Giovanni Geraci, profesor del Departamento de Ingeniería de la Universidad Pompeu Fabra (UPF), es coautor de un artículo sobre cómo mejorar las comunicaciones inalámbricas a partir de métodos de aprendizaje automático creados con IA, premiado durante el NeurIPS-AI4NextG, celebrado en San Diego (EE.UU.) entre el 30 de noviembre y el 7 de diciembre. Este workshop, enmarcado en el congreso NeurIPS'25, está dedicado a la IA y al aprendizaje automático para las comunicaciones y las redes inalámbricas de nueva generación.

Geraci, que también colabora con Nokia Standards, ha elaborado este artículo junto a dos investigadores de la University of California Irvine: Berkay Guler y el profesor Hamid Jafarkhani.

En el marco del “NeurIPS'25 Workshop en AI y ML para Next-Generation Wireless Communications and Networking” (NeurIPS-AI4NextG), el artículo científico ha recibido el premio "Best