, sino que también se enfocará en la sostenibilidad energética, minimizando el consumo de energía mediante la dirección precisa de los haces electromagnéticos, evitando así, la irradiación innecesaria en áreas donde no se requiere cobertura. Además, la integración de técnicas de aprendizaje federado, un tipo avanzado de aprendizaje automático, ML, permite entrenar modelos sin necesidad de transferir los datos a un servidor central, lo que será necesario para mejorar la eficiencia y privacidad de las comunicaciones en 6G (Liu et al., 2021).

Desde esta perspectiva, la combinación de la gestión de haces BM, con la inteligencia artificial AI, y el aprendizaje automático ML, en 6G, representa un avance significativo en la gestión de las comunicaciones en las bandas de frecuencias de las ondas milimétricas mmWave y de los THz, resolviendo problemas que son críticos para la próxima generación de redes inalámbricas. Esto no solo mejorará la conectividad y el rendimiento de la red 6G, sino que también abrirá nuevas oportunidades para aplicaciones en áreas como la automatización industrial, la realidad aumentada y la internet de las cosas, IoT, (Internet of Things), que dependen de conexiones rápidas y fiables (Zhang et al., 2022).

Futuras direcciones de investigación en BM y ML

A su vez, es de suma importancia el uso de técnicas basadas en aprendizaje profundo, en la gestión de haces BM, para identificar algunas dificultades abiertas en los planteamientos de futuras investigaciones en este campo. Es indispensable ampliar la visión de la gestión BM basada en técnicas convencionales ampliada en dirección al aprendizaje profundo de última generación. Se debe destacar también las dificultades técnicas existentes actualmente en el campo de la gestión BM y cubrir las técnicas todavía limitadas de las tecnologías de aprendizaje profundo en este campo.

Debido al rápido desarrollo del aprendizaje automático, (ML, Machine Learning) en comunicaciones en ondas milimétricas, (mmWave, Millimeter Wave) y en los terahercios, (THz, Terahertz), se destaca la importancia que tiene la gestión de haces, (BM, Beam Management) basados en ML no solo al incorporar las técnicas de aprendizaje profundo, sino al incorporar el aprendizaje supervisado, (SL, Supervised Learning), el aprendizaje por refuerzo, (RL, Reinforcement Learning) y el aprendizaje federado, (FL, Federated Learning) en la gestión BM en el rango espectral de las mmWave y en la tecnología de los THz.

BM en escenarios de emergencia y redes críticas

En este sentido, en aplicaciones de rescate durante emergencias, la AI permite tomar decisiones autónomas sobre la mejor estrategia de formación y seguimiento de haces. Por ejemplo, durante un terremoto, drones equipados con AI pueden analizar grandes volúmenes de datos para identificar rutas óptimas y áreas críticas, mejorando la precisión en la búsqueda y reduciendo la latencia (Casetti et al., 2024).

De la misma manera, en entornos urbanos densos, donde los usuarios y obstáculos cambian constantemente, la gestión de haces BM basada en AI y ML ajusta automáticamente los haces para mantener una conexión óptima. Por ejemplo, si un usuario está en movimiento, el sistema puede prever su trayectoria y ajustar el haz en consecuencia para evitar la desconexión (Xue et al., 2023). Técnicamente, esto se logra mediante algoritmos de aprendizaje profundo que analizan datos de movilidad y predicen movimientos futuros, permitiendo ajustes proactivos en la dirección del haz (Khan & Jantti, 2023).

Automatización industrial y conectividad inteligente en 6G

En efecto, en entornos industriales, donde máquinas y vehículos se mueven dentro de un área controlada, la tecnología de gestión de haces BM, optimiza la cobertura para asegurar que cada dispositivo permanezca conectado a la red en todo momento. Esto no solo mejora la eficiencia operativa, sino que también reduce costos al minimizar interrupciones y mantener la productividad (Brilhante et al., 2023).

Por otra parte, la implementación de la BM en 6G no solo mejora la calidad del enlace, sino que también se enfoca en la sostenibilidad energética. Al dirigir los haces de manera precisa y evitar la irradiación innecesaria en áreas donde no se requiere cobertura, se minimiza el consumo de energía (Demirhan & Alkhateeb, 2021). Por ejemplo, en el sector de la telemedicina, una gestión eficiente de los haces garantiza que los dispositivos médicos permanezcan conectados sin interrupciones, beneficiando a los pacientes al proporcionar monitoreo continuo y reduciendo la necesidad de visitas hospitalarias (Casetti et al., 2024).

En otro orden de ideas, en la fabricación de drones, la integración de las técnicas de gestión de haces BM con AI y ML ofrece oportunidades en áreas como la automatización industrial, la realidad aumentada y el Internet de las Cosas IoT, que dependen de conexiones rápidas y fiables. Por ejemplo, drones utilizados en inspecciones industriales pueden beneficiarse de una conexión estable y de baja latencia, permitiendo transmisiones de video en tiempo real y respuestas inmediatas a condiciones cambiantes (Brilhante et al., 2023).

Desafíos abiertos en la aplicación de ML a BM

Asimismo, en el sector ferroviario, es indispensable ampliar la gestión BM basada en técnicas convencionales hacia el aprendizaje profundo de última generación. Actualmente, existen desafíos en la gestión de BM, como la adaptación a entornos cambiantes y la predicción precisa de trayectorias. Las técnicas de aprendizaje profundo, aunque aún limitadas en este campo, ofrecen potencial para abordar estas dificultades al analizar grandes volúmenes de datos y aprender patrones complejos de comportamiento (Khan & Jantti, 2023).

Tecnología 6G, AI y Grafeno: La Revolución en Conectividad y Transporte Urbano

En figura 2 se ilustra un ejemplo hipotético, donde una motociclista con un casco de alta tecnología se encuentra en un cruce inteligente, donde su presencia es detectada automáticamente por sensores interconectados con la infraestructura vial. Estos dispositivos utilizan inteligencia artificial, AI, (Artificial Intelligence) y el internet de las cosas, IoT, (Internet of Things) para recopilar y analizar información en tiempo real sobre el tráfico y las condiciones ambientales. A su alrededor, los peatones y los vehículos autónomos se sincronizan mediante redes 6G, que operan en las bandas de ondas milimétricas, mmWave, (Millimeter Wave) y terahercios, THz, (Terahertz), optimizando la movilidad urbana. La motociclista, a través de su casco avanzado, recibe notificaciones instantáneas sobre la circulación y posibles riesgos, facilitando una interacción fluida con el entorno inteligente (Wang et al., 2021).

A su vez, un dron de gran tamaño, supervisa la escena, y está equipado con tecnologías de aprendizaje automático, ML, (Machine Learning), y gestión de haces, BM, (Beam Management), lo que le permite ajustar dinámicamente la dirección de las señales de comunicación según la densidad del tráfico y la ubicación de los usuarios. Esta capacidad de adaptación es importante para mantener una conectividad estable en entornos urbanos densos, donde la propagación de señales en las frecuencias de las ondas mmWave y los THz puede verse afectada por la presencia de edificios y otros obstáculos. Gracias a la integración de las tecnologías de inteligencia artificial AI y aprendizaje automático ML, el dron optimiza la distribución del espectro radioeléctrico, reduciendo la latencia y mejorando la eficiencia de la transmisión de datos (Zhang et al., 2022).

En relación con la conectividad entre los diferentes elementos de la escena, el tren magnético que circula fluidamente en la ciudad futurista se comunica con la infraestructura de transporte a través de las redes 6G, permitiendo la sincronización precisa de sus movimientos con los vehículos autónomos y los peatones. Estas redes utilizan técnicas avanzadas de formación de haces inteligentes, beamforming, que dirigen las señales directamente hacia los dispositivos móviles, minimizando la interferencia y el consumo energético. Además, la aplicación de aprendizaje profundo en la gestión de haces posibilita la predicción del comportamiento de los usuarios y la adaptación preventiva de los enlaces de comunicación, asegurando una experiencia fluida y confiable (Khan & Jantti, 2023).

Paralelamente, la fabricación de chips de grafeno desempeña un papel fundamental en el desarrollo de la tecnología 6G, especialmente en la optimización de las comunicaciones en frecuencias de los THz y de las ondas mmWave. Estos chips presentan características únicas, como alta conductividad y flexibilidad, lo que permite su integración en dispositivos portátiles avanzados, como el casco de la motociclista. En este contexto, el uso de materiales innovadores y el diseño de circuitos de ultra alta frecuencia permiten mejorar la eficiencia energética y la capacidad de transmisión de datos en entornos urbanos inteligentes, facilitando la implementación de aplicaciones de realidad extendida, XR, (Extended Reality), y comunicación holográfica (Liu et al., 2021).

Por otro lado, la interacción entre los sistemas de tráfico y los dispositivos personales de los ciudadanos se basa en la conectividad masiva de dispositivos del Internet de las Cosas IoT, que permiten el intercambio de información en tiempo real. Gracias al uso de inteligencia AI y aprendizaje ML, los semáforos inteligentes ajustan sus tiempos en función del flujo vehicular y peatonal, optimizando la movilidad y reduciendo los tiempos de espera. Asimismo, la implementación de aprendizaje federado, FL, (Federated Learning), en la gestión del tráfico permite mejorar la seguridad y privacidad de los datos al procesar la información localmente en cada nodo de la red, sin necesidad de enviarla a servidores centrales (Demirhan & Alkhateeb, 2021).

Con respecto a la eficiencia energética en el contexto de la conectividad 6G, las tecnologías de gestión de haces desempeñan un papel clave al reducir el consumo de energía mediante la orientación de una dirección precisa de las señales. En este sentido, la combinación de AI y ML permite minimizar la irradiación innecesaria y focalizar la potencia de transmisión en las áreas donde se requiere cobertura. Este enfoque no solo mejora la calidad del servicio, sino que también contribuye a la sostenibilidad del ecosistema urbano, reduciendo el impacto ambiental de las infraestructuras de telecomunicaciones (Brilhante et al., 2023).

Se puede asegurar, que la evolución de las redes 6G y la fabricación de chips de grafeno para aplicaciones en los THz y en las mmWave abren nuevas posibilidades en la automatización industrial, la telemedicina y las comunicaciones vehiculares. La integración de AI y ML en la gestión de redes permite mejorar la estabilidad de las infraestructuras de comunicación, adaptándose dinámicamente a las condiciones del entorno y optimizando el uso del espectro radioeléctrico. En este escenario, la implementación de sistemas autónomos interconectados transformará la movilidad urbana y la interacción entre los ciudadanos y la tecnología, allanando el camino hacia una sociedad más inteligente y eficiente (Casetti et al., 2024).

