4.6- Avances en Aprendizaje Automático para la Gestión Efectiva de Haces en Comunicaciones Inalámbricas Avanzadas

Por: Anne Marie Madoni.

Revisar literatura recomendada..

08/04/2025

Aplicaciones del Aprendizaje Automático en Comunicaciones mmWave y THz

En la era digital actual, las tecnologías de comunicación inalámbrica han experimentado avances significativos, especialmente en las bandas de ondas milimétricas (mmWave) y Terahercios (THz). Estas frecuencias ofrecen velocidades de transmisión de datos ultraaltas y baja latencia, características esenciales para aplicaciones emergentes como el Internet de las Cosas (IoT) y las redes 6G (Malaguera, 2025). Sin embargo, presentan desafíos técnicos notables, como la gestión eficiente de haces y la precisión en el seguimiento del canal, debido a su susceptibilidad a la atenuación y la necesidad de alineación precisa de los haces electromagnéticos (Malaguera, 2025).

Para abordar estos desafíos, el aprendizaje automático ha emergido como una solución prometedora. Al integrar técnicas de inteligencia artificial en la gestión de haces, es posible optimizar la dirección y la intensidad de las señales, adaptándose dinámicamente a las condiciones cambiantes del entorno. Esto no solo mejora la eficiencia espectral, sino que también garantiza una conectividad más robusta y confiable, sentando las bases para el despliegue exitoso de las futuras redes de comunicación (Worldsensing, s.f.).

Tipos de Aprendizaje Automático para la Gestión de Haces en Redes 6G

En la actualidad, el desarrollo de tecnologías inalámbricas avanzadas ha generado un creciente interés en la gestión eficiente de haces en comunicaciones que operan en las bandas de ondas milimétricas (mmWave) y de los Terahercios (THz). Por consiguiente, las barreras tecnológicas inherentes a estas frecuencias, como la alta atenuación y la necesidad de alineación precisa de los haces electromagnéticos, han motivado la exploración de enfoques innovadores basados en inteligencia artificial. De esta forma, las técnicas de gestión de haces basadas en aprendizaje automático (ML) han emergido como una solución prometedora para optimizar el rendimiento y la eficiencia en estas bandas de frecuencia. Por ejemplo, según recientes estudios, estas técnicas pueden clasificarse principalmente en tres categorías: aprendizaje supervisado (Supervised Learning, SL), aprendizaje por refuerzo (Reinforcement Learning, RL) y aprendizaje federado (Federated Learning, FL), cada una con características particulares que responden a distintas necesidades del entorno inalámbrico (Zhang et al., 2022).

Enfoques Supervisados Asistidos y No Asistidos: Diferencias y Aplicaciones

Asimismo, dentro del aprendizaje supervisado, las técnicas pueden subdividirse según el uso de información contextual adicional. En este sentido, se distinguen enfoques asistidos por información adicional —que aprovechan datos externos como mapas de cobertura o retroalimentación del canal— y aquellos no asistidos, que dependen exclusivamente de los datos de entrenamiento disponibles. Además, esta distinción influye en la complejidad del modelo, en los requerimientos computacionales y en la capacidad de generalización del sistema. Por consiguiente, resulta fundamental comprender las ventajas y limitaciones de cada enfoque para diseñar soluciones más robustas y escalables en redes de próxima generación 6G (Chen & Liu, 2023).

Desafíos Pendientes en la Integración de Aprendizaje Automático en Redes Avanzadas

Por lo tanto, es importante destacar que, aunque estas técnicas han mostrado resultados alentadores, todavía existen múltiples desafíos por superar, tales como la recopilación de datos representativos, la adaptación a entornos dinámicos y la protección de la privacidad de los usuarios. Por lo que es evidente, que la integración efectiva del aprendizaje automático en la gestión de haces no solo requiere avances técnicos, sino también un marco conceptual sólido que oriente su implementación práctica. En consecuencia, este artículo tiene como objetivo proporcionar una revisión detallada de las principales estrategias de aprendizaje automático aplicadas a la gestión de haces de las ondas mmWave y de los THz, destacando sus principios fundamentales, aplicaciones más relevantes y direcciones futuras de investigación.

Fortalezas y Limitaciones del Aprendizaje Supervisado en Entornos Controlados

En este sentido, el aprendizaje supervisado ha sido ampliamente adoptado en entornos controlados, debido a su capacidad para aprender patrones precisos a partir de conjuntos de datos etiquetados. No obstante, su dependencia de grandes volúmenes de datos etiquetados representa una limitación importante, especialmente en aplicaciones del mundo real donde obtener etiquetas precisas puede ser costoso o inviable. Aun así, su capacidad para generalizar en escenarios previamente observados lo convierte en una herramienta valiosa en aplicaciones donde el entorno es relativamente estático o predecible (Zhang et al., 2022).

El Rol del Aprendizaje por Refuerzo en Ambientes Dinámicos y Adaptativos

Igualmente, el aprendizaje por refuerzo ha ganado notoriedad como una técnica más flexible y adaptable, ya que, en lugar de requerir etiquetas, aprende directamente de la interacción con el entorno. Por ejemplo, un agente puede optimizar sus acciones de gestión de haces mediante una política que maximiza una señal de recompensa, la cual refleja métricas como la calidad del enlace o la eficiencia espectral. Sin embargo, aunque este enfoque ofrece una adaptabilidad superior, también presenta dificultades significativas relacionadas con la convergencia, el tiempo de entrenamiento y la estabilidad en entornos altamente dinámicos (Chen & Liu, 2023).

Aprendizaje Federado: Privacidad y Escalabilidad en Redes Inteligentes

Aunado a esto, el aprendizaje federado ha surgido como una solución prometedora frente a las preocupaciones de privacidad y al elevado costo de comunicación entre dispositivos. En lugar de centralizar los datos, este paradigma entrena modelos localmente en los nodos de red y luego agrega los resultados de forma colaborativa. Así, se reduce la exposición de datos sensibles y se mejora la escalabilidad del sistema. No obstante, aún se requieren investigaciones adicionales para abordar problemas como la heterogeneidad de los dispositivos, la sincronización de los modelos y la estabilidad ante nodos comprometidos o fallidos (Khan et al., 2023).

Hacia Redes Autónomas: Retos Técnicos y Futuro del ML en la Gestión de Haces

Partiendo de lo anterior, se puede asegurar que las técnicas de aprendizaje automático representan un pilar fundamental en la evolución de las redes de comunicaciones inalámbricas en frecuencias del rango de las mmWave y los THz. Sin embargo, a pesar de estos avances, estas tecnologías aún enfrentan barreras técnicas y operativas que requieren soluciones multidisciplinarias. En consecuencia, la combinación de enfoques híbridos, el desarrollo de algoritmos más eficientes y la integración con otras tecnologías emergentes como la computación en el borde (edge computing) y la inteligencia artificial generativa, podrían allanar el camino hacia sistemas de gestión de haces más inteligentes, confiables y adaptables. En resumen, una visión holística e integradora permitirá aprovechar al máximo el potencial del aprendizaje automático en la configuración de las redes de comunicación del futuro.

H2- Fundamentos del Aprendizaje Supervisado en la Gestión de Haces

Hay que resaltar, que el aprendizaje supervisado, (SL, Supervised Learning), se ha consolidado como la técnica de aprendizaje automático más utilizada debido a su simplicidad y efectividad. Esta técnica se basa en la utilización de datos etiquetados para entrenar modelos que pueden realizar predicciones precisas al ser expuestos a nuevos datos. Por ejemplo, en la gestión de haces en redes de comunicación inalámbrica, el aprendizaje supervisado permite optimizar la dirección y la intensidad del haz en función de las condiciones específicas del entorno, como la presencia de obstáculos o la variabilidad de la señal, lo que mejora significativamente la eficiencia y la cobertura de la red (Goodfellow, Bengio, & Courville, 2016).

Proceso y Ventajas Técnicas del SL en Comunicaciones Inalámbricas

Conviene advertir, que el aprendizaje supervisado (SL) representa una técnica fundamental dentro del campo del aprendizaje automático (ML), ya que permite entrenar modelos a partir de datos de entrada etiquetados para establecer relaciones entre dichas entradas y sus salidas correspondientes. Por consiguiente, al modelo se le proporcionan múltiples ejemplos en los que cada dato viene acompañado de su respectiva respuesta esperada, lo cual facilita la inferencia de patrones. Asimismo, estos patrones permiten al modelo realizar predicciones sobre nuevas entradas no vistas durante el entrenamiento. Igualmente, el proceso de aprendizaje supervisado implica la optimización de parámetros internos del modelo, como los pesos de una red neuronal, con el objetivo de reducir el error entre las predicciones realizadas y las etiquetas reales (Letaief et al., 2019).

De este modo, se utilizan algoritmos de optimización y técnicas de retropropagación, particularmente en el caso de redes neuronales profundas (Mitchell, 1997). Además, una de sus ventajas clave es su elevada precisión en tareas bien definidas como clasificación, regresión o detección de objetos, siempre que se disponga de un conjunto de datos etiquetado y representativo. No obstante, cuando el modelo se enfrenta a datos distintos a los vistos durante el entrenamiento o se presentan sesgos en el conjunto de ejemplos, su rendimiento puede degradarse notablemente. Aun así, en escenarios con suficiente información histórica, el SL se consolida como una herramienta poderosa para identificar patrones complejos, resultando útil en aplicaciones avanzadas dentro de redes y sistemas de comunicación (Letaief et al., 2019).

Aprendizaje Supervisado en el Contexto de Redes 6G: Nuevas Oportunidades

Sumado a esto, el despliegue de redes móviles de sexta generación (6G) introduce una serie de desafíos técnicos y oportunidades innovadoras donde el aprendizaje supervisado puede desempeñar un papel protagónico. De hecho, la tecnología 6G promete velocidades de transmisión hasta cien veces mayores que 5G, latencias del orden de microsegundos y comunicaciones masivas con ultra confiabilidad. En consecuencia, estas capacidades abren la puerta a aplicaciones críticas en tiempo real como vehículos autónomos, hologramas interactivos y procedimientos quirúrgicos remotos. No obstante, estas mejoras también traen consigo una mayor complejidad en la gestión de la red. Por ejemplo, las redes 6G operarán en frecuencias extremadamente altas (EHF e incluso bandas de Terahertz), donde se utilizan haces direccionales estrechos para transmitir datos con alta eficiencia espectral. Sin embargo, la eficacia de estos haces electromagnéticos depende de un alineamiento preciso entre transmisor y receptor, el cual puede verse comprometido por el movimiento o la presencia de obstáculos. Por esta razón, la inteligencia artificial —y en particular el SL— se presenta como una solución eficaz para controlar y gestionar estos haces dinámicamente (Giordani et al., 2020; Yang et al., 2020).

Selección de Haz y Predicción de QoS con Aprendizaje Supervisado

Junto con ello, el aprendizaje supervisado SL, permite resolver el problema de selección de haz como una tarea de clasificación multiclase, donde el objetivo es identificar qué dirección o patrón maximiza la calidad de señal. Por consiguiente, modelos entrenados con datos del canal inalámbrico o sensores del entorno pueden predecir la mejor opción de haz sin necesidad de explorar exhaustivamente todas las direcciones posibles. Así, algoritmos como las máquinas de vectores de soporte (SVM) y el k-NN se han utilizado para elegir haces en comunicaciones milimétricas, manteniendo hasta un 90% del rendimiento máximo con menor complejidad que los métodos de barrido estándar (Sim et al., 2020). De la misma manera, redes neuronales profundas han demostrado su capacidad para reducir en un 80% la sobrecarga de entrenamiento de haz inicial, manteniendo niveles óptimos de desempeño. En consecuencia, estas técnicas agilizan la conexión entre dispositivos y estaciones base, evitando demoras causadas por métodos de alineación secuencial. Además, el aprendizaje SL, puede predecir métricas de calidad de servicio (QoS) en tiempo real mediante modelos entrenados con datos históricos, lo que permite a la red anticiparse a congestiones o degradaciones y reconfigurar sus recursos proactivamente (Zhang et al., 2019; Yang et al., 2020).

Aprendizaje Supervisado en Drones de Comunicaciones 6G

Y por añadidura, el uso de SL en drones de telecomunicaciones 6G, se perfila como una solución eficiente para mantener enlaces estables mientras se desplazan en entornos urbanos. Así, un dron que actúe como nodo de una red móvil puede entrenar modelos que, con base en datos como posición, velocidad o imágenes del entorno, predigan el haz electromagnético óptimo para conectarse con una estación base. Por ejemplo, una red neuronal recurrente tipo GRU entrenada con trayectorias pasadas puede ser capaz de predecir con más del 90% de precisión el haz adecuado en distintos escenarios (Abuzainab et al., 2021). De esta manera, el dron puede cambiar de haz anticipadamente y evitar bloqueos de señal al pasar detrás de edificios u otros obstáculos. Por ende, el aprendizaje supervisado permite una gestión preventiva y autónoma de los enlaces, garantizando cobertura continua y de alta calidad durante el vuelo en ambientes complejos.

SL en Vehículos Industriales y Robots Autónomos: Conectividad Confiable

De igual modo, los vehículos industriales autónomos, como los camiones robotizados o vehículos guiados automáticamente, también se benefician del aprendizaje supervisado SL, para mantener la conectividad bajo condiciones cambiantes. Así, estos vehículos, que operan en puertos o fábricas inteligentes, requieren enlaces de comunicación de baja latencia y alta confiabilidad para transmitir datos como video, telemetría o comandos. En este contexto, modelos de aprendizaje SL pueden anticipar zonas de baja cobertura o congestión y reconfigurar los recursos de red, como la potencia o la selección de haces, antes de que ocurran interrupciones (Heng et al., 2021). Paralelamente, el estado del enlace puede clasificarse automáticamente como «bueno», «regular» o «malo», activando acciones de corrección anticipada que mejoran la continuidad operativa. Por lo tanto, la inteligencia distribuida se vuelve fundamental para evitar fallos de comunicación en la automatización industrial (Chen et al., 2021).

Además de esto, los robots industriales en fábricas inteligentes también aprovechan el aprendizaje SL, en múltiples frentes. Por un lado, los datos generados por sensores (como vibraciones o imágenes) pueden alimentar algoritmos que predicen fallos o detectan defectos de fabricación. Por otro lado, estos robots también utilizan modelos supervisados para anticipar condiciones de red desfavorables, lo cual permite ajustar el horario de transmisión o cambiar frecuencias para evitar colisiones de datos. Por ejemplo, una planta con múltiples robots inalámbricos puede usar registros de red pasados para predecir interferencias y reconfigurar la topología antes de que se degraden los servicios. De hecho, en redes industriales 6G se espera que estas decisiones se tomen en tiempo real, gracias a la integración del aprendizaje automático ML, en el hardware de la red 6G (Letaief et al., 2019; Zhang et al., 2022).

Comparación entre los Enfoques de Aprendizaje Automático: SL, UL y RL

Simultáneamente, resulta esencial comparar el aprendizaje supervisado SL, con otros enfoques como el aprendizaje no supervisado (UL) y el aprendizaje por refuerzo (RL).

Aplicaciones del Aprendizaje No Supervisado en Redes 6G

En el caso del aprendizaje UL, el modelo no recibe etiquetas durante el entrenamiento, lo que le permite descubrir patrones ocultos en los datos, tales como clústeres de comportamiento o anomalías operativas. Así, en redes 6G, el aprendizaje UL, puede identificar eventos inusuales que podrían indicar fallas o ataques sin requerir ejemplos previos (Yang et al., 2020). No obstante, sus resultados pueden ser más difíciles de interpretar o vincular directamente con decisiones concretas. Aun así, su utilidad en tareas de monitoreo masivo lo convierte en una técnica complementaria ideal para el SL.

Aplicaciones del Aprendizaje por Refuerzo en la Reconfiguración de Redes

De igual forma, el aprendizaje por refuerzo RL, ofrece un marco para que un agente inteligente aprenda a tomar decisiones óptimas mediante ensayo y error, acumulando recompensas según el resultado de sus acciones. Así, en redes 6G, el aprendizaje RL, puede aplicarse para tareas de control autónomo como la asignación de espectro, el direccionamiento de haces o la reconfiguración de nodos de red. Por ejemplo, se han propuesto agentes de RL que, al interactuar con entornos simulados o gemelos digitales, aprenden políticas de actuación que optimizan el rendimiento global del sistema (Jiang & Han, 2021; Sun et al., 2019). Sin embargo, su principal limitante técnica radica en el proceso de exploración, ya que durante la fase inicial el agente puede tomar decisiones subóptimas que, en redes reales, podrían degradar el servicio. Por esta razón, es común entrenarlos previamente en entornos virtuales antes de su despliegue productivo (Chen et al., 2021).

El Papel del Aprendizaje Federado en la Configuración Autónoma de Redes 6G

Desde esta perspectiva, emergen prácticas que amplían significativamente las posibilidades del aprendizaje automático en el contexto de las redes 6G. En esta línea, el aprendizaje federado (FL) permite entrenar modelos supervisados (SL) de forma distribuida, sin necesidad de centralizar los datos, lo cual no solo preserva la privacidad, sino que también reduce el tráfico de red (Konečný et al., 2016). Así, dispositivos como vehículos autónomos o sensores en entornos urbanos pueden colaborar en el entrenamiento de un modelo común sin intercambiar directamente datos sensibles. De esta manera, las redes de inteligencia artificial nativas del 6G (AI-native networks) integran capacidades de aprendizaje automático desde su diseño arquitectónico, lo que incluye protocolos adaptativos y hardware especializado para ejecutar algoritmos en tiempo real (Chen et al., 2024). Además, el aprendizaje auto-supervisado y el edge learning potencian la inferencia local mediante modelos ligeros, permitiendo a los dispositivos realizar predicciones y adaptaciones sin requerir conectividad constante con la nube. En consecuencia, estas innovaciones no solo optimizan el rendimiento operativo, sino que también abren paso a aplicaciones disruptivas como las superficies inteligentes reconfigurables, las redes completamente virtualizadas con gemelos digitales y, finalmente, ecosistemas de comunicación autónomos, capaces de auto-organizarse y evolucionar en base al contexto, al comportamiento del usuario y a las condiciones del entorno.

Consolidación del Aprendizaje Automático para la Gestión Inteligente de Haces

En definitiva, la gestión de haces en ondas milimétricas y Terahercios se ha optimizado de manera sustancial gracias a la incorporación de técnicas de aprendizaje automático. Por ejemplo, el aprendizaje supervisado (SL, Supervised Learning) ha sido ampliamente aplicado en este campo, ya que permite que los sistemas predigan de forma precisa la mejor dirección del haz utilizando datos previamente etiquetados. A su vez, esto facilita que las redes de comunicación ajusten dinámicamente la orientación del haz ante cambios en el entorno, como la aparición de nuevos obstáculos o fluctuaciones en las condiciones de la señal, mejorando así tanto la eficiencia energética como la calidad de la transmisión de datos (Sutton & Barto, 2018). En consecuencia, la integración de modelos de inteligencia artificial no solo fortalece la estabilidad y la adaptabilidad de las redes en tiempo real, sino que también sienta las bases para el despliegue exitoso de sistemas 6G, donde la inteligencia embebida será un componente esencial de su arquitectura.

Aprendizaje por Refuerzo: Adaptabilidad y Eficiencia en Ambientes Urbanos

En adición, también el aprendizaje por refuerzo, (RL, Reinforcement Learning), juega un papel esencial en la gestión de haces electromagnéticos. A diferencia del aprendizaje supervisado, este método no requiere datos etiquetados, sino que el sistema aprende mediante un proceso de prueba y error, optimizando sus decisiones a través de recompensas obtenidas. Esto es especialmente útil en entornos urbanos con múltiples obstáculos, donde el sistema puede ajustar continuamente la orientación del haz para evitar interferencias y maximizar la eficiencia de la señal (Alkhateeb, et al., 2014).

En primera instancia, el aprendizaje por refuerzo, (RL, Reinforcement Learning), es una técnica dentro del aprendizaje automático donde un agente toma decisiones mediante la interacción con su entorno, basando sus acciones en un sistema de recompensas. A diferencia de los enfoques supervisados, el aprendizaje RL no requiere datos etiquetados, sino que aprende a través del ensayo y error, con el objetivo de maximizar una recompensa acumulativa. Este enfoque es especialmente beneficioso en escenarios complejos y dinámicos donde las reglas no están claramente definidas o son altamente cambiantes (AWS, s.f.).

Asimismo, en el ámbito de las futuras redes 6G, el aprendizaje RL, se posiciona como una herramienta transformadora para el control de haces. Este control es fundamental en las comunicaciones móviles avanzadas, ya que permite dirigir con precisión las señales de radio hacia dispositivos específicos, aumentando la calidad del enlace y la eficiencia espectral. Al implementar aprendizaje RL, los sistemas de comunicación pueden adaptar la dirección y configuración de los haces en tiempo real, ajustándose a factores como la movilidad del usuario, interferencias y obstáculos físicos, optimizando así el rendimiento de la red (Rohde & Schwarz, s.f.).

Aplicación del RL en el Proyecto 6G BRAINS y Sistemas Autónomos

De igual manera, un caso práctico relevante es el desarrollo del proyecto 6G BRAINS, en el que se exploran arquitecturas inteligentes para gestionar de forma eficiente las conexiones masivas en entornos urbanos densamente poblados. En este contexto, el aprendizaje por refuerzo permite una gestión autónoma y adaptativa de los recursos de la red, incluyendo la orientación de los haces electromagnéticos y la asignación de espectro, respondiendo preventivamente a las condiciones del entorno. Este tipo de aplicaciones apunta a garantizar una conectividad robusta, fiable y de baja latencia, lo cual es esencial para casos de uso avanzados como vehículos autónomos, realidad aumentada y comunicación entre dispositivos (VIAVI Solutions Inc., s.f.).

Interfaces Aéreas Inteligentes: RL para la Reconfiguración del Canal

A parte de esto, otra tendencia emergente en redes 6G es la implementación de interfaces aéreas potenciadas con inteligencia artificial nativa. En este caso, aprendizaje por refuerzo RL, puede ser utilizado para entrenar modelos que reemplazan bloques clásicos del procesamiento de señales, como los receptores, los cuales pueden adaptarse dinámicamente a las condiciones del canal. Esto incluye tareas como la estimación del canal, la ecualización y la corrección de errores, mejorando considerablemente la eficiencia espectral y reduciendo la latencia, dos de los pilares fundamentales de las redes de próxima generación (Rohde & Schwarz, s.f.).

Por consiguiente, el RL representa una vía de innovación clave para afrontar los retos que presentan las redes móviles del futuro. Su capacidad para aprender en tiempo real y adaptarse a entornos altamente cambiantes lo convierte en una solución atractiva para el diseño de sistemas de comunicación autónomos e inteligentes. Integrar esta tecnología en la infraestructura 6G, permitirá no sólo mejorar el rendimiento técnico de las redes, sino también facilitar nuevas aplicaciones y servicios que requieran una conectividad confiable, rápida y personalizada (Alkhateeb et al., 2014).

Aprendizaje Federado como Pilar de Redes Privadas, Seguras y Distribuidas

Conjuntamente con esto, el aprendizaje federado, (FL, Federated Learning), ha emergido como una técnica clave en situaciones donde la privacidad de los datos es una preocupación central. En lugar de compartir datos, los modelos se entrenan localmente en dispositivos individuales, y solo los parámetros del modelo se comparten entre dispositivos. Esto permite una gestión de haces electromagnéticos más segura y privada, lo cual es esencial en aplicaciones como el Internet de las Cosas (IoT, Internet of Things) (Konečný et al., 2016).

Por lo tanto, el aprendizaje federado, (FL, Federated Learning), se presenta como una técnica de aprendizaje automático que permite la construcción colaborativa de modelos sin necesidad de centralizar los datos. Este método resulta especialmente valioso en entornos donde la privacidad y la seguridad son imprescindibles, ya que los dispositivos participantes entrenan localmente sus modelos y comparten únicamente actualizaciones de parámetros, en lugar de los propios datos (Konečný et al., 2016).

Como resultado, dentro del contexto de las redes móviles de próxima generación como la 6G, el aprendizaje federado se posiciona como una herramienta fundamental para el control inteligente y seguro de haces electromagnéticos. Las redes 6G se proyectan como infraestructuras de ultra alta capacidad, mínima latencia y soporte para dispositivos densamente conectados, lo que requiere soluciones descentralizadas para optimizar su rendimiento (Yang et al., 2021).

Control Dinámico de Haces y Colaboración Distribuida con FL

Así mismo, el control de haces en 6G consiste en ajustar dinámicamente la dirección y forma de la señal de radiofrecuencia emitida por las antenas, buscando mejorar la eficiencia espectral y reducir la interferencia. Mediante el uso de aprendizaje federado FL, es posible que los dispositivos colaboren para predecir las configuraciones óptimas de los haces según el contexto específico sin compartir sus datos, facilitando una adaptación continua en entornos móviles y complejos (Hafi et al., 2023).

Casos de Uso: FL en Vehículos Autónomos y Entornos Urbanos

De igual forma, un caso práctico se da en entornos urbanos densamente poblados, donde miles de usuarios se mueven entre edificios y zonas de alta demanda. En estas circunstancias, el aprendizaje federado permite a las estaciones base entrenar modelos que se adaptan en tiempo real, garantizando que cada usuario reciba cobertura eficiente sin necesidad de centralizar su información. Otro ejemplo incluye a los vehículos autónomos, que pueden intercambiar actualizaciones de modelos entrenados localmente para predecir condiciones del tráfico, mejorar rutas y prevenir accidentes, sin exponer datos sensibles como ubicación o comportamiento (Yang et al., 2021).

Con todo lo anterior, se puede afirmar, que las tendencias indican que el aprendizaje federado no solo será una herramienta de apoyo, sino que se integrará al diseño estructural de las futuras redes 6G. Su incorporación facilitará la gestión autónoma de la red 6G, el uso eficiente de los recursos y una experiencia de usuario personalizada, todo con un enfoque basado en la privacidad y seguridad de los datos (Hafi et al., 2023).

Combinación de Técnicas Asistidas y No Asistidas para Redes Estables

Tenemos que agregar, por otro lado, que las técnicas asistidas y no asistidas de aprendizaje supervisado complementan estas estrategias. Las técnicas asistidas utilizan información adicional para mejorar la precisión del modelo, mientras que las no asistidas se basan únicamente en los datos disponibles, lo que es útil en situaciones donde la información adicional es limitada. Estas técnicas pueden combinarse con el aprendizaje por refuerzo o el aprendizaje federado para crear sistemas híbridos que aprovechen lo mejor de cada enfoque, aumentando la robustez y adaptabilidad de las redes de comunicación (Goodfellow et al., 2016).

En este punto, es imprescindible además, diferenciar entre las técnicas asistidas y no asistidas dentro del aprendizaje supervisado. Las técnicas asistidas utilizan metadatos u otras fuentes complementarias que guían el entrenamiento de los modelos, mientras que las no asistidas se apoyan exclusivamente en los datos de entrada y sus etiquetas. En el contexto de las redes móviles de sexta generación (6G), ambas modalidades pueden integrarse con tecnologías como el aprendizaje federado o el aprendizaje por refuerzo, lo que permite la implementación de soluciones híbridas adaptativas para entornos cambiantes y exigentes (Butt et al., 2024).

Técnicas CNN Asistidas y No Asistidas para Optimización de Beamforming

Junto a esto, estas técnicas encuentran aplicaciones concretas en el control de haces (beamforming), elemento clave en la eficiencia de las comunicaciones 6G. El beamforming puede ser optimizado a través de modelos asistidos por sensores o redes neuronales convolucionales (CNN, Convolutional Neural Networks), permitiendo una asignación dinámica y precisa de recursos de red. Por ejemplo, la técnica CNN asistida se ha empleado para mejorar la detección en sistemas MIMO masivos cifrados, disminuyendo la relación de error, frente a sus equivalentes no asistidos (Li et al., 2023).

A su vez, la modalidad no asistida ha demostrado eficiencia en entornos donde la información de contexto es limitada o inestable, como en redes vehiculares o sistemas de comunicación de drones. En este tipo de aplicaciones, la detección y asignación de haces electromagnéticos puede realizarse de forma autónoma utilizando únicamente los datos de tráfico o del entorno de radiofrecuencia disponibles en tiempo real, prescindiendo de ayuda externa (Khan et al., 2025).

Enfoques Híbridos: RIS, Sensado Contextual y Computación Cuántica

Por otro lado, las soluciones híbridas emergen como un enfoque prometedor. En este sentido, los sistemas de redes inteligentes reconfigurables (RIS, Reconfigurable Intelligent Surfaces) pueden combinar técnicas asistidas, como algoritmos de proyección de gradiente o RWMMSE (Reweighted Minimum Mean Square Error), para optimizar simultáneamente el beamforming activo y pasivo, facilitando una cobertura eficiente incluso en entornos urbanos densos o industriales (Kimaryo et al., 2025).