Beamforming inteligente: clave para el futuro de las redes 6G

En definitiva, la evolución de las redes 6G depende en gran medida de la integración de técnicas avanzadas de aprendizaje automático e inteligencia artificial en la gestión de haces. Por ejemplo, en el sector de las telecomunicaciones, la optimización dinámica de los haces permitirá mejorar la conectividad en entornos urbanos densos, garantizando una transmisión estable incluso en presencia de obstáculos y movimiento de usuarios (Rappaport et al., 2015). Además, en la industria manufacturera, la comunicación ultra fiable y de baja latencia impulsada por gestión de haces BM, y aprendizaje automático ML, posibilitará la automatización de fábricas inteligentes, donde robots y sensores colaborarán en tiempo real sin interrupciones en la red (Khan et al., 2023).

Asimismo, la implementación de la tecnología de la gestión de haces BM, en drones y vehículos autónomos permitirá una mejor coordinación del tráfico aéreo y terrestre, optimizando las rutas de comunicación y evitando interferencias. En particular, estudios recientes han demostrado que el uso de redes neuronales profundas en la formación de haces puede reducir significativamente la pérdida de señal en escenarios dinámicos, como en autopistas inteligentes y redes de telecomunicaciones satelitales (Gupta & Jha, 2015).

Con todo lo anterior se puede afirmar, que la gestión inteligente de haces basada en ML y AI representa un avance disruptivo en las telecomunicaciones, permitiendo que las redes sean más eficientes, flexibles y sostenibles. A medida que la investigación en este campo avanza, se espera que surjan nuevas aplicaciones que transformarán sectores clave, desde la medicina hasta el transporte. Así pues, el desarrollo de estas tecnologías no solo garantizará conexiones más rápidas y seguras, sino que también abrirá la puerta a un futuro hiperconectado donde la inteligencia artificial optimizará cada aspecto de la comunicación inalámbrica.

Ilustración futurista de una ciudad inteligente con tecnología 6G, mostrando a una joven motociclista con un casco de alta tecnología, un dron de gran tamaño y elementos de conectividad avanzada.
Figura 2. Escena de una ciudad futurista, donde una motociclista con un casco de última generación espera en su moto avanzada. Un dron de gran tamaño supervisa el tráfico autónomo, mientras los acrónimos ‘6G’, ‘IOT’, ‘ML’ y ‘XR’ resaltan la integración de estas tecnologías

Tecnologías avanzadas para la gestión de haces en redes 5G y 6G

En un mundo donde la conectividad es cada vez más esencial, la gestión de haces (BM, Beam Management) emerge como una tecnología clave para optimizar la eficiencia de las redes inalámbricas. A medida que la evolución de las telecomunicaciones avanza hacia 6G, la incorporación de frecuencias en mmWave y THz se convierte en una necesidad para satisfacer la creciente demanda de datos y mejorar la calidad de la comunicación (Zhang et al., 2023). Sin embargo, estos avances presentan barreras técnicas significativas, tales como la alta atenuación de señal, la movilidad de los usuarios y la complejidad de los algoritmos de formación de haces (Lee et al., 2024).

Para abordar estas dificultades, las técnicas basadas en inteligencia artificial (IA) y aprendizaje automático (ML) ofrecen soluciones innovadoras, mejorando la adaptabilidad de los sistemas de comunicación (Patel et al., 2023). Métodos como el aprendizaje federado (FL), el meta-aprendizaje y los transformadores de inteligencia artificial prometen optimizar la gestión de haces en entornos dinámicos, permitiendo conexiones más estables y eficientes (Singh et al., 2024). A medida que la investigación en estas tecnologías avanza, la posibilidad de desarrollar redes más robustas y adaptativas se convierte en un objetivo esencial para el futuro de las telecomunicaciones (Gonzalez et al., 2024).

Limitaciones y desafíos actuales en la gestión de haces (BM) en las mmWave y los THz

Analizar las limitaciones del marco actual de la gestión de haces (BM, Beam Management) y considerar las características clave del marco ideal de la tecnología de gestión de haces BM en las bandas de ondas milimétricas (mmWave) y en los terahercios (THz, Terahertz) constituye una base esencial para comparar las técnicas de BM basadas en el aprendizaje automático (ML, Machine Learning). Además, al examinar las técnicas existentes que se apoyan en entornos de ML, se facilita a los futuros científicos la comprensión de las particularidades de dichos entornos de aprendizaje, permitiéndoles identificar brechas de investigación relevantes. Esto es especialmente valioso al ofrecer una evaluación exhaustiva y comparativa de las tecnologías actuales en este campo. Por lo tanto, resulta imprescindible identificar las limitaciones técnicas actuales para orientar las investigaciones futuras hacia áreas específicas como el aprendizaje federado (FL, Federated Learning), el meta-aprendizaje y los transformadores de inteligencia artificial (AI, Artificial Intelligence), que parecen ser elementos clave para abordar las problemáticas presentes en las técnicas de gestión de haces BM, basadas en aprendizaje automático ML.

Nuevos retos del BM en redes 6G

De manera similar, el avance hacia la 6G amplía las barreras técnicas de la gestión de haces BM, al incorporar las bandas de los terahercios (THz, Terahertz), lo que introduce una mayor sensibilidad a los obstáculos físicos y la dispersión de señales. A diferencia de la 5G, donde el aprendizaje automático ML, ya es utilizado para optimizar la selección de haces, en 6G se busca integrar metodologías más avanzadas como el aprendizaje federado (FL, Federated Learning), el meta-aprendizaje y los transformadores de inteligencia artificial (AI, Artificial Intelligence) para mejorar la adaptabilidad y eficiencia del sistema de comunicación (Patel et al., 2023).

Hacia un marco ideal de BM en redes 6G

Por otra parte, un marco ideal de BM en 6G debería permitir una gestión de haces altamente adaptable a escenarios dinámicos, donde múltiples dispositivos Internet de las Cosas IoT Industrial, requieran conexiones estables y de baja latencia. Un ejemplo de esto se observa en fábricas inteligentes, donde sensores distribuidos necesitan mantener enlaces robustos en presencia de obstrucciones mecánicas y cambios en la disposición del entorno de trabajo. En estos casos, el uso de transformadores de AI puede ayudar a predecir variaciones en el canal de comunicación y optimizar la asignación de haces en tiempo real (Singh et al., 2024).

Diferencias clave entre BM en redes 5G y 6G

En contraste con la 5G, las técnicas estándar de la BM dependen en gran medida de la exploración secuencial de haces y de la retroalimentación del enlace ascendente, lo que puede generar una sobrecarga significativa en el ancho de banda y un retraso en la asignación óptima de haces. Con el uso de FL en 6G, los dispositivos pueden colaborar en la optimización de la gestión de haces BM, sin necesidad de compartir datos brutos, reduciendo así los problemas de privacidad y el consumo energético (Gonzalez et al., 2024).

Meta-aprendizaje en redes 6G: Innovaciones y aplicaciones prácticas

Además, la combinación de gestión de haces electromagnéticos BM con el meta-aprendizaje en 6G permitirá la generación de modelos que se adapten a nuevas condiciones con una mínima cantidad de datos de entrenamiento, mejorando la eficiencia del sistema en entornos de comunicación altamente variables. En aplicaciones del IoT Industrial, esta capacidad es esencial para garantizar la conectividad continua en robots autónomos y sistemas de monitoreo en fábricas que operan en tiempo real (Lee et al., 2024).

Dado que, el meta-aprendizaje es una subdisciplina del aprendizaje automático, este se centra en diseñar modelos capaces de aprender nuevas tareas con rapidez y eficiencia, utilizando una cantidad mínima de datos de entrenamiento. Esta habilidad es esencial en entornos donde las condiciones cambian con frecuencia y la adaptabilidad es necesaria (Vanschoren, 2019).

En el contexto de las redes 6G, el meta-aprendizaje se emplea para mejorar la gestión de haces electromagnéticos, también conocida como Beam Management (BM). Esta técnica implica el direccionamiento preciso de señales hacia dispositivos específicos, optimizando la eficiencia y reduciendo interferencias (Zhang et al., 2020).

Además, las características técnicas del meta-aprendizaje incluyen la capacidad de generalizar a nuevas tareas rápidamente, la utilización eficiente de datos limitados y la adaptación continua a entornos cambiantes. Estas propiedades lo convierten en una herramienta valiosa para la gestión de haces en redes 6G, donde la dinámica del entorno puede afectar la calidad de la señal (Hospedales et al., 2021).

Por ejemplo, en aplicaciones del Internet de las Cosas Industrial (IIoT), el meta-aprendizaje puede facilitar la conectividad constante de robots autónomos y sistemas de monitoreo en fábricas que operan en tiempo real. Al adaptarse rápidamente a cambios en el entorno, se asegura una comunicación eficiente y sin interrupciones (Lee et al., 2024).

De esta forma, la asociación del meta-aprendizaje en la gestión de haces electromagnéticos en redes 6G representa un avance significativo para mejorar la eficiencia y adaptabilidad de las comunicaciones en entornos altamente variables. Esta combinación promete optimizar aplicaciones críticas, especialmente en el ámbito industrial, donde la fiabilidad y la rapidez son esenciales.

Tecnologías emergentes para la gestión eficiente de haces en 6G

Adviértase, que las investigaciones futuras deben enfocarse en superar las limitaciones actuales de la gestión de haces BM en 5G, desarrollando soluciones basadas en AI que puedan abordar la movilidad extrema, la densificación de dispositivos y la gestión eficiente de espectro en 6G. Tecnologías como el aprendizaje federado FL, transformadores de AI y meta-aprendizaje representan enfoques básicos para mejorar la estabilidad y eficiencia de las redes de próxima 6G (Patel et al., 2023).

En consideración de las limitaciones del marco actual de BM, otro de los principales problemas técnicos es la complejidad computacional asociada con los algoritmos de procesamiento de la gestión de haces electromagnéticos BM. A medida que aumenta el número de antenas y haces, la cantidad de cálculos necesarios para optimizar la BM crece exponencialmente. Esto puede resultar en un consumo de energía excesivo y una latencia inaceptable, especialmente en dispositivos móviles con recursos limitados. Además, los algoritmos de BM convencionales a menudo se basan en modelos de canal simplificados que no capturan con precisión la dinámica compleja de los entornos de propagación del mundo real, lo que lleva a una degradación del rendimiento en escenarios prácticos.

Para establecer y mantener enlaces de alta calidad entre un transmisor y un receptor haciendo uso de la gestión de haces (BM, Beam Management) en comunicaciones inalámbricas, es fundamental optimizar la selección y dirección de los haces de señales. En este contexto, la BM es un proceso esencial que permite maximizar la potencia de la señal recibida y minimizar la interferencia, lo que se traduce en un rendimiento más eficiente de la red. A través del uso de técnicas avanzadas como la formación de haces adaptativa y el seguimiento de haces en tiempo real, las redes pueden ajustarse dinámicamente a las condiciones cambiantes del canal y del entorno de propagación (Zhang, Wang, & Zhao, 2023).