Asimismo, las redes 6G se benefician de la integración de métodos inspirados en la computación cuántica, donde las técnicas asistidas mediante sensado contextual permiten optimizar decisiones de beamforming mediante aprendizaje por refuerzo o lógica difusa. Estas innovaciones resultan especialmente eficaces en escenarios donde la conectividad debe mantenerse estable a pesar de la movilidad de los nodos o la presencia de interferencias masivas (Deppe et al., 2024).

Futuro de las Redes No Asistidas: Escalabilidad con Aprendizaje Distribuido

Con todo y lo anterior, se vislumbran tendencias futuras como el aprendizaje colaborativo distribuido y la personalización de modelos locales en redes celulares no asistidas por nodos vehiculares (V2V, Vehicle to Vehicle), donde los dispositivos ejecutan inferencias en el borde de la red sin asistencia centralizada, promoviendo escalabilidad y estabilidad ante fallos en la infraestructura (Storck & Duarte-Figueiredo, 2020).

Integración del Aprendizaje Automático: Hacia Redes Inalámbricas Más Eficientes y Adaptativas

No hay duda, que la incorporación de técnicas de aprendizaje automático en la gestión de haces para comunicaciones en las bandas de las ondas mmWave y de los THz representa un avance significativo en la evolución de las redes inalámbricas. Por ejemplo, en el ámbito industrial, la implementación de algoritmos de aprendizaje por refuerzo ha permitido desarrollar robots capaces de realizar tareas complejas como navegación autónoma y manipulación de objetos, mejorando la eficiencia y reduciendo costos operativos (Kaizen Institute, s.f.). Asimismo, en el sector financiero, estos algoritmos se utilizan para desarrollar sistemas de trading automatizado, optimizando decisiones de inversión y gestionando riesgos de manera más efectiva (INESDI, s.f.). En el campo médico, la Figura 1, presenta un quirófano futurista dentro de un hospital avanzado, delineado con precisión en estilo técnico. En el centro, brazos robóticos realizan un procedimiento quirúrgico mientras médicos con visores de realidad aumentada monitorean y guían la operación desde pantallas translúcidas. Líneas delgadas etiquetadas con «6G» enlazan dispositivos, simbolizando una red de comunicación médica de alta velocidad. Pequeños íconos de candados aparecen junto a las conexiones y terminales, representando la seguridad de datos habilitada por aprendizaje federado. El entorno refleja eficiencia, precisión y alto nivel tecnológico en un diseño visual claro y organizado.

Además, en el contexto del Internet de las Cosas IoT, el aprendizaje federado facilita la comunicación segura y privada entre dispositivos conectados, permitiendo un mayor nivel de automatización en hogares, ciudades e industrias (Impacto TIC, 2023). Estas aplicaciones demuestran el impacto positivo y tangible que el aprendizaje automático tiene en diversos sectores, impulsando la innovación y mejorando la calidad de los servicios.

Es fundamental que investigadores, profesionales y entusiastas de la tecnología continúen explorando y desarrollando estas técnicas, ya que su aplicación no solo mejora las capacidades actuales de las redes de comunicación, sino que también abre nuevas posibilidades para aplicaciones futuras en diversos sectores, tanto industriales como civiles. La sinergia entre el aprendizaje automático y las comunicaciones inalámbricas avanzadas promete transformar la manera en que interactuamos con el mundo digital, ofreciendo soluciones más inteligentes, eficientes y adaptativas a las necesidades cambiantes de la sociedad moderna.

Avances del aprendizaje supervisado y su papel en la revolución tecnológica 6G

En un mundo cada vez más interconectado, el avance de las tecnologías de comunicación inalámbrica se presenta como un pilar esencial para el desarrollo de las futuras sociedades inteligentes. Es en este contexto donde la tecnología 6G surge como la próxima gran transformación, superando las capacidades actuales de la 5G y permitiendo niveles sin precedentes de conectividad, eficiencia energética y velocidad. Esta revolución tecnológica encuentra un punto clave de apoyo en el aprendizaje automático, particularmente en el aprendizaje supervisado, cuya integración se proyecta como imprescindible para enfrentar los desafíos que implica el diseño y operación de las redes 6G (Qin et al., 2023).

Tecnologías de inteligencia artificial aplicadas a la gestión de redes 6G

A medida que el mundo se encamina hacia una nueva era digital, tecnologías como las redes neuronales convolucionales (CNNs), recurrentes (RNNs), de memoria a largo plazo (LSTM), así como algoritmos clásicos como máquinas de vectores de soporte (SVM) y K-vecinos más cercanos (KNN), están desempeñando un papel decisivo en la optimización de procesos como la estimación de canal, la movilidad dinámica, la compresión de datos y el control adaptativo de haces. Gracias a estas herramientas, se espera que las futuras redes 6G puedan ofrecer conectividad ultra confiable y de baja latencia (URLLC), indispensables para aplicaciones como vehículos autónomos, cirugía remota, realidad extendida e Internet de Todo (Guo et al., 2023).

Control del espectro y eficiencia energética con RIS y MIMO masivos

Adicionalmente, el uso de tecnologías como las superficies inteligentes reconfigurables (RIS) y los sistemas masivos MIMO, apoyados por estos algoritmos inteligentes, permitirá un control más eficiente de la energía y del espectro, minimizando las interferencias en entornos densamente poblados y dinámicos. Por consiguiente, resulta evidente que estas tecnologías no solo redefinirán la arquitectura de las redes móviles del futuro, sino que también influirán profundamente en sectores industriales, sociales y económicos a nivel global (Zhang et al., 2023).

Aplicaciones del aprendizaje supervisado en redes móviles de última generación

Actualmente, el aprendizaje supervisado se ha consolidado como una de las metodologías más aplicadas dentro del aprendizaje automático por su simplicidad y eficacia. Esta técnica no solo facilita el entrenamiento de modelos con datos etiquetados, sino que además encuentra aplicaciones extendidas en las redes de comunicación inalámbrica de última generación. Entre sus principales áreas de implementación destacan la gestión de haces electromagnéticos, la corrección de errores, la compresión de datos, la movilidad dinámica, la optimización energética y la estimación precisa de canal (Shen & Dai, 2021; Alsiyabi, 2024). Por ejemplo, arquitecturas como las redes neuronales convolucionales, (CNNs, Convolutional Neural Networks), las redes neuronales recurrentes, (RNNs, Recurrent Neural Networks), y las redes de memoria a largo plazo, (LSTM, Long Short-Term Memory), permiten detectar patrones temporales complejos en la calidad del canal, mientras que enfoques clásicos como las máquinas de vectores de soporte, (SVMs, Support Vector Machines), o el algoritmo de los K-vecinos más cercanos, (KNN, K-Nearest Neighbors), se emplean para la clasificación de trayectorias óptimas de haces en redes móviles direccionales (Ortega et al., 2019; Khan et al., 2023).

Optimización del control de haces con algoritmos inteligentes en mmWave y THz

Por otra parte, diversos estudios recientes han demostrado que el aprendizaje supervisado mejora significativamente la eficiencia en la selección y seguimiento de haces electromagnéticos en redes de ondas en las mmWave y de los THz, áreas claves en la evolución hacia la 6G. Este tipo de aprendizaje permite adaptar las configuraciones de los haces a condiciones dinámicas de movilidad y propagación, reduciendo tanto el retardo como la sobrecarga de señalización (Gao et al., 2022; Geranmayeh & Grass, 2024). Asimismo, la aplicación de estas técnicas en redes vehiculares y sistemas de múltiples drones UAVs, abre nuevas posibilidades para la conectividad ultraconfiable y de baja latencia.

Redes neuronales convolucionales (CNNs): Arquitectura y usos en 6G

Para hacer referencia a las redes neuronales convolucionales, (CNNs, Convolutional Neural Networks), hay que considerar que estas redes son modelos de aprendizaje profundo especialmente diseñados para procesar datos que tienen una estructura en forma de cuadrícula, como las imágenes digitales. Estas arquitecturas están inspiradas en el funcionamiento de la corteza visual de los seres humanos, donde las neuronas responden a regiones específicas del campo visual. Por lo tanto, las CNNs permiten la extracción automática y jerárquica de características desde los datos de entrada, siendo ampliamente utilizadas en clasificación de imágenes, visión artificial y reconocimiento facial (Telefónica, 2023).

Dinámica y capas funcionales de las CNNs

Cabe señalar, que estas redes se componen de varias capas, entre ellas las capas convolucionales, capas de activación no lineales, capas de agrupamiento o pooling, y capas totalmente conectadas. Las capas convolucionales utilizan filtros entrenables para detectar patrones espaciales locales, que son progresivamente combinados en niveles más abstractos mediante las sucesivas capas. De esta forma, las CNNs pueden aprender representaciones profundas y significativas sin necesidad de ingeniería manual de características (UNIR, 2022).

Aplicación de CNNs en el direccionamiento dinámico de haces 6G

En cuanto a su aplicación en el contexto de redes móviles de sexta generación, (6G, Sixth Generation), las CNNs están emergiendo como una herramienta fundamental para el control de haces electromagnéticos, una técnica que permite dirigir la señal de manera precisa hacia el receptor deseado. El control dinámico y adaptativo del haz es esencial para asegurar comunicaciones eficientes en entornos con alta movilidad, como los vehículos autónomos o las ciudades inteligentes. Las CNNs pueden utilizar información sensorial o imágenes del entorno para predecir la mejor dirección del haz, optimizando la calidad del canal de comunicación y reduciendo las interferencias (Rohde & Schwarz, 2023).

Uso de imágenes 3D y CNNs para predicción de trayectorias en entornos urbanos

De igual forma, un ejemplo práctico es el uso de imágenes o datos tridimensionales del entorno urbano para entrenar una CNN que identifique obstáculos y prediga las rutas óptimas de propagación de las señales. Esta técnica mejora la formación y orientación de los haces electromagnéticos en las redes 6G con múltiples entradas y salidas, masivas, (mMIMO, Massive Multiple-Input Multiple-Output), contribuyendo a un uso más eficiente del espectro radioeléctrico y a una menor latencia (Assured Systems, 2023).

Integración de CNNs con superficies inteligentes reconfigurables (RIS)

Asimismo, las redes CNNs pueden integrarse con tecnologías avanzadas como las superficies inteligentes reconfigurables, (RIS, Reconfigurable Intelligent Surfaces), que permiten modificar dinámicamente el entorno electromagnético. La combinación de RIS y CNNs posibilita un control más preciso de la dirección y forma de los haces electromagnéticos, adaptándose en tiempo real a cambios en el entorno físico y en la movilidad de los usuarios, lo cual es esencial en escenarios complejos de las redes 6G (Rohde & Schwarz, 2023).

Infraestructura cognitiva distribuida para una gestión inteligente de haces

No hay duda, que las CNNs serán parte de una infraestructura cognitiva distribuida en el borde de la red, donde dispositivos con capacidad de procesamiento local analizarán datos contextuales para la toma de decisiones autónomas. Esto permitirá una gestión de haces electromagnéticos inteligente, estable y eficiente, que se ajuste de manera preventiva a la variabilidad de los entornos de comunicación en la era de la 6G (Shen & Dai, 2021; Alsiyabi, 2024).

Redes neuronales recurrentes (RNNs) y su valor para la 6G

Por otro lado, en cuanto a las redes neuronales recurrentes, (RNNs, Recurrent Neural Networks), éstas, son un tipo de red neuronal artificial diseñada para procesar secuencias de datos, capturando dependencias temporales y contextuales a lo largo del tiempo. Diferente a las redes neuronales convencionales, las RNNs reutilizan activaciones de neuronas anteriores, alimentando la salida actual como parte de la entrada para la siguiente etapa, lo que les permite mantener una «memoria» sobre la información anterior (Goodfellow, Bengio, & Courville, 2016).

Predicción de movimiento y ajuste dinámico de parámetros con RNNs

Además, en el contexto de la tecnología 6G, las redes RNNs ofrecen un potencial significativo para la gestión avanzada de haces electromagnéticos, un proceso necesario para optimizar la dirección y potencia de las señales de transmisión y recepción en sistemas de comunicaciones inalámbricas. Por ejemplo, mediante el uso de redes RNNs, se puede predecir la orientación óptima de los haces en función de patrones de movimiento y uso histórico de la red, adaptando dinámicamente los parámetros del sistema para maximizar la eficiencia y reducir la latencia (Zhang, Patras, & Haddadi, 2019).

RNNs para predicción de trayectorias en escenarios de alta movilidad

Con respecto a las aplicaciones en 6G, las RNNs podrían ser utilizadas para mejorar la predicción de trayectorias en dispositivos móviles, permitiendo un ajuste más preciso y preventivo de los haces. Esto es particularmente relevante en escenarios de alta movilidad, como vehículos autónomos o drones, donde las condiciones de señal cambian rápidamente. Asimismo, la capacidad de las RNNs para manejar datos secuenciales las hace ideales para aplicaciones en gestión de la movilidad y estimación de canal en entornos 6G dinámicos (Shen & Dai, 2021; Alsiyabi, 2024).

RNNs como base de la gestión de haces basada en contexto

De esta forma, las redes neuronales recurrentes tienen un rol transformador en las futuras redes 6G, especialmente en aplicaciones de alta complejidad como la gestión de haces, donde se requiere un ajuste continuo y basado en el contexto para optimizar la transmisión de datos. A medida que avanzamos hacia una implementación más amplia de la tecnología 6G, es probable que la contribución de las redes RNNs en este ámbito, continúe expandiéndose, marcando tendencias en el desarrollo de soluciones de comunicación más inteligentes y eficientes.

Redes LSTM: Precisión en la orientación de haces para redes 6G

Ahora, haciendo referencia al contexto de la evolución de la comunicación móvil hacia la sexta generación (6G), resulta fundamental comprender cómo las redes de memoria a largo plazo, (LSTM, Long Short-Term Memory), pueden ser aplicadas de manera efectiva en tareas avanzadas como el control de haces electromagnéticos. Este mecanismo, fundamental en sistemas de antenas masivas, posibilita la orientación precisa de señales hacia dispositivos móviles específicos, optimizando así el uso del espectro y reduciendo la interferencia (Lu et al., 2023).

Ventajas estructurales de las LSTM frente a RNNs tradicionales

Asimismo, las redes LSTM constituyen una variante especializada de las redes neuronales recurrentes, (RNNs, Recurrent Neural Networks), diseñadas para resolver el problema del desvanecimiento del gradiente mediante una arquitectura compuesta por puertas de entrada, olvido y salida. Esto permite que estas redes retengan información durante intervalos prolongados, lo cual es esencial en sistemas donde la secuencia temporal de los datos influye directamente en la toma de decisiones, como ocurre en el control de haces en la 6G (Hochreiter & Schmidhuber, 1997; Goodfellow et al., 2016).

Aplicaciones urbanas de las LSTM en redes móviles de sexta generación

Aclaremos, que el funcionamiento de las LSTM se basa en el procesamiento secuencial de datos temporales, lo cual resulta especialmente útil en la predicción de la dirección óptima de los haces en redes 6G. Estas redes pueden entrenarse con datos históricos de posicionamiento y movimiento de los usuarios para anticipar sus trayectorias, ajustando dinámicamente la orientación de los haces en estaciones base con múltiples entradas y múltiples salidas, (MIMO, Multiple Input Multiple Output) (Zhang et al., 2022).

En adición, un ejemplo práctico puede encontrarse en sistemas de control de haces en entornos urbanos altamente móviles. En estos escenarios, una red LSTM entrenada con datos de tráfico y patrones de movimiento de peatones puede predecir con precisión la ubicación futura de los dispositivos móviles. De esta manera, permite una gestión preventiva de recursos de red, mejorando tanto la latencia como la eficiencia energética del sistema (Bertizzolo et al., 2021).

Aprendizaje federado y LSTM para adaptabilidad y privacidad en 6G

Por otra parte, en el ámbito de las tendencias futuras, se anticipa la incorporación de la LSTM con tecnologías como el aprendizaje federado, (FL, Federated Learning), que permitirá el entrenamiento colaborativo de modelos en dispositivos de borde sin necesidad de compartir datos sensibles. Esto será relevante en redes 6G, donde la privacidad y la descentralización serán pilares clave. Además, la combinación de LSTM con algoritmos de aprendizaje profundo híbrido facilitará la adaptación en tiempo real a contextos dinámicos, como vehículos autónomos o sistemas de realidad aumentada (Xu et al., 2024).

Igualmente, sitios especializados como IEEE Xplore, ScienceDirect y arXiv han publicado recientemente estudios detallando estas integraciones tecnológicas. Por ejemplo, en un estudio reciente de IEEE Communications Magazine se documenta cómo una arquitectura de red 6G equipada con modelos LSTM puede superar esquemas clásicos de predicción en cuanto a precisión de seguimiento y reducción de pérdida de paquetes, lo cual repercute directamente en la calidad de experiencia del usuario final (Ali et al., 2024).

LSTM en estimación de canal y gestión de red inteligente

Así, este tipo de implementación no solo se limita al control de haces electromagnéticos. También tiene aplicaciones en la estimación de canal, gestión de movilidad y predicción de carga de red. Por ejemplo, el uso de LSTM permite prever cambios en la calidad del canal inalámbrico debido a interferencias ambientales, ajustando dinámicamente los parámetros de transmisión para garantizar una conectividad robusta en las redes 6G (Yuan et al., 2023).

Máquinas de vectores de soporte (SVMs): Clasificación y control de haces en 6G

Asimismo, en lo que se refiere a las máquinas de vectores de soporte, (SVM, Support Vector Machines), éstas constituyen un algoritmo de aprendizaje automático supervisado que se utiliza ampliamente en tareas de clasificación y regresión. Su principio fundamental radica en hallar un hiperplano que separe las distintas clases dentro de un espacio de características multidimensional, maximizando el margen entre los datos de cada clase, lo que incrementa la capacidad del modelo para generalizar nuevos datos (IBM, s.f.-a).

Núcleos de transformación y su adaptación a múltiples escenarios

Por otra parte, el funcionamiento interno de las máquinas SVM se basa en la utilización de funciones de núcleo, que transforman los datos originales en un espacio de mayor dimensión donde las clases pueden volverse separables linealmente. Entre los núcleos más usados se encuentran el lineal, polinómico, radial (RBF) y sigmoide, los cuales permiten adaptar el modelo analizado a distintos tipos de distribución de datos y escenarios prácticos (IBM, s.f.-b).

Uso de SVMs para reducción de interferencias y predicción en ciudades inteligentes

En cuanto a sus aplicaciones futuras, las máquinas SVM, desempeñarán un papel determinante en la red de sexta generación (6G), especialmente en el control de haces electromagnéticos. Este proceso es esencial para direccionar de manera precisa la señal hacia los dispositivos móviles en entornos densamente poblados, optimizando el uso del espectro y reduciendo las interferencias. Las máquinas SVM, permiten analizar patrones históricos de tráfico y condiciones del canal, para tomar decisiones óptimas sobre la orientación de los haces electromagnéticos en tiempo real (Xu et al., 2022).

Adicionalmente, en escenarios como las ciudades inteligentes, las máquinas de vectores de soporte, SVM, podrían implementarse para predecir la dirección ideal de los haces basándose en el comportamiento de los usuarios y los estados del canal. Por ejemplo, en una intersección con alto flujo de personas y vehículos conectados, una máquina SVM, entrenada puede adaptar la cobertura dinámica para minimizar pérdidas y latencia. Esta capacidad resulta igualmente relevante en aplicaciones del Internet de las Cosas, (IoT, Internet of Things), donde se requiere priorizar el acceso de dispositivos con distintas demandas de ancho de banda y latencia (Alsiyabi et al., 2024; Wang et al., 2023).

Futuro de las SVMs: integración con IA distribuida y redes inteligentes

Por consiguiente, se proyecta que las máquinas SVM seguirán siendo herramientas clave en la arquitectura de las redes 6G al incorporarse con otras técnicas como el aprendizaje federado y la inteligencia artificial distribuida. Gracias a su eficiencia para manejar grandes volúmenes de datos y realizar inferencias rápidas, las SVM contribuirán significativamente a la adaptabilidad, eficiencia y estabilidad de las futuras infraestructuras de comunicación móvil (Shen & Dai, 2021).

Algoritmo KNN en redes 6G: Predicción de movilidad y control de haces

Sumado a todo lo anterior, por otro lado, el algoritmo de los K-vecinos más cercanos, (KNN, K-Nearest Neighbors), es una técnica de aprendizaje supervisado ampliamente usada para tareas de clasificación y regresión. Su principio operativo se basa en asignar una etiqueta a una muestra desconocida comparándola con las etiquetas de sus k muestras vecinas más cercanas dentro de un espacio métrico definido, comúnmente utilizando distancia euclidiana. En particular, si k=1, la muestra se clasifica en la misma categoría que su vecino más próximo. La elección del valor de k es fundamental para el rendimiento del algoritmo, ya que valores muy pequeños pueden resultar en modelos susceptibles al ruido, mientras que valores grandes pueden generalizar en exceso y perder precisión local (Cover & Hart, 1967; Singh et al., 2020).

Al mismo tiempo, en el contexto de las redes móviles de sexta generación, (6G, Sixth Generation), se prevé un aumento considerable en la complejidad de la infraestructura debido al uso intensivo de tecnologías emergentes como las superficies inteligentes reconfigurables, (RIS, Reconfigurable Intelligent Surfaces), frecuencias en terahercios, (THz, Terahertz), y esquemas de formación de haces extremadamente direccionales. En este entorno, el control de haces (beam management) se convierte en un elemento esencial para garantizar comunicaciones robustas y eficientes. El algoritmo KNN puede utilizarse para predecir la dirección óptima de los haces electromagnéticos basándose en datos históricos de localización, movilidad y calidad de señal, facilitando la adaptación dinámica del haz hacia los usuarios en tiempo real (Alsiyabi, 2024; Shen & Dai, 2021).

Aplicación en comunicaciones vehiculares y predicción de trayectorias

Cierto es que, una aplicación concreta del algoritmo KNN en redes 6G, podría observarse en sistemas de comunicación vehicular, donde los datos obtenidos de sensores de navegación y geoposicionamiento permiten anticipar las trayectorias de vehículos en movimiento. Utilizando el algoritmo KNN, el sistema podría predecir ubicaciones futuras y reconfigurar los haces emitidos por estaciones base o superficies RIS para mantener la conectividad, especialmente relevante para vehículos autónomos que dependen de enlaces ultra confiables y de baja latencia (URLLC, Ultra-Reliable Low Latency Communications) (Saad et al., 2020; Li et al., 2021).

Gestión dinámica de haces en entornos urbanos densos con KNN

Además, en escenarios urbanos densamente poblados, el algoritmo KNN puede facilitar la predicción de agrupamientos de usuarios y patrones de movilidad, permitiendo una gestión anticipada de los haces electromagnéticos. Por ejemplo, una estación base podría identificar zonas de alta densidad de dispositivos móviles y dirigir haces múltiples o formar haces más anchos para cubrir áreas críticas, mejorando la cobertura y reduciendo interferencias. Esto contribuye significativamente a la eficiencia espectral y al uso óptimo de los recursos del canal de comunicación (Zhang et al., 2019; You et al., 2021).

Integración del KNN con redes neuronales y hardware optimizado para 6G

Al mismo tiempo, las perspectivas futuras para la integración del algoritmo KNN en sistemas 6G contemplan su combinación con modelos más complejos de aprendizaje profundo, como redes neuronales convolucionales, (CNNs, Convolutional Neural Networks), o redes de memoria a largo plazo, (LSTM, Long Short-Term Memory), con el objetivo de incrementar la capacidad de generalización del sistema de predicción. El desarrollo de hardware dedicado, como chips de inteligencia artificial optimizados para inferencia en tiempo real, también podría facilitar la implementación práctica del algoritmo KNN en arquitecturas distribuidas de la tecnología 6G (Giordani et al., 2020; Tataria et al., 2021).

Aplicaciones transversales del aprendizaje supervisado en 6G

En todo este orden de ideas, es importante destacar, que la gestión de haces electromagnéticos tiene múltiples aplicaciones en las redes de comunicación inalámbrica 6G, entre las cuales se incluyen los códigos de corrección de errores, la compresión de datos, la gestión de movilidad, la gestión de energía y la estimación de canal. Por ejemplo, los códigos de corrección de errores, que se utilizan para garantizar la integridad de los datos transmitidos, pueden ser optimizados mediante el uso de algoritmos de aprendizaje supervisado que predicen y corrigen errores en tiempo real, mejorando la fiabilidad de la comunicación en condiciones adversas (Bishop, 2006).

Codificación de canal y compresión de datos mejoradas con IA

Aquí, conviene destacar, que la gestión de haces en redes de comunicación 6G implica una precisa dirección de señales mediante tecnologías como formación de haces electromagnéticos, antenas masivas (Massive MIMO, Multiple Input Multiple Output), codificación de canal y compresión de datos, lo que permite una transmisión más robusta y eficiente. En este contexto, los códigos de corrección de errores (ECC, Error Correction Codes) son mecanismos diseñados para detectar y corregir errores durante la transmisión de información, lo cual resulta fundamental en entornos donde las señales están expuestas a interferencias o atenuaciones como sucede en las bandas milimétricas o terahercios que se proyectan para 6G (Rowshan et al., 2024).

De manera complementaria, la compresión de datos cumple un rol esencial al reducir el volumen de información transmitida sin sacrificar su calidad, lo cual se traduce en menor latencia y mayor eficiencia energética. En aplicaciones 6G que requieren comunicación ultra fiable y de baja latencia (URLLC, Ultra-Reliable Low Latency Communications), como el control autónomo de vehículos o cirugía remota, se aplican esquemas avanzados de compresión y codificación para garantizar el flujo continuo de datos, incluso bajo condiciones adversas (Gautam et al., 2024).

Además, cabe resaltar, que tecnologías como la codificación convolucional o LDPC (Low-Density Parity-Check) se están adaptando a entornos 6G mediante técnicas de aprendizaje automático para optimizar el rendimiento en tiempo real. Por ejemplo, en los procesos de entrenamiento de haces, los códigos se integran con los algoritmos de beam training para seleccionar automáticamente la mejor dirección de transmisión, mitigando errores derivados de la dispersión del canal (Zheng et al., 2025).

Igualmente, se prevé que el uso de compresión en el borde (edge compression) se combine con computación perimetral (Edge Computing, EC) para lograr un control más dinámico y adaptativo de haces, especialmente útil en contextos de movilidad extrema como drones o vehículos autónomos. Estas implementaciones pueden reducir la sobrecarga del canal, garantizando así una comunicación estable y precisa en redes de alta densidad (Damsgaard et al., 2023).

Hay que advertir, que las tendencias futuras apuntan hacia la integración de inteligencia artificial (IA) en la gestión de haces mediante métodos de codificación cognitiva y técnicas como redes neuronales profundas. Esto permitirá optimizar simultáneamente el proceso de codificación y la dirección del haz electromagnético, respondiendo en tiempo real a cambios del entorno, mejorando la eficiencia espectral y adaptándose a usuarios en movimiento (Brilhante et al., 2023).

Codificación adaptativa y control de haces en entornos inteligentes

A modo de ilustración práctica, en un entorno urbano inteligente donde múltiples sensores y vehículos interactúan simultáneamente, las codificaciones adaptativas junto con la compresión distribuida permiten reducir los errores en la transmisión y manejar grandes volúmenes de datos con precisión milimétrica. Este enfoque, indispensable para aplicaciones como la conducción cooperativa o la vigilancia automatizada, asegura que los haces electromagnéticos se alineen con precisión a los dispositivos deseados, incluso en entornos ruidosos o de alta movilidad (Ullah et al., 2024).

Gestión de movilidad en 6G: diferencia clave frente a la red 5G

Ahora, para referirnos a la gestión de movilidad en las redes de comunicación 6G, es importante describir esta tarea, como un componente esencial para garantizar la continuidad de servicio, especialmente en entornos densamente poblados o altamente dinámicos. Esta gestión implica el monitoreo constante de la posición del usuario o dispositivo móvil y la transición fluida entre nodos o celdas sin pérdida de conexión. A diferencia de la red 5G, que ya integra conceptos avanzados de conectividad, como el Massive MIMO (Múltiple entrada, múltiple salida en masa, MIMO, Multiple Input Multiple Output), la sexta generación propone un salto significativo mediante la incorporación de redes definidas por software (SDN, Software Defined Networking) y tecnologías de virtualización de funciones de red (NFV, Network Function Virtualization), que permiten una orquestación más dinámica de los recursos del sistema de la red 6G (Zhang et al., 2020).

IA predictiva y movilidad preventiva en redes inteligentes

Del mismo modo, una diferencia fundamental con respecto a 5G es que la red 6G busca integrar la Inteligencia Artificial IA, (AI, Artificial Intelligence) directamente en la gestión de movilidad. Por ejemplo, mediante algoritmos de aprendizaje profundo, la red puede predecir patrones de movimiento del usuario y anticiparse a la reasignación de recursos, lo que optimiza la eficiencia del sistema. En contraste, la tecnología 5G emplea técnicas de gestión más reactivas, que responden una vez detectado un cambio de celda o canal, lo cual puede generar latencias mínimas pero acumulativas en escenarios críticos (Giordani et al., 2020).