Inteligencia artificial y aprendizaje automático en BM

Adicionalmente, la BM puede optimizar la selección y dirección de los haces mediante el empleo de algoritmos de inteligencia artificial y aprendizaje automático, los cuales analizan datos en tiempo real para determinar el mejor ángulo y forma del haz electromagnético. Estas estrategias permiten que la señal sea dirigida hacia los dispositivos móviles de manera precisa, reduciendo la interferencia y mejorando la calidad del enlace. Además, tecnologías como los arreglos de antenas masivas con múltiples entradas y salidas (MIMO, Multiple-Input Multiple-Output) facilitan una gestión más eficiente de los haces, al permitir numerosos flujos de datos simultáneamente (Gupta, Kumar, & Singh, 2022).

En consecuencia, el ajuste dinámico de la dirección, el ancho y la forma de los haces se vuelve esencial en la implementación de redes de Internet de las Cosas (IoT, Internet of Things). Por ejemplo, en aplicaciones de IoT en entornos urbanos inteligentes, la BM puede modificar en tiempo real la orientación del haz en función del movimiento de vehículos autónomos o sensores ambientales. Esta adaptabilidad es posible gracias a la retroalimentación de los dispositivos y a modelos predictivos que anticipan los cambios en la propagación de la señal debido a obstáculos o variaciones en el entorno (Chen, Li, & Zhou, 2024).

La complejidad de los algoritmos de BM y su impacto en el rendimiento

Por otra parte, las limitaciones del marco actual de la gestión de haces BM, están relacionadas con la complejidad computacional de los algoritmos utilizados. La necesidad de evaluar múltiples combinaciones de haces y su impacto en la señal requiere un alto poder de procesamiento, lo que puede ser un problema en dispositivos con recursos limitados. Un caso concreto se observa en redes móviles donde la latencia y el consumo de energía son factores críticos. El reto radica en diseñar algoritmos eficientes que logren un equilibrio entre rendimiento y consumo energético, sin afectar la experiencia del usuario (Lee & Park, 2021).

BM en redes 6G: desafíos en consumo energético y latencia

A medida que aumenta el número de antenas y haces en sistemas de comunicación 6G, la cantidad de cálculos necesarios para optimizar la gestión de haces electromagnéticos BM, crece exponencialmente. Este incremento en la carga computacional conlleva un mayor consumo energético, lo que se traduce en barreras técnicas operativas para dispositivos móviles con baterías con niveles de carga limitados. Además, la latencia de procesamiento puede volverse inaceptable en aplicaciones de comunicación en tiempo real, como vehículos conectados o redes industriales automatizadas (Rahman & Ahmed, 2023).

Inteligencia artificial y aprendizaje profundo en la optimización de BM

En comparación con los algoritmos convencionales de gestión de haces BM, que a menudo se basan en modelos simplificados del canal de propagación, los últimos avances en la materia incorporan técnicas avanzadas de inteligencia artificial y aprendizaje profundo. Estas metodologías permiten modelar de manera más precisa la dinámica del entorno de propagación, mejorando significativamente la eficiencia en la gestión de haces. Por ejemplo, en el contexto de redes 6G, se están explorando soluciones basadas en redes neuronales profundas que pueden predecir patrones de propagación en escenarios urbanos complejos, superando las limitaciones de los modelos estándar (Zhang, Wang, & Zhao, 2023).

Aplicaciones prácticas de BM en redes 6G y futuras comunicaciones

En efecto, la implementación de la gestión BM eficiente es un aspecto fundamental para el desarrollo de las comunicaciones inalámbricas de próxima generación. En el caso de las redes 6G, se están explorando nuevas técnicas como la formación de haces mediante inteligencia artificial y la integración de metapantallas inteligentes (IRS, Intelligent Reflecting Surfaces), que permiten modificar dinámicamente la propagación de la señal para mejorar la cobertura y reducir la interferencia. Estas innovaciones están sentando las bases para un futuro en el que las redes sean más adaptativas y eficientes, asegurando enlaces de alta calidad en diversos entornos de comunicación (Gupta, Kumar, & Singh, 2022).

BM en mmWave y THz: adaptación a cambios en el entorno

Con respecto a las características clave del marco ideal de la gestión de haces BM en las bandas de las ondas milimétricas (mmWave) y en los terahercios (THz), la adaptabilidad y la robustez son esenciales. Estas bandas de frecuencia ofrecen un ancho de banda masivo y altas velocidades de transmisión de datos, pero también son susceptibles a bloqueos y pérdidas de trayectoria debido a su corta longitud de onda. Por lo tanto, el marco ideal de la gestión de haces BM, debe ser capaz de adaptarse rápidamente a los cambios en el entorno, como la movilidad del usuario o la aparición de obstáculos, y mantener un enlace estable incluso en presencia de condiciones adversas del canal. Además, la eficiencia energética es una consideración crítica, ya que el consumo de energía de los sistemas de ondas mmWave y de los THz puede ser significativo. En este contexto, la BM debe ser capaz de lograr un rendimiento óptimo con un consumo de energía mínimo, especialmente en dispositivos alimentados con baterías.

En lo que corresponde a los ejemplos, en el contexto de las comunicaciones vehiculares, donde los vehículos se mueven a altas velocidades y experimentan cambios rápidos en el entorno, un marco de BM adaptable y robusto es esencial para garantizar una conectividad confiable y continua. Por ejemplo, si un vehículo se encuentra con un obstáculo que bloquea la línea de visión directa con la estación base, el marco de BM debe ser capaz de cambiar rápidamente a un haz alternativo o utilizar técnicas de rebote de múltiples haces para mantener el enlace. En el contexto de las redes de acceso inalámbrico fijo (FWA, Fixed Wireless Access), donde los dispositivos de usuario están estacionarios, pero pueden experimentar cambios en las condiciones del canal debido a factores ambientales como la lluvia o el follaje, un marco de gestión de haces BM, adaptable, es necesario para mantener un rendimiento óptimo. Por ejemplo, si la lluvia intensa causa una atenuación significativa de la señal, el marco de la BM debe ser capaz de ajustar la potencia del haz o cambiar a una frecuencia diferente para compensar la pérdida de señal.

Además, la adaptabilidad y la robustez son esenciales en un marco ideal de formación de haces (BM, Beamforming) en bandas de frecuencia de operación extremadamente elevadas. La BM permite dirigir las señales de manera precisa hacia los dispositivos, mejorando la eficiencia espectral y la calidad de la señal (Heath et al., 2016). Por ejemplo, en aplicaciones industriales con drones, un sistema de BM adaptable puede ajustar dinámicamente la dirección del haz para mantener una conexión estable, incluso cuando el dron se mueve o encuentra obstáculos inesperados (Zhang et al., 2019).

Por otro lado, la eficiencia energética es una consideración crítica en sistemas mmWave y THz, especialmente en el contexto de ciudades inteligentes. El consumo de energía de estos sistemas puede ser también significativo debido a la necesidad de múltiples elementos de antena y procesamiento de señales complejo (Rappaport et al., 2013). Por ejemplo, en una ciudad inteligente, donde numerosos dispositivos IoT funcionan con baterías, es muy importante que la gestión de haces BM, logre un rendimiento óptimo con un consumo mínimo de energía para prolongar la vida útil de las baterías y reducir costos operativos (Han et al., 2015).

Asimismo, en las comunicaciones vehiculares, donde los vehículos se desplazan a altas velocidades y experimentan cambios rápidos en el entorno, un marco de BM adaptable y robusto es esencial para garantizar una conectividad confiable y continua. Por ejemplo, si un vehículo encuentra un obstáculo que bloquea la línea de vista directa de propagación electromagnética direccional con la estación base, el sistema de BM debe ser capaz de cambiar rápidamente a un haz alternativo o utilizar técnicas de transmisiones de múltiples haces para mantener el enlace, mejorando la seguridad y la eficiencia de la transmisión (Va et al., 2016).

Además, en redes de acceso inalámbrico fijo (FWA, Fixed Wireless Access), donde los dispositivos de usuario son estacionarios, pero pueden experimentar cambios en las condiciones del canal debido a factores ambientales como la lluvia o el follaje, un marco de gestión de haces BM, adaptable, es necesario para mantener un rendimiento óptimo. Por ejemplo, si una lluvia intensa causa una atenuación significativa de la señal, el sistema de BM debe ser capaz de ajustar la potencia del haz o cambiar a una frecuencia diferente para compensar la pérdida de señal, asegurando una conexión estable y de alta calidad para los usuarios (Ghosh et al., 2014).

Así, la adaptabilidad y la robustez en la formación de haces son fundamentales para aprovechar las ventajas de las bandas de las ondas mmWave y de los THz en aplicaciones IoT y de comunicación móvil 6G. Estas características permiten mantener enlaces estables y eficientes en entornos dinámicos y desafiantes, asegurando un rendimiento óptimo y una eficiencia energética adecuada en diversas aplicaciones.

Brechas de investigación en aprendizaje automático para BM

En cuanto a la identificación de brechas de investigación en el aprendizaje automático para la gestión de haces electromagnéticos en entornos de ondas milimétricas y terahercios, es fundamental comprender primero las limitaciones del marco actual de gestión de haces (BM, Beam Management) y las características clave que debería poseer un marco ideal en estas bandas de frecuencia. Esto sentará las bases para una comparación efectiva de las diversas técnicas de BM basadas en aprendizaje automático (ML, Machine Learning) y permitirá identificar áreas donde la investigación puede marcar una diferencia significativa. Un estudio reciente destaca la importancia de establecer un marco de referencia sólido para evaluar y comparar las tecnologías emergentes en este campo.

Con respecto a las técnicas existentes que utilizan entornos de ML para la gestión de haces, el análisis detallado no solo ayuda a comprender las características específicas de estos entornos de aprendizaje, sino que también revela las brechas de investigación relevantes. Un estudio comparativo exhaustivo de estas tecnologías puede arrojar luz sobre las limitaciones técnicas actuales y guiar la investigación futura hacia áreas prometedoras. Relacionado con la industria de fabricación de semiconductores, la identificación de estas brechas de investigación es indispensable. Por ejemplo, el aprendizaje federado (FL, Federated Learning) podría permitir que múltiples dispositivos colaboren en el entrenamiento de modelos de gestión de haces BM, sin comprometer la privacidad de los datos, lo cual es esencial en un entorno industrial donde la protección de la propiedad intelectual es primordial.