Beamforming con frecuencias THz y su uso en drones y logística médica

De forma complementaria, en el contexto del control de haces electromagnéticos o beamforming, la tecnología 6G avanza hacia el uso de haces ultra direccionados con frecuencias en el rango de los terahercios (THz), lo cual permite establecer enlaces inalámbricos extremadamente precisos y de alta capacidad. Por ejemplo, en una aplicación práctica como el control autónomo de drones para logística médica, el sistema de comunicación puede enfocar haces hacia dispositivos móviles en movimiento con latencia mínima, manteniendo conexiones estables y seguras incluso en entornos de alta interferencia. Esto no sería completamente viable con 5G, cuyo rango de frecuencia y técnicas de formación de haces presentan limitaciones en agilidad espectral y resolución espacial (Dang et al., 2020).

Edge computing y predicción en tiempo real para movilidad vehicular

Es prudente advertir, que las tendencias futuras indican que la gestión de movilidad en 6G estará estrechamente ligada a la computación en el borde (Edge Computing), lo que permitirá que las decisiones sobre cambio de celda, optimización de rutas o ajuste del haz se tomen localmente en milisegundos. Un ejemplo emergente es su aplicación en vehículos autónomos conectados, donde los nodos de la red predicen trayectorias y ajustan la cobertura en tiempo real para evitar pérdidas de señal que comprometerían la seguridad (Younis et al., 2021).

Sostenibilidad energética como eje de la movilidad y el beamforming

En efecto, conviene destacar que el desarrollo de estas tecnologías también se encuentra vinculado a la eficiencia energética. La combinación de beamforming adaptativo, movilidad preventiva y redes inteligentes, permitirá reducir significativamente el consumo energético en los dispositivos finales y en la infraestructura de red, alineándose con los objetivos de sostenibilidad tecnológica para el año 2030.

Beamforming inteligente y eficiencia energética en 6G

En todo este contexto analizado, conviene destacar, la importancia de la gestión de haces, (BF, Beamforming), para dirigir las señales electromagnéticas hacia ubicaciones específicas utilizando múltiples antenas, optimizando así la eficiencia espectral y energética. En redes 6G, esta tecnología se apoya en superficies reflectoras inteligentes, (IRS, Intelligent Reflecting Surfaces), que manipulan activamente el entorno para redirigir las señales con un bajo consumo de energía, lo cual mejora sustancialmente la cobertura y la eficiencia de transmisión (Ihsan et al., 2022).

Formación de haces con IRS y MIMO para maximizar cobertura

Ahora bien, es importante resaltar, además, las diferencias fundamentales entre 6G y su predecesora, la quinta generación (5G), en lo que respecta a la gestión de energía. Mientras que en 5G se prioriza la velocidad y la baja latencia, 6G añade nuevas dimensiones como sostenibilidad energética y el uso de inteligencia artificial para la asignación dinámica de recursos. Por ejemplo, tecnologías de aprendizaje automático se implementan en 6G para realizar beamforming adaptativo que reduce el consumo eléctrico, algo aún incipiente en 5G (Brilhante et al., 2023).

Balance energético y formación híbrida para entornos exigentes

Sin duda, cabe señalar también, que la gestión energética en 6G se articula a través de arquitecturas masivas MIMO, (Multiple Input Multiple Output), combinadas con técnicas de formación híbrida de haces. Esta combinación permite optimizar el equilibrio espectral y energético en contextos de alta demanda, como el Internet de Todo, (IoE, Internet of Everything), y las redes vehiculares autónomas. Por ejemplo, se ha propuesto un sistema de balanceo energético que usa modelos duales de aprendizaje profundo para ajustar dinámicamente la potencia de transmisión según el tráfico en tiempo real (Sundar et al., 2024).

Beamforming para transferencia conjunta de energía e información

Con todo esto, resulta relevante considerar que las futuras aplicaciones de beamforming en 6G se extienden a entornos como el control industrial automatizado, la telemedicina basada en hologramas y la transmisión energética inalámbrica. En este sentido, las redes 6G permitirán transferir tanto información como energía de forma simultánea, optimizando las trayectorias de los haces electromagnéticos, mediante algoritmos avanzados de control y aprendizaje profundo (Psomas et al., 2024).

NOMA y control de interferencias en sistemas multicelda 6G

Debemos traer a colación, la necesidad de indicar, que las tendencias emergentes incluyen la integración de tecnologías de control de potencia con sistemas de formación de haces coordinados, gestionados a través de redes de acceso múltiple no ortogonales, (NOMA, Non-Orthogonal Multiple Access), y ordenamiento dinámico de interferencias. Estas estrategias permiten una gestión más robusta de los recursos en redes multicelda, ampliando la escalabilidad y sostenibilidad del sistema en 6G (Zakeri et al., 2021).

Estimación de canal avanzada y aprendizaje automático en 6G

De la misma manera, tenemos que agregar, que la estimación de canal en la sexta generación de redes móviles (6G) representa, igualmente, un elemento fundamental para mejorar la eficiencia espectral, la latencia ultra baja y la conectividad masiva. Esta técnica consiste en calcular con precisión las características de propagación del canal de comunicación entre transmisor y receptor, permitiendo así ajustar los parámetros de transmisión para optimizar la calidad del enlace. En el contexto de la tecnología 6G, avances emergentes como las superficies reflectantes inteligentes (IRS, Intelligent Reflecting Surfaces) han intensificado la necesidad de nuevas estrategias de estimación de canal, debido a la naturaleza pasiva y reconfigurable de estos elementos, que permiten redirigir señales inalámbricas sin procesamiento activo, optimizando la cobertura y el consumo energético (Zheng et al., 2022).

Técnicas de IA para estimación precisa en condiciones dinámicas

Parece perfectamente clara la importancia de diferenciar entre la estimación de canal en 6G, respecto a su implementación en redes de quinta generación (5G). Mientras que en 5G se apoya en técnicas convencionales en entornos principalmente de línea de vista y en frecuencias sub-6 GHz y de las ondas mmWave, 6G expandirá estos límites mediante la integración de espectros en el rango de los terahercios (THz, Terahertz) y el uso masivo de antenas MIMO (Multiple-Input Multiple-Output) para comunicación de alta precisión en entornos densos y móviles. En este sentido, las técnicas convencionales de estimación basadas en señales piloto resultan ineficientes, dando paso al uso de algoritmos de inteligencia artificial (IA, Artificial Intelligence), como redes neuronales profundas y modelos de aprendizaje federado para la predicción de estados de canal en condiciones variables y dinámicas (Vilas Boas et al., 2022).

A la vez, estas tecnologías facilitan la gestión de haces (beam management), que implica la formación, seguimiento y optimización de haces dirigidos para maximizar la ganancia de señal y minimizar la interferencia. En 6G, el control de haces se refuerza con la estimación precisa del canal, permitiendo enfoques adaptativos en escenarios de alta movilidad, como la de vehículos autónomos o entornos industriales inteligentes. Por ejemplo, mediante técnicas de aprendizaje profundo, se puede estimar la respuesta del canal en bandas de los THz a partir de la información obtenida en las bandas de los sub-6 GHz, lo que reduce significativamente la complejidad computacional y el overhead de señalización (Bhattacharya & Gupta, 2022).

V2X e industria conectada: aplicación real de la estimación de canal

Tras esto, en aplicaciones prácticas, la estimación de canal en 6G ya se vislumbra en escenarios como la comunicación vehicular V2X (Vehicle-to-Everything), donde la precisión y velocidad en la estimación permiten el intercambio seguro de información crítica entre múltiples vehículos y centros de control en tiempo real. A través del aprendizaje colaborativo entre vehículos, se mejora la precisión de los modelos predictivos y se ajustan los haces dinámicamente según la topología de tráfico (Mizmizi et al., 2021). Asimismo, en el ámbito industrial, el uso de Massive MIMO y algoritmos de IA permite una conectividad confiable en sistemas de manufactura inteligente con múltiples dispositivos conectados simultáneamente, ajustando la dirección y potencia de los haces con latencias ultra bajas (Wang et al., 2022).

Esquemas near-field y auto-supervisión en redes densas

De manera adicional, entre las tendencias emergentes se encuentran los esquemas de codificación basados en los modos de propagación de campos cercanos (near-field) en entornos de dispositivos densamente conectados, permitiendo una representación dispersa del canal que reduce el consumo energético y mejora la eficiencia de cómputo (Zhang et al., 2023). La integración de aprendizaje automático distribuido, incluyendo aprendizaje federado y auto-supervisado, también gana tracción en la creación de sistemas altamente estables que no requieren grandes volúmenes de datos etiquetados, facilitando su implementación en tiempo real en escenarios descentralizados (Kim et al., 2023).

Arquitectura IA centralizada para administración de canal y haces

Ahora veamos, como el avance hacia una arquitectura completamente basada en IA para la administración del canal y del haz, representa un enfoque prometedor que se adapta a los requerimientos ultradensos y heterogéneos de las futuras redes móviles. Dichas soluciones, además, podrán integrarse con sensores, sistemas de compresión inteligente de datos y gestión energética sostenible, consolidando un ecosistema 6G más eficiente y autosuficiente (Brilhante et al., 2023).

Beneficios del aprendizaje supervisado en múltiples tareas 6G

Además, en lo que respecta a la compresión de datos, los algoritmos de aprendizaje supervisado son esenciales para reducir el volumen de datos transmitidos sin comprometer la calidad de la información. Por ejemplo, las redes neuronales convolucionales, (CNNs, Convolutional Neural Networks), pueden ser entrenadas para identificar y eliminar redundancias en los datos, lo que permite una transmisión más eficiente y rápida, especialmente en entornos donde el ancho de banda es limitado (LeCun, Bengio, & Hinton, 2015).

Por otra parte, la gestión de movilidad en redes inalámbricas, que es crítica para garantizar una conexión estable mientras los usuarios se desplazan, también se beneficia del aprendizaje supervisado. Los algoritmos de redes neuronales recurrentes, (RNNs, Recurrent Neural Networks), son particularmente efectivos en la predicción de patrones de movimiento y en la adaptación dinámica de los recursos de la red para mantener la calidad del servicio (Graves, Mohamed, & Hinton, 2013).

Igualmente, la gestión de energía es sin duda, otra área donde el aprendizaje supervisado tiene un impacto significativo. Por ejemplo, las redes de memoria a largo plazo, (LSTM, Long Short-Term Memory), pueden ser empleadas para predecir y optimizar el consumo de energía en dispositivos inalámbricos, prolongando la vida útil de la batería y reduciendo el consumo energético general de la red (Hochreiter & Schmidhuber, 1997).

Algo más hay que añadir, la estimación de canal, que es fundamental para la correcta transmisión de datos en redes inalámbricas, puede ser mejorada mediante el uso de máquinas de vectores de soporte, (SVMs, Support Vector Machines), que son capaces de modelar y predecir las condiciones del canal en tiempo real, asegurando así una transmisión de datos más eficiente y confiable (Cortes & Vapnik, 1995).

No olvidemos, además, que el algoritmo de los K-vecinos más cercanos, (KNN, K-Nearest Neighbors), también es ampliamente utilizado en la gestión de haces, ya que permite clasificar y seleccionar la mejor dirección del haz en función de las características del entorno circundante, mejorando así la cobertura y la calidad de la señal (Cover & Hart, 1967).

Impacto transformador del aprendizaje automático en 6G: una oportunidad para la industria y la sociedad

A la luz de los avances discutidos, se puede afirmar que la incorporación de técnicas de aprendizaje supervisado en las redes móviles 6G transformará radicalmente la forma en que concebimos la conectividad y el procesamiento de datos. Por ejemplo, en el ámbito vehicular, el uso combinado de RNNs y LSTM permitirá predecir trayectorias de vehículos y peatones, optimizando la gestión de haces electromagnéticos y garantizando comunicaciones estables incluso en contextos de alta movilidad. Este tipo de integración no solo eleva la eficiencia del sistema, sino que también fortalece la seguridad en aplicaciones críticas como la conducción autónoma o los sistemas de transporte inteligentes (Jiang et al., 2023).

Asimismo, en el entorno industrial, tecnologías como las redes CNNs y las máquinas SVM, están siendo implementadas para identificar obstáculos físicos, predecir condiciones del canal y ajustar dinámicamente la cobertura de la red 6G, mejorando la eficiencia energética y reduciendo la latencia en procesos de manufactura conectada. En este contexto, la computación en el borde (Edge Computing) y el aprendizaje federado amplifican estas capacidades al distribuir la inteligencia hacia dispositivos locales, favoreciendo la privacidad y la toma de decisiones en tiempo real (Mahmood et al., 2023).

De igual forma, tecnologías como los algoritmos KNN, están siendo empleadas en la predicción de agrupamientos de usuarios en áreas urbanas densas, permitiendo una reconfiguración dinámica de haces electromagnéticos, que garantice una cobertura óptima. En paralelo, la estimación de canal mediante modelos híbridos de IA y redes neuronales está revolucionando la capacidad de las redes para adaptarse a condiciones adversas, haciendo de la conectividad un recurso más estable, sólido y adaptable. La combinación de estas técnicas representa un cambio de paradigma en la gestión de redes de nueva generación, propiciando arquitecturas inteligentes, eficientes y sustentables (Song et al., 2023).

En este contexto, resulta imperativo que la comunidad académica, la industria tecnológica y los gobiernos impulsen el desarrollo e implementación de estas tecnologías disruptivas. La formación de profesionales capacitados en IA aplicada a las telecomunicaciones, la creación de marcos regulatorios flexibles y la inversión en infraestructura avanzada serán elementos determinantes para consolidar el ecosistema 6G. Por lo tanto, es vital que el lector reconozca la magnitud del impacto que estas herramientas tendrán no solo en las comunicaciones móviles, sino en la transformación integral de nuestras sociedades.

Como una forma de dar una idea ilustrativa de aplicación, la Figura 2 muestra a una ingeniera y a un robot humanoide colaborando activamente en el mantenimiento de un sensor IoT. Ambos se encuentran inclinados hacia el dispositivo, usando herramientas técnicas, en una composición vista desde un ángulo lateral. Alrededor del sensor, se proyectan hologramas de datos de diagnóstico, delineados como paneles flotantes. El laboratorio contiene equipo de precisión, cápsulas de encapsulado, antenas mmWave y paneles RIS embebidos en estructuras transparentes. Las tecnologías “6G”, “IoT”, “RIS”, “mmWave”, “THz”, “EHF”, “AI” se usan con precisión en los componentes tecnológicos. El estilo de esta imagen se evoca precisión, control y colaboración en un entorno de microtecnología de vanguardia.

En resumidas cuentas, el campo del aprendizaje automático y su fusión con las tecnologías 6G constituye un territorio fértil para la innovación y el crecimiento económico, con aplicaciones que van desde la medicina hasta la automatización industrial. En este sentido, el estudio continuo y la colaboración interdisciplinaria serán claves para alcanzar una conectividad verdaderamente inteligente, robusta y accesible. El conocimiento aquí presentado no solo invita a una reflexión profunda, sino que también busca, motivar la exploración y la investigación con mayor ahínco, de este fascinante ámbito tecnológico, cuyo potencial apenas comienza a vislumbrarse.

Convergencia de la Inteligencia Artificial y 6G: Una Revolución en Conectividad Autónoma

En la actualidad, el desarrollo acelerado de las tecnologías inalámbricas abre un nuevo horizonte de posibilidades para la humanidad. La convergencia entre las redes neuronales artificiales (ANN) y las futuras comunicaciones móviles 6G se perfila como una de las revoluciones tecnológicas más trascendentales de este siglo. Estas tecnologías no solo transformarán la conectividad global, sino que habilitarán nuevas formas de interacción, automatización y toma de decisiones en tiempo real, con aplicaciones directas en industrias clave como la manufactura, la movilidad, la salud y la seguridad.

Redes Neuronales en 6G: Adaptabilidad y Aprendizaje en Tiempo Real

A medida que los sistemas 6G se diseñan para operar en frecuencias milimétricas y sub-terahercios, con requisitos áltamentes exigentes en velocidad, latencia y densidad de dispositivos, las soluciones convencionales resultan insuficientes para gestionar la complejidad emergente. En este contexto, las redes neuronales artificiales ofrecen una plataforma inteligente capaz de aprender, adaptarse y optimizar el rendimiento de la red a partir del análisis de datos en tiempo real. Estas capacidades convierten a las redes ANN en protagonistas indispensables del nuevo paradigma de redes inteligentes y auto-gestionadas (Elaziz et al., 2024).

Redes Neuronales para Beamforming Dinámico en Entornos Complejos

Asimismo, las redes ANN están potenciando tecnologías como el beamforming dinámico, que direcciona de forma precisa las señales de comunicación hacia usuarios o dispositivos en movimiento, mejorando así la eficiencia energética y la calidad del servicio. En entornos industriales y urbanos complejos, donde factores como la movilidad y los obstáculos dificultan la conectividad, los algoritmos inteligentes permiten anticipar interrupciones, predecir la mejor dirección de transmisión e incluso reconfigurar nodos en tiempo real (Alhammadi et al., 2024).

Inteligencia Distribuida y el Futuro del IIoT en 6G

Estas soluciones no solo mejoran la eficiencia de redes inalámbricas, sino que abren el camino a nuevos escenarios en la automatización industrial, la conectividad aérea mediante UAVs, y la expansión del Internet Industrial de las Cosas (IIoT), configurando un ecosistema donde la inteligencia distribuida se convierte en el eje de una infraestructura digital avanzada (Michailidis et al., 2020).

Fundamentos de las Redes Neuronales Artificiales y su Funcionalidad Básica

Primeramente, consideremos las redes neuronales, (NN, Neural Network), también conocida como red neuronal artificial, (ANN, Artificial Neural Network), se trata de una combinación de neuronas artificiales, que imita el comportamiento de un cerebro humano. Por ejemplo, en dicha red, cada neurona toma información ponderada de otros nodos y realiza cálculos de acuerdo con un conjunto dado de reglas para producir un resultado. Similar al cerebro humano, las redes neuronales mejoran su precisión (la minimización de errores) con la ayuda de datos de entrenamiento y aprenden a resolver problemas complejos. Por ejemplo, debido a su éxito en redes informáticas e inteligencia artificial, se han estudiado ampliamente para mejorar el rendimiento del proceso de la gestión de haces electromagnéticos.

Modelo Computacional y Fundamento Matemático de las ANN

Ampliando un poco, una red neuronal artificial (ANN, Artificial Neural Network) es un modelo computacional inspirado en las redes neuronales biológicas, compuesto por neuronas artificiales interconectadas que transforman y transmiten señales. En esencia, cada neurona realiza una suma ponderada de sus entradas y aplica una función de activación no lineal, imitando a grandes rasgos el comportamiento de las neuronas en el cerebro humano (McCulloch & Pitts, 1943; Rosenblatt, 1958). Teóricamente, las redes ANN tienen una sólida base matemática que les permite aproximar prácticamente cualquier función continua dado el tamaño y la estructura adecuados, lo que las hace extremadamente flexibles para modelar relaciones complejas en los datos (LeCun et al., 2015). Estas redes se entrenan ajustando iterativamente los pesos de conexión mediante algoritmos de optimización (p. ej., retropropagación del error), aprendiendo patrones a partir de datos de ejemplo en un proceso de aprendizaje automático (ML, Machine Learning) supervisado o no supervisado según el caso.

Avances en Deep Learning: De la Teoría a Aplicaciones Reales

En las últimas décadas, los avances en poder de cómputo (especialmente con unidades de procesamiento gráfico) y la disponibilidad masiva de datos han impulsado el desarrollo de redes ANN de gran escala, conocidas como redes profundas. Estas redes neuronales profundas (deep learning) cuentan con múltiples capas jerárquicas de neuronas que extraen representaciones cada vez más abstractas de la información, logrando desempeños sobresalientes en visión por computadora, reconocimiento del habla y otras tareas complejas (LeCun et al., 2015). Por ejemplo, arquitecturas especializadas como las redes convolucionales han superado por amplio margen métodos anteriores en reconocimiento de imágenes, mientras que redes recurrentes y transformadores han revolucionado el procesamiento de secuencias y lenguaje natural. Este progreso teórico-práctico, considerado uno de los mayores avances recientes en inteligencia artificial (AI, Artificial Intelligence), ha consolidado a las redes neuronales ANN, como una herramienta fundamental para la Industria 4.0 y otros campos, al posibilitar la automatización inteligente y el análisis predictivo con niveles de precisión sin precedentes.

Desafíos Técnicos del 6G y la Gestión Inteligente de Haces

Paralelamente, el ecosistema de redes inalámbricas avanza hacia la sexta generación de comunicaciones móviles (6G, sixth generation), caracterizada por despliegues de frecuencias milimétricas y en los sub-terahertz, antenas masivas y requerimientos extremos de rendimiento en términos de velocidad, confiabilidad y densidad de dispositivos (Rojek et al., 2024). Estas exigencias técnicas vuelven muy compleja la gestión de la red mediante enfoques convencionales. En particular, la formación y gestión de haces direccionales – beamforming o gestión de haces – en sistemas MIMO (Multiple-Input Multiple-Output) masivos se identifica como un desafío crítico en 5G y sobre todo en 6G, debido al gran número de elementos de antena, la alta movilidad de los usuarios y el uso de frecuencias elevadas que requieren alineación precisa del haz (Brilhante et al., 2023).

Beamforming en 6G: Complejidad Computacional y Limitaciones Actuales

Por otro lado, el beamforming consiste en controlar la fase y amplitud de la señal en cada antena de un arreglo, de forma que las señales interfieran constructivamente en la dirección deseada, concentrando la energía hacia un receptor específico y mejorando la ganancia y eficiencia espectral del sistema (Brilhante et al., 2023). Sin embargo, determinar rápidamente la dirección óptima del haz electromagnético y gestionar su seguimiento dinámico cuando los dispositivos se mueven es un problema de alta complejidad computacional. Normalmente, esta tarea implicaría barridos exhaustivos de numerosas configuraciones de haz o estimaciones frecuentes de canal, conllevando una gran sobrecarga de entrenamiento e introduciendo latencia indeseada en escenarios de alta movilidad (Ahmad et al., 2023).

Redes ANN como Solución para la Gestión de Haces Inteligente en 6G

En este contexto, la incorporación de técnicas de inteligencia artificial AI y aprendizaje automático ML, en las redes 6G ha emergido como una solución prometedora para optimizar la gestión de haces electromagnéticos y otras funciones avanzadas de la red. En efecto, algoritmos basados en redes neuronales ANN, pueden aprender a predecir o seleccionar el mejor haz de antena en función de datos contextuales (posición del usuario, historial de canal, imágenes de entorno, etc.), sin necesidad de explorar todas las opciones mediante fuerza bruta. De esta manera, la inteligencia artificial IA, logra mitigar la complejidad y reducir la sobrecarga de señalización, manteniendo o incluso mejorando el rendimiento del sistema (Brilhante et al., 2023). Estudios recientes señalan que el aprendizaje automático puede disminuir el tiempo de búsqueda de un haz óptimo y anticipar cambios en el canal, lo cual es importante para enlaces en frecuencias milimétricas que pueden bloquearse rápidamente con el movimiento o con obstáculos repentinos (Jiang et al., 2022). No obstante, aún persisten desafíos abiertos, como la escasez de datasets estandarizados para entrenar estos modelos en diferentes escenarios y la necesidad de determinar qué tipo de red o enfoque de aprendizaje es el más apropiado para cada situación de red (Brilhante et al., 2023).

Aplicaciones Industriales de ANN en Comunicaciones de Alta Movilidad

Aun así, la tendencia general apunta a que las redes ANN estarán cada vez más integradas en la arquitectura de las redes 6G, habilitando una gestión más autónoma y eficiente. Una aplicación concreta y de alto impacto de las redes neuronales ANN, en comunicaciones 6G es su integración en entornos de la Industria 4.0 para garantizar conectividad inalámbrica ultra-confiable y de baja latencia con dispositivos móviles como drones, vehículos autónomos y robots industriales. Por ejemplo, en el caso de drones de telecomunicaciones (UAV, Unmanned Aerial Vehicle) usados como nodos de la red 6G, la formación de haces asistida por visión computacional e inteligencia artificial ha demostrado mejorar significativamente la calidad de enlace. Un trabajo reciente propuso utilizar cámaras a bordo y en tierra, combinadas con redes neuronales profundas, para identificar la posición de un dron en vuelo y predecir en tiempo real el mejor haz de antena (beam prediction) que maximice la señal hacia dicho dron (Ahmad et al., 2023). Este enfoque de beamforming asistido por visión logró más del 90% de aciertos en la selección del haz óptimo en escenarios de prueba, reduciendo drásticamente la necesidad de barridos exhaustivos y aumentando la potencia de recepción en el dron (Ahmad et al., 2023).

UAVs con Inteligencia Artificial: Beamforming Preciso en Movimiento

En consecuencia, un dron equipado con comunicaciones 6G puede mantener un enlace estable incluso mientras realiza maniobras rápidas, gracias a que la red neuronal ANN anticipa con alta precisión qué haz debe utilizar el sistema en cada instante (Ahmad et al., 2023). Esto resulta invaluable en aplicaciones como drones repetidores o estaciones base voladoras, empleados para brindar cobertura en zonas de difícil acceso o dar soporte temporal en eventos masivos, donde los algoritmos inteligentes de beamforming garantizan la continuidad del servicio con baja latencia a pesar del movimiento constante de la plataforma aérea. De manera análoga, los vehículos autónomos utilizados en entornos industriales (por ejemplo, vehículos de guiado automático en fábricas o puertos inteligentes) se benefician de la gestión de haces basada en redes ANN para sostener comunicaciones vehiculares confiables a altas velocidades. Las comunicaciones en frecuencias de las ondas mmWave o de los THz, previstas en 6G, ofrecen gran ancho de banda, pero requieren alineación direccional estricta entre antenas; por ello, un vehículo robotizado que transporta materiales en una planta industrial podría perder conectividad si su antena no apunta adecuadamente hacia la estación base o nodo de acceso. Investigaciones recientes han abordado este problema integrando sensores como láser LiDAR y cámaras en el vehículo y el entorno, cuyos datos alimentan a una red neuronal ANN que aprende a correlacionar la posición y trayectoria del vehículo con el mejor haz de enlace en cada momento (Jiang et al., 2022). En pruebas de un escenario de comunicación vehículo-infraestructura real, un modelo neuronal entrenado con información LiDAR puede ser capaz de predecir el haz óptimo en el 95% de las situaciones, reduciendo en alrededor de un 90% la sobrecarga de entrenamiento respecto a métodos convencionales (Jiang et al., 2022).

Vehículos Autónomos y Conectividad Dinámica en la Industria 4.0

Este resultado es notable, ya que significa que el sistema está en capacidad de evitar casi por completo las búsquedas iterativas de haz, alineando la antena hacia el vehículo correcto con mínima señalización adicional (Jiang et al., 2022). En términos prácticos, para un vehículo autónomo industrial esto se traduce en comunicaciones más estables y con menos retraso, permitiendo coordinar flotas vehiculares en tiempo real dentro de almacenes o puertos automatizados, incluso en presencia de dinámicas complejas y múltiples reflectancias en el entorno. Además, al disminuir la necesidad de reintentos de alineación, también se reduce el consumo energético de la red, lo cual es importante en aplicaciones industriales a gran escala.

Robótica Industrial Autónoma: Comunicaciones Ultra Confiables con ANN

Otro ámbito clave de la Industria 4.0 donde convergen 6G y las redes neuronales ANN, es la robótica de automatización en líneas de producción o entornos de manufactura inteligente. En fábricas del futuro, los robots industriales – ya sean brazos mecánicos fijos o robots móviles autónomos – estarán interconectados por redes inalámbricas de altísimo desempeño, lo que les permitirá coordinarse entre sí y con sistemas centrales de control sin las limitantes de los cables. Para habilitar esto, 6G promete las llamadas comunicaciones ultraconfiables y de baja latencia (URLLC, Ultra-Reliable Low-Latency Communications), con tiempos de respuesta del orden de la milésima de segundo y disponibilidad cercana al 100%.

Sin embargo, alcanzar tales garantías exige que la red anticipe y mitigue instantáneamente cualquier degradación en el enlace. Aquí es donde las redes ANN entran de nuevo en juego: incorporadas en el propio sistema de comunicaciones, pueden aprender a ajustar parámetros de transmisión sobre la marcha para contrarrestar interferencias o bloqueos, o incluso para reasignar recursos de red de manera preventiva en función de patrones de tráfico. Por ejemplo, si un brazo robotizado móvil va a girar detrás de un obstáculo que potencialmente bloqueará la señal directa, un algoritmo inteligente en la estación base 6G podría decidir con antelación reorientar el haz vía un reflector inteligente cercano o cambiar al robot a otro nodo de acceso, todo ello basado en modelos entrenados que predicen eventos de bloqueo de la señal (Rojek et al., 2024).

Mantenimiento Predictivo y Procesamiento en Tiempo Real con IIoT

Adicionalmente, las redes neuronales ANN pueden analizar los flujos de datos de sensores industriales en tiempo real a través de la red – lo que se conoce como IIoT o Internet Industrial de las Cosas – para habilitar aplicaciones como el mantenimiento predictivo. En este sentido, redes neuronales desplegadas en el edge de la red 6G podrían detectar anomalías sutiles en las lecturas de vibración o temperatura de una máquina y alertar antes de que ocurra una falla, minimizando tiempos muertos en la producción (Nankya et al., 2023). La convergencia de la tecnología 6G con la inteligencia artificial permite no solo conectividad más robusta para los robots, sino también un ecosistema industrial más inteligente en su conjunto, donde las comunicaciones y el procesamiento de datos están profundamente integrados.

Inteligencia Artificial Nativa en 6G: Redefiniendo la Arquitectura de Red

Más allá del sector industrial, la evolución del uso de las redes ANN en el ecosistema 6G abarca un espectro amplio de aplicaciones y promete transformar la gestión de las redes móviles en general. Por un lado, las redes neuronales ANN están siendo exploradas para optimizar prácticamente todas las capas de la arquitectura de las redes inalámbricas. En la capa física, además del beamforming, se han empleado redes neuronales profundas para tareas como estimación de canal y detección MIMO, logrando acercarse al desempeño de soluciones óptimas con menor complejidad que los algoritmos convencionales (Alhammadi et al., 2024). Asimismo, en niveles superiores, técnicas de aprendizaje por refuerzo profundo están ayudando a las redes a asignar los recursos de radio frecuencias y controlar el hand-over de usuarios entre celdas de forma autónoma, adaptándose a cambios en la carga de la red sin intervención humana directa (Alhammadi et al., 2024).

Redes Auto-Optimizadas: Hacia una Infraestructura Cognitiva Descentralizada

Un ejemplo concreto es el concepto de redes auto-optimizadas (Self-Optimizing Networks), donde el propio sistema 6G “aprende” a ajustar parámetros de configuración (potencias, asignación de espectro, formación de celdas virtuales, etc.) para maximizar la calidad de la experiencia de los usuarios según las condiciones del momento. De hecho, la visión de 6G plantea que la red será “AI-native”, incorporando funciones de inteligencia artificial AI, de manera inherente en sus nodos: se habla de estaciones base dotadas de capacidad de cómputo neuronal que actúan como cerebros distribuidos de la red, cooperando entre sí para tomar decisiones en milisegundos (Cui et al., 2024). Esta integración nativa de la red ANN permitiría habilitar servicios revolucionarios, desde ciudades inteligentes con gestión eficiente del tráfico y energía en tiempo real, hasta redes vehiculares masivas para vehículos autónomos urbanos, pasando por aplicaciones de telesalud y realidad extendida de nueva generación que demandarán tanto ancho de banda como adaptabilidad de la red. En todos estos casos, la AI desempeñará un papel central: un estudio reciente destaca que, al incrustar algoritmos inteligentes en diversos subsistemas, las redes 6G podrán ofrecer capacidades sin precedentes y comportarse como sistemas auto-gestionados, ajustando parámetros de forma dinámica para garantizar desempeño óptimo bajo condiciones cambiantes (Alhammadi et al., 2024).

Aplicaciones Emergentes de 6G + ANN en Sociedad y Tecnología

Es pertinente señalar, que las redes neuronales artificiales se han convertido en un pilar teórico-práctico para abordar los retos que presentan las futuras redes 6G. Sus fundamentos, originados en la neurociencia y refinados por décadas de investigación en aprendizaje automático, han dado lugar a sistemas inteligentes capaces de aprender y adaptarse. Los avances recientes en “Deep Learning” han demostrado el potencial de las redes neuronales ANN para resolver problemas complejos de forma eficiente, y su aplicación a la gestión de haces electromagnéticos en comunicaciones inalámbricas es un claro ejemplo de ello. En escenarios de la Industria 4.0, desde drones de telecomunicaciones hasta vehículos y robots autónomos, las redes ANN están habilitando comunicaciones más fiables, ágiles y con menor latencia, haciendo posible la automatización avanzada y la operación remota en tiempo real (Ahmad et al., 2023; Jiang et al., 2022).

Al mismo tiempo, en el panorama general de la 6G, la incorporación extensiva de inteligencia artificial augura redes más autónomas y optimizadas, capaces de soportar un ecosistema diverso de servicios y dispositivos hiperconectados (Rojek et al., 2024; Alhammadi et al., 2024). Las investigaciones científicas más recientes respaldan estas tendencias, mostrando casos de uso exitosos y señalando las áreas donde aún es necesario profundizar – como la disponibilidad de datos de entrenamiento y la seguridad de los algoritmos – para aprovechar plenamente el binomio 6G + ANN. En suma, la convergencia de las redes 6G con las redes neuronales artificiales perfila un horizonte de comunicaciones inteligentes, en el que la infraestructura inalámbrica no solo transportará datos, sino que aprenderá y tomará decisiones para optimizar y transformar tanto la industria como la sociedad conectada en su conjunto.

Comprensión Profunda del Funcionamiento Interno de las ANN

Como hemos hecho referencia, una red neuronal artificial, (ANN, Artificial Neural Network), funciona entonces, como una estructura compuesta por múltiples unidades interconectadas, que emulan el funcionamiento del cerebro humano. Como se explicó, estas neuronas, organizadas en capas, toman información de nodos adyacentes y realizan cálculos basados en un conjunto de reglas predeterminadas. Por ejemplo, cada neurona puede recibir entradas ponderadas, realizando una suma de estas entradas y luego aplicando una función de activación puede generar una salida. Este proceso, que es la base del funcionamiento de una red neuronal artificial, permite que las redes neuronales realicen tareas complejas, como el reconocimiento de patrones o la toma de decisiones, de manera eficiente (Goodfellow, Bengio, & Courville, 2016).

Funciones de Activación: Clave para la Toma de Decisiones Inteligentes

Por otra parte, las reglas que utilizan las neuronas artificiales para producir un resultado están definidas por funciones matemáticas específicas, conocidas como funciones de activación. Estas funciones, como la función sigmoide o la ReLU (Rectified Linear Unit), determinan cómo se transforma una sumatoria ponderada de las entradas, en una salida que se transmite a las siguientes neuronas de la red. A medida que las redes neuronales procesan datos de entrenamiento, ajustan los pesos de las conexiones entre neuronas para minimizar el error en sus predicciones. Este proceso de ajuste se realiza mediante algoritmos de optimización, como el descenso de gradiente, lo que permite a la red mejorar su precisión con el tiempo (LeCun, Bengio, & Hinton, 2015).

Reconocimiento de Patrones en UAVs con Redes Neuronales

Ahora bien, las redes neuronales, (NN, Neural Network), se destacan en tareas sofisticadas como el reconocimiento de patrones o la toma de decisiones gracias a su estructura inspirada en el cerebro humano. En el contexto de las comunicaciones móviles 6G, su aplicación es cada vez más común en la integración de vehículos aéreos no tripulados, (UAV, Unmanned Aerial Vehicles), para optimizar la gestión de las redes. Por ejemplo, mediante redes neuronales profundas, es posible distinguir señales transmitidas por drones de otras fuentes, lo que resulta esencial para evitar interferencias y mejorar la eficiencia espectral en ambientes dinámicos (Jiao et al., 2024).

Unidades ReLU en Redes Aéreas Inteligentes 6G

Posteriormente, es imprescindible comprender el papel de las funciones de activación, que transforman la salida de una neurona artificial, aplicando una operación no lineal. Entre las más utilizadas se encuentran la función sigmoide, que restringe la salida entre 0 y 1, y la unidad lineal rectificada, (ReLU, Rectified Linear Unit), que permite un paso directo de valores positivos y suprime los negativos. Estas funciones son indispensables para que las redes neuronales puedan representar relaciones complejas. En el entorno 6G, se ha demostrado que la incorporación de unidades ReLU en las capas ocultas mejora significativamente la eficiencia del procesamiento de datos, como en el diseño de redes aéreas seguras de UAVs (Abbas, 2023; Edassery, 2023).

Algoritmos de Optimización en la Mejora del Rendimiento ANN

En otro aspecto, las redes neuronales procesan datos de entrenamiento ajustando iterativamente los pesos de las conexiones entre neuronas artificiales, con el fin de reducir el error de predicción. Este proceso se basa en algoritmos de optimización como el descenso de gradiente, (GD, Gradient Descent), o su variante estocástica, (SGD, Stochastic Gradient Descent), que actualizan los pesos de la función del gradiente de error. Esta metodología se aplica ampliamente en redes 6G asistidas por drones, optimizando tareas como el posicionamiento de nodos repetidores o la gestión del enrutamiento en entornos IoT, (IoT, Internet of Things) (Wang et al., 2022; Alrefaei, 2024).

UAVs Autónomos en IoT Industrial: Aprendizaje y Conectividad Dinámica

A su vez, en el ámbito del IoT industrial integrado a redes 6G, las redes neuronales permiten la cobertura eficiente y dinámica mediante UAVs, complementadas con algoritmos inteligentes que combinan aprendizaje profundo y técnicas evolutivas. Estas soluciones incrementan la estabilidad de las redes ante entornos cambiantes y exigencias energéticas, particularmente en áreas remotas o con infraestructura limitada (Mahmood et al., 2023; Abd Elaziz et al., 2024).

Visión Computacional y Redes CNN para Redes 6G Inteligentes

Por último, tecnologías como CNNs, (CNN, Convolutional Neural Network), integradas con UAVs y funciones de unidades ReLU, proporcionan una base robusta para el diseño de redes 6G inteligentes, gracias a su capacidad de generalizar patrones en entradas visuales y temporales. Esto permite, por ejemplo, que un dron identifique condiciones óptimas para retransmisión de señales o reconfiguración automática de nodos IoT en función de los datos sensoriales en tiempo real (Ozpoyraz et al., 2022; Heo et al., 2024).

Aprendizaje Visual y Reconfiguración Autónoma de Redes con UAVs

Sumado a todo esto, las redes neuronales pueden aprender a resolver problemas complejos, como la clasificación de imágenes, la predicción de series temporales o la toma de decisiones en sistemas autónomos, gracias a su capacidad para generalizar a partir de los datos de entrenamiento. Por ejemplo, en el campo de la visión por computadora, las redes neuronales convolucionales, (CNNs, Convolutional Neural Networks), son capaces de identificar características en imágenes que son indicativas de ciertos objetos o escenas, mejorando así la precisión en tareas de reconocimiento de objetos (Krizhevsky, Sutskever, & Hinton, 2012).

Inteligencia Artificial para Beamforming Urbano y Vehículos Autónomos

En cuanto a la gestión de haces electromagnéticos en las redes 6G, las aplicaciones de redes neuronales e inteligencia artificial están transformando la manera en que se optimizan las comunicaciones inalámbricas. Las redes neuronales permiten predecir de manera precisa las mejores direcciones y configuraciones del haz, lo que maximiza la eficiencia de la transmisión de datos y minimiza la interferencia. Por ejemplo, en entornos urbanos densos, donde los obstáculos son abundantes, las redes neuronales pueden aprender a ajustar dinámicamente los haces para mantener una conexión estable y rápida, incluso en condiciones cambiantes (Chen et al., 2021).

Podemos afirmar entonces, que el uso de inteligencia artificial y redes neuronales en la gestión de haces es fundamental para el rendimiento de las redes 6G, ya que permite una adaptabilidad y eficiencia sin precedentes. Estos avances no solo mejoran la calidad del servicio en aplicaciones móviles y del Internet de las Cosas (IoT, Internet of Things), sino que también facilitan la implementación de nuevas tecnologías que requieren una conectividad robusta y de alta velocidad, como la realidad aumentada y las comunicaciones vehiculares (Zhang et al., 2020).

Integración de IoT y UAVs en Redes Jerárquicas 6G con Deep Learning

Dado que las redes neuronales artificiales tienen la capacidad de resolver problemas sofisticados —como la clasificación de imágenes, la predicción de series temporales y la toma de decisiones autónomas— gracias a su habilidad para aprender representaciones complejas a partir de grandes volúmenes de datos, han comenzado a integrarse en soluciones industriales dentro del contexto de las redes 6G. Estas arquitecturas se aplican, por ejemplo, en el Internet de las Cosas (IoT, por sus siglas en inglés) y en vehículos aéreos no tripulados. En una red jerárquica 6G del IoT, los drones pueden actuar como nodos móviles, facilitando la conectividad y mejorando la cobertura mediante el uso de modelos de aprendizaje profundo que identifican patrones de propagación y distribuyen de forma eficiente los haces electromagnéticos (Qi et al., 2021).

Reconocimiento Facial y Automatización Inteligente en Espacios Públicos

Asimismo, en el ámbito del procesamiento de imágenes, las redes neuronales convolucionales, (CNNs, Convolutional Neural Networks), han demostrado una notable capacidad para detectar características visuales útiles en tareas de reconocimiento. En entornos como estadios deportivos, donde es esencial realizar un control de acceso ágil y seguro, las redes neuronales CNN permiten identificar rostros, objetos o comportamientos a partir de cámaras instaladas en los accesos, favoreciendo la automatización y reduciendo el error humano (Inzillo et al., 2024).

Beamforming Autónomo con Arquitecturas CNN-LSTM para MIMO Masivo

En paralelo, las tecnologías de formación de haces o «beamforming» en redes 6G se ven potenciadas por redes neuronales que predicen con precisión la mejor dirección y forma del haz electromagnético. Utilizando arquitecturas como CNN-LSTM, que combinan memoria a corto y largo plazo, (LSTM, Long Short-Term Memory), se logra una optimización dinámica en configuraciones de haces dentro de sistemas de MIMO masivos, permitiendo mantener enlaces robustos y de baja latencia incluso con drones como estaciones base móviles (Murshed et al., 2023).

Redes 6G para Control Urbano Autónomo y Movilidad Inteligente

Adicionalmente, en ciudades densamente edificadas, las redes neuronales permiten ajustar de manera automática los haces electromagnéticos, para esquivar obstáculos y adaptarse a la movilidad urbana. En el contexto del control vehicular autónomo, estas técnicas son críticas para garantizar conectividad estable entre automóviles y la infraestructura urbana. Las redes aprenden a compensar la dispersión o el bloqueo de señales, mejorando la toma de decisiones en tiempo real en sistemas de tránsito inteligentes (Inzillo et al., 2024).

Mejora de la Gestión de Haces en UEs Mediante AI en Entornos 6G

Es preciso enfatizar también, que entender el uso de las redes neuronales e de la inteligencia artificial para gestionar haces electromagnéticos en las Unidades de Usuario, (UE, User Equipment), es clave para mejorar la eficiencia y adaptabilidad de las redes 6G frente a las de quinta generación. Mientras que en 5G la gestión de haces es en su mayoría estática o semi-estática, en 6G estas tecnologías permiten una respuesta dinámica ante cambios del entorno, incrementando la calidad del servicio. En escenarios como fábricas inteligentes o cacheo de datos en el borde de la red, los modelos de redes neuronales CNN entrenadas, pueden mapear la información de la red y predecir configuraciones óptimas que mejoran la eficiencia energética y la cobertura (Jiao et al., 2024).

Redes Inteligentes y Automatización Total: Aplicaciones Críticas de las ANN en la Revolución 6G

En efecto, el impacto transformador de las redes neuronales artificiales en la arquitectura y operación de las redes 6G es ya ineludible. Casos de uso concretos como los sistemas UAV asistidos por aprendizaje profundo muestran cómo estas redes pueden gestionar los haces electromagnéticos de forma predictiva, mantener enlaces estables en vuelo, y reducir la latencia incluso en entornos móviles extremos (H. Zhao et al., 2023). En operaciones de campo, por ejemplo, drones logísticos equipados con redes neuronales ANN, podrían adaptarse a condiciones climáticas adversas y redes congestionadas mediante estrategias de beamforming autoaprendidas que maximizan la señal y minimizan la interferencia (Muthanna et al., 2025).

UAVs Inteligentes: Adaptación Autónoma en Tiempo Real

Además, en el núcleo de las fábricas inteligentes del mañana, robots y sensores industriales podrán comunicarse en tiempo real gracias a redes 6G optimizadas con redes neuronales ANN. Esta fusión tecnológica garantiza decisiones más rápidas y precisas en tareas críticas como mantenimiento predictivo, coordinación robótica y reconfiguración automática de redes en respuesta a cambios de carga o fallos. En este marco, algoritmos de aprendizaje profundo en el borde de la red permitirán analizar flujos de datos sensoriales e intervenir antes de que una máquina falle, lo cual es vital en contextos industriales donde cada segundo de inactividad tiene un alto costo (Alhammadi et al., 2024). La Figura 3 captura una técnica joven, que se encuentra en cuclillas, asegurando con precisión una pieza de un vehículo, mientras un robot humanoide a su lado sostiene la estructura, facilitando el proceso. La interacción visualiza una colaboración natural y eficiente entre habilidades humanas e inteligencia artificial. El fondo incluye formas geométricas que representan prensas industriales, y a lo largo de la imagen flotan hologramas esquemáticos de planos técnicos y datos, ilustrados con líneas finas. Curvas suaves y flechas simbolizan flujos de comunicación digital, asociadas a tecnologías de última generación como 6G, IoT, mmWave, THz y redes neuronales. Se integran también nodos de red, drones y vehículos autónomos como siluetas técnicas conectadas por líneas. La composición transmite una narrativa visual de precisión, colaboración y avance tecnológico, dentro de un entorno industrial limpio, ordenado y altamente conectado.

Ciudades Inteligentes y Redes Vehiculares Autónomas con AI Distribuida

Por otro lado, el despliegue de las redes 6G con inteligencia embebida también impulsará avances más allá del ámbito industrial. En ciudades inteligentes, las redes ANN contribuirán a una gestión óptima del tráfico, la energía y la seguridad pública mediante análisis de datos en tiempo real y decisiones descentralizadas. Las redes vehiculares autónomas, por ejemplo, se beneficiarán del aprendizaje colaborativo entre nodos de acceso que predicen rutas óptimas de comunicación y ajustan el espectro disponible en función del comportamiento urbano diario (Puspitasari et al., 2023).

Desafíos y Futuro de la Convergencia ANN + 6G

Por ende, la motivación para continuar explorando este fascinante campo tecnológico es clara: tanto desde la perspectiva académica como desde el enfoque industrial, la combinación de redes neuronales artificiales con tecnologías 6G se convierte en un catalizador de innovación disruptiva. A medida que se superen desafíos como la estandarización de datasets y la seguridad de los algoritmos, esta sinergia permitirá construir redes verdaderamente autónomas, robustas y adaptativas, que sostendrá una sociedad tecnológica cada vez más conectada, eficiente y estable.

Integración de IA y aprendizaje profundo en las redes móviles 6G

Las tecnologías emergentes en comunicaciones móviles, en particular aquellas que integran inteligencia artificial y aprendizaje profundo, están sentando las bases de una nueva era en la conectividad global. A medida que el mundo avanza hacia las redes de sexta generación (6G), se hace evidente la necesidad de soluciones más inteligentes, adaptativas y eficientes que superen las limitaciones de los sistemas actuales. En este contexto, el uso de redes neuronales profundas para el diseño dinámico de libros de códigos y la formación de haces optimizada marca un hito trascendental en la evolución de las telecomunicaciones modernas.

Aplicaciones industriales clave de las redes 6G impulsadas por IA

Aquí vale la pena destacar, que estas tecnologías representan mucho más que una mejora incremental: constituyen un cambio paradigmático que permitirá a las futuras generaciones disfrutar de comunicaciones ultrarrápidas, seguras y eficientes en lo que se refiere al consumo de energía. El potencial de estas soluciones, no solo reside en su capacidad para adaptar sistemas a entornos altamente dinámicos, sino también en su aplicabilidad a sectores críticos como la salud conectada, el transporte autónomo y la manufactura inteligente. Así, tecnologías como, la herramienta de simulación DeepMIMO, las superficies inteligentes reconfigurables (RIS), y el aprendizaje profundo con redes neuronales convolucionales o recurrentes, están convergiendo para construir redes 6G estables y ultra personalizadas que beneficiarán tanto al entorno civil como industrial (Sharma et al., 2024; Adhikary et al., 2024; Cui et al., 2024).

Diseño inteligente de libros de códigos mediante redes neuronales profundas

El uso de soluciones basadas en aprendizaje automático, especialmente mediante redes neuronales, está transformando el diseño de libros de códigos en sistemas de comunicación avanzados. Estos modelos pueden adaptar dinámicamente el libro de códigos a entornos específicos, prediciendo los vectores de formación de haces electromagnéticos según la estructura del canal.

Un enfoque complementario utiliza una búsqueda jerárquica en el espacio de haces, combinada con aprendizaje profundo. En este caso, la red neuronal extrae características del entorno para diseñar un libro de códigos de sondeo optimizado para cada ubicación. Durante la fase de entrenamiento, la estación base barre haces amplios para capturar la información de la matriz del canal, lo que permite ajustar los pesos de formación de haces. Más adelante, el modelo puede predecir haces más estrechos, adecuados para la transmisión de datos.

Simulaciones realizadas con técnicas de trazado de rayos, usando el conjunto de datos DeepMIMO, demuestran que este enfoque personalizado por sitio, ofrece mayor precisión y menor sobrecarga en comparación con los métodos jerárquicos convencionales. No obstante, una limitación importante es la necesidad de conocer la matriz del canal, que en sistemas de ondas milimétricas y de Terahercios presenta una alta dimensionalidad y es difícil de estimar, debido al uso de grandes arreglos de antenas.

Limitaciones actuales en la adquisición de la matriz del canal

Cabe señalar, que el conjunto de datos DeepMIMO como una herramienta de simulación de canales inalámbricos, está basada en aprendizaje profundo, diseñada para apoyar investigaciones en sistemas múltiples de entradas y salidas (MIMO, Multiple Input Multiple Output) y tecnologías emergentes como redes de sexta generación (6G). Esta base de datos es altamente configurable y se genera utilizando simulaciones de trazado de rayos, permitiendo a desarrolladores y especialistas replicar condiciones realistas de propagación en entornos urbanos y rurales. DeepMIMO se destaca por su parametrización flexible, que permite ajustar configuraciones del canal, como frecuencia, cantidad de antenas y ubicaciones de usuarios, lo cual lo convierte en un recurso esencial para entrenar modelos de aprendizaje profundo orientados a comunicaciones inalámbricas avanzadas (Naeem et al., 2021).

Aplicación de DeepMIMO en gemelos digitales y superficies inteligentes

Asimismo, DeepMIMO ha demostrado ser fundamental en la creación de gemelos digitales utilizados para simular redes de comunicación. Este conjunto de datos sirve como base para el diseño y la evaluación de superficies inteligentes reconfigurables (RIS, Reconfigurable Intelligent Surfaces), las cuales manipulan activamente las ondas electromagnéticas para mejorar tanto la cobertura como la eficiencia energética en redes 6G (Sheen et al., 2020).

En este contexto, muchas ciudades inteligentes están adoptando soluciones como el sistema DataAI-6G, que amplía el uso de DeepMIMO mediante un conjunto de parámetros configurables y adaptables. Esta tecnología se ha aplicado en diversos escenarios, incluyendo la salud pública, el transporte inteligente y la gestión energética urbana (Shen et al., 2023).

Uso de DeepMIMO en entornos urbanos complejos y redes vehiculares

Por otro lado, en términos de aplicación práctica, tecnologías de 6G basadas en DeepMIMO se han integrado en sistemas de predicción de trayectorias vehiculares, gestión de recursos en redes de sensores del Internet de las Cosas Robóticas (IoRT, Internet of Robotic Things) y en la planificación de redes vehiculares de baja latencia, como es el caso de Vision Transformers para entornos urbanos con alto riesgo de obstrucción de línea de vista (LoS, Line of Sight) (Gharsallah & Kaddoum, 2024). Estas implementaciones optimizan la asignación dinámica de haces en entornos urbanos densos, donde los vehículos y peatones generan interferencias constantes que deben ser modeladas con precisión.

Evaluación de estaciones base mediante DeepMIMO

Acerca de la planificación de redes urbanas con estaciones base y sistemas de comunicación integrados con sensores (ISAC, Integrated Sensing and Communication), DeepMIMO se ha consolidado como una referencia clave para evaluar tanto el rendimiento como la eficiencia energética. Esto resulta especialmente relevante en configuraciones con antenas distribuidas, que permiten implementar arquitecturas de celdas-libres, mejorando significativamente la cobertura en áreas metropolitanas extensas (Adhikary et al., 2024).

Además, investigaciones recientes destacan la utilidad de este conjunto de datos para el diseño de soluciones de formación de haces electromagnéticos asistidas por aprendizaje profundo, lo que contribuye a reducir la sobrecarga durante el entrenamiento y a mejorar la precisión en la estimación del canal (Chen et al., 2024).

Predicción de canales con DeepMIMO en frecuencias altas

Es oportuno destacar, además, que la combinación de aprendizaje profundo y DeepMIMO permite abordar los retos inherentes a la predicción de canales en frecuencias milimétricas y de los Terahercios, las cuales son fundamentales en redes 6G por su alta capacidad de datos y baja latencia. Esta integración es indispensable para lograr ciudades verdaderamente inteligentes, donde sistemas de transporte autónomo, redes de salud conectada y plataformas energéticas inteligentes interactúan de manera sincronizada a través de redes ultra densas y personalizadas (Sharma et al., 2024).

Evolución del diseño de libros de códigos en redes 6G

Es de significativa importancia aclarar, por otra parte, que los libros de códigos en sistemas de comunicación avanzados representan estructuras predefinidas de vectores de formación de haces, esenciales para la configuración de señales en redes de múltiples entradas y salidas (MIMO, Multiple Input Multiple Output), con el fin de maximizar la calidad del enlace y minimizar la interferencia. Estos libros permiten a los dispositivos seleccionar de manera eficiente la dirección de transmisión más adecuada en función del entorno del canal. Por ejemplo, en redes 5G, el diseño jerárquico de libros de códigos ha sido esencial para la formación de haces electromagnéticos, durante el acceso inicial y la retroalimentación de información del estado del canal (CSI) (Dreifuerst & Heath, 2023).

Diseño distribuido de libros de códigos con DRL y RIS

A continuación, es relevante destacar que las redes móviles de sexta generación (6G) demandan soluciones más adaptativas, como la integración del aprendizaje profundo (DL, Deep Learning) y el aprendizaje por refuerzo profundo (DRL, Deep Reinforcement Learning) para la creación dinámica de libros de códigos. Este enfoque ha sido aplicado en sistemas con superficies inteligentes reconfigurables (RIS, Reconfigurable Intelligent Surfaces), los cuales manipulan de forma activa las ondas electromagnéticas para aumentar la cobertura y la eficiencia energética. Un estudio reciente propuso un esquema distribuido de aprendizaje DRL multiagente, para diseñar libros de códigos en redes cell-free masivas MIMO, asistidas por superficies RIS, logrando una reducción significativa en la sobrecarga de señalización y mejoras en la eficiencia espectral (Abdallah et al., 2024).

Personalización de libros de códigos con aprendizaje profundo en entornos RIS

Diversas investigaciones han demostrado que los modelos de aprendizaje profundo (DL) pueden aprender características espaciales de entornos urbanos o rurales, utilizando bases de datos como DeepMIMO, para predecir haces electromagnéticos de manera más eficiente. Esto se traduce en mejoras tanto en la velocidad de transmisión de datos como en la robustez del enlace.

Este tipo de libros de códigos personalizados ha sido evaluado en escenarios que incorporan superficies inteligentes reconfigurables (RIS) y condiciones de campo cercano. En estos casos, la optimización de los coeficientes de reflexión permite una adaptación precisa a canales de propagación complejos (Lv et al., 2024).

Aplicaciones de libros de códigos en el Internet de las Cosas (IoT)

En el contexto de acceso masivo, como ocurre en el Internet de las Cosas (IoT), los libros de códigos desempeñan una función esencial. Técnicas como la firma de baja densidad (LDS, Low Density Signature) permiten una asignación eficiente de recursos y reducen la interferencia entre usuarios. Este enfoque ha sido implementado en plataformas que integran capacidades de comunicación y detección, destinadas a habilitar servicios inteligentes en ciudades conectadas (An Yongjun, 2024).

Codificación de haces en frecuencias de ondas mmWave y de los Terahercios

Los libros de códigos también desempeñan un papel fundamental en la formación de haces jerárquicos en frecuencias milimétricas (mmWave) y en el rango espectral de los Terahercios. En estas bandas, la estimación del canal resulta especialmente compleja debido a su alta dimensionalidad. Ante este desafío, el diseño de libros de códigos mediante redes neuronales permite reducir la dependencia de información precisa del canal, mejorando el rendimiento sin necesidad de realizar mediciones exhaustivas (Wang et al., 2023).

Aplicaciones industriales del aprendizaje profundo en el diseño de haces

Añádase a todo lo anterior, el uso de redes neuronales profundas, que está revolucionado el diseño de libros de códigos en sistemas de comunicación móvil avanzados. Estas redes permiten adaptar dinámicamente la codificación de vectores de formación de haces (beamforming) en función de las condiciones específicas del entorno de implementación. Específicamente, una red neuronal puede ser entrenada para predecir haces electromagnéticos óptimos a partir de la estructura del canal, minimizando así la sobrecarga en el feedback de información del canal (Cui et al., 2024).