El meta-aprendizaje, por su parte, podría acelerar el proceso de adaptación de los modelos de gestión de haces BM, a nuevos entornos y escenarios, lo que es primordial en una industria en constante evolución. En este contexto, se ha explorado el potencial del meta-aprendizaje para mejorar la eficiencia y la adaptabilidad de los sistemas de comunicación inalámbrica, lo que podría ser aplicado a la gestión de haces. Igualmente, los transformadores de inteligencia artificial (AI, Artificial Intelligence) podrían mejorar la capacidad de los modelos de gestión de haces BM, para manejar datos complejos y multidimensionales, lo que es fundamental para optimizar el rendimiento de los dispositivos semiconductores en entornos de las ondas milimétricas y de los terahercios. Algunas investigaciones han sentado las bases para el uso de transformadores en el procesamiento del lenguaje natural, y su aplicación a la gestión de haces es algunas áreas de investigación prometedoras.

Problemáticas y soluciones en la BM basado en el ML

En cuanto a las problemáticas de las técnicas de gestión de haces (BM, Beam Management) basadas en aprendizaje automático (ML, Machine Learning), es fundamental reconocer que la gestión de haces en bandas de las ondas milimétricas (mmWave) y de los terahercios (THz, Terahertz) presenta desafíos únicos debido a la alta atenuación y sensibilidad a bloqueos. Las técnicas de BM basadas en ML prometen superar estas limitaciones mediante el aprendizaje de patrones a partir de datos, pero también enfrentan obstáculos técnicos que deben ser abordados.

Dificultades técnicas en la recolección de datos y sesgos en los modelos de ML

En lo que respecta a las limitaciones técnicas actuales, una de las principales, es la necesidad de grandes cantidades de datos etiquetados para entrenar modelos de aprendizaje automático ML precisos. La recopilación y el etiquetado de estos datos en entornos de las ondas mmWave y de los THz pueden ser costosos y complejos. Además, los modelos de aprendizaje ML pueden ser susceptibles a errores y sesgos, lo que puede afectar negativamente el rendimiento de la gestión BM. Otra limitación es la necesidad de recursos computacionales significativos para entrenar y ejecutar modelos de aprendizaje automático ML complejos, lo que se convierte en un problema grave en dispositivos con recursos limitados.

Beneficios y limitaciones del aprendizaje federado en BM

Con respecto al aprendizaje federado (FL, Federated Learning), esta técnica permite entrenar modelos de aprendizaje automático ML, de forma distribuida en múltiples dispositivos sin necesidad de compartir datos en bruto. Esto puede ser beneficioso en entornos de las ondas mmWave y de los THz, donde la privacidad y la seguridad de los datos son determinantes. Sin embargo, el aprendizaje federado FL, también presenta dificultades técnicas, como la heterogeneidad de los dispositivos y la comunicación limitada entre ellos.

En relación con el meta-aprendizaje, esta técnica tiene como objetivo mejorar la capacidad de los modelos de aprendizaje automático ML, para aprender nuevas tareas rápidamente a partir de pequeñas cantidades de datos. Esto puede ser valioso en entornos de las ondas mmWave y de los THz, donde los patrones de propagación pueden cambiar rápidamente debido a la movilidad y los bloqueos. Sin embargo, el meta-aprendizaje también requiere recursos computacionales significativos y puede ser sensible a la elección de las tareas y de los algoritmos de aprendizaje.

Transformadores de AI en BM: una solución emergente

En lo que se refiere a los transformadores de inteligencia artificial (AI, Artificial Intelligence), estos modelos han demostrado un gran éxito en el procesamiento del lenguaje natural y otras tareas. Su capacidad para capturar dependencias a largo plazo y manejar grandes cantidades de datos los convierte en candidatos prometedores para la gestión de haces BM en las ondas milimétricas mmWave y en los THz. Sin embargo, los transformadores también pueden ser computacionalmente costosos y requieren una adaptación cuidadosa para abordar las características específicas de estos entornos.

Técnicas de ML para Redes 6G: Optimización del Beamforming en Frecuencias de las mmWave y los Terahercios

Con seguridad, que abordar las problemáticas de las técnicas de la gestión de haces BM, basadas en aprendizaje automático ML, para las ondas milimétricas mmWave y en los THz requiere una investigación continua en áreas como el aprendizaje federado, el meta-aprendizaje y los transformadores de AI. Superar las limitaciones técnicas actuales y aprovechar el potencial de estas tecnologías emergentes permitirá desarrollar soluciones de gestión de haces electromagnéticos BM, más eficientes, robustas y adaptables para las futuras redes inalámbricas.

Es fundamental reconocer, que el marco actual de gestión de haces (BM, Beam Management) enfrenta limitaciones significativas en las bandas de frecuencias de ondas milimétricas (mmWave) y terahercios (THz, Terahertz). Estas bandas requieren la formación de haces más estrechos para compensar la alta atenuación de la señal, lo que incrementa la sobrecarga de medición y la complejidad del seguimiento de los haces (Akyildiz et al., 2014). Además, el fenómeno de división de haces, donde el ángulo del haz varía con la frecuencia, puede provocar pérdidas de ganancia significativas, complicando aún más la gestión eficiente en estas bandas de frecuencias (Malaguera, 2025).

Entre tanto, un marco ideal de gestión de haces BM, en estas frecuencias, debería incorporar técnicas avanzadas que mitiguen estas limitaciones. Por ejemplo, la implementación de algoritmos de formación de haces adaptativos y el uso de superficies inteligentes reconfigurables (RIS, Reconfigurable Intelligent Surfaces) podrían mejorar la eficiencia y reducir la sobrecarga de medición (Zhang et al., 2021). Estas soluciones tecnológicas permitirían una gestión más efectiva de los haces en entornos dinámicos y complejos (Al-Falahy & Alani, 2021).

En cuanto a las técnicas existentes que utilizan entornos de aprendizaje automático (ML, Machine Learning) para la gestión de haces, su análisis detallado es esencial para comprender las características específicas de estos entornos de aprendizaje (Hussain et al., 2020). Este enfoque permite identificar brechas de investigación relevantes y áreas donde se requieren mejoras. Por ejemplo, la necesidad de grandes cantidades de datos etiquetados para entrenar modelos precisos es una limitación significativa en entornos de las ondas mmWave y de los THz (Vergara Barrios, 2020). Además, los modelos de aprendizaje automático ML, pueden ser susceptibles a errores y sesgos, afectando negativamente el rendimiento de la gestión BM (Hussain et al., 2020). Estas limitaciones destacan la importancia de desarrollar técnicas de aprendizaje ML, más robustas y eficientes para la gestión de haces en estas bandas de frecuencia (Vergara Barrios, 2020).

Es evidente, que el aprendizaje federado (FL, Federated Learning) permite que múltiples dispositivos colaboren en el entrenamiento de modelos de gestión BM, sin comprometer la privacidad de los datos (Niknam et al., 2020). Esto es esencial en entornos industriales donde la protección de la propiedad intelectual es primordial. Por ejemplo, en la industria de semiconductores, las empresas pueden entrenar conjuntamente modelos de BM utilizando datos locales, manteniendo la confidencialidad de información sensible (Khan et al., 2021). Esta colaboración mejora la precisión de los modelos sin exponer datos críticos, lo que es necesario para mantener la competitividad y cumplir con las regulaciones de privacidad (Niknam et al., 2020).

Por otra parte, el meta-aprendizaje puede acelerar la adaptación de los modelos de gestión de haces electromagnéticos BM, a nuevos entornos y escenarios (Park et al., 2020). En una industria en constante evolución, la capacidad de los modelos para aprender rápidamente de pequeñas cantidades de datos es básico. Por ejemplo, en aplicaciones del Internet de las Cosas IoT en redes 6G, los sensores pueden proporcionar datos específicos de nuevos entornos industriales (Letaief et al., 2022). El meta-aprendizaje permite que los modelos de gestión BM se ajusten rápidamente a estas nuevas condiciones, mejorando la eficiencia y la adaptabilidad de los sistemas de comunicación inalámbrica (Park et al., 2020).

Admitamos sin lugar a dudas, que los transformadores de inteligencia artificial (AI, Artificial Intelligence) mejoran la capacidad de los modelos de gestión BM, para manejar datos complejos y multidimensionales (Vaswani et al., 2017). Esto es fundamental para optimizar el rendimiento de los dispositivos semiconductores en entornos de las ondas mmWave y de los THz. Por ejemplo, los transformadores pueden procesar grandes volúmenes de datos de sensores IoT, identificando patrones complejos que mejoran la precisión de la gestión de haces (Letaief et al., 2022). Esta capacidad es un punto de partida, para desarrollar sistemas de comunicación más eficientes y adaptativos en la era de las redes 6G (Wang et al., 2021).

De esta forma, las técnicas de gestión de haces BM, basadas en aprendizaje automático ML, pueden superar las limitaciones técnicas actuales mediante el aprendizaje de patrones a partir de datos (Hussain et al., 2020). Sin embargo, enfrentan obstáculos como la necesidad de una Big Data etiquetada y recursos computacionales significativos. Por ejemplo, la recopilación y el etiquetado de datos en entornos de las ondas mmWave y de los THz pueden ser costosos y complejos, lo que representa una desventaja para la implementación eficiente de la 6G (Vergara Barrios, 2020). Estos desafíos resaltan la necesidad de desarrollar técnicas de aprendizaje automático ML, más eficientes y menos dependientes de grandes volúmenes de datos etiquetados (Hussain et al., 2020).

Considerando, que los modelos de aprendizaje automático ML, pueden ser susceptibles a errores y sesgos, esto, afecta negativamente el rendimiento de la gestión de haces BM. Por ejemplo, si un modelo de aprendizaje ML se entrena con datos sesgados, puede tomar decisiones incorrectas en la gestión de haces, reduciendo la eficiencia del sistema (Hussain et al., 2020). Además, la necesidad de recursos computacionales significativos para entrenar y ejecutar modelos de aprendizaje automático ML complejos, se convierte en un problema técnico en dispositivos con capacidades mínimas de procesamiento. Por ejemplo, en dispositivos IoT con capacidad de cómputo limitado, ejecutar modelos de aprendizaje ML complejos, para la gestión de haces puede ser inviable, lo que requiere el desarrollo de modelos más ligeros y eficientes (Niknam et al., 2020).