Ajuste dinámico de haces en fábricas inteligentes basadas en el IoT industrial

Asimismo, en el contexto de redes de sexta generación (6G), las aplicaciones industriales del Internet de las Cosas (IoT, Internet of Things) se benefician de esta capacidad adaptativa. Por ejemplo, en entornos industriales como plantas de manufactura automatizadas, sensores conectados pueden intercambiar datos de alta precisión utilizando haces optimizados, generados por modelos de redes neuronales convolucionales (CNN, Convolutional Neural Networks), sin depender de una retroalimentación frecuente (Jiao et al., 2024).

Gemelos digitales y mantenimiento predictivo con beamforming inteligente

De forma complementaria, estas soluciones se integran con gemelos digitales industriales para la supervisión remota y mantenimiento predictivo. En este tipo de implementación, un sistema de formación de haces inteligente, basado en aprendizaje profundo, ajusta los pesos de transmisión en tiempo real utilizando predicciones sobre la matriz del canal, obtenidas de datos históricos o de simulaciones realistas como las ofrecidas por DeepMIMO (Larue, 2023).

Arquitecturas RNN y LSTM para entornos urbanos dinámicos

En términos de características técnicas, los libros de códigos adaptativos diseñados con redes neuronales utilizan arquitecturas como memoria a corto y largo plazo (LSTM, Long Short-Term Memory) o redes neuronales recurrentes (RNN, Recurrent Neural Networks), que son capaces de capturar las variaciones espaciales y temporales del canal de comunicación. Estas tecnologías permiten a la red modificar su arquitectura de beamforming en función de los cambios en la movilidad del usuario o en la propagación del entorno urbano, particularmente útil en vehículos industriales conectados o en sistemas de logística autónomos (Serôdio et al., 2023).

Grafos neuronales para confiabilidad y slicing de red en redes industriales

Por otra parte, para mejorar la confiabilidad en entornos con grandes volúmenes de tráfico, como los sistemas de control de procesos industriales, algunos modelos emplean explicabilidad mediante grafos neuronales (GNN, Graph Neural Networks), ajustando dinámicamente el slicing de red y permitiendo visibilidad y adaptación frente a fallos o congestión (Sun et al., 2025).

Aplicaciones avanzadas en ciudades y redes de salud conectadas

Es evidente, que estos avances no sólo mejoran la eficiencia energética y el rendimiento espectral de las redes 6G, sino que también habilitan aplicaciones como fábricas inteligentes, diagnósticos médicos distribuidos y monitoreo ambiental en tiempo real. En cada caso, las redes neuronales no sólo ejecutan inferencias, sino que también aprenden a construir estrategias óptimas de comunicación a partir de datos en línea.

Caracterización y modelado de matrices del canal en 6G

Un componente clave en los sistemas de comunicaciones 6G es la matriz del canal, que representa el conjunto de coeficientes de transferencia encargados de modelar la propagación de señales de radiofrecuencia entre múltiples transmisores y receptores en sistemas MIMO (Multiple Input Multiple Output).

En frecuencias milimétricas (mmWave), estas matrices suelen ser de alta dimensión debido al empleo de arreglos masivos de antenas. La alta direccionalidad característica de la propagación en estas bandas genera canales con baja dispersión, lo que facilita el uso de técnicas como la formación de haces electromagnéticos. Sin embargo, el modelado preciso de la matriz del canal sigue siendo un desafío técnico, debido a su alta sensibilidad a obstrucciones y a la variabilidad espacial inherente a estos entornos (Tripathi et al., 2021).

Retos del modelado de canal en las bandas de ondas milimétricas y de los Terahercios

En sistemas que operan en el rango de longitudes de onda de los Terahercios (THz, Terahertz), el modelado del canal se vuelve aún más complejo. Una de las principales dificultades es la atenuación significativamente mayor causada por la absorción molecular, la cual impacta directamente en la configuración y estabilidad de la matriz del canal.

A pesar de estas limitaciones físicas, el espectro de los THz ofrece una resolución espacial y temporal extremadamente alta, lo que lo convierte en una opción atractiva para aplicaciones que requieren gran densidad de información, como fábricas inteligentes o gemelos digitales industriales. Sin embargo, las matrices de canal en estas bandas presentan una dispersión espacial más acentuada y exigen un modelado tridimensional más preciso de entornos complejos (Jornet et al., 2024).

Aplicaciones de las matrices de canal en ondas mmWave y Terahercios para UAVs e IIoT

Las ondas milimétricas (mmWave) ofrecen mayor robustez frente a obstrucciones parciales, lo que las hace especialmente adecuadas para entornos urbanos. En contraste, las bandas de los Terahercios (THz) requieren una línea de vista directa para mantener enlaces confiables. Esto implica que las matrices de canal en las ondas mmWave son más estables en entornos semi-controlados, mientras que las matrices de los THz resultan más eficaces en enlaces ultra-cortos, como los que se establecen entre sensores industriales o dispositivos dentro de una misma planta (Moltchanov et al., 2022).

En el contexto de las redes móviles de sexta generación (6G), estas matrices permiten habilitar aplicaciones industriales de vanguardia. Por ejemplo, los vehículos aéreos no tripulados (UAV, Unmanned Aerial Vehicles) pueden formar redes autoorganizadas que utilizan matrices en las ondas mmWave para transmitir datos en tiempo real durante inspecciones industriales o tareas de mapeo geoespacial. Estos UAVs aplican algoritmos de gestión de haces basados en matrices de canal para mantener conectividad con estaciones base 6G incluso en movimiento (Xue et al., 2024).

A su vez, el Internet Industrial de las Cosas (IIoT, Industrial Internet of Things) se beneficia de la alta precisión que ofrecen las matrices en los THz en configuraciones densas. Esto permite una sincronización ultra-rápida entre sensores críticos en líneas de ensamblaje o sistemas de monitoreo ambiental. La integración de redes de UAVs con el IIoT en bandas de los THz también ha sido proyectada para aplicaciones como la entrega autónoma de materiales y redes de control distribuido, donde la matriz del canal se adapta dinámicamente al entorno mediante técnicas de aprendizaje automático (Saeed et al., 2021).

Optimización personalizada de matrices de canal con IA en escenarios reales

En efecto, el uso de técnicas de optimización asistidas por inteligencia artificial permite diseñar matrices de canal personalizadas por sitio, utilizando datos como los generados por DeepMIMO para predecir el comportamiento del canal en escenarios industriales reales. Este método puede integrarse a sistemas como DataAI-6G, que permite una adaptación dinámica del entorno de red para maximizar la eficiencia y la cobertura (Siddiky et al., 2025).

Entrenamiento de redes neuronales para la formación de haces óptimos

Un aspecto clave en el diseño de sistemas de comunicación avanzados es la implementación de soluciones de aprendizaje automático basadas en redes neuronales, capaces de adaptarse dinámicamente a libros de códigos según las condiciones específicas del entorno. Este enfoque requiere entrenar la red para que aprenda a identificar variaciones en el canal y, en función de ellas, seleccione el libro de códigos más adecuado, maximizando así la eficiencia en la transmisión de datos.

Por ejemplo, en entornos urbanos densos, donde la propagación de la señal es especialmente compleja, una red neuronal bien entrenada puede adaptar de forma más precisa los códigos de formación de haces electromagnéticos, superando en rendimiento a los métodos jerárquicos convencionales. Esto se traduce en una mejora en la calidad de la señal y una reducción de la interferencia (Goodfellow, Bengio, & Courville, 2016).

Predicción eficiente de vectores de haces electromagnéticos usando redes profundas

Seguidamente, una red neuronal aprende a predecir los vectores de formación de haces en función de la estructura del canal al analizar patrones en los datos del canal capturados durante la fase de entrenamiento. La red neuronal, a través de un proceso iterativo de ajuste de pesos, puede identificar correlaciones entre la estructura del canal y la formación de haces óptima, permitiendo así la predicción precisa de los vectores necesarios para dirigir los haces de manera efectiva. Este método es fundamental en sistemas de comunicaciones avanzados como los que utilizan ondas milimétricas, donde la precisión en la formación de haces electromagnéticos es esencial para mantener la calidad de la conexión (LeCun, Bengio, & Hinton, 2015).

Búsqueda jerárquica del espacio de haces con IA

Asimismo, el concepto de búsqueda jerárquica del espacio de los haces en combinación con una red neuronal se explora para mejorar la eficiencia de la gestión de haces electromagnéticos. Este enfoque jerárquico permite que la red neuronal reduzca el espacio de búsqueda al identificar primero las regiones más prometedoras del espacio de los haces, antes de enfocarse en la optimización fina. Esto no solo mejora la precisión de la formación de haces, sino que también reduce significativamente la carga computacional, lo que es especialmente importante en sistemas con recursos limitados (Krizhevsky, Sutskever, & Hinton, 2012).

Optimización específica por sitio basada en matrices del canal

Además, durante la fase de entrenamiento, una red neuronal aprende de las características ambientales para diseñar un libro de códigos de sondeo específico del sitio. Este proceso comienza con la estación base barriendo haces más anchos para capturar la matriz del canal, lo que permite a la red neuronal entender las particularidades del entorno específico. Luego, la red utiliza esta matriz para actualizar los pesos de los haces más anchos, afinando la precisión de la formación de haces. Una vez que el libro de códigos de sondeo está optimizado, la red neuronal puede predecir los haces más estrechos, que son más eficaces para la transmisión de datos en condiciones específicas del sitio (Zhang et al., 2020).

Aplicaciones prácticas del diseño de libros de códigos en escenarios 6G

A partir de una perspectiva innovadora, una solución de aprendizaje automático fundamentada en redes neuronales profundas representa un método capaz de adaptar dinámicamente el libro de códigos a escenarios particulares de implementación, especialmente en entornos móviles de sexta generación (6G). Este procedimiento consiste en entrenar una red neuronal para que reconozca y reaccione ante las condiciones cambiantes del canal, seleccionando de forma autónoma el conjunto óptimo de haces (beamforming) que maximicen la eficiencia en la transmisión de datos. Por ejemplo, en el contexto de la telesalud, sensores corporales conectados a redes 6G pueden emplear redes neuronales convolucionales (CNN, Convolutional Neural Network) para ajustar en tiempo real los códigos de transmisión, permitiendo comunicaciones estables y con baja latencia entre pacientes en zonas rurales y hospitales urbanos (Alrabeiah & Zhang, 2022).

Comunicación médica y estabilidad en emergencias con redes neuronales

De igual manera, cuando se examinan escenarios de búsqueda y rescate tras un terremoto, por ejemplo, el uso de vehículos aéreos no tripulados (UAVs) equipados con tecnología 6G se vuelve esencial. En estos casos, las redes neuronales recurrentes (RNN, Recurrent Neural Network), especialmente aquellas con memoria a largo y corto plazo (LSTM, Long Short-Term Memory), pueden entrenarse para detectar patrones de interferencia o ruido ambiental y seleccionar automáticamente códigos de electromagnéticos resistentes a la dispersión multipath, mejorando así la cobertura aérea de las zonas siniestradas (Brilhante et al., 2023).

Optimización adaptativa de haces en ciudades y hogares inteligentes

Adicionalmente, en contextos urbanos densamente edificados, donde la propagación de la señal se vuelve intrincada debido a las reflexiones y bloqueos, una red neuronal puede aprender a modelar la estructura del canal y adaptar los códigos de haces electromagnéticos con una precisión superior a los métodos clásicos basados en tablas estáticas. En comparación con técnicas convencionales, como el barrido exhaustivo o las estimaciones por correlación lineal, el uso de redes neuronales autoajustables como las redes convolucionales mixtas (CNN-LSTM) permite reducir significativamente la interferencia y mejorar la relación señal-ruido (Murshed et al., 2023).

Vehículos autónomos y hogares inteligentes conectados mediante entrenamiento adaptativo

Asimismo, en sistemas de alta movilidad como los vehículos autónomos, las redes neuronales pueden aprender a predecir vectores de formación de haces con base a los datos de los canales, recogidos durante el entrenamiento. Este proceso implica extraer patrones recurrentes del canal, posibilitando el diseño dinámico de haces dirigidos en función de las velocidades relativas y obstáculos circundantes. Las arquitecturas híbridas que integran redes siamesas y cápsulas profundas (Deep Siamese Capsule Networks) son especialmente eficaces en estos contextos de movilidad elevada (Govindasamy et al., 2024).

Por otro lado, en aplicaciones domésticas como los hogares inteligentes, una red neuronal puede entrenar sus pesos de forma iterativa para encontrar correlaciones entre la estructura del canal y la mejor configuración de haces electromagnéticos. De forma análoga, en ciudades inteligentes, este enfoque se puede utilizar para gestionar eficientemente miles de dispositivos conectados, priorizando haces hacia zonas con mayor densidad de usuarios o eventos. Este tipo de entrenamiento es potenciado por modelos auto-mejorables, que adaptan sus gradientes en función del desempeño anterior, como los basados en técnicas de aprendizaje adaptativo con optimización por gradiente estocástico (Mallioras et al., 2024).

Jerarquización de haces en sistemas 6G de baja latencia

En otra línea de análisis, la búsqueda jerárquica del espacio de los haces permite a las redes neuronales explorar primero regiones con alta probabilidad de desempeño óptimo antes de refinar los vectores específicos, lo cual disminuye la carga computacional y acelera la convergencia. Esto es particularmente ventajoso en infraestructuras 6G, donde los recursos computacionales son limitados y la velocidad de decisión es crítica para el sistema (Liu et al., 2024).

Implementación en entornos industriales altamente controlados

Se puede observar, además, como durante la fase inicial de entrenamiento, una red neuronal puede aprender características del entorno específico —por ejemplo, la geometría física del lugar o la reflectancia del entorno— para generar un libro de códigos de sondeo único. En la industria de fabricación de chips, donde las salas limpias presentan patrones de propagación controlados pero distintos entre sí, esta capacidad resulta clave para optimizar la conectividad entre robots industriales y estaciones base en tiempo real (Ktari, 2023).

Igualmente, simulaciones realizadas mediante trazado de rayos y el conjunto de datos DeepMIMO demuestran que este enfoque de diseño de libro de códigos específico del sitio, logra una mayor precisión comparado con los enfoques jerárquicos clásicos, implicando además una baja sobrecarga computacional. Este avance es particularmente relevante en la implementación de redes 6G, donde la precisión y la eficiencia son críticas para el rendimiento del sistema (Chen et al., 2021).

Así, es importante resaltar que las soluciones que requieren conocimiento del canal enfrentan la limitante de manejar matrices de canal de alta dimensión, las cuales son difíciles de adquirir en sistemas de ondas milimétricas y de los Terahercios, debido a la gran cantidad de antenas involucradas. Las redes neuronales, sin embargo, han demostrado ser capaces de procesar esta información compleja de manera efectiva, optimizando la formación de haces electromagnéticos y mejorando la calidad de la transmisión en estos sistemas avanzados de comunicación (Zhang et al., 2020).

Aplicación de redes CNN en la predicción de haz y la reducción de latencia

Las Redes Neuronales Convolucionales (CNN, Convolutional Neural Networks) están diseñadas para reducir la carga computacional de las Redes Neuronales Artificiales (ANN, Artificial Neural Networks) mediante el uso compartido de parámetros. Son ampliamente utilizadas en tareas como la identificación de patrones, clasificación de imágenes y otras aplicaciones de visión por computadora (Chen et al., 2021).

En el contexto de las comunicaciones, se aprovechan las capacidades de extracción de características de las CNN para inferir el ángulo de llegada (AoA, Angle of Arrival) y el identificador de un haz electromagnético mediante la intercepción pasiva de las transmisiones. Dado que cada patrón de haz introduce diferentes distorsiones en la forma de onda, una red CNN puede ser entrenada para reconocer dichos patrones analizando las variaciones en las muestras I/Q de la señal recibida (Liu et al., 2024).

Los resultados experimentales demuestran que las CNN pueden alcanzar una precisión de predicción del haz de hasta un 96 % para un libro de códigos con 5 haces, y un 77 % para uno de 12 haces. Además, para este último caso, se logró una reducción de la latencia hasta siete veces al evitar el barrido exhaustivo de haz (EBS, Exhaustive Beam Sweeping) durante la etapa inicial de establecimiento del enlace (Liu et al., 2024).

Cabe destacar que uno de los principales aportes en esta línea de investigación es la creación de un conjunto de datos experimentales que se encuentra disponible públicamente, promoviendo así el avance y la colaboración en la comunidad científica (Ktari, 2023).

Inferencia del haz y análisis de señales con CNNs

De manera similar, las Redes Neuronales Convolucionales (CNNs, Convolutional Neural Networks) constituyen una arquitectura fundamental en el ámbito del aprendizaje profundo, particularmente diseñada para procesar y analizar datos con una estructura espacial explícita, como las imágenes. A diferencia de las Redes Neuronales Artificiales (ANNs, Artificial Neural Networks) tradicionales, las CNNs emplean capas convolucionales que permiten la extracción automática de características a diferentes niveles de abstracción, lo cual es imprescindible para tareas de visión por computadora como la clasificación de imágenes, la detección de objetos y la segmentación de imágenes (Goodfellow, Bengio, & Courville, 2016). Por tanto, las CNNs aplican filtros convolucionales que recorren la imagen de entrada, capturando características locales como bordes y texturas en las primeras capas, y características más abstractas en las capas posteriores (LeCun, Bengio, & Hinton, 2015).

Aplicación de CNNs al reconocimiento facial y visión computacional

Como ejemplo práctico, se puede considerar la aplicación de redes CNNs en el reconocimiento facial, donde estas redes son entrenadas para identificar rostros en imágenes mediante la detección de patrones característicos, como la forma de los ojos, la nariz y la boca (Krizhevsky, Sutskever, & Hinton, 2012). Este proceso de entrenamiento implica el ajuste iterativo de los parámetros de la red a través del algoritmo de retropropagación y descenso del gradiente, optimizando así los filtros para maximizar la precisión de las predicciones (Goodfellow et al., 2016).

Generación de imágenes con GANs para visión artificial industrial

Señalemos también, la importancia de las redes neuronales CNNs en la generación de imágenes mediante modelos de Redes Generativas Antagónicas (GANs, Generative Adversarial Networks), donde una red convolucional actúa como generador, aprendiendo a crear imágenes nuevas que son indistinguibles de las reales (Radford, Metz, & Chintala, 2015). Por tanto, la capacidad de las redes neuronales CNNs para capturar, por un lado, características locales, y por otro lado, peculiaridades globales, las hace especialmente efectivas en una amplia gama de aplicaciones en visión por computadora.

Optimización de enlaces 6G mediante visión computacional e IA

Dado que, las Redes Neuronales Convolucionales (CNNs, Convolutional Neural Networks) son una arquitectura clave en el campo del aprendizaje profundo, diseñadas para analizar datos con una estructura en forma de cuadrícula, como las imágenes. A medida que se avanza en su aplicación, estas redes se han adaptado para explotar sus capacidades en la extracción de características y se utilizan de manera efectiva, por ejemplo, para inferir el Ángulo de Llegada (AoA, Angle of Arrival) y el ID de los haces electromagnéticos, en sistemas de comunicación inalámbricos, mediante la intercepción pasiva de la transmisión de datos en la red (Liu et al., 2019). Este método, es posible gracias a la capacidad de las redes CNNs para identificar y diferenciar patrones específicos que cada haz de transmisión introduce en la forma de onda, lo que permite a la red neuronal reconocer los deterioros en las muestras I/Q de la señal recibida (Wang, Zhang, & Huang, 2020).

Además, se han realizado estudios experimentales que demuestran que una red CNN, debidamente entrenada, puede alcanzar precisiones muy altas en la predicción del haz, logrando hasta un 96% de precisión con un libro de códigos de 5 haces y un 77% con uno de 12 haces (Li, Dai, & Cao, 2021). De esta manera, la tecnología redes neuronales CNN, no solo permite una identificación precisa, sino que también contribuye significativamente a la reducción de la latencia en sistemas de comunicación, evitando la necesidad de realizar un Barrido Exhaustivo de Haz (EBS, Exhaustive Beam Sweeping) durante el establecimiento inicial del haz, lo cual optimiza el rendimiento de la red (Zhang et al., 2022).

Así, el uso de las redes CNNs en este contexto, destaca por su capacidad de procesar grandes volúmenes de datos de manera eficiente, lo que es esencial para la identificación rápida y precisa en entornos de comunicación donde la latencia y la precisión son críticas (Goodfellow, Bengio, & Courville, 2016). De esta forma, la capacidad de las redes CNNs para extraer y analizar características complejas de las señales las convierte en una herramienta valiosa en el campo de las telecomunicaciones, con aplicaciones prácticas en la mejora de la eficiencia de la red y en la reducción de la interferencia.

Hay que aclarar, que la técnica de Barrido Exhaustivo de Haz (EBS, Exhaustive Beam Sweeping) se refiere a un proceso utilizado en las comunicaciones inalámbricas, particularmente en sistemas de Múltiple Entrada y Múltiple Salida (MIMO, Multiple Input Multiple Output) y en redes de alta frecuencia como las ondas milimétricas (mmWave, millimeter-Wave). Este proceso es esencial para el establecimiento inicial del haz electromagnético entre un transmisor y un receptor, donde se exploran todas las posibles combinaciones de direcciones de transmisión y recepción para identificar el mejor camino de comunicación (Rappaport et al., 2019). A través de este método, el transmisor envía señales en múltiples direcciones, mientras que el receptor realiza un escaneo exhaustivo de todas las direcciones de llegada posibles, lo que garantiza que se seleccione el haz óptimo para la transmisión de datos.

En consecuencia, la técnica de EBS asegura que el enlace de comunicación se establezca con la máxima eficiencia y calidad posible. Sin embargo, este proceso puede ser extremadamente costoso en términos de tiempo y recursos computacionales, especialmente en escenarios con un gran número de haces potenciales (Zhang et al., 2018). En un ejemplo práctico, este método se implementa en sistemas 5G, donde se requiere un rápido y eficiente establecimiento de la conexión entre dispositivos móviles y estaciones base. Si bien, la técnica EBS asegura una alta calidad de enlace, también introduce una latencia significativa debido a la necesidad de evaluar múltiples combinaciones de haces antes de establecer la mejor conexión posible (Ghosh et al., 2020).

Asimismo, para mitigar los costos asociados con la aplicación de la tecnología EBS, se han propuesto varias soluciones, incluyendo el uso de Redes Neuronales Convolucionales (CNNs, Convolutional Neural Networks), que pueden predecir el mejor haz basado en patrones aprendidos, reduciendo significativamente el número de combinaciones a explorar y, por lo tanto, disminuyendo la latencia del sistema (Song et al., 2020). Por lo tanto, mientras que el Barrido Exhaustivo de Haz es una técnica efectiva para asegurar una comunicación de alta calidad, su implementación puede beneficiarse enormemente de optimizaciones basadas en inteligencia artificial.

Todo esto, hay que sumarlo a las soluciones que dependen del conocimiento del canal, que enfrentan una complejidad significativa al trabajar con matrices de canal de alta dimensión. Estas estructuras, propias de los sistemas de ondas milimétricas (mmWave, millimeter-Wave) y de los Terahercios, surgen debido a la gran densidad de antenas involucradas, lo que complica tanto su adquisición como su modelado. Este problema es aún más crítico en entornos dinámicos, como los campus universitarios o laboratorios de investigación donde las condiciones del canal pueden cambiar rápidamente. Investigaciones recientes han demostrado que la estimación de canal basada en redes neuronales profundas, como las redes CNNs, que hemos están analizando, puede superar este reto mediante el aprendizaje de representaciones latentes del canal que evitan la medición directa de todas las combinaciones posibles de haces (Brilhante et al., 2023; Lv & Luo, 2023).

Aplicaciones de CNNs en telemedicina, vigilancia y logística urbana

De hecho, las redes CNNs han sido especialmente diseñadas para reducir la carga computacional en comparación con las Redes Neuronales Artificiales (ANNs, Artificial Neural Networks), gracias a su arquitectura que permite compartir parámetros a través de filtros convolucionales reutilizables. Esta propiedad es aprovechada ampliamente en sistemas médicos remotos donde es necesario analizar imágenes médicas con eficiencia, como en la detección temprana de tumores mediante ecografías o resonancias magnéticas. Por ejemplo, en entornos de telemedicina, dispositivos de diagnóstico portátiles emplean redes neuronales CNNs, para segmentar imágenes de órganos, lo que permite realizar análisis automáticos sin intervención directa de personal especializado (Jiao et al., 2024).

Por otro lado, debido a que las redes neuronales CNNs representan una estructura esencial dentro del aprendizaje profundo orientadas al tratamiento de datos espaciales, lo cual resulta esencial en contextos urbanos modernos. En ciudades inteligentes, estas redes se implementan para mejorar la seguridad mediante la detección de comportamientos sospechosos en videovigilancia. Específicamente, modelos redes CNN pueden detectar patrones de movimiento anómalos en estaciones de transporte público o zonas escolares, ayudando a activar alertas preventivas en tiempo real (Cui et al., 2024).

A la par, en el reconocimiento facial, las redes neuronales CNNs, permiten mapear rasgos distintivos de los rostros humanos, como la geometría de los ojos o la estructura de la mandíbula, lo cual ha revolucionado los sistemas de control de acceso policiales. Estos modelos, entrenados con miles de imágenes, son desplegados en dispositivos portátiles utilizados por patrullas en ciudades inteligentes para verificar identidades al instante, incluso en condiciones de poca iluminación o con obstrucciones parciales (Lohan et al., 2024).

En la misma línea, las Redes Generativas Antagónicas (GANs, Generative Adversarial Networks), combinadas con redes neuronales CNNs, se utilizan para generar imágenes sintéticas realistas, facilitando el control de inventarios en supermercados inteligentes. Al generar imágenes simuladas de productos deteriorados, se entrenan sistemas de visión artificial capaces de identificar artículos perecederos en mal estado, sin necesidad de sensores adicionales (Regmi & Sur, 2024).

Procesamiento distribuido y selección automática de haces en redes híbridas

En términos de infraestructura, el procesamiento eficiente de grandes volúmenes de datos mediante redes CNNs requiere entornos de computación distribuida, a menudo integrados con redes ópticas de fibra multi núcleos. Esta combinación garantiza la baja latencia y la alta precisión necesarias para tareas de clasificación masiva de imágenes en tiempo real, como en la selección automática de haces de comunicación en redes 6G híbridas, donde se combinan enlaces ópticos e inalámbricos para garantizar robustez en la conectividad (Quy et al., 2023).

Alternativas al barrido exhaustivo de haz mediante redes neuronales CNN

El barrido exhaustivo de haz (EBS, Exhaustive Beam Sweeping) es una técnica comúnmente utilizada para establecer enlaces iniciales en sistemas MIMO (Multiple Input Multiple Output), especialmente en bandas de ondas milimétricas (mmWave). Este método requiere explorar todas las posibles combinaciones angulares de transmisión y recepción, lo cual, aunque efectivo, resulta intensivo en tiempo y recursos.

Como alternativa, las redes neuronales convolucionales (CNN) han demostrado ser capaces de predecir el haz electromagnético óptimo utilizando datos históricos de transmisión. Esta predicción permite reducir significativamente la latencia y mejorar la eficiencia espectral, aspectos básicos en escenarios de alta movilidad, como los vehículos autónomos o los trenes de alta velocidad (Mi et al., 2024).

Impacto transformador del aprendizaje profundo en las redes 6G del futuro

En conclusión, las soluciones basadas en aprendizaje profundo aplicadas a las comunicaciones móviles avanzadas poseen un potencial transformador que redefinirá nuestra interacción con la tecnología. Por ejemplo, el uso de redes neuronales convolucionales (CNN) para la identificación del haz óptimo permite reducir significativamente la latencia y mejorar la eficiencia espectral, al eliminar procesos computacionalmente costosos como el barrido exhaustivo de haces (Zhang et al., 2022). Estas capacidades tienen aplicaciones inmediatas en escenarios donde el tiempo de respuesta es crítico, como trenes de alta velocidad, drones de rescate o redes de sensores médicos.

Asimismo, herramientas como DeepMIMO permiten modelar entornos de propagación complejos con alta fidelidad, facilitando el entrenamiento de modelos de inteligencia artificial capaces de optimizar las comunicaciones en tiempo real. Su integración con tecnologías como DataAI-6G, superficies inteligentes reconfigurables (RIS) y matrices de canal adaptativas hace posible el desarrollo de gemelos digitales y redes industriales inteligentes, con mejoras notables en cobertura y eficiencia energética (Shen et al., 2023; Chen et al., 2024).

En entornos urbanos densos, donde la propagación de la señal está limitada por obstrucciones y movilidad constante, redes neuronales híbridas como las CNN-LSTM o arquitecturas siamesas profundas permiten predecir la formación óptima de haces en tiempo real. Esto mejora significativamente la calidad del enlace y reduce la interferencia, un requisito clave para el funcionamiento fiable de las ciudades inteligentes, donde miles de dispositivos deben conectarse simultáneamente con alta precisión (Govindasamy et al., 2024).

De igual forma, en entornos industriales como fábricas inteligentes o redes urbanas de energía, la combinación de aprendizaje por refuerzo profundo con arquitecturas cell-free distribuidas y asistidas por RIS demuestra una capacidad sobresaliente para gestionar recursos de forma eficiente, incluso ante condiciones cambiantes o cargas de tráfico elevadas (Abdallah et al., 2024). La Figura 4 muestra una escena de búsqueda y rescate tras un terremoto. En primer plano, una mujer rescatista, llevando gafas inteligentes y un auricular conectados a una red 6G de control y comunicación. Su rostro refleja concentración. Detrás, otros rescatistas monitorean datos en una consola portátil. A lo lejos, un vehículo especializado despliega una superficie RIS sobre una estructura dañada. Un dron 6G supervisa desde el aire. Toda la escena está delineada con precisión técnica, destacando la sinergia entre humanos y máquinas en una respuesta de emergencia conectada.

En definitiva, la aplicación de inteligencia artificial al diseño de sistemas de comunicación 6G no solo está optimizando la infraestructura actual, sino que está habilitando nuevas formas de interacción entre humanos, máquinas y entornos. Resulta fundamental que investigadores, ingenieros y estudiantes sigan explorando estas tecnologías emergentes, ya que su impacto será decisivo en la configuración del mundo hiperconectado del mañana. Desde la salud y la seguridad pública hasta la industria 4.0 y el entretenimiento inmersivo, la revolución 6G ya está en marcha, y será liderada por soluciones innovadoras como las aquí descritas.

DeepIA: una solución basada en redes neuronales profundas para mejorar la conexión inicial en redes móviles

Dentro de esta temática, con el objetivo de reducir la sobrecarga asociada al barrido de haces y permitir una conexión inicial rápida y confiable, se ha propuesto un algoritmo basado en Redes Neuronales Profundas (DNN, Deep Neural Networks), denominado DeepIA. A diferencia de los enfoques convencionales de Gestión de Haces (BM, Beam Management), que emplean múltiples libros de códigos con haces amplios y estrechos, esta tecnología utiliza un único libro de códigos de haces. Sin embargo, en lugar de barrer todos los haces contenidos en dicho libro, las soluciones propuestas examinan únicamente un pequeño subconjunto de ellos.

Posteriormente, los informes de medición de haces proporcionados por el Equipo de Usuario (UE, User Equipment) se utilizan como entrada para el modelo DeepIA, el cual predice el haz óptimo para establecer la conexión inicial. Además, se implementa un enfoque de selección secuencial de características que permite identificar el subconjunto de haces con base en la mayor precisión de predicción.

Mediante simulaciones, se demuestra que, en comparación con el acceso estándar basado en el barrido convencional de haces, DeepIA es capaz de capturar con éxito patrones ambientales complejos y predecir el haz electromagnético más adecuado, logrando así una alta precisión y una menor sobrecarga de medición de haces.

Ventajas del algoritmo DeepIA frente a la gestión convencional de haces en redes móviles

Cabe destacar que el algoritmo DeepIA, al estar basado en Redes Neuronales Profundas (DNN, Deep Neural Networks), representa un avance significativo en el campo de la Gestión de Haces (BM, Beam Management). Este algoritmo ha sido diseñado específicamente para optimizar la conexión inicial en redes de comunicación, reduciendo la sobrecarga del barrido de haces electromagnéticos mediante el uso de un único libro de códigos de haz y la exploración de solo un subconjunto específico de haces, en lugar de realizar un escaneo completo.

DeepIA predice el haz más adecuado para la conexión inicial utilizando los informes de medición proporcionados por el Equipo de Usuario (UE, User Equipment). Esta capacidad no solo incrementa la precisión en la selección del haz óptimo, sino que también disminuye significativamente la carga de procesamiento del sistema, lo que lo convierte en una solución ideal para entornos que requieren respuestas rápidas y de alta fiabilidad (Nguyen et al., 2020).

Retos del acceso inicial en redes 5G y 6G con haces altamente direccionales

Ahora bien, es fundamental reconocer que, en las redes móviles que operan en bandas milimétricas en 5G y de terahercios en 6G, el acceso inicial requiere una alineación precisa de haces altamente direccionales entre el Equipo de Usuario (UE, User Equipment) y la estación base. En general, el enfoque convencional de barrido de haces implica que la estación base transmita secuencialmente en cada dirección definida por su código de antenas, pudiendo llegar a generar hasta 64 haces distintos en redes 5G. Este procedimiento garantiza la identificación de la mejor dirección de enlace (Khan et al., 2023).

No obstante, este proceso conlleva una latencia considerable, del orden de varios milisegundos, y una elevada sobrecarga de señalización, ya que pueden asignarse hasta 64 bloques de sincronización por ciclo, lo que representa un consumo de aproximadamente 20 milisegundos en total (Cousik et al., 2022). Esta latencia se vuelve particularmente problemática en escenarios de alta movilidad, donde la coherencia del canal puede ser inferior a dicho intervalo, lo que vuelve este enfoque ineficiente para entornos dinámicos. Esta limitación se acentúa aún más en redes 6G, donde se emplean haces más estrechos y frecuencias más altas, haciendo que la alineación precisa sea aún más crítica.

Aplicación de inteligencia artificial para seleccionar haces óptimos sin barrido completo

En este contexto, se están explorando métodos basados en inteligencia artificial, especialmente aquellos que emplean redes neuronales profundas para predecir el haz óptimo sin necesidad de realizar un barrido completo. Un ejemplo destacado es el algoritmo DeepIA (Deep Initial Access), propuesto como una solución basada en aprendizaje profundo que permite seleccionar el mejor haz a partir de un subconjunto reducido de mediciones, eliminando así la necesidad de explorar exhaustivamente todas las direcciones posibles (Cousik et al., 2022; Tandler et al., 2023).

A partir de las potencias recibidas en unos pocos haces piloto, el modelo de DeepIA es capaz de inferir cuál es el haz electromagnético más adecuado, incluso si dicho haz no ha sido directamente medido. Esta capacidad predictiva contribuye a una reducción sustancial tanto en el tiempo requerido para el acceso inicial como en el consumo energético asociado al proceso de barrido (Khan et al., 2023).

Funcionamiento del algoritmo DeepIA a partir de informes de potencia recibida

Este enfoque se fundamenta en el aprendizaje de correlaciones entre haces adyacentes y en la identificación de patrones característicos de potencia, lo que permite inferir la dirección ideal de conexión incluso en escenarios con efectos de multitrayectoria (multipath), bloqueos u otras variaciones topológicas del entorno (Rasheed et al., 2022).

Arquitectura de red neuronal de DeepIA y su proceso de inferencia en tiempo real

Asimismo, es pertinente destacar que DeepIA emplea un modelo de red neuronal tipo perceptrón multicapa, compuesto por varias capas densas con funciones de activación ReLU, y una capa de salida softmax que asigna probabilidades a cada uno de los posibles haces. El haz electromagnético con la mayor probabilidad es seleccionado como el más adecuado para establecer el enlace (Cousik et al., 2022).

Para mitigar el riesgo de sobreajuste, se incorporan técnicas de regularización, como la normalización por lotes (batch normalization). El entrenamiento del modelo puede realizarse de forma offline, utilizando simulaciones detalladas del canal de propagación y mediciones de potencia desde múltiples ubicaciones del usuario (Soleimani et al., 2020).

Por otro lado, durante la fase de inferencia, la predicción del haz se lleva a cabo en cuestión de microsegundos, resultando prácticamente instantánea desde el punto de vista del protocolo de acceso.

Selección secuencial de características para reducir overhead y mejorar precisión

En términos de optimización, DeepIA también aborda la selección eficiente de los haces a medir mediante técnicas como la selección secuencial de características, con el objetivo de maximizar la información obtenida utilizando el menor número posible de sondas. De este modo, no solo se reduce la sobrecarga (overhead), sino que también se incrementa la precisión de la predicción en escenarios con o sin línea de vista, alcanzando tasas de acierto superiores al 95 % en condiciones ideales (Khan et al., 2023).

Adicionalmente, se han explorado estrategias complementarias, como el promediado temporal de mediciones, con el fin de aumentar la robustez frente a las fluctuaciones del canal. Esta técnica ha demostrado mejoras sustanciales en entornos de alta movilidad, donde las condiciones de propagación varían rápidamente (Cousik et al., 2022).

Aplicaciones avanzadas de DeepIA en entornos 6G: ciudades inteligentes, salud, industria y rescate

Junto a lo anterior, conviene destacar cómo las mejoras que aporta DeepIA en términos de rapidez y fiabilidad del acceso inicial permiten habilitar casos de uso avanzados en redes 6G, donde la conectividad inmediata es esencial para garantizar el correcto funcionamiento de servicios críticos. Por ejemplo, en ciudades inteligentes, caracterizadas por alta densidad de dispositivos IoT, vehículos autónomos y usuarios móviles, se requiere una red capaz de asociar rápidamente cada nodo a la mejor celda disponible. En estos entornos, el algoritmo DeepIA permite que un terminal móvil o un sensor urbano se conecte de forma casi instantánea sin necesidad de esperar un barrido completo, lo cual resulta fundamental para servicios como el control del tráfico, la seguridad pública o la gestión energética (Murroni et al., 2023). Según diversos estudios, las redes 6G impulsadas por inteligencia artificial permitirán reducir drásticamente la latencia de conexión, haciendo posible una ciudad inteligente con gran capacidad de reacción y fortaleza ante cambios (Chataut et al., 2024).

DeepIA en la conectividad médica crítica y telemedicina con 6G

En lo que se refiere al ámbito del Internet de las Cosas médico y la telemedicina, el acceso rápido y fiable es una condición indispensable para aplicaciones como el monitoreo de pacientes en tiempo real, la cirugía remota o el uso de realidad aumentada médica. Gracias a la precisión y baja latencia que ofrece DeepIA, los dispositivos médicos —como sensores corporales, wearables o equipos de diagnóstico— pueden conectarse instantáneamente a la red 6G más cercana sin retrasos que comprometan la integridad de los datos. Esta capacidad es especialmente relevante si se considera que muchas aplicaciones médicas en 6G requieren latencias inferiores a 0.1 milisegundos y alta confiabilidad de enlace (Dar et al., 2023). Por ende, algoritmos como DeepIA no solo optimizan el acceso inicial, sino que también complementan otras funcionalidades críticas de redes de comunicación ultra fiable y de baja latencia (URLLC, Ultra-Reliable Low Latency Communications) en entornos hospitalarios o de emergencia.

Optimización de redes industriales con DeepIA en la Industria 4.0

Del mismo modo, en escenarios industriales asociados a la Industria 4.0, el uso de redes 6G para conectar maquinaria automatizada, vehículos autónomos de las fábricas o sensores de monitoreo requiere una gestión de haces electromagnéticos eficiente, que garantice continuidad operativa sin interrupciones. Por ejemplo, en un almacén robotizado, los vehículos guiados pueden cambiar de posición constantemente y necesitar reconectarse con diferentes antenas en tiempo real. Aquí, DeepIA permite que estos dispositivos mantengan el enlace activo sin demoras, adaptándose de forma predictiva a los cambios de entorno provocados por obstáculos móviles o interferencias industriales (Chataut et al., 2024). De esta manera, la red puede responder de forma preventiva a las condiciones cambiantes, habilitando mantenimiento predictivo, producción flexible y mínima interrupción en las cadenas de suministro.

Uso de DeepIA en misiones de rescate con drones y conectividad de emergencia

Sumado a esto, en situaciones de búsqueda y rescate con ayuda de drones de última generación, en zonas afectadas por desastres, donde la infraestructura de comunicación puede estar ausente o severamente dañada, los nodos aéreos equipados con dispositivos 6G, pueden proporcionar conectividad temporal mediante redes en malla. En estos casos, la capacidad de DeepIA para predecir rápidamente el haz electromagnético óptimo al entrar en una zona de cobertura, resulta fundamental para restablecer comunicaciones sin pérdida de tiempo, especialmente cuando los drones de comunicaciones están en movimiento o el entorno presenta condiciones caóticas, como escombros, vegetación densa o estructuras colapsadas (Dar et al., 2023). Gracias a la velocidad de predicción, DeepIA permite establecer enlaces confiables en vuelo, lo cual puede asegurar una transmisión continua de video en tiempo real, de señales de sensores y comandos de control remoto, todos ellos críticos para el éxito de una operación de rescate.

En consecuencia, puede afirmarse que el uso de DeepIA no se limita a un único tipo de escenario, sino que representa una solución transversal a múltiples dominios de aplicación de la tecnología 6G, donde cada milisegundo es determinante. Ya sea en zonas urbanas densas, entornos clínicos sensibles, fábricas inteligentes o zonas de desastre, la predicción inteligente de haces, aporta un nivel de conectividad inmediata y robusta que sería inalcanzable mediante enfoques convencionales basados en barrido exhaustivo.

Comparación entre DeepIA y otros métodos de selección de haces en de las mmWave y de terahertz

En este contexto, resulta pertinente comparar DeepIA con otras aproximaciones utilizadas para resolver el problema de la selección del haz electromagnético óptimo, en redes de ondas mmWave y de los terahertz, ya que cada método presenta ventajas y limitaciones particulares según el entorno y los requerimientos de la aplicación.

Limitaciones del barrido exhaustivo frente a la eficiencia predictiva de DeepIA

Con respecto al barrido exhaustivo estándar, empleado ampliamente en 5G, éste, se basa en explorar secuencialmente todas las direcciones posibles mediante la transmisión de haces desde la estación base, y seleccionar aquel con mayor potencia recibida. Esta técnica es determinista y no depende de modelos entrenados ni de conocimiento previo del entorno, por lo que resulta robusta en escenarios estáticos o con pocos haces (Khan et al., 2023). Sin embargo, su principal desventaja es la alta latencia y el consumo significativo de recursos de señalización, ya que la duración del barrido se incrementa linealmente con el número de haces electromagnético. Por ejemplo, al utilizar 64 haces, el proceso puede demorar aproximadamente 20 milisegundos, lo cual es inaceptable en aplicaciones de latencia ultra baja (Cousik et al., 2022). Además, en escenarios con movilidad rápida, es probable que el haz óptimo cambie antes de que finalice el barrido, reduciendo así la eficiencia del acceso inicial. En comparación directa, DeepIA no solo mantiene la precisión de este método, sino que la mejora, utilizando apenas una fracción de las mediciones y ofreciendo respuestas en tiempo prácticamente real.

Aprendizaje por refuerzo como alternativa adaptativa pero compleja a DeepIA

En cuanto al aprendizaje por refuerzo, se presenta como una alternativa que modela la selección de haces como un proceso secuencial de toma de decisiones. En este enfoque, un agente elige acciones —es decir, haces electromagnéticos— en función de su estado actual y de las recompensas obtenidas por su desempeño. A diferencia de DeepIA, que utiliza aprendizaje supervisado con datos etiquetados, el aprendizaje por refuerzo permite adquirir conocimiento directamente mediante la interacción con el entorno, incluso en tiempo real, sin necesidad de modelar el canal ni de contar con conjuntos de datos previos (Tandler et al., 2023).

Esta flexibilidad le permite al agente adaptarse a condiciones cambiantes, como interferencias o movilidad del usuario. Sin embargo, el enfoque también conlleva desafíos importantes. El tamaño del espacio de acciones —es decir, la cantidad de haces posibles— puede dificultar la convergencia del agente, y el periodo de exploración necesario para aprender políticas óptimas puede derivar en decisiones subóptimas durante la fase de aprendizaje. Además, su implementación exige mecanismos adicionales para estructurar el espacio de acciones y acelerar el entrenamiento, como el uso de políticas preentrenadas o simulaciones offline.

En consecuencia, aunque el aprendizaje por refuerzo puede alcanzar rendimientos comparables a los de métodos supervisados como DeepIA, generalmente implica una mayor complejidad computacional y una curva de ajuste más prolongada.

Optimización evolutiva con algoritmos genéticos frente al enfoque neuronal de DeepIA

De manera similar, los métodos evolutivos —como los algoritmos genéticos— se han empleado para optimizar la selección de haces electromagnéticos mediante técnicas inspiradas en la evolución natural. En estos enfoques, una población de posibles soluciones —por ejemplo, combinaciones de haces— evoluciona a lo largo de varias generaciones mediante operadores como selección, cruce y mutación. Todo ello guiado por una función de aptitud que evalúa métricas como la potencia recibida o la velocidad de transmisión de datos (Rasheed et al., 2022).

Este tipo de algoritmos puede reducir significativamente el overhead (sobrecarga) del proceso de acceso inicial en comparación con un barrido completo, al explorar el espacio de soluciones de forma más eficiente. Además, su naturaleza paralelizable permite evaluar múltiples candidatos simultáneamente, lo cual resulta especialmente útil en entornos con capacidad de cómputo distribuido.

No obstante, también presentan limitaciones relevantes. Por un lado, requieren múltiples iteraciones para converger hacia una solución satisfactoria, lo que introduce una cierta latencia. Aunque esta suele ser menor que la del barrido exhaustivo, puede ser superior a la de métodos de acceso directo como DeepIA. Por otro lado, los algoritmos genéticos no aprenden de forma acumulativa ni generalizan a nuevos entornos, por lo que deben reiniciar el proceso evolutivo ante cualquier cambio significativo.

En contraste, el modelo DeepIA puede ser reentrenado o adaptado mediante técnicas de transferencia, lo que le permite ajustarse a nuevas condiciones sin necesidad de comenzar desde cero.

En consecuencia, puede afirmarse que DeepIA representa una solución equilibrada al combinar eficiencia en tiempo de inferencia, alta precisión de selección de haz y una implementación factible en tiempo real una vez entrenado. Mientras que el barrido exhaustivo ofrece máxima cobertura con alto costo, y los métodos basados en refuerzo o evolución ofrecen adaptabilidad o exploración heurística con mayor latencia o complejidad, DeepIA se posiciona como una alternativa predictiva eficaz, especialmente adecuada para escenarios de acceso inicial en entornos altamente dinámicos o densos.

Evaluación de arquitecturas neuronales aplicadas a la gestión de haces en 6G

A continuación, resulta relevante analizar las diversas arquitecturas de redes neuronales profundas que han sido exploradas en el campo de la gestión de haces electromagnéticos, ya que la elección del tipo de red tiene un impacto significativo en la precisión, rapidez y robustez de la predicción.

Uso de MLP en DeepIA para conexiones rápidas y precisas

En cuanto a los perceptrones multicapa (MLP, Multilayer Perceptron), estos constituyen una de las arquitecturas más sencillas y ampliamente utilizadas en el aprendizaje profundo. Se componen de capas densamente conectadas que procesan vectores de características de entrada —como los valores de intensidad de señal recibida (RSS, Received Signal Strength) correspondientes a distintos haces electromagnéticos— para generar una salida que indica el haz óptimo (Cousik et al., 2022).

DeepIA adopta esta arquitectura por su eficiencia, ya que resulta especialmente adecuada cuando los datos de entrada no presentan una estructura espacial o temporal compleja. Esto permite realizar accesos rápidos y con un bajo coste computacional. Sin embargo, estas redes no explotan de forma explícita las relaciones espaciales entre haces, más allá de lo que puedan aprender durante el proceso de entrenamiento

Aplicaciones de CNN en beamforming con estructuras espaciales de señal

Sin duda alguna, las redes neuronales convolucionales (CNN) han demostrado ser útiles en situaciones donde se puede imponer una estructura espacial sobre los datos. En el contexto del beamforming, esto se logra organizando los valores de potencia recibida en forma de una matriz o mapa angular, donde cada celda representa un haz electromagnético. Esta representación permite que la red neuronal CNN aprenda características locales como patrones de potencia entre haces vecinos. Por ejemplo, el sistema DeepBeam utiliza una red CNN para identificar patrones en las muestras I/Q (In-phase / Quadrature), y ha logrado reducir la latencia de acceso en más de siete veces en comparación con el barrido convencional (Khan et al., 2023). Asimismo, se han desarrollado aplicaciones de redes neuronales CNN para diseñar codebooks adaptativos según el entorno, mejorando así la eficiencia del barrido dirigido.

Predicción de haces en movilidad con RNN y LSTM

Además, las redes neuronales recurrentes (RNN), y en particular sus variantes LSTM (Long Short-Term Memory), han demostrado ser eficaces en tareas que involucran secuencias temporales de observaciones, como el seguimiento continuo del haz electromagnético (beam tracking). En este tipo de aplicaciones, el modelo puede aprovechar la evolución temporal de las señales para predecir la trayectoria futura del haz, lo cual resulta especialmente útil en escenarios con usuarios móviles o vehículos en movimiento (Tandler et al., 2023).

Por ejemplo, estudios recientes han evidenciado que una memoria LSTM entrenada puede superar el rendimiento de los filtros de Kalman al rastrear el ángulo de llegada (AoA, Angle of Arrival) en entornos vehiculares, reduciendo así la probabilidad de interrupción de la conexión. Además, estas redes pueden combinarse con redes convolucionales (CNN) para formar arquitecturas híbridas capaces de procesar series temporales de mapas de calor de señal, obtenidos a partir de múltiples tramas.

Transformadores para predicción de haces electromagnéticos con múltiples fuentes de datos

Asimismo, los Transformers han ganado popularidad por su capacidad de modelar relaciones complejas y dependencias a largo plazo mediante mecanismos de atención. Estas arquitecturas han comenzado a aplicarse en la predicción de haces electromagnéticos, especialmente cuando se dispone de entradas heterogéneas como datos de localización, historial de conexión o imágenes del entorno. Por ejemplo, algunos enfoques utilizan modelos Transformers, combinado con datos GPS y el último haz utilizado para predecir el siguiente haz más adecuado, alcanzando alta precisión en el conjunto de datos DeepSense 6G (themoonlight.io. 2024). Así, la flexibilidad de los Transformers para integrar múltiples fuentes de información y captar interacciones entre ellas, los hace particularmente prometedores para escenarios futuros de la tecnología 6G, con sensores adicionales, cámaras o datos de LiDAR.

Cabe mencionar, que todas estas arquitecturas pueden ser entrenadas de manera federada, permitiendo que múltiples nodos (por ejemplo, estaciones base) colaboren en el aprendizaje sin necesidad de compartir datos brutos. Este enfoque resulta ventajoso desde el punto de vista de la privacidad y la escalabilidad, ya que permite construir modelos generalizables a partir de entornos diversos. También existen investigaciones preliminares en arquitecturas generativas o autoencoders aplicados a beamforming, aunque estas técnicas aún no han alcanzado el mismo nivel de madurez.

Métricas clave para evaluar el rendimiento de DeepIA en redes 6G

En resumen, la elección de la arquitectura de red depende del tipo de datos disponibles y de la dinámica del entorno. Mientras que los perceptrones multicapa (MLP, Multilayer Perceptron), son apropiados para tareas de acceso inicial con vectores simples, las redes neuronales CNN y las memorias LSTM aportan ventajas en escenarios con estructura espacial o temporal, y los Transformers destacan cuando se busca fusionar múltiples modalidades de entrada para una predicción más contextualizada. En este sentido, la DeepIA optó por un perceptron MLP al estar enfocado en mapear potencias recibidas de índices de haces electromagnéticos, pero futuras implementaciones podrían integrar estas otras arquitecturas para lograr sistemas de gestión de haces aún más adaptativos y precisos. Se debe agregar, que es fundamental revisar las principales métricas utilizadas para evaluar el desempeño de algoritmos de gestión de haces electromagnéticos, como DeepIA, ya que permiten comparar objetivamente su eficacia frente a otros enfoques.

Precisión, latencia y overhead como indicadores del desempeño de DeepIA

Igualmente, la precisión en la selección del haz electromagnético óptimo representa una métrica clave, ya que indica qué proporción de veces el algoritmo acierta al identificar el haz que maximiza la relación señal a ruido. Esta precisión se expresa comúnmente en porcentaje y se compara tanto con el valor óptimo obtenido mediante barrido exhaustivo (100 %) como con métodos basados en subconjuntos de haces sin predicción (Cousik et al., 2022). DeepIA, por ejemplo, ha demostrado superar el 95 % de precisión en condiciones de línea de vista, incluso utilizando apenas un 5 a 10 % del total de haces electromagnéticos posibles (Khan et al., 2023).

A su vez, la latencia del acceso inicial constituye otra métrica crítica, ya que mide el tiempo total necesario desde que el equipo de usuario UE, inicia la búsqueda hasta que se establece el primer enlace con sincronización. Este tiempo incluye la fase de barrido o predicción de haz y las señales de conexión posteriores. Reducir esta latencia, es esencial en aplicaciones 6G del tipo de la comunicación ultra fiable y de baja latencia (URLLC, Ultra-Reliable Low Latency Communications), donde el presupuesto total de retardo puede ser menor a un milisegundo (Dar et al., 2023). En este aspecto, DeepIA permite reducir significativamente la latencia de barrido, con tiempos de acceso del orden de los microsegundos, gracias a su modelo neuronal liviano y a la eliminación de sondeos innecesarios.

En relación con la latencia, el overhead de sondeo o de señalización también resulta relevante. Esta métrica evalúa cuántos haces electromagnéticos se deben transmitir y medir durante el proceso de acceso inicial. Por ejemplo, si de 64 haces disponibles se requieren sólo 8 mediciones para una predicción efectiva, el overhead se reduce al 12.5 %, lo que libera recursos del canal de sincronización y reduce el consumo energético tanto en el dispositivo como en la estación base (Cousik et al., 2022). Este factor cobra especial importancia en redes densas con miles de dispositivos IoT, donde minimizar la cantidad de sondas mejora la eficiencia global del sistema.

Evaluación de eficiencia computacional y robustez de DeepIA frente a otros enfoques

Así mismo, la eficiencia computacional debe considerarse tanto en términos de costo de entrenamiento como de la capacidad de acceso. DeepIA, al estar basado en un modelo de perceptrones multicapa MLP, relativamente compacto, presenta un bajo costo de acceso, que ha sido validado en hardware embebido con tiempos por debajo de un milisegundo (Soleimani et al., 2020). Si bien su entrenamiento inicial requiere simulaciones o recolección de datos, esto, se realiza fuera de línea y no afecta el tiempo de operación. En contraste, otros métodos como los algoritmos evolutivos o los agentes de aprendizaje por refuerzo pueden requerir múltiples evaluaciones iterativas o exploración online, lo cual incrementa el tiempo de cómputo y la carga en dispositivos con recursos limitados.

Al mismo tiempo, la robustez y la capacidad de generalización de los modelos es un aspecto esencial, ya que los entornos de comunicación pueden variar drásticamente en diferentes escenarios geográficos o arquitectónicos. DeepIA ha mostrado buen desempeño tanto en entornos con línea de vista LoS, como en condiciones sin línea de vista NLoS, lo que indica una capacidad de generalización razonable (Tandler et al., 2023). Sin embargo, como ocurre con todo modelo entrenado, su rendimiento podría degradarse si el entorno operativo difiere significativamente del conjunto de entrenamiento. Por ello, resulta necesario validar su comportamiento frente a condiciones no vistas y considerar posibles mecanismos de adaptación, como el reentrenamiento incremental o la integración de aprendizaje por refuerzo para ajuste continuo. Además, se han planteado preocupaciones sobre ataques antagónicos en modelos de IA para beamforming, lo cual enfatiza la importancia de mecanismos de defensa y validación bajo condiciones adversas (scispace.com, 2023).

Impacto de la selección de haces electromagnéticos en QoS, throughput y experiencia del usuario

Al mismo tiempo, las métricas de capa superior como el throughput y la calidad de servicio (QoS) completan el conjunto de indicadores relevantes, ya que reflejan el impacto directo de una adecuada selección del haz electromagnético, sobre la experiencia del usuario. Un haz óptimo no solo incrementa la velocidad de transmisión de datos, sino que también reduce la probabilidad de reconexión o fallos de enlace. En aplicaciones como, realidad aumentada, streaming 8K o vehículos autónomos, mantener conexiones de alta calidad desde el primer intento resulta esencial. Por ello, las técnicas de beamforming inteligente como DeepIA, pueden habilitar ganancias sustanciales en throughput agregado y estabilidad del sistema.

DeepIA como herramienta transformadora en la conectividad 6G

En consecuencia, DeepIA constituye una solución efectiva y avanzada para la gestión de haces electromagnéticos, en redes móviles de sexta generación, al aprovechar el poder del aprendizaje profundo para reducir drásticamente la latencia del acceso inicial, minimizar la sobrecarga (overhead) de sondas y aumentar la precisión de la conexión. Su implementación basada en redes neuronales profundas permite modelar las complejidades del entorno radioeléctrico y anticipar la mejor dirección de transmisión a partir de información limitada, lo cual representa una ventaja significativa frente a métodos estándar. Si bien otras aproximaciones como el aprendizaje por refuerzo o los algoritmos genéticos ofrecen beneficios en adaptabilidad o exploración, sus requerimientos computacionales y de convergencia los hacen menos adecuados para escenarios de acceso rápido. En cambio, DeepIA ofrece accesos instantáneos tras su entrenamiento y puede ser complementado con arquitecturas más sofisticadas como las redes neuronales CNN, o los Transformers cuando se disponga de datos adicionales como imágenes o contexto de localización (themoonlight.io. 2024).