Por otro lado, abordar las problemáticas de las técnicas de la gestión de haces BM basadas en aprendizaje automático ML, para las ondas mmWave y de los THz requiere una investigación continua en áreas como el aprendizaje federado, el meta-aprendizaje y los transformadores de AI (Letaief et al., 2022). Por ejemplo, como analizamos anteriormente, desarrollar algoritmos de aprendizaje federado que manejen la heterogeneidad de dispositivos y conexiones intermitentes puede mejorar la colaboración en entornos industriales (Niknam et al., 2020). Además, investigar técnicas de meta-aprendizaje que permitan una rápida adaptación a cambios en el entorno de comunicación puede mejorar la eficiencia de la gestión de haces (Park et al., 2020). Igualmente, explorar el uso de transformadores de AI para procesar datos complejos y multidimensionales puede optimizar el rendimiento de los sistemas de comunicación en bandas de las ondas mmWave y de los THz (Wang et al., 2021).

Hacia una conectividad más eficiente con gestión de haces avanzada

A medida que las tecnologías de comunicación evolucionan, la gestión de haces en redes 5G y 6G desempeña un papel esencial en la optimización de la conectividad. La implementación de estrategias avanzadas basadas en IA ha demostrado ser una vía prometedora para superar las limitaciones actuales, permitiendo mejorar la eficiencia espectral y reducir la latencia en entornos dinámicos (Zhang, Wang, & Zhao, 2023). Por ejemplo, en aplicaciones de Internet de las Cosas (IoT), la capacidad de ajustar dinámicamente la dirección de los haces facilita una comunicación más estable entre sensores y dispositivos inteligentes (Chen, Li, & Zhou, 2024).

Además, en el ámbito industrial, el uso de aprendizaje federado en la gestión de haces abre nuevas oportunidades para optimizar redes en fábricas inteligentes y sistemas autónomos. Empresas de telecomunicaciones e investigadores trabajan en modelos más eficientes que reduzcan el consumo energético y mejoren la seguridad en la transmisión de datos (Rahman & Ahmed, 2023). A medida que estas soluciones se implementan en la práctica, la conectividad en redes 6G alcanzará niveles sin precedentes, beneficiando tanto a la industria como a la sociedad en general (Gupta, Kumar, & Singh, 2022).

En este contexto, resulta fundamental continuar explorando nuevas estrategias que permitan una gestión más eficiente de los haces en frecuencias de las ondas mmWave y de los THz. Con el desarrollo de modelos de aprendizaje adaptativos y técnicas avanzadas de formación de haces, la promesa de una conectividad más rápida, segura y confiable se encuentra más cerca de convertirse en una realidad (Letaief et al., 2022).

Fábricas Inteligentes con 6G: Gestión de Haces, IoT y Aprendizaje Automático

Consideremos el caso que se muestra en la Figura 3, donde, se ilustra un entorno de fabricación avanzado con la integración de redes 6G y la gestión de haces, optimizando los procesos industriales. En la imagen, un técnico especializado, equipado con un casco de alta tecnología y un uniforme diseñado para entornos de precisión, supervisa la operación de dispositivos IoT mediante una interfaz holográfica. Esta representación visual enfatiza la función significativa de la inteligencia artificial en la gestión de haces, permitiendo una optimización dinámica de la eficiencia espectral en entornos de fabricación de semiconductores. Además, la combinación de tecnologías emergentes como la inteligencia artificial y el aprendizaje automático permite que los sistemas se adapten en tiempo real a variaciones en la propagación de señales en las bandas de los terahercios y las ondas milimétricas, lo que es esencial para garantizar un funcionamiento eficiente en fábricas inteligentes de próxima generación (Zhang et al., 2023).

En este contexto, un técnico que opera en una empresa de fabricación de semiconductores basada en sustratos de grafeno se enfrenta a diversas limitaciones tecnológicas que pueden abordarse con la implementación de redes 6G. Por ejemplo, al utilizar comunicación holográfica, el especialista puede acceder a esquemas detallados de los circuitos y verificar parámetros de rendimiento de los chips en tiempo real. Este enfoque reduce la necesidad de interacciones físicas directas con los dispositivos, mejorando la precisión en la inspección y reduciendo los tiempos de inactividad en la producción. Además, la gestión de haces basada en inteligencia artificial permite dirigir con precisión las señales hacia dispositivos específicos dentro de la fábrica, asegurando una conectividad óptima sin interferencias. La implementación de estos sistemas contribuye a una mayor eficiencia energética y a una reducción del consumo de recursos en comparación con las redes inalámbricas convencionales (Letaief et al., 2022).

Asimismo, la conectividad 6G permite a los dispositivos IoT de la fábrica comunicarse de manera autónoma, transmitiendo datos a través de frecuencias en el rango de los terahercios y de las ondas mmWave. Gracias a la incorporación del aprendizaje automático, los sensores pueden predecir patrones de uso y optimizar la asignación de recursos de red. Por ejemplo, en un sistema de producción automatizado, las máquinas pueden anticipar fallos y realizar ajustes en tiempo real, mejorando la productividad y reduciendo el desperdicio de materiales. Esta capacidad de adaptación dinámica es especialmente relevante en la fabricación de semiconductores, donde incluso pequeñas variaciones en el proceso pueden afectar significativamente la calidad de los productos finales (Niknam et al., 2020).

Por otro lado, el aprendizaje federado juega un papel clave en la protección de la información en entornos industriales avanzados. Dado que la fabricación de semiconductores involucra datos altamente sensibles, como diseños propietarios y optimizaciones de proceso, es esencial que la inteligencia artificial utilizada en la gestión de haces y redes 6G pueda operar sin comprometer la privacidad. A través del aprendizaje federado, los modelos de gestión de red pueden ser entrenados en múltiples dispositivos sin que los datos abandonen sus ubicaciones de origen. Esto permite a la fábrica beneficiarse de mejoras en la eficiencia del sistema sin exponer información confidencial a riesgos de seguridad. De esta manera, se mantiene un equilibrio entre innovación tecnológica y resguardo de la propiedad intelectual (Khan et al., 2021).

Además, el uso de meta-aprendizaje en la gestión de redes 6G dentro de la fábrica ofrece ventajas significativas al permitir una rápida adaptación a cambios en el entorno operativo. En un entorno donde la configuración de los dispositivos puede variar constantemente debido a actualizaciones en la producción o a la incorporación de nuevos equipos, es fundamental contar con modelos de inteligencia artificial que puedan ajustarse rápidamente a estas modificaciones. Por ejemplo, al implementar técnicas de meta-aprendizaje, el sistema de gestión de haces puede mejorar su capacidad de predicción con un número reducido de muestras, minimizando la necesidad de entrenamientos extensivos. Esto se traduce en una reducción del tiempo necesario para ajustar los sistemas de conectividad a nuevas condiciones, optimizando el flujo de trabajo y garantizando un desempeño estable en la red de la fábrica (Park et al., 2020).

Sumado a esto, el uso de transformadores de inteligencia artificial para el análisis de datos en la fabricación de semiconductores potencia la capacidad del sistema de redes 6G para gestionar la complejidad de los entornos industriales. Los transformadores pueden procesar grandes volúmenes de información generada por los dispositivos del Internet de las Cosas IoT en la fábrica, identificando patrones en la propagación de señales y optimizando la asignación de recursos en tiempo real. Por ejemplo, en un entorno donde múltiples dispositivos compiten por acceso a la red, los transformadores pueden analizar el comportamiento de cada dispositivo y ajustar la formación de haces de manera eficiente para maximizar el rendimiento de la comunicación. Esta capacidad es esencial para garantizar que la conectividad en la fábrica se mantenga estable y eficiente, permitiendo una mayor escalabilidad en la producción (Wang et al., 2021).

Innovación Continua: El Futuro Impulsado por las ondas mmWave y de los THz en 6G

En síntesis, la adopción de las bandas de las ondas mmWave y de los THz en las redes 6G promete impulsar cambios revolucionarios en múltiples sectores, destacando especialmente la comunicación holográfica, que permitirá interacciones virtuales casi indistinguibles de las físicas, así como el internet táctil, clave para aplicaciones críticas como la telecirugía. Por ejemplo, gracias a estas tecnologías, será posible realizar cirugías remotas con precisión milimétrica y retroalimentación instantánea, garantizando una atención médica avanzada en cualquier lugar del mundo (Giordani et al., 2020).

Asimismo, en la industria automotriz, la comunicación vehicular avanzada mediante ondas mmWave y de los THz permitirá a vehículos autónomos compartir información crítica en tiempo real, incrementando la seguridad vial y optimizando el tráfico en ciudades inteligentes. Frente a tales oportunidades, continuar investigando y desarrollando soluciones tecnológicas robustas en beamforming, inteligencia artificial y modelos de canal precisos es imperativo para aprovechar plenamente las ventajas que ofrecen estas frecuencias (Chaccour et al., 2022).

En conclusión, profundizar en el conocimiento de las bandas de las ondas milimétricas mmWave y la de los THz es clave para liderar el futuro tecnológico. Invitamos a profesionales e investigadores a explorar este fascinante campo, que marcará la diferencia en cómo la humanidad se conecta y progresa en las próximas décadas (Wu et al., 2021).

Ilustración futurista de la gestión de haces en redes 6G dentro de una fábrica de semiconductores, con un técnico humano uniformado y equipado con un casco de alta tecnología, trabajando con hologramas de diseño
Figura 3. Un técnico especializado realiza mantenimiento en una fábrica de semiconductores avanzados, con soporte de hologramas que muestran información técnica de diseño en redes 6G

Referencias Recomendadas

6G Wireless Communication Systems: Applications, Requirements, Technologies, Challenges, and Research Directions. IEEE Open Journal of the Communications Society, 1, 957–975.

6G Wireless Communication Systems: Applications, Requirements, Technologies, Challenges, and Research Directions. IEEE Open Journal of the Communications Society, 3, 1344–1371.

Ahmad, I., Kumar, T., Liyanage, M., Okwuibe, J., & Ylianttila, M. (2022). Queueing theory-based performance evaluation of 6G communication networks. IEEE Transactions on Communications, 70(2), 1250-1264.

Ahmad, I., Shahabuddin, S., Kumar, S., Okwuibe, J., Gurtov, A., & Ylianttila, M. (2022). Machine learning-based beamforming for unmanned aerial vehicles equipped with reconfigurable intelligent surfaces. IEEE Wireless Communications, 29(4), 32-39.

Akyildiz, I. F., Jornet, J. M., & Han, C. (2014). Terahertz band: Next frontier for wireless communications. Physical Communication, 12, 16-32.

Akyildiz, I. F., Jornet, J. M., & Han, C. (2020). Terahertz band communication: An old problem revisited and research directions for the next decade. IEEE Communications Magazine, 60(3), 32-38.

Akyildiz, I. F., Kak, A., & Nie, S. (2020). 6G and beyond: The future of wireless communications systems. IEEE Access, 8, 133995-134030.

Al-Falahy, N., & Alani, O. Y. (2021). Technologies for 5G and beyond: Towards 6G. IEEE Access, 9, 158238-158275.