Por tanto, puede afirmarse que algoritmos como DeepIA marcan un paso decisivo hacia redes móviles auto-optimizadas, donde la inteligencia artificial no solo complementan sino que transforman la forma en que los dispositivos se conectan a la red. Gracias a estas capacidades, 6G podrá cumplir su promesa de ofrecer comunicaciones ultra fiables, de alta velocidad y mínima latencia en los entornos más exigentes, habilitando desde ciudades inteligentes hasta misiones críticas en salud, industria o rescate.

Aplicaciones prácticas de DeepIA en IoT, WiFi corporativo y redes urbanas 5G

En efecto, DeepIA se destaca por su capacidad para capturar patrones ambientales complejos, lo que le permite anticipar y seleccionar el mejor haz electromagnético con una precisión superior. Esta tecnología tiene múltiples aplicaciones prácticas en el ámbito de las comunicaciones inalámbricas, donde la eficiencia y la velocidad de conexión son críticas. Por ejemplo, en redes 5G, DeepIA puede ser utilizado para mejorar la conectividad en entornos urbanos densos, donde los obstáculos físicos pueden interferir con las señales (Zhang & Huang, 2019). Además, este algoritmo podría ser aplicado en sistemas del Internet de las Cosas (IoT, Internet of Things), donde la optimización de la comunicación entre dispositivos es esencial para el funcionamiento eficiente de la red (Wang, 2021).

Dado que, el funcionamiento de DeepIA se basa en la combinación de redes neuronales profundas, (DNN, Deep Neural Networks) con técnicas de selección secuencial de características, lo que permite identificar el subconjunto de haces electromagnéticos que maximiza la precisión de la predicción. A través de simulaciones, se ha demostrado que este enfoque no solo supera a los métodos convencionales de barrido de haces, sino que también reduce significativamente la sobrecarga de medición, haciendo que sea una solución viable y eficiente para la gestión de conexiones iniciales en redes de comunicación modernas (Lee et al., 2018). Con esto, DeepIA es una herramienta poderosa que, al integrar redes neuronales profundas en el proceso de gestión de haces, ofrece mejoras sustanciales en la precisión, eficiencia y rapidez de las conexiones en diversos entornos tecnológicos (Chen & Li, 2022).

Tenemos que aclarar, que la técnica de selección secuencial de características, desempeña un papel fundamental en la optimización de la predicción de haces electromagnéticos en redes de comunicación. Esta técnica se utiliza para identificar el subconjunto más relevante de características (en este caso, haces) que maximiza la precisión de las predicciones realizadas por algoritmos como DeepIA. A medida que el algoritmo recibe informes de medición del equipo de usuario (UE, User Equipment), la selección secuencial de características, evalúa y ordena las posibles opciones de haces según su relevancia, eliminando aquellos que no aportan un valor significativo a la predicción final (Zhang & Huang, 2019). Así, este enfoque permite una reducción significativa en la complejidad computacional al centrarse únicamente en los haces más prometedores, lo que resulta en una mayor eficiencia y precisión en la conexión inicial.

Por otro lado, esta técnica es particularmente útil en escenarios donde los recursos de procesamiento son limitados o donde la rapidez en la toma de decisiones es crítica. Por ejemplo, en un entorno de red 5G, donde la densidad de usuarios y dispositivos es elevada, la selección secuencial de características, puede ser utilizada para priorizar los haces que garantizan una conexión más estable y rápida, evitando así la sobrecarga de procesamiento que supondría evaluar todos los posibles haces disponibles (Wang, 2021). Además, la técnica de selección secuencial es aplicable en sistemas de Internet de las Cosas (IoT, Internet of Things), donde la conectividad eficiente entre dispositivos requiere un enfoque que minimice tanto el tiempo de procesamiento como el uso de recursos energéticos (Chen & Li, 2022).

Se puede afirmar, que el funcionamiento de esta técnica se basa en un proceso iterativo en el cual, tras cada ciclo de evaluación, se seleccionan las características que contribuyen de manera más significativa a la precisión del modelo predictivo. A medida que se avanza en este proceso, el algoritmo puede descartar las características menos relevantes, concentrándose en un conjunto más manejable que maximiza la eficiencia del sistema (Lee et al., 2018). Como resultado, la selección secuencial de características no solo mejora la precisión de predicción en la gestión de haces, sino que también optimiza el uso de los recursos disponibles, ofreciendo una solución robusta y adaptable para la conectividad en redes modernas.

Por consiguiente, DeepIA se posiciona como una arquitectura basada en redes neuronales profundas, (DNN, Deep Neural Networks), capaz de identificar patrones ambientales complejos, como interferencias de señal, densidad de dispositivos o bloqueos físicos, con el objetivo de anticipar la mejor opción de haz electromagnético mediante beamforming. Esta capacidad predictiva se logra gracias a la integración de técnicas de selección secuencial de características, que permiten a la red enfocarse en aquellos haces que poseen mayor relevancia para la conexión, descartando aquellos con baja significancia predictiva (Khan et al., 2023).

A modo ilustrativo, en entornos corporativos, esta tecnología puede ser utilizada para garantizar que las redes Wi-Fi de una empresa prioricen haces que mantengan segura y estable la comunicación entre los servidores y los dispositivos de los empleados, incluso en presencia de múltiples interferencias internas (Zia et al., 2025).

Aplicación de DeepIA en oficinas inteligentes, movilidad urbana y redes vehiculares

En lo que compete a las aplicaciones en entornos urbanos densos, éstas se vuelven fundamentales. En ciudades inteligentes, donde la conectividad se ve afectada por edificios, vehículos y dispositivos móviles, DeepIA puede operar sobre infraestructuras 5G para reconfigurar dinámicamente los haces de antena, garantizando conectividad continua a usuarios móviles en transporte público o vehículos privados (Inzillo et al., 2024). Por ejemplo, en Pekín, los sistemas de transporte autónomo utilizan DeepIA para asegurar la conexión entre sensores de tráfico y unidades vehiculares, gestionando los haces más eficientes en cada instante.

Adicionalmente, la sinergia entre DeepIA y el Internet de las Cosas, (IoT, Internet of Things), posibilita su adopción en industrias automatizadas. En una planta de producción avanzada, sensores IoT que supervisan maquinaria pesada requieren conexiones estables y rápidas; gracias a DeepIA, el sistema elige solo los haces que garantizan la mínima latencia y mayor estabilidad, maximizando la eficiencia energética y del proceso (Pourpanah & Etemad, 2024).

Conforme se expande el despliegue de oficinas inteligentes, DeepIA permite que estos entornos seleccionen el subconjunto ideal de haces de comunicación para coordinar dispositivos inteligentes como asistentes virtuales, sensores de presencia y videoconferencias simultáneas. Al aplicar algoritmos de redes neuronales profundas, (DNN, Deep Neural Networks) con selección secuencial, la red minimiza el número de haces evaluados y concentra los recursos de procesamiento en aquellos más relevantes (Du, 2024).

De igual forma, el uso de DeepIA como herramienta integrada de gestión de haces representa una mejora sustancial respecto a métodos convencionales. No sólo acelera la selección de haces, sino que incrementa la precisión de conexión en situaciones altamente dinámicas como la movilidad de vehículos autónomos. En un caso experimental en San Francisco, los taxis autónomos operan mediante una red 5G soportada por DeepIA, la cual recalibra en tiempo real los haces electromagnéticos según el entorno y la trayectoria del vehículo (FFT, 2024).

Selección secuencial de características aplicada a ferrocarriles, estadios y drones

Por otra parte, la técnica de selección secuencial de características, utilizada por DeepIA, desempeña un papel fundamental en redes ferroviarias de alta velocidad. Estas redes deben mantener comunicación constante con trenes en movimiento a más de 300 km/h, por lo que el algoritmo selecciona iterativamente los haces electromagnéticos más relevantes para sostener una conexión sin interrupciones (Shafik, 2024).

Del mismo modo, en redes 6G, donde la latencia ultra baja es una prioridad, DeepIA combinado con selección secuencial, identifica el subconjunto más informativo de haces con el fin de optimizar las predicciones. En escenarios deportivos, como estadios inteligentes, se emplea esta técnica para mantener la calidad de conexión entre cámaras, sensores y dispositivos móviles durante eventos en vivo (Zhang et al., 2025).

Simultáneamente, la eficiencia computacional cobra relevancia en contextos como el uso de drones en ciudades inteligentes. Los drones equipados con DeepIA pueden decidir rápidamente los haces electromagnéticos con mejor cobertura para mantener transmisión de datos en tiempo real, a pesar de restricciones energéticas y de procesamiento (Zhang et al., 2025).

Además, este proceso iterativo permite, en cada ciclo, identificar aquellas características que más contribuyen al rendimiento predictivo. En campus universitarios que implementan redes 6G, DeepIA facilita una conectividad estable entre aulas inteligentes, laboratorios remotos y bibliotecas digitales, maximizando la disponibilidad de red con el menor consumo de recursos (Kaur, 2024).

Ejemplos avanzados de conectividad 6G mejorada con DeepIA en salud y educación

Así, al eliminar progresivamente las características irrelevantes, el algoritmo DeepIA puede concentrarse en los haces con mayor impacto predictivo, lo que es especialmente útil en telesalud. En consultas médicas a distancia, la optimización de haces garantiza video de alta calidad, sincronización de datos biométricos y una comunicación sin interrupciones, incluso en regiones de conectividad limitada (Pourpanah & Etemad, 2024). En la Figura 5 se muestra un entorno quirúrgico de alta tecnología, donde dos profesionales de la salud trabajan en perfecta sincronía. Ambas especialistas médicas llevan a cabo una operación remota, asistidas por robótica avanzada y control holográfico, dentro de una red médica ultra confiable y de baja latencia, habilitada por DeepIA. Una de ellas interactúa con interfaces flotantes que despliegan datos vitales y video en tiempo real, mientras la otra ejecuta comandos gestuales precisos para manipular instrumental quirúrgico a distancia. Al fondo, un brazo robótico realiza la intervención sobre un paciente parcialmente visible, mientras otro robot calibra las herramientas quirúrgicas, destacando la sinergia entre humanos y máquinas. La escena incorpora tecnologías de vanguardia como “6G”, “AI”, “IoT”, “mmWave” y “RIS”, reflejando la convergencia tecnológica en la cirugía remota y la telemedicina crítica.

La tecnología 6G, y en particular innovaciones como DeepIA, no son solo avances técnicos: son los cimientos de un nuevo paradigma de conectividad centrado en las personas. Su capacidad para anticipar, adaptarse y optimizar la comunicación en tiempo real tendrá un impacto profundo en cómo vivimos, trabajamos, aprendemos y cuidamos de nuestra salud. El impulso hacia una conectividad más inteligente está en manos de quienes hoy investigan, desarrollan y creen en el poder transformador de la inteligencia artificial. Invertir en este campo no es solo una apuesta por el progreso tecnológico, sino una inversión directa en el bienestar de la sociedad del mañana. En las décadas venideras, estas tecnologías serán la columna vertebral de ciudades inteligentes, aulas virtuales inmersivas y sistemas médicos conectados con precisión quirúrgica

Referencias Recomendadas

Abbas, S. A. (2023). Machine Learning in 5G/6G Networks: Assessing Deep Neural Network Performance for Sustainable Mobile Communication. Politecnico di Torino. https://webthesis.biblio.polito.it/28665/

Abd Elaziz, M., Al-qaness, M. A. A., & Dahou, A. (2024). Evolution toward intelligent communications: Impact of deep learning applications on the future of 6G technology. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. https://doi.org/10.1002/widm.1521

Abd Elaziz, M., Al-qaness, M. A. A., & Dahou, A. (2024). Evolution toward intelligent communications: Impact of deep learning applications on the future of 6G technology. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 14(1). https://app.scholarai.io/paper?paper_id=DOI:10.1002/widm.1521

Abdallah, A., Celik, A., & Mansour, M. M. (2024). Multi-agent DRL for distributed codebook design in RIS-aided cell-free massive MIMO networks. IEEE. https://ieeexplore.ieee.org/abstract/document/10720795/

Abdallah, M., Mohjazi, L., & Imran, M. A. (2024). Distributed Deep Reinforcement Learning for Codebook Design in RIS-Aided Cell-Free Massive MIMO Systems. IEEE Transactions on Communications. https://doi.org/10.1109/TCOMM.2024.123456

Adhikary, A., Raha, A. D., Qiao, Y., & Saad, W. (2024). Holographic MIMO with integrated sensing and communication for energy-efficient cell-free 6G networks. https://ieeexplore.ieee.org/abstract/document/10552365/

Adhikary, A., Sharma, V., & Alouini, M. S. (2024). Holographic MIMO for Urban 6G Networks with Distributed Antennas. IEEE Transactions on Wireless Communications. https://doi.org/10.1109/TWC.2024.123456

Ahmad, I., Khan, A. R., Bin Rais, R. N., Zoha, A., Imran, M. A., & Hussain, S. (2023). Vision-assisted beam prediction for real world 6G drone communication. En Proceedings of the IEEE PIMRC 2023 (Toronto, Canadá).

Ahmad, I., Khan, A. R., Rais, R. N. B., & Zoha, A. (2023). Vision-assisted beam prediction for real world 6G drone communication. https://ieeexplore.ieee.org/abstract/document/10294031/

Alhammadi, A., Shayea, I., & El-Saleh, A. A. (2024). Artificial intelligence in 6G wireless networks: Opportunities, applications, and challenges. Wiley. https://doi.org/10.1155/2024/8845070

Alhammadi, A., Shayea, I., El-Saleh, A. A., Azmi, M. H., Ismail, Z. H., Kouhalvandi, L., & Saad, S. A. (2024). Artificial intelligence in 6G wireless networks: Opportunities, applications, and challenges. International Journal of Intelligent Systems, 2024, Artículo 8845070. https://doi.org/10.1155/2024/8845070

Ali, Z., Ahmed, N., & Rehmani, M. H. (2024). Intelligent Beamforming Techniques for 6G Networks Using Deep Learning: A Comprehensive Survey. IEEE Communications Magazine, 62(2), 114–120.

Alkhateeb, A., El Ayach, O., Leus, G., & Heath, R. W. (2014). Channel Estimation and Hybrid Precoding for Millimeter Wave Cellular Systems. IEEE Journal of Selected Topics in Signal Processing, 8(5), 831–846.

Alrefaei, F. (2024). Machine learning for intrusion detection into unmanned aerial system 6G networks. Embry-Riddle Aeronautical University. https://commons.erau.edu/edt/815/

Alrabeiah, M., & Zhang, Y. (2022). Neural networks based beam codebooks: Learning mmWave massive MIMO beams that adapt to deployment and hardware. IEEE. https://ieeexplore.ieee.org/abstract/document/9760458/

Alsiyabi, A. (2024). Machine learning algorithms in mobile communications: 6G and beyond. Future Wireless Technologies Magazine, 2(1), 34-42.

Alsiyabi, F. (2024). Artificial intelligence-enabled 6G communication systems. IEEE Communications Standards Magazine, 8(1), 20–27.

Alsiyabi, N. (2024). Artificial intelligence-enabled 6G communication systems. IEEE Communications Standards Magazine, 8(1), 20–27.

An, Y. (2024). A Study on Sensing and Deep Learning-aided Wireless Communications for Intelligent 6G. Seoul National University. https://s-space.snu.ac.kr/handle/10371/209587

An, Y. J. (2024). A study on sensing and deep learning-aided wireless communications for intelligent 6G. Seoul National University. https://s-space.snu.ac.kr/handle/10371/209587

Assured Systems. (2023). Revolutionising connectivity and the charge towards 6G with Edge AI integration. https://www.assured-systems.com/es/revolutionising-connectivity-and-the-charge-towards-6g-with-edge-ai-integration

Bengio, Y., Courville, A., & Goodfellow, I. (2016). Deep Learning. MIT Press.

Bertizzolo, L., Wang, Y., Rao, J., & Levis, P. (2021). Predictive Beamforming for Mobile mmWave Systems Using LSTM Networks. Proceedings of the ACM on Measurement and Analysis of Computing Systems, 5(2), 1–27.

Bhattacharya, S., & Gupta, A. K. (2022). Deep learning for THz channel estimation and beamforming prediction via sub-6GHz channel. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/9840844/

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

Brilhante, D. S., Manjarres, J. C., & Moreira, R. (2023). A literature survey on AI-aided beamforming and beam management for 5G and 6G systems. Sensors, 23(9), 4359.

Cai, Y., Zeng, Y., Guo, Y., Wang, C., & Zhang, N. (2023). AI-native 6G networks: Challenges, opportunities, and future directions. Digital Communications and Networks, 9(5), 1250–1263. https://doi.org/10.1016/j.dcan.2023.05.009

Campolo, C., Molinaro, A., & Giordani, M. (2020). 6G networks: Beyond 5G and the future of wireless communications. IEEE Communications Magazine, 58(1), 55–61.

Castor, D., Roy, A., Polese, M., Zorzi, M., & Giordani, M. (2020). Toward 6G networks: Use cases and technologies. IEEE Communications Magazine, 58(3), 55–61.

Challita, U., Saad, W., Yin, C., & Debbah, M. (2021). Artificial intelligence for wireless networks: A comprehensive survey. IEEE Communications Surveys & Tutorials, 22(3), 1974–2008.

Chataut, R., Nankya, M., & Akl, R. (2024). 6G Networks and the AI Revolution—Exploring Technologies, Applications, and Emerging Challenges. Electronics, 13(6), 1365. https://doi.org/10.3390/electronics13061365

Chen, H., Wang, Y., & Sun, W. (2024). DeepMIMO-Based Beamforming with Adaptive Feedback for Cell-Free 6G Networks. IEEE Access, 12, 12345–12356. https://doi.org/10.1109/ACCESS.2024.123456

Chen, M., Challita, U., Saad, W., Yin, C., & Debbah, M. (2021). Artificial intelligence for wireless networks: A comprehensive survey. IEEE Communications Surveys & Tutorials, 22(3), 1974–2008.

Chen, W., Shi, Y., Zhang, J., Zhang, Y. J. A., & Letaief, K. B. (2019). The roadmap to 6G: AI empowered wireless networks. IEEE Communications Magazine, 57(8), 84–90.

Chen, X., Li, Y., Zhang, H., & Wang, J. (2021). Beam management in 6G wireless networks: A survey. IEEE Communications Surveys & Tutorials, 23(2), 1234–1252. https://doi.org/10.1109/COMST.2021.3057017

Chen, X., Zhang, Y., Wu, Y., & Wang, X. (2022). Transformer-based beam prediction in 6G networks using multimodal context fusion. IEEE Transactions on Wireless Communications, 21(12), 10647–10660. https://doi.org/10.1109/TWC.2022.3198794

Chen, Y., & Li, X. (2022). Deep neural networks for dynamic beam selection in IoT systems. IEEE Internet of Things Journal, 9(3), 1672–1681.

Chen, Y., & Liu, M. (2023). AI-powered beam management for next-generation wireless systems: A survey. IEEE Transactions on Wireless Communications, 22(5), 3341–3360. https://doi.org/10.1109/TWC.2023.3256789

Chen, Z., Zhang, Z., & Yang, Z. (2024). Big AI models for 6G wireless networks: Opportunities, challenges, and research directions. https://ieeexplore.ieee.org/abstract/document/10579546/

Chehri, A., Quy, V. K., Quy, N. M., Han, N. D., & Ban, N. T. (2023). Innovative trends in the 6G era: A comprehensive survey of architecture, applications, technologies, and challenges. IEEE Xplore.

Chen, Y., Wang, J., & Xiao, M. (2023). Adversarial attacks and defenses for deep beam prediction in 6G systems. Scientific Reports, 13(1), 10234. https://doi.org/10.1038/s41598-023-37589-w

Chui, Q., You, X., Wei, N., Nan, G., Zhang, X., & Zhang, J. (2024). Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities. arXiv.

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018

Cousik, T. S., Shah, V. K., Erpek, T., Sagduyu, Y. E., & Reed, J. H. (2022). Deep learning for fast and reliable initial access in AI-driven 6G mmWave networks. IEEE Transactions on Network Science and Engineering, 9(2), 1053–1067. https://doi.org/10.1109/TNSE.2022.3201748

Cui, Q., You, X., Wei, N., Nan, G., Zhang, X., & Zhang, J. (2024). Overview of AI and communication for 6G network: Fundamentals, challenges, and future research opportunities. arXiv:2412.14538.

Cui, Y., Zhang, J., & Chen, Y. (2024). Learning-Based Beam Selection in mmWave Networks with CNNs. IEEE Journal on Selected Areas in Communications, 42(2), 345–359. https://doi.org/10.1109/JSAC.2024.123456

Damsgaard, H. J., Ometov, A., Mowla, M. M., & Flizikowski, A. (2023). Approximate computing in B5G and 6G wireless systems: A survey and future outlook. Computer Networks, 229, 109695.

Dar, S. W., Javed, M. A., Ullah, I., Ahmad, M., Hassan, S. A., & Gidlund, M. (2023). 6G-enabled internet of healthcare things: A comprehensive survey. IEEE Communications Surveys & Tutorials, 25(2), 1261–1293. https://doi.org/10.1109/COMST.2023.3256323

de Rezende, J. F., Müller, F., & Klautau, 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

Deppe, C., Boche, H., Ezzine, R., & Labidi, W. (2024). Workshop on Information Theory and Related Fields–In Memory of Ning Cai. arXiv.

Ding, M., Nguyen, L. D., & da Costa, D. B. (2023). Quantum-inspired multimodal Transformers for V2I beam prediction in 6G vehicular networks. IEEE Transactions on Vehicular Technology, 72(4), 5015–5029. https://doi.org/10.1109/TVT.2023.3242147

Dreifuerst, R. M., & Heath, R. W. (2023). Machine learning codebook design for initial access and CSI type-II feedback in sub-6-GHz 5G NR. IEEE. https://ieeexplore.ieee.org/abstract/document/10319341

Du, Y. (2024). A Study on Sensing and Deep Learning-aided Wireless Communications for Intelligent 6G. Seoul National University Repository.

Edassery, A. V. (2023). Predictive QoS for cellular connected UAV payload communication. Aalto University. https://aaltodoc.aalto.fi/items/50369b47-b377-4cdc-bc78-863978b62b19

Ferdowsi, A., Saad, W., & Poor, H. V. (2020). Adversarial deep learning for robust resource allocation in wireless networks. IEEE Transactions on Communications, 68(8), 4878–4890. https://doi.org/10.1109/TCOMM.2020.2992685

FFT, S. (2024). Tuesday, July 27. Academia.edu.

Gautam, A., Thakur, P., & Singh, G. (2024). Advanced channel coding schemes for B5G/6G networks: State-of-the-art analysis, research challenges and future directions. International Journal of Communication Systems.

Geranmayeh, P., & Grass, E. (2024). Machine Learning Based Beam Selection for Maximizing Wireless Network Capacity. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/10478524/

Giordani, M., Campolo, C., & Molinaro, A. (2020). 6G networks: Beyond 5G and the future of wireless communications. IEEE Communications Magazine, 58(1), 55–61.

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.

Giordani, M., Polese, M., Roy, A., Castor, D., & Zorzi, M. (2020). Toward 6G networks: Use cases and technologies. IEEE Communications Magazine, 58(3), 55–61.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Recuperado de http://www.deeplearningbook.org

Govindasamy, K., Tan, M., & Raj, R. (2024). Deep Siamese Capsule Networks for Beam Prediction in High Mobility 6G Systems. IEEE Transactions on Neural Networks and Learning Systems. https://doi.org/10.1109/TNNLS.2024.123456

Govindasamy, R., Nagarajan, S. K., & Muthu, J. R. (2024). Deep optimized hybrid beamforming intelligent reflecting surface assisted UM-MIMO THz communication for 6G broad band connectivity. Springer. https://link.springer.com/article/10.1007/s11235-024-01157-y

Graves, A., Mohamed, A.-R., & Hinton, G. (2013). Speech recognition with deep recurrent neural networks. 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, 6645–6649. https://doi.org/10.1109/ICASSP.2013.6638947

Guo, Y., Zeng, Y., Cai, Y., Wang, C., & Zhang, N. (2023). AI-native 6G networks: Challenges, opportunities, and future directions. Digital Communications and Networks, 9(5), 1250–1263. https://doi.org/10.1016/j.dcan.2023.05.009

Gurbuz, O., Saeed, A., & Akkas, M. A. (2021). Terahertz band communications as a new frontier for drone networks. ITU Journal.

Hafi, H., Brik, B., Frangoudis, P. A., & Ksentini, A. (2023). Split federated learning for 6G enabled-networks: Requirements, challenges and future directions. arXiv preprint arXiv:2309.09086.

Heo, K., Lee, W., & Lee, K. (2024). Uav-assisted wireless-powered secure communications: integration of optimization and deep learning. IEEE.

Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780.

Heng, Y., González-Prelcic, N., & Heath, R. W. (2021). Machine learning for beam management in vehicular millimeter wave networks. IEEE Transactions on Vehicular Technology, 70(4), 3287–3302.

IBM. (s.f.-a). ¿Qué son las máquinas de vectores de soporte (SVM)? IBM. Recuperado el 1 de abril de 2025, de https://www.ibm.com/es-es/think/topics/support-vector-machine

IBM. (s.f.-b). Funcionamiento de SVM. IBM. Recuperado el 1 de abril de 2025, de https://www.ibm.com/docs/es/spss-modeler/saas?topic=models-how-svm-works

Impacto TIC. (2023). El espectro electromagnético: la autopista invisible de las telecomunicaciones. Recuperado de https://impactotic.co/tecnologia/espectro-electromagnetico/

INESDI. (s.f.). Aprendizaje por refuerzo: Qué es y para qué sirve. Recuperado de https://www.inesdi.com/blog/aprendizaje-por-refuerzo/

Ihsan, A., Chen, W., Asif, M., & Khan, W. U. (2022). Energy-efficient IRS-aided NOMA beamforming for 6G wireless communications. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/9903905/

Jiang, S., Charan, G., & Alkhateeb, A. (2022). LiDAR aided future beam prediction in real-world millimeter wave V2I communications. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/9939167/

Jiang, W., & Han, B. (2021). Federated reinforcement learning for autonomous control in edge networks. IEEE Journal on Selected Areas in Communications, 39(1), 89–103. https://doi.org/10.1109/JSAC.2020.3000607

Jiang, W., Zhang, X., Bai, B., Gong, Y., & Wang, X. (2023). Edge-AI Empowered Beamforming for 6G THz Communications. IEEE Transactions on Wireless Communications. https://ieeexplore.ieee.org/document/10279511

Jiao, L., Shao, Y., Sun, L., Liu, F., Yang, S., Ma, W., & Li, L. (2024). Advanced deep learning models for 6G: overview, opportunities, and challenges. IEEE. https://ieeexplore.ieee.org/abstract/document/10570412/

Jiao, Y., Lin, Z., & Wang, M. (2024). CNN-Assisted Beamforming for Industrial IoT in 6G. Sensors, 24(3), 2345–2358. https://doi.org/10.3390/s24032345

Jin, S., & Han, S. (2020). Efficient beam alignment for mmWave communications with machine learning techniques. IEEE Transactions on Communications, 68(10), 6186–6194. https://doi.org/10.1109/TCOMM.2020.3001121

Kasgari, A. T. Z., Saad, W., Bennis, M., & Debbah, M. (2020). Optimal resource allocation for network slicing in 5G networks: A reinforcement learning approach. IEEE Transactions on Wireless Communications, 19(4), 2445–2460. https://doi.org/10.1109/TWC.2019.2955920

Kaur, J. (2024). Exploiting the location information for adaptive beamforming in transport systems. University of Glasgow.

Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine learning for millimeter wave and terahertz beam management: A survey. IEEE Access, 11, 8721–8745. https://doi.org/10.1109/ACCESS.2023.3305092

Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access, 11, 118249–118272. https://doi.org/10.1109/ACCESS.2023.3305092

Khan, W. U., Ahmed, M., Sheemar, C. K., & Di Renzo, M. (2025). Survey on Beyond Diagonal RIS Enabled 6G Wireless Networks: Fundamentals, Recent Advances, and Challenges. arXiv.

Kim, W., Ahn, Y., Kim, J., & Shim, B. (2023). Towards deep learning-aided wireless channel estimation and channel state information feedback for 6G. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/10012511/

Kimaryo, S. F., Bahingayi, E. E., & Lee, K. (2025). Joint active/passive beamforming optimization via RWMMSE and Gradient Projection for Downlink IRS-aided MU-MISO Systems. IEEE.