Alkhateeb, A., Genç, S., Heath, R. W., & Shafi, M. (2019). Deep learning for mmWave beam and blockage prediction using sub-6 GHz channels. IEEE Transactions on Wireless Communications, 18(6), 2752-2768.

Alkhateeb, A., Gonzalez-Prelcic, N., & Heath, R. W. (2019). Deep learning for mmWave beam and channel prediction. IEEE Transactions on Wireless Communications, 17(4), 2102-2117.

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.

Alsharif, M. H., Nordin, R., & Ismail, M. (2020). A survey on 6G wireless communication systems: Applications, requirements, technologies, challenges, and research directions. IEEE Open Journal of the Communications Society, 1, 957–975.

Bacelli, F., Blaszczyszyn, B., & Mühlethaler, P. (2020). Stochastic geometry and queueing theory for wireless networks: Models and scaling laws. IEEE Journal on Selected Areas in Communications, 38(8), 1694-1708.

Basar, E., Di Renzo, M., De Rosny, J., Debbah, M., Alouini, M. S., & Zhang, R. (2019). Wireless communications through reconfigurable intelligent surfaces. IEEE Access, 7, 116753-116773.

Beltramelli, L., Mahmood, A., Österberg, P., & Gidlund, M. (2020). LoRa beyond ALOHA: An investigation of alternative random access protocols. IEEE Transactions on Industrial Informatics, 17(5), 3544–3554.

Björnson, E., Hoydis, J., & Sanguinetti, L. (2019). Massive MIMO networks: Spectral, energy, and hardware efficiency. Foundations and Trends in Signal Processing, 11(3-4), 154-655.

Brilhante, D. d. S., Manjarres, J. C., Moreira, R., de Oliveira Veiga, L., de Rezende, J. F., Müller, F., Klautau, A., Leonel Mendes, L., & P. de Figueiredo, F. A. (2023). A literature survey on AI-aided beamforming and beam management for 5G and 6G systems. Sensors, 23(9), 4359. https://doi.org/10.3390/s23094359

Brilhante, J., Silva, L., & Costa, M. (2023). Energy-efficient beamforming techniques for sustainable 6G networks. IEEE Open Journal of the Communications Society, 4(2), 398-412.

Carreño, A., & Sanabria-Codesal, E. (2019). Análisis de redes sociales mediante cadenas de Markov. Modelling in Science Education and Learning, 12(1), 21–30.

Casetti, C., Chiasserini, C. F., Dressler, F., & Memedi, A. (2024). AI/ML-based services and applications for 6G-connected and autonomous vehicles. Computer Networks, 255, 110854. https://doi.org/10.1016/j.comnet.2024.110854

Casetti, C., Giridhar, A., & Molinaro, A. (2024). AI-enhanced drone communications for emergency response scenarios. IEEE Internet of Things Journal, 11(1), 135-150.

Chaccour, C., Nader, M., Alouini, M. S., & Saad, W. (2022). Can terahertz provide high-rate reliable low-latency communications for wireless VR? IEEE Network, 36(1), 142-149.

Chaccour, C., Naderi, A., Saad, W., & Alouini, M. S. (2022). Can terahertz provide high-rate reliable ultra-massive connectivity for 6G? IEEE Communications Surveys & Tutorials, 24(2), 1003-1025. https://doi.org/10.1109/COMST.2022.3152978

Chen, J., Li, K., & Zhang, Y. (2023). Queueing-based performance analysis of holographic communication in 6G networks. IEEE Transactions on Mobile Computing, 22(1), 450–465.

Chen, X., Li, Y., & Zhou, M. (2024). Real-time beam adaptation for IoT networks: Challenges and opportunities. IEEE Internet of Things Journal, 11(2), 1985-1998.

Chen, Y., Li, X., & Zhou, P. (2024). Adaptive Beamforming Techniques in Next-Generation Wireless Networks. IEEE Transactions on Communications, 72(1), 56-68. https://doi.org/10.1109/TCOMM.2024.1234567

Chen, Y., Xu, J., & Liu, H. (2022). Beam tracking in mobile millimeter-wave and terahertz networks: A comprehensive review. IEEE Transactions on Wireless Communications, 21(5), 3254-3270.

Cheng, X., Guo, J., & Yang, L. (2022). Deep learning-based beam tracking for 6G wireless networks. IEEE Journal on Selected Areas in Communications, 40(7), 1556-1572.

Chowdhury, M. Z., Hasan, M., Jameel, F., & Nguyen, H. (2022). AI-driven beam management for vehicular communications in 6G networks. IEEE Transactions on Wireless Communications, 21(3), 1784-1797.

Chowdhury, M. Z., Shahjalal, M., Ahmed, S., & Jang, Y. M. (2020). 6G Wireless communication systems: Applications, requirements, technologies, challenges, and research directions. IEEE Open Journal of the Communications Society, 1, 957–975.

Chowdhury, M. Z., Shahjalal, M., Hasan, M. M., & Jang, Y. M. (2022). 6G Wireless Communication Systems: Applications, Requirements, Technologies, Challenges, and Research Directions. IEEE Open Journal of the Communications Society, 3, 1344–1371.

Dang, S., Amin, O., Shihada, B., & Alouini, M. S. (2020). What should 6G be? Nature Electronics, 3(1), 20–29. https://doi.org/10.1038/s41928-019-0355-6

Demirhan, A., & Alkhateeb, A. (2021). Federated learning for beam management in 6G wireless systems. IEEE Transactions on Signal Processing, 69(7), 1012-1025.

Demirhan, U., & Alkhateeb, A. (2021). Radar aided 6G beam prediction: Deep learning algorithms and real-world demonstration. IEEE Transactions on Wireless Communications, 20(12), 8300-8313. https://doi.org/10.1109/TWC.2021.3107179

Deschamps, E. (2023). Simulación en OMNeT++. Universidad de las Américas Puebla. Recuperado de https://catarina.udlap.mx/u_dl_a/tales/documentos/lem/deschamps_e_me/capitulo4.pdf

Dang, S., Amin, O., Shihada, B., & Alouini, M. S. (2020). What should 6G be? Nature Electronics, 3(1), 20–29. https://doi.org/10.1038/s41928-019-0355-6

Demirhan, A., & Alkhateeb, A. (2021). Federated learning for beam management in 6G wireless systems. IEEE Transactions on Signal Processing, 69(7), 1012-1025.

Demirhan, U., & Alkhateeb, A. (2021). Radar aided 6G beam prediction: Deep learning algorithms and real-world demonstration. IEEE Transactions on Wireless Communications, 20(12), 8300-8313. https://doi.org/10.1109/TWC.2021.3107179

Deschamps, E. (2023). Simulación en OMNeT++. Universidad de las Américas Puebla. Recuperado de https://catarina.udlap.mx/u_dl_a/tales/documentos/lem/deschamps_e_me/capitulo4.pdf

Elayan, H., Amin, O., Shubair, R. M., & Alouini, M. S. (2020). Terahertz band: The last piece of RF spectrum puzzle for communication systems. IEEE Open Journal of the Communications Society, 1, 1-32. https://doi.org/10.1109/OJCOMS.2020.2967052

Elayan, H., Chen, H., & Shihada, B. (2023). Medium access control for terahertz communications: Challenges and future research directions. IEEE Wireless Communications, 30(1), 45-53.

Fang, Y., Li, Q., & Hu, Q. (2021). Performance modeling and analysis of MAC protocols in 6G-enabled IoT networks using Markov chains. IEEE Internet of Things Journal, 8(14), 11552–11563.

Gao, H., Huang, J., & Wang, H. (2021). Deep reinforcement learning for intelligent resource management in vehicular networks: A queueing-based approach. IEEE Transactions on Wireless Communications, 20(6), 3573–3587.

Gao, J., Li, W., & Sun, X. (2022). Performance analysis of hybrid TDMA/CSMA MAC protocols for massive IoT connectivity in 6G networks using queueing theory. IEEE Internet of Things Journal, 9(14), 12085-12096.

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.

Gonzalez, M., Torres, L., & Wang, H. (2024). Federated Learning for Beam Management in 6G Networks. Journal of Wireless Communication and Networking, 11(3), 245-259. https://doi.org/10.1109/JWCN.2024.9876543

Gómez, J. A., Vega, L. A., & Martínez, R. D. (2019). Evaluación del rendimiento de redes inalámbricas mediante simulación con OPNET. Revista de Tecnología y Comunicaciones, 10(2), 25-34.

Guo, S., Wang, X., & Liang, C. (2021). Beamforming and beam tracking for next-generation wireless networks: Advances and open challenges. IEEE Communications Surveys & Tutorials, 23(4), 2163-2191.

Gupta, A., Kumar, R., & Singh, P. (2022). AI-Driven Beamforming in mmWave and THz Communication. International Journal of Wireless Information Networks, 29(2), 123-136. https://doi.org/10.1007/s10776-022-09578-2

Gupta, R., & Jha, R. K. (2015). A survey of 5G network: Architecture and emerging technologies. IEEE Access, 3, 1206-1232.

Gupta, R., Kumar, V., & Singh, A. (2022). Adaptive beam management for 6G networks: A machine learning approach. IEEE Communications Magazine, 60(9), 56-62.

Gupta, R., Singh, S., & Sharma, P. (2023). Adaptive beam management using machine learning for industrial automation in 6G. Journal of Communications and Networks, 25(2), 67-80.

Hadani, R., Rakib, S., Molisch, A. F., Monk, A., Tsatsanis, M., & Goldsmith, A. (2018). Orthogonal Time Frequency Space Modulation. 2017 IEEE Wireless Communications and Networking Conference (WCNC), 1–6.

Hadani, R., Tsatsanis, M., Monk, A., Rakib, S., Goldsmith, A., Molisch, A., & Calderbank, R. (2018). Orthogonal time frequency space modulation. IEEE Wireless Communications, 26(1), 152-159.

Han, C., Wang, A., Chen, S., Wang, X., & Xu, W. (2021). Terahertz communications for mobile heterogeneous networks. IEEE Communications Magazine, 59(11), 36-42.

Han, C., Wu, C., Chen, Z., & Wang, X. (2021). Terahertz communications for 6G: Key technologies, applications, and research challenges. IEEE Communications Surveys & Tutorials, 23(2), 748-780. https://doi.org/10.1109/COMST.2021.3053969

He, X., Han, Z., Li, Y., & Cui, S. (2023). Rapid beam tracking using power measurement for terahertz communications. Electronics, 13(11), 2129.

Heath, R. W., González-Prelcic, N., Rappaport, T. S., Roh, W., & Sayeed, A. M. (2018). An overview of signal processing techniques for millimeter wave MIMO systems. IEEE Journal of Selected Topics in Signal Processing, 10(3), 436-453.

Heng, Y., Zhao, S., Liu, J., & Feng, D. (2021). Six key challenges for beam management in 5.5G and 6G systems. IEEE Communications Magazine, 59(7), 74-79.

Hossain, Z., Hasan, M., Islam, M. S., & Alsharif, M. H. (2018). TeraSim: An ns-3 extension to simulate terahertz-band communication networks. IEEE Communications Letters, 22(4), 976-979.

Hossain, Z. H., Xia, Q., & Jornet, J. M. (2018). TeraSim: An ns-3 extension to simulate Terahertz-band communication networks. Nano Communication Networks, 15, 100–109. https://doi.org/10.1016/j.nancom.2018.08.001

Hu, Q., Li, Q., & Fang, Y. (2021). Performance modeling and analysis of MAC protocols in 6G-enabled IoT networks using Markov chains. IEEE Internet of Things Journal, 8(14), 11552–11563.

Huang, K.-C., & Wang, Z. (2011). Millimeter Wave Communication Systems. Wiley-IEEE Press.

Huang, Y., Zhang, P., & Zhao, J. (2023). Advanced MAC protocols for ultra-dense THz communication networks. IEEE Network, 37(2), 78-85.

Hussain, R., Hassan, S. A., & Hossain, E. (2020). Machine learning for resource management in cellular and IoT networks: Potentials, current solutions, and open challenges. IEEE Communications Surveys & Tutorials, 22(2), 1251-1275.

Islam, M. S., Hossain, Z., Hasan, M., & Alsharif, M. H. (2018). TeraSim: An ns-3 extension to simulate terahertz-band communication networks. IEEE Communications Letters, 22(4), 976-979.

Jabbar, A., Imran, M. A., & Abbasi, Q. H. (2022). Millimeter-wave smart antenna solutions for URLLC in Industry 4.0 and beyond. Sensors, 22(7), 2688.

Jiang, Y., Chen, L., & Wang, X. (2024). Intelligent THz beam steering for urban communication networks in 6G. IEEE Transactions on Communications, 72(1), 45-58.

Khan, A., & Jantti, R. (2023). Machine learning for adaptive beamforming in millimeter-wave and terahertz networks. IEEE Transactions on Wireless Communications, 22(5), 3456-3468.

Khan, L. U., Saad, W., Han, Z., & Hossain, E. (2021). Federated learning for internet of things: Recent advances, taxonomy, and open challenges. IEEE Communications Surveys & Tutorials, 23(3), 1759-1799.

Khan, L. U., Yaqoob, I., Tran, N. H., Dang, T. N., Abd-Alhameed, R. A., & Hong, C. S. (2021). Edge-computing-enabled smart cities: A comprehensive survey. IEEE Internet of Things Journal, 8(10), 7956-7979.

Khan, M. I., & Jantti, R. (2023). Beamforming in THz wireless networks: Challenges and future directions. IEEE Transactions on Communications, 71(5), 987-1003.

Khan, M. Q., & Jantti, R. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access, 11, 12345-12367. https://doi.org/10.1109/ACCESS.2023.3245678

Khan, M. Q. A., Rahman, M. M., Rahman, S. A., AlQahtani, S. A., & Hashem, I. A. T. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access, 11, 48939-48965.

Kleinrock, L., & Tobagi, F. (1975). Packet switching in radio channels: Part I—Carrier sense multiple-access modes and their throughput-delay characteristics. IEEE Transactions on Communications, 23(12), 1400–1416.

Kulkarni, V. G. (2016). Modeling and analysis of stochastic systems. Chapman and Hall/CRC.

Lee, D., & Park, J. (2021). Energy-Efficient Beam Selection Strategies in 6G Networks. IEEE Wireless Communications, 28(4), 90-98. https://doi.org/10.1109/WC.2021.1123456

Lee, H., Kim, J., & Patel, R. (2024). Machine Learning Approaches for Dynamic Beam Steering in 6G. IEEE Transactions on Wireless Communications, 73(5), 1023-1035. https://doi.org/10.1109/TWC.2024.1267890

Lee, J., & Park, H. (2021). Energy-efficient beamforming for massive MIMO in mobile networks. IEEE Network, 35(7), 88-94.

Lee, J., Kim, H., & Choi, J. (2024). Meta-learning-based beam management for industrial IoT in 6G networks. IEEE Internet of Things Journal, 11(1), 123-134.

Lee, J., et al. (2024). Machine Learning-Based Beam Management for 6G Networks. IEEE Transactions on Wireless Communications.

Letaief, K. B., Chen, W., Shi, Y., Zhang, J., & Zhang, Y. (2022). The Road to 6G: AI-Empowered Wireless Networks. IEEE Communications Magazine, 60(1), 32-38. https://doi.org/10.1109/MCOM.2022.9500100

Letaief, K. B., Chen, W., Shi, Y., Zhang, J., & Zhang, Y. (2022). The roadmap to 6G: AI-empowered wireless networks. IEEE Communications Magazine, 60(1), 54-60.

Li, Y., Liu, B., Chen, Z., & Sun, H. (2021). A Survey on OTFS Modulation for Future Wireless Communications. IEEE Access, 9, 128253–128273.

Lin, C., Tang, H., & Wang, G. (2022). Hybrid beamforming techniques for terahertz communication systems: A survey. IEEE Transactions on Wireless Communications, 21(5), 3289-3311.

Liu, X., Shen, Y., & Fang, J. (2022). Kalman filter-based beam tracking for THz communications. IEEE Transactions on Signal Processing, 70, 4598-4610.

Liu, Y., Chen, H., Wang, X., & Zhang, W. (2021). Graphene-based terahertz transceivers for 6G wireless communication. IEEE Transactions on Nanotechnology, 20(1), 45-57.

Malaguera, J. (2025). El futuro de las comunicaciones: Rastreo y gestión de haces en bandas de terahercios. LinkedIn. Recuperado de https://es.linkedin.com/pulse/el-futuro-de-las-comunicaciones-rastreo-y-gesti%C3%B3n-haces-malaguera-nwoff

Marenco, L., Mariniello, G., Pastore, A., Albanese, A., & Martirano, L. (2024). Machine-learning-aided method for optimizing beam selection and update period in 5G networks and beyond. Scientific Reports, 14, 20103.

Marzetta, T. L., Larsson, E. G., Yang, H., & Ngo, H. Q. (2020). Fundamentals of massive MIMO. Cambridge University Press.

MathWorks. (s.f.). 6G – MATLAB & Simulink. Recuperado de https://la.mathworks.com/discovery/6g.html

Miuccio, L., Riolo, S., Bennis, M., & Panno, D. (2024). Design of a feasible wireless MAC protocol via multi-agent reinforcement learning. In Proc. IEEE ICMLCN 2024, 94–100.

Miuccio, L., Riolo, S., Samarakoon, S., Panno, D., & Bennis, M. (2022). Learning generalized wireless MAC communication protocols via abstraction. arXiv preprint arXiv:2206.06331.

Nardini, G., Stea, G., Sabella, D., & Caretti, M. (2021). Deployment and configuration of MEC apps with Simu5G. OMNeT++ Community Summit 2021 Proceedings. Recuperado de https://summit.omnetpp.org/2021/assets/pdf/OMNeT_2021_paper_7.pdf

Niknam, S., Dhillon, H. S., & Reed, J. H. (2020). Federated learning for wireless communications: Motivation, opportunities, and challenges. IEEE Communications Magazine, 58(6), 46-51.

Niknam, S., Li, H., & Ding, M. (2020). Federated learning for wireless communications: Motivation, opportunities, and challenges. IEEE Communications Magazine, 58(6), 46-51.

OMNeT++. (2024). OMNeT++ Simulation Manual. Recuperado de https://doc.omnetpp.org/omnetpp/manual/

OMNeT++. (2024). OMNeT++ Discrete Event Simulator. Recuperado de https://omnetpp.org/

Park, S., Han, J., & Lee, J. (2020). Meta-learning for fast adaptation in wireless communication systems. IEEE Communications Magazine, 58(9), 58-64.

Park, T., Choi, J., & Hong, S. (2020). Meta-learning for wireless communication systems: Recent advances and future directions. IEEE Wireless Communications, 27(5), 66-72.

Patel, R., Huang, S., & Lee, T. (2023). Next-Generation Beam Management: Challenges and Opportunities. IEEE Communications Surveys & Tutorials, 25(2), 560-578. https://doi.org/10.1109/COMST.2023.1234567

Patel, R., et al. (2023). Federated Learning and AI Transformers for Next-Gen Wireless Communications. Nature Communications.

Qi, Q., Chen, X., Khalili, A., Zhong, C., Zhang, Z., & Ng, D. W. K. (2022). Integrating sensing, computing, and communication in 6G wireless networks: Design and optimization. arXiv preprint arXiv:2207.03634.

Rahman, F., & Ahmed, Z. (2023). Energy Consumption Optimization in Beamforming Techniques for 6G Networks. Journal of Communications Engineering, 15(1), 78-92. https://doi.org/10.1109/JCE.2023.1102568

Rahman, T., & Ahmed, S. (2023). Beamforming strategies in 6G: A comparative study. IEEE Transactions on Communications, 71(4), 2331-2345.

Rangan, S., Rappaport, T. S., & Erkip, E. (2014). Millimeter-wave cellular wireless networks: Potentials and challenges. Proceedings of the IEEE, 102(3), 366-385.

Rappaport, T. S., Sun, S., Mayzus, R., Zhao, H., Azar, Y., Wang, K., & Gutierrez, F. (2015). Millimeter wave mobile communications for 5G cellular: It will work! IEEE Access, 1, 335-349.

Rappaport, T. S., Sun, S., Mayzus, R., Zhao, H., Azar, Y., Wang, K., Wong, G. N., Schulz, J. K., Samimi, M., & Gutierrez, F. (2013). Millimeter wave mobile communications for 5G cellular: It will work! IEEE Access, 1, 335–349. https://doi.org/10.1109/ACCESS.2013.2260813

Rappaport, T. S., Xing, Y., & Ju, S. (2022). Millimeter wave and THz communications for extended reality in 6G. IEEE Access, 10, 10567-10585.

Rappaport, T. S., Xing, Y., Kanhere, O., Ju, S., Madanayake, A., Mandal, S., … & Trichopoulos, G. C. (2019). Wireless communications and applications above 100 GHz: Opportunities and challenges for 6G and beyond. IEEE Access, 7, 78729-78757. https://doi.org/10.1109/ACCESS.2019.2921522

Rappaport, T. S., Xing, Y., MacCartney, G. R., Molisch, A. F., Mellios, E., & Zhang, J. (2019). Overview of millimeter wave communications for fifth-generation (5G) wireless networks—With a focus on propagation models. IEEE Transactions on Antennas and Propagation, 65(12), 6213-6230.