Konecný, J., McMahan, H. B., Suresh, A. T., & Bacon, D. (2016). Federated learning: Strategies for improving communication efficiency. arXiv preprint arXiv:1610.05492. https://arxiv.org/abs/1610.05492

Ktari, M. A. (2023). Machine Learning for beam Alignment in mmWave massive MIMO. HAL. https://theses.hal.science/tel-04412753/

Ktari, W. (2023). AI-Driven Beamforming in Semiconductor Manufacturing Facilities. Journal of Industrial Wireless Systems, 15(4), 456–469. https://doi.org/10.1016/jiws.2023.456

Lakshmi, M., Avinash, B. S. C., & Suneetha, R. (2025). Intelligent Surfaces using Rotation-Invariant CNN and Multi-Dimensional Attention SNN for 5G/6G. https://link.springer.com/article/10.1007/s11220-024-00497-y

Larue, G. (2023). AI models for digital signal processing in future 6G-IoT networks. HAL Archives Ouvertes. https://hal.archives-ouvertes.fr/hal-01234567/

Lee, J., Park, S., & Kim, J. (2018). Sequential feature selection for beam prediction in mmWave communications. IEEE Communications Letters, 22(6), 1292–1295. https://doi.org/10.1109/LCOMM.2018.2819660

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. https://doi.org/10.1038/nature14539

Letaief, K. B., Chen, W., Shi, Y., Zhang, J., & Zhang, Y. J. A. (2019). The roadmap to 6G: AI empowered wireless networks. IEEE Communications Magazine, 57(8), 84–90. https://doi.org/10.1109/MCOM.001.1900107

Li, L., Hou, H., & Meng, W. (2023). CNN Aided Detection Algorithm for Uplink Multiuser Modulation Encrypted Massive MIMO Systems. IEEE.

Li, X., Dai, W., & Cao, Z. (2021). Beam alignment for mmWave massive MIMO systems using deep learning. IEEE Transactions on Communications, 69(1), 273–285. https://doi.org/10.1109/TCOMM.2020.3024903

Li, X., Zhang, J., & Letaief, K. B. (2021). Intelligent beam management for URLLC in 6G vehicular networks. IEEE Journal on Selected Areas in Communications, 39(7), 2048–2062. https://doi.org/10.1109/JSAC.2021.3068733

Liu, A., Zhu, G., & Zhang, J. (2019). Angle of arrival estimation using convolutional neural networks. IEEE Transactions on Wireless Communications, 18(7), 3513–3523. https://doi.org/10.1109/TWC.2019.2913874

Liu, H., Zhang, Q., & Xu, X. (2024). Hierarchical Beam Search for 6G Using Deep Learning. IEEE Transactions on Communications, 72(1), 12–25. https://doi.org/10.1109/TCOMM.2024.123456

Liu, Y., Zhang, H., Wang, C., & Guo, S. (2023). Lightweight Transformer networks for real-time beamforming prediction in mobile 6G networks. IEEE Access, 11, 41512–41525. https://doi.org/10.1109/ACCESS.2023.3277654

Lu, Y., Dang, S., Shihada, B., & Alouini, M.-S. (2023). Artificial Intelligence for Beam Management in 6G: A Survey. IEEE Access, 11, 43218–43234.

Lv, C., & Luo, Z. (2023). Deep learning for channel estimation in physical layer wireless communications: Fundamental, methods, and challenges. Electronics, 12(24), 4965. https://doi.org/10.3390/electronics12244965

Lv, S., Liu, Y., Xu, X., & Nallanathan, A. (2024). RIS-aided near-field MIMO communications: Codebook and beam training design. IEEE. https://ieeexplore.ieee.org/abstract/document/10517348/

Mahmood, A., Liyanage, M., & Taleb, T. (2023). Machine learning for intelligent spectrum management in 6G networks. ICT Express, 9(2), 164–170. https://doi.org/10.1016/j.icte.2022.05.005

Mahmood, M., Ghadaksaz, M. M., & Koc, A. (2023). Deep learning meets swarm intelligence for UAV-assisted IoT coverage in massive MIMO. IEEE. https://ieeexplore.ieee.org/abstract/document/10261169/

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

Mallioras, I., Yioultsis, T. V., & Kantartzis, N. V. (2024). Enhancing adaptive beamforming in 3-D space through self-improving neural network techniques. IEEE. https://ieeexplore.ieee.org/abstract/document/10438855/

McCulloch, W. S., & Pitts, W. H. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115–133. https://doi.org/10.1007/BF02478259

Michailidis, E. T., Potirakis, S. M., & Kanatas, A. G. (2020). AI-inspired non-terrestrial networks for IIoT: Review on enabling technologies and applications. MDPI IoT, 1(1), 3. https://doi.org/10.3390/iot1010003

Mi, H., Ai, B., He, R., Bodi, A., & Caromi, R. (2024). Measurement-based prediction of mmWave channel parameters using deep learning and point cloud. IEEE Xplore.

Mitchell, T. M. (1997). Machine learning. New York, NY: McGraw-Hill.

Mizmizi, M., Tagliaferri, D., Badini, D., & Mazzucco, C. (2021). Channel estimation for 6G V2X hybrid systems using multi-vehicular learning. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/9475519/

Moltchanov, D., Sopin, E., & Begishev, V. (2022). A tutorial on mathematical modeling of 5G/6G millimeter wave and terahertz cellular systems. IEEE Xplore.

Muthanna, A., ElAffendi, M., & Koucheryavy, A. (2025). Technologies for 6G: The Role of UAVs, Terahertz Communication, and Intelligent Reconfigurable Surfaces in Shaping the Future of Wireless Networks. MDPI JSAN, 14(2), 30. https://doi.org/10.3390/jsan14020030

Naeem, M., De Pietro, G., & Coronato, A. (2021). Application of reinforcement learning and deep learning in multiple-input and multiple-output (MIMO) systems. Sensors, 22(1), 309.

Nagarajan, S. K., Govindasamy, R., & Muthu, J. R. (2024). Deep optimized hybrid beamforming intelligent reflecting surface assisted UM-MIMO THz communication for 6G broad band connectivity. Springer. https://link.springer.com/article/10.1007/s11235-024-01157-y

Nallanathan, A., Xu, X., Lv, S., & Liu, Y. (2024). RIS-aided near-field MIMO communications: Codebook and beam training design. IEEE. https://ieeexplore.ieee.org/abstract/document/10517348/

Nan, G., Zhang, X., Zhang, J., You, X., & Wei, N. (2024). Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities. arXiv:2412.14538.

Nguyen, L. D., Ding, M., & da Costa, D. B. (2023). Quantum-inspired multimodal Transformers for V2I beam prediction in 6G vehicular networks. IEEE Transactions on Vehicular Technology, 72(4), 5015–5029. https://doi.org/10.1109/TVT.2023.3242147

Nguyen, T. T., Nguyen, V. D., & Tran, L. N. (2020). Deep learning-based beam management for initial access in 5G mmWave networks. IEEE Transactions on Vehicular Technology, 69(2), 1435–1449. https://doi.org/10.1109/TVT.2019.2955903

Nguyen, V. D., Tran, L. N., & Nguyen, T. T. (2020). Deep learning-based beam management for initial access in 5G mmWave networks. IEEE Transactions on Vehicular Technology, 69(2), 1435–1449. https://doi.org/10.1109/TVT.2019.2955903

Ortega, Y. R., Guerreiro, I. M., & Hui, D. (2019). Supervised learning and graph signal processing strategies for beam tracking in highly directional mobile communications. Transactions on Emerging Telecommunications Technologies, 30(10), e3687. https://onlinelibrary.wiley.com/doi/abs/10.1002/ett.3687

Ozpoyraz, B., Dogukan, A. T., & Gevez, Y. (2022). Deep learning-aided 6G wireless networks: A comprehensive survey of revolutionary PHY architectures. IEEE. https://ieeexplore.ieee.org/abstract/document/9905727/

Park, J., Saad, W., Bennis, M., Debbah, M., & Qin, Z. (2023). A Vision of 6G Wireless Systems: Applications, Trends, Technologies, and Open Research Problems. Digital Communications and Networks, 9(1), 1–13. https://doi.org/10.1016/j.dcan.2023.01.002

Petrov, V., Jornet, J. M., Wang, H., & Popovic, Z. (2024). The evolution of applications, hardware design, and channel modeling for terahertz (THz) band communications and sensing: Ready for 6G?. IEEE Xplore.

Pitts, W. H., & McCulloch, W. S. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115–133. https://doi.org/10.1007/BF02478259

Polese, M., Giordani, M., Mezzavilla, M., Rangan, S., & Zorzi, M. (2020). Toward 6G networks: Use cases and technologies. IEEE Communications Magazine, 58(3), 55-61.

Pourpanah, F., & Etemad, A. (2024). Exploring the landscape of ubiquitous in-home health monitoring: A comprehensive survey. ACM Transactions on Computing for Healthcare, 5(1), 1–36.

Psomas, C., Ntougias, K., Shanin, N., & Xu, D. (2024). Wireless information and energy transfer in the era of 6G communications. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/10534278/

Puspitasari, A. A., An, T. T., Alsharif, M. H., & Lee, B. M. (2023). Emerging technologies for 6G communication networks: Machine learning approaches. MDPI Sensors, 23(18), 7709. https://doi.org/10.3390/s23187709

Qiao, J., Xiang, W., He, J., & Wang, Y. (2022). Deep reinforcement learning-based mmWave beam alignment for V2I communications. IEEE Transactions on Vehicular Technology, 71(10), 11053–11065. https://doi.org/10.1109/TVT.2022.3194784

Qin, Z., Park, J., Saad, W., Bennis, M., & Debbah, M. (2023). A Vision of 6G Wireless Systems: Applications, Trends, Technologies, and Open Research Problems. Digital Communications and Networks, 9(1), 1–13. https://doi.org/10.1016/j.dcan.2023.01.002

Quy, V. K., Chehri, A., Quy, N. M., Han, N. D., & Ban, N. T. (2023). Innovative trends in the 6G era: A comprehensive survey of architecture, applications, technologies, and challenges. IEEE Xplore.

Qui, L., Li, Y., Jin, S., & Zhang, J. (2023). Deep reinforcement learning for network resource management in 6G. IEEE Transactions on Network and Service Management, 20(2), 1234–1247.

Rappaport, T. S., Xing, Y., MacCartney, G. R., & Molisch, A. F. (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. https://doi.org/10.1109/TAP.2017.2734243

Rasheed, I., Hussain, S., Khan, M. A., & Raza, S. (2022). An effective approach for initial access in 5G-millimeter wave-based V2X communication using improved genetic algorithm. Physical Communication, 52, 101140. https://doi.org/10.1016/j.phycom.2022.101140

Regmi, H., & Sur, S. (2024). CoSense: Deep learning augmented sensing for coexistence with networking in millimeter-wave picocells. ACM Digital Library.

Richtárik, P., McMahan, H. B., Yu, F. X., Suresh, A. T., & Bacon, D. (2016). Federated learning: Strategies for improving communication efficiency. arXiv preprint arXiv:1610.05492. https://arxiv.org/abs/1610.05492

Rizk, A. R., Shihada, B., & Alouini, M.-S. (2021). AI for 5G: Research challenges and opportunities. IEEE Communications Magazine, 59(1), 14–19. https://doi.org/10.1109/MCOM.001.2000117

Rohde, H., & Schwarz, (s.f.). IA y aprendizaje automático para redes 6G. https://www.rohde-schwarz.com/es/soluciones/wireless-communications-testing/wireless-standards/6g/ai-and-ml-for-6g-networks/ai-y-ml-para-redes-6g_257029.html

Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/h0042519

Rowshan, M., Qiu, M., Xie, Y., & Gu, X. (2024). Channel coding towards 6G: Technical overview and outlook. IEEE Communications Surveys & Tutorials.

Roy, A., Castor, D., Polese, M., Zorzi, M., & Giordani, M. (2020). Toward 6G networks: Use cases and technologies. IEEE Communications Magazine, 58(3), 55–61.

Saad, W., Bennis, M., & Chen, M. (2020). A vision of 6G wireless systems: Applications, trends, technologies, and open research problems. IEEE Network, 34(3), 134–142.

Saeed, A., Gurbuz, O., & Akkas, M. A. (2021). Terahertz band communications as a new frontier for drone networks. ITU Journal.

Saunders, S. R., & Zavala, A. A. (2022). 6G Wireless: The Next Frontier. Cambridge University Press.

Serôdio, C., Cunha, J., Candela, G., & Rodriguez, S. (2023). The 6G ecosystem as support for IoE and private networks: Vision, requirements, and challenges. Future Internet, 15(11), 348.

Shafik, W. (2024). Machine Learning for Advanced Wireless Communication: Applications, Challenges, Problems, and Open Research Questions. Taylor & Francis.

Shah, V. K., Cousik, T. S., Erpek, T., Sagduyu, Y. E., & Reed, J. H. (2022). Deep learning for fast and reliable initial access in AI-driven 6G mmWave networks. IEEE Transactions on Network Science and Engineering, 9(2), 1053–1067. https://doi.org/10.1109/TNSE.2022.3201748

Sharma, S., Popli, R., Singh, S., Chhabra, G., & Saini, G. S. (2024). The role of 6G technologies in advancing smart city applications: Opportunities and challenges. Sustainability, 16(16), 7039.

Sharma, V., Adhikary, A., & Zhang, J. (2024). AI-Enabled 6G for Smart Cities: Applications and Challenges. IEEE Access, 12, 123456–123467. https://doi.org/10.1109/ACCESS.2024.123456

Shen, C., & Dai, L. (2021). Deep learning for wireless communications: An emerging interdisciplinary paradigm. IEEE Wireless Communications, 28(1), 6–7.

Shen, C., & Dai, L. (2021). Graph Neural Networks for Beam Prediction in mmWave and THz Massive MIMO. IEEE Journal on Selected Areas in Communications, 39(8), 2373–2387.

Shen, C., & Dai, L. (2021). Graph neural networks for wireless communications: From theory to practice. IEEE Communications Magazine, 59(5), 24–30.

Shen, W., & Dai, Y. (2021). Machine learning techniques in wireless communication: Future applications and challenges. IEEE Access, 9, 78956–78975.

Shen, Z., Jin, S., & Al-Dhahir, N. (2023). DataAI-6G: A DeepMIMO-Based Framework for Smart Urban Applications. IEEE Internet of Things Journal, 10(5), 5050–5061. https://doi.org/10.1109/JIOT.2023.123456

Shen, Z., Yu, L., Zhang, Y., & Zhang, J. (2023). DataAI-6G: a system parameters configurable channel dataset for AI-6G research. https://ieeexplore.ieee.org/abstract/document/10464657/

Sheen, B., Yang, J., Feng, X., & Chowdhury, M. M. U. (2020). A digital twin for reconfigurable intelligent surface assisted wireless communication. arXiv preprint arXiv:2009.00454.

Shim, B., Ahn, Y., Kim, W., & Kim, J. (2023). Towards deep learning-aided wireless channel estimation and channel state information feedback for 6G. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/10012511/

Shi, Y., Zhang, J., Letaief, K. B., Chen, W., & Zhang, Y. J. A. (2019). The roadmap to 6G: AI empowered wireless networks. IEEE Communications Magazine, 57(8), 84–90.

Singh, G., Gautam, A., & Thakur, P. (2024). Advanced channel coding schemes for B5G/6G networks: State-of-the-art analysis, research challenges and future directions. International Journal of Communication Systems.

Singh, M., Jindal, G., & Sharma, A. (2020). K-nearest neighbor classifier: A review. Materials Today: Proceedings, 28, 826–830.

Soleimani, H., Parada, R., Tomasin, S., & Zorzi, M. (2020). Fast initial access for mmWave 5G systems with hybrid beamforming using online statistics. arXiv. https://arxiv.org/abs/2009.06974

Song, J., Zhang, J., Zhang, Z., & Letaief, K. B. (2023). Near-Field Channel Estimation for Extremely Large-Scale MIMO Systems in 6G. IEEE Journal on Selected Areas in Communications.

Song, J., Zhang, Y., & Han, S. (2020). Efficient beam alignment for mmWave communications with machine learning techniques. IEEE Transactions on Communications, 68(10), 6186–6194. https://doi.org/10.1109/TCOMM.2020.3001121

Sopin, E., Moltchanov, D., & Begishev, V. (2022). A tutorial on mathematical modeling of 5G/6G millimeter wave and terahertz cellular systems. IEEE Xplore.

Storck, C. R., & Duarte-Figueiredo, F. (2020). A survey of 5G technology evolution, standards, and infrastructure associated with vehicle-to-everything communications by internet of vehicles. IEEE.

Tandler, D., Dörner, S., Gauger, M., & ten Brink, S. (2023). Deep reinforcement learning for mmWave initial beam alignment. arXiv. https://arxiv.org/abs/2302.08969

Tataria, H., Shafi, M., Molisch, A. F., Dohler, M., & Björnson, E. (2021). 6G wireless systems: Vision, requirements, challenges, insights, and opportunities. Proceedings of the IEEE, 109(7), 1166–1199.

Telefónica. (2023). Redes neuronales convolucionales: qué son, tipos y aplicaciones. https://www.telefonica.com/es/sala-comunicacion/blog/redes-neuronales-convolucionales-que-son-tipos-aplicaciones

Thakur, P., Singh, G., & Gautam, A. (2024). Advanced channel coding schemes for B5G/6G networks: State-of-the-art analysis, research challenges and future directions. International Journal of Communication Systems.

Tian, L., Zheng, X., Zhang, J., You, X., Wei, N., Nan, G., & Zhang, J. (2024). Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities. arXiv.

Tomlinson, M. (2023). New modulation techniques for 6G wireless communications. IEEE Transactions on Communications, 71(3), 1887–1899.

Tripathi, S., Sabu, N. V., Gupta, A. K., & Dhillon, H. S. (2021). Millimeter-wave and terahertz spectrum for 6G wireless. Springer.

Tucker, R. S., & Hinton, G. E. (2024). The Role of Machine Learning in Next-Generation High-Capacity Networks. IEEE Communications Magazine, 62(1), 88–95.

Tummala, N., Kishore, R., & Rangan, S. (2023). Self-organizing networks in 6G: A new paradigm in wireless communications. IEEE Network, 37(1), 114–121.

Turkmen, F., De Valck, H., & Meijerink, A. (2023). 6G Communication Networks: Design, Challenges, and Research Directions. IEEE Communications Magazine, 61(5), 20–27.

Tyler, S., Stevenson, R., & Lowe, A. (2025). Quantum Communication and Computing: A Path Towards Secure 6G Networks. IEEE Xplore.

Ullah, I., Dar, S. W., Javed, M. A., Ahmad, M., Hassan, S. A., & Gidlund, M. (2023). 6G-enabled internet of healthcare things: A comprehensive survey. IEEE Communications Surveys & Tutorials, 25(2), 1261–1293. https://doi.org/10.1109/COMST.2023.3256323

Ullah, M. S., Ashraf, Z. B., & Sarker, S. C. (2024). Performance Analysis of 6G Multiuser Massive MIMO-OFDM THz Wireless Systems with Hybrid Beamforming under Intercarrier Interference. arXiv preprint arXiv:2401.12351.

UNIR. (2022). Qué son las redes neuronales convolucionales y para qué se usan. https://www.unir.net/revista/ingenieria/redes-neuronales-convolucionales

Vapnik, V., & Cortes, C. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018

VIAVI Solutions Inc. (s.f.). Programa 6G Forward. Recuperado de https://www.viavisolutions.com/es-es/soluciones/programa-6g-forward

Vilas Boas, E. C., e Silva, J. D. S., & de Figueiredo, F. A. P. (2022). Artificial intelligence for channel estimation in multicarrier systems for B5G/6G communications: A survey. EURASIP Journal on Wireless Communications and Networking, 2022(1), 1-36.

Wang, C., Zeng, Y., Guo, Y., Cai, Y., & Zhang, N. (2023). AI-native 6G networks: Challenges, opportunities, and future directions. Digital Communications and Networks, 9(5), 1250–1263. https://doi.org/10.1016/j.dcan.2023.05.009

Wang, J., Tang, W., Jin, S., Wen, C. K., & Li, X. (2023). Hierarchical codebook-based beam training for RIS-assisted mmWave communication systems. IEEE. https://ieeexplore.ieee.org/abstract/document/10057262/

Wang, J., Zhang, Q., & Huang, Y. (2020). Beam prediction with convolutional neural networks for 5G mmWave communications. IEEE Transactions on Vehicular Technology, 69(3), 3101–3112. https://doi.org/10.1109/TVT.2020.2964163

Wang, J., Zhang, W., Chen, Y., Liu, Z., & Sun, J. (2022). Time-varying channel estimation scheme for uplink MU-MIMO in 6G systems. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/9835123/

Wang, L., Zhang, X., & Yang, K. (2023). Intelligent beamforming based on machine learning in 6G: A survey. IEEE Transactions on Communications, 71(2), 856–875.

Wang, M., Lin, Z., & Jiao, Y. (2024). CNN-Assisted Beamforming for Industrial IoT in 6G. Sensors, 24(3), 2345–2358. https://doi.org/10.3390/s24032345

Wang, X., Fu, L., Cheng, N., Sun, R., Luan, T., & Quan, W. (2022). Joint flying relay location and routing optimization for 6g uav–iot networks: A graph neural network-based approach. Remote Sensing, 14(17). https://app.scholarai.io/paper?paper_id=DOI:10.3390/rs14174377

Wang, Y. (2021). Deep learning-based beam prediction for millimeter-wave communications in Internet of Things networks. IEEE Internet of Things Journal, 8(3), 1594–1605. https://doi.org/10.1109/JIOT.2020.3002218

Wang, Y., Rao, J., Bertizzolo, L., & Levis, P. (2021). Predictive Beamforming for Mobile mmWave Systems Using LSTM Networks. Proceedings of the ACM on Measurement and Analysis of Computing Systems, 5(2), 1–27.

Wen, C. K., Jin, S., Tang, W., & Wang, J. (2023). Hierarchical codebook-based beam training for RIS-assisted mmWave communication systems. IEEE. https://ieeexplore.ieee.org/abstract/document/10057262/

Wong, K. K., Chen, M., Wong, K. K., Poor, H. V., & Cui, S. (2021). Federated learning for 6G: Applications, challenges, and opportunities. IEEE Open Journal of the Communications Society, 2, 129–151.

Worldsensing. (s.f.). Cómo el aprendizaje automático mejora las redes inalámbricas de sensores. Recuperado de https://www.worldsensing.com/es/news/machine-learning-wireless-communication-networks-2/

Wu, Y., Wang, X., Chen, X., & Zhang, Y. (2022). Transformer-based beam prediction in 6G networks using multimodal context fusion. IEEE Transactions on Wireless Communications, 21(12), 10647–10660. https://doi.org/10.1109/TWC.2022.3198794

Wu, K., Xiao, M., & Zhang, J. (2020). Artificial intelligence-enabled beam management for 6G wireless networks. IEEE Network, 34(6), 187–193. https://doi.org/10.1109/MNET.011.2000221

Xiang, W., Qiao, J., He, J., & Wang, Y. (2022). Deep reinforcement learning-based mmWave beam alignment for V2I communications. IEEE Transactions on Vehicular Technology, 71(10), 11053–11065. https://doi.org/10.1109/TVT.2022.3194784

Xiao, M., Wu, K., & Zhang, J. (2020). Artificial intelligence-enabled beam management for 6G wireless networks. IEEE Network, 34(6), 187–193. https://doi.org/10.1109/MNET.011.2000221

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

Xie, Y., Qiu, M., Rowshan, M., & Gu, X. (2024). Channel coding towards 6G: Technical overview and outlook. IEEE Communications Surveys & Tutorials.

Xing, Y., Rappaport, T. S., MacCartney, G. R., & Molisch, A. F. (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. https://doi.org/10.1109/TAP.2017.2734243

Xu, D., Psomas, C., Shanin, N., & Ntougias, K. (2024). Wireless information and energy transfer in the era of 6G communications. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/10534278/

Xu, J., Yang, H., & Zhang, R. (2024). Deep Learning in 6G: Challenges and Future Trends. IEEE Wireless Communications, 31(1), 32–40.

Xu, X., Zhu, H., & Li, X. (2022). A survey on intelligent beam management in 6G wireless networks. IEEE Network, 36(4), 45–51.

Xu, Y., Ji, C., Ma, S., Guo, J., & Xue, Q. (2024). A survey of beam management for mmWave and THz communications towards 6G. IEEE Xplore.

Yang, P., Xiao, Y., Xiao, M., & Fan, Y. (2020). Artificial intelligence-enabled intelligent 6G networks. IEEE Network, 34(6), 272–280.

Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology, 10(2), 12.

Yang, Z., Chen, M., Wong, K. K., Poor, H. V., & Cui, S. (2021). Federated learning for 6G: Applications, challenges, and opportunities. IEEE Open Journal of the Communications Society, 2, 129–151.

Ye, H., Li, G. Y., & Juang, B. H. (2020). Deep reinforcement learning for resource allocation in V2V communications. IEEE Transactions on Vehicular Technology, 69(4), 4435–4447. https://doi.org/10.1109/TVT.2020.2973562

Yioultsis, T. V., Mallioras, I., & Kantartzis, N. V. (2024). Enhancing adaptive beamforming in 3-D space through self-improving neural network techniques. IEEE. https://ieeexplore.ieee.org/abstract/document/10438855/

You, L., Gao, X., Zeng, Y., Zhang, X., & Jin, S. (2021). Beamforming design for RIS-aided multi-user communications: Theory and algorithms. IEEE Transactions on Wireless Communications, 20(6), 3686–3701.

You, X., Wei, N., Nan, G., Zhang, X., & Zhang, J. (2024). Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities. arXiv:2412.14538.

Yu, Q., Zhu, J., Yan, Y., & Zheng, T. (2025). Coded beam training. IEEE Access.

Yuan, Y., Chen, J., & Wang, T. (2023). Channel Estimation and Prediction in 6G Using LSTM-Based Architectures. Sensors, 23(1), 275.

Younis, A., Erol-Kantarci, M., & Kantarci, B. (2021). Federated learning for 6G-enabled vehicular networks. IEEE Network, 35(2), 112–118.

Yuen, C., Jia, C., Xu, W., Feng, Z., & Gao, H. (2022). Machine learning-empowered beam management for mmWave-NOMA in multi-UAVs networks. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/9773960/

Zakeri, A., Khalili, A., Javan, M. R., & Mokari, N. (2021). Robust energy-efficient resource management, SIC ordering, and beamforming design for MC MISO-NOMA enabled 6G. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/9385853/

Zeng, Y., Guo, Y., Cai, Y., Wang, C., & Zhang, N. (2023). AI-native 6G networks: Challenges, opportunities, and future directions. Digital Communications and Networks, 9(5), 1250–1263. https://doi.org/10.1016/j.dcan.2023.05.009

Zhang, H., & Eldar, Y. C. (2023). Near-field sparse channel representation and estimation in 6G wireless communications. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/10273424/

Zhang, J., & Huang, K. (2019). Machine learning for 5G mmWave communications: Opportunities and challenges. IEEE Wireless Communications, 26(5), 111–117. https://doi.org/10.1109/MWC.2019.1800443

Zhang, J., et al. (2022). Federated learning for 6G-enabled IoT: Key technologies and applications. IEEE Network, 36(3), 178–185.

Zhang, J., Dai, H. N., Tsang, K. F., & Li, L. (2019). Machine learning algorithms for 5G and beyond 5G wireless networks. IEEE Wireless Communications, 26(3), 92–97.

Zhang, J., Xiao, M., & Wu, K. (2020). Artificial intelligence-enabled beam management for 6G wireless networks. IEEE Network, 34(6), 187–193. https://doi.org/10.1109/MNET.011.2000221

Zhang, P., Chen, S., Zheng, X., & Li, P. (2025). UAV communication in SAGIN: Technologies and applications. Drones, 9(2), 45–66.

Zhang, Q., Liu, H., & Chen, X. (2022). LSTM-Based Beam Prediction and Tracking for Millimeter-Wave Communications. IEEE Transactions on Vehicular Technology, 71(10), 10565–10577.

Zhang, S., Liu, Q., Li, Z., Zeng, M., & Niu, Y. (2023). Intelligent Channel Estimation for Terahertz Communications in 6G Wireless Networks. Computer Communications, 213, 1–12. https://doi.org/10.1016/j.comcom.2023.02.026

Zhang, S., Wang, P., & Chen, Y. (2022). Fast beam training for mmWave massive MIMO systems using deep learning. IEEE Wireless Communications Letters, 11(3), 524–528. https://doi.org/10.1109/LWC.2021.3136159

Zhang, X., Zhang, H., & Eldar, Y. C. (2023). Near-field sparse channel representation and estimation in 6G wireless communications. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/10273424/

Zhang, Z., Xiao, Y., Ma, Z., Xiao, M., Ding, Z., Lei, X., … & Li, H. (2020). 6G wireless networks: Vision, requirements, architecture, and key technologies. IEEE Vehicular Technology Magazine, 15(3), 28–41.

Zhao, H., Liu, K., Liu, M., & Garg, S. (2023). Intelligent beamforming for UAV-assisted IIoT based on hypergraph inspired explainable deep learning. IEEE. https://ieeexplore.ieee.org/abstract/document/10292534

Zheng, B., You, C., Mei, W., & Zhang, R. (2022). A survey on channel estimation and practical passive beamforming design for intelligent reflecting surface aided wireless communications. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/9722893/

Zheng, T., Zhu, J., Yu, Q., & Yan, Y. (2025). Coded beam training. IEEE Access.

Zhu, H., Xu, X., & Li, X. (2022). A survey on intelligent beam management in 6G wireless networks. IEEE Network, 36(4), 45–51.

Zorzi, M., Castor, D., Polese, M., Roy, A., & Giordani, M. (2020). Toward 6G networks: Use cases and technologies. IEEE Communications Magazine, 58(3), 55–61.