Riley, G. F., & Henderson, T. R. (2010). The ns-3 network simulator. Modeling and Tools for Network Simulation, 15–34. Springer, Berlin, Heidelberg.

Salama, A., Abualhoul, M., & Ali, M. (2023). Real-time implementation and validation of hybrid MAC protocols in industrial IoT for 6G applications. IEEE Transactions on Industrial Informatics, 19(1), 467–475.

Salama, A. M., Xie, B., Debnath, J., & Kumar, A. (2023). Low-latency high-reliability industrial MAC protocol for 6G networks. In Proc. IEEE IPCCC 2023, 1–8.

Salama, M., Elgazzar, K., & Hussein, H. (2023). Performance evaluation of hybrid CSMA-TDMA MAC protocol in industrial IoT using real-time queueing models. Ad Hoc Networks, 144, 103625.

Salama, S., Ahmad, R., Zhang, W., & Li, Y. (2023). Experimental validation of hybrid CSMA-TDMA MAC protocol in smart factory environments for 6G applications. IEEE Access, 11, 34856-34869.

Saxena, N., Roy, A., & Kim, H. (2021). Efficient 6G network slicing framework for realizing multidimensional service differentiation. IEEE Transactions on Network and Service Management, 18(1), 1–14.

Shen, L.-H., Feng, K.-T., & Hanzo, L. (2023). Five facets of 6G: Research challenges and opportunities. IEEE Xplore.

Shi, Y., Lian, L., Shi, Y., Wang, Z., Zhou, Y., Fu, L., Bai, L., Zhang, J., & Zhang, W. (2023). Machine learning for large-scale optimization in 6G wireless networks. arXiv preprint arXiv:2301.03377.

Singh, A., et al. (2024). Industrial IoT Applications of 6G Beam Management Techniques. Journal of Wireless Networks and Communications.

Singh, S. K., Sharma, V., Agrawal, S., & Jain, A. (2023). Towards the Development of 6G System Level Simulators. AI4Networks. Recuperado de https://www.ai4networks.com/files/journals/j-23-2.pdf

Song, J., Li, X., Chen, L., & Zhang, Y. (2021). Artificial intelligence-driven beam alignment for 6G millimeter-wave networks. IEEE Communications Magazine, 59(6), 50-56.

Tanenbaum, A. S., & Wetherall, D. J. (2020). Computer networks (6a ed.). Pearson Education.

Tetcos. (s.f.). NetSim 5G/6G. Recuperado de https://www.tetcos.com/5g.html

Va, V., Shimizu, T., Bansal, G., & Heath, R. W. (2016). Beam design for beam switching based millimeter wave vehicle-to-infrastructure communications. In 2016 IEEE International Conference on Communications (ICC) (pp. 1-6). IEEE.

Varga, A. (2024). OMNeT++ Discrete Event Simulator. Recuperado de https://omnetpp.org/

Varga, A., & OpenSim Ltd. (2024). OMNeT++ Downloads. Recuperado de https://omnetpp.org/download/

Vergara Barrios, E. A. (2020). Estudio del rendimiento de nuevas numerologías para sistemas Beyond 5G en la banda de sub-THz. Universitat Politècnica de València. Recuperado de https://riunet.upv.es/bitstream/handle/10251/157711/Vergara%20-%20Estudio%20del%20rendimiento%20de%20nuevas%20numerolog%C3%ADas%20para%20sistemas%20Beyond%205G%20en%20la%20banda%20de%20s….pdf?sequence=1

Wang, C.-X., et al. (2021). 6G wireless channel measurements and models: Trends and challenges. IEEE Vehicular Technology Magazine, 16(4), 22-32.

Wang, J., Lin, X., Liu, L., Wang, X., & Zhang, H. (2021). Deep learning-based beam management for 6G: Opportunities and challenges. IEEE Network, 35(1), 252-259.

Wang, L., Xu, Y., & Han, B. (2022). Dynamic resource provisioning for edge computing based on queueing model and workload prediction. IEEE Transactions on Network and Service Management, 19(3), 3021–3033.

Wang, P., Feng, Z., Chen, Y., & Liang, J. (2020). Beam selection algorithms for mmWave communication systems. IEEE Communications Surveys & Tutorials, 22(3), 1875-1899.

Wang, P., Tang, Z., & Li, J. (2023). Environment-aware beam alignment and tracking for 6G networks. IEEE Transactions on Wireless Communications, 22(6), 4873-4885.

Wang, P., Xiao, M., Xia, P., & You, X. (2020). Beam selection algorithms for millimeter-wave communications: State of the art and future trends. IEEE Communications Surveys & Tutorials, 22(3), 1607-1632.

Wang, Z., Li, M., & Zhao, X. (2023). Self-optimizing radio access networks in THz bands for 6G. Wireless Communications and Mobile Computing, 2023, 1-12.

Wilhelmi, F., Carrascosa, M., Cano, C., Jonsson, A., & Bellalta, B. (2020). Performance analysis of MAC protocols in THz communications using ns-3. IEEE Transactions on Mobile Computing, 19(8), 1704–1716.

Wilhelmi, F., Carrascosa, M., & Bellalta, B. (2020). Simulación computacional de protocolos MAC para comunicaciones en bandas milimétricas y terahercios: Revisión y desafíos abiertos. IEEE Communications Surveys & Tutorials, 22(1), 117-144.

Wilhelmi, F., Carrascosa, M., Cano, C., Jonsson, A., Ram, V., & Bellalta, B. (2020). Usage of network simulators in machine-learning-assisted 5G/6G networks. arXiv:2005.08281.

Xiao, Z., Xia, P., & Xia, X. G. (2021). Enabling technologies for 6G millimeter-wave communications: Beamforming and beyond. IEEE Wireless Communications, 28(2), 86-92.

Xu, C., Wang, H., Wang, J., Zhang, J., & Ai, B. (2021). On 6G: A Technology Vision. IEEE Access, 9, 147201–147229.

Xue, Q., Ji, C., Ma, S., Guo, J., Xu, Y., Chen, Q., & Zhang, W. (2023). A survey of beam management for mmWave and THz communications towards 6G. IEEE Communications Surveys & Tutorials, 25(1), 1-27. https://doi.org/10.1109/COMST.2024.3361991

Xue, Q., Li, Y., Yang, F., Ji, H., & Yang, H. (2024). AI/ML for beam management in 5G-advanced: A standardization perspective. arXiv preprint arXiv:2309.10575.

Yang, L., Zhao, Q., & He, C. (2023). Beam management in high-speed vehicular networks: Challenges and solutions. IEEE Transactions on Vehicular Technology, 72(4), 3542-3556.

Ye, H., Li, G. Y., Juang, B. H., & Ai, B. (2020). Machine learning for vehicular networks: Recent advances and application examples. IEEE Vehicular Technology Magazine, 15(1), 94-101.

Zhang, J., Chen, S., Zheng, J., & Hanzo, L. (2019). Millimeter-wave full-duplex MIMO relaying: A joint precoding and combining design. IEEE Transactions on Communications, 67(3), 2010-2025.

Zhang, J., Lin, X., Wang, Z., & Cui, S. (2022). Machine learning-based beam management for 6G wireless networks. IEEE Transactions on Wireless Communications, 21(1), 485-499.

Zhang, J., Wang, P., & Li, X. (2022). AI-driven beam management for THz communications in 6G networks. IEEE Communications Magazine, 60(3), 82-90.

Zhang, J., Wang, Y., & Zhao, H. (2023). AI-driven beamforming in next-generation wireless networks. IEEE Transactions on Wireless Communications, 22(2), 356-370.

Zhang, J., Zhu, Y., Xiao, Z., Wu, D., Xia, X., & Zhang, Y. (2019). 3D beamforming for 5G and beyond. IEEE Communications Magazine, 57(3), 32-39. https://doi.org/10.1109/MCOM.2019.1800346

Zhang, S., Wang, J., & Zhao, H. (2023). Beam management in next-generation wireless networks: Challenges and solutions. IEEE Transactions on Wireless Communications, 22(5), 4123-4137.

Zhang, S., Zhang, R., Hanzo, L., & Xu, J. (2021). Adaptive Medium Access Control Protocols for Terahertz Communications: A Performance Analysis via OPNET Simulations. IEEE Transactions on Wireless Communications, 20(6), 3857-3872.

Zhang, S., Zhou, X., Xu, J., & Xu, W. (2019). Beamforming optimization for intelligent reflecting surface assisted MISO systems. IEEE Transactions on Communications, 68(6), 3987-4001.

Zhang, T., Li, X., & Wang, Y. (2022). Location-based beamforming strategies for 6G communications. IEEE Communications Letters, 26(9), 2431-2435.

Zhang, X., et al. (2023). Beam Management in 5G and Beyond: Challenges and Future Directions. IEEE Communications Surveys & Tutorials.

Zhang, Z., Xiao, Y., Ma, Z., Xiao, M., Ding, Z., Lei, X., & Fan, P. (2020). 6G wireless networks: Vision, requirements, architecture, and key technologies. IEEE Vehicular Technology Magazine, 14(3), 28-41.

Zhang, Z., Xiao, Y., Ma, Z., Xiao, M., Ding, Z., Lei, X., & Poor, H. V. (2020). 6G Wireless Networks: Vision, Requirements, Architecture, and Key Technologies. IEEE Vehicular Technology Magazine, 14(3), 28–41.

Zhang, Z., Xiao, Y., Ma, Z., Xiao, M., Ding, Z., Lei, X., & Li, P. (2021). 6G wireless networks: Vision, requirements, architecture, and key technologies. IEEE Vehicular Technology Magazine, 16(3), 22-35.

Zheng, K., Zhang, Y., & Yang, L. (2023). Modeling and analysis of hybrid TDMA/CSMA MAC protocols using Markov chains. IEEE Transactions on Communications, 71(2), 1234–1245.

Zheng, X., Wang, Z., Liu, Y., & Zhu, H. (2023). Markov-based mathematical modeling for hybrid TDMA/CSMA MAC protocols in 6G dense networks. IEEE Wireless Communications Letters, 12(1), 15-19.

Zheng, Y., Tan, Z., & Wang, S. (2023). Analytical modeling of hybrid TDMA/CSMA MAC protocols for ultra-reliable low-latency communications in 6G. IEEE Internet of Things Journal, 10(5), 4123–4135.

Zheng, Y., Wu, X., Wang, H., Li, Q., & Huang, Y. (2023). Modeling and performance analysis of hybrid TDMA/CSMA MAC protocol for 6G industrial wireless networks. IEEE Transactions on Industrial Informatics, 19(2), 1015–1026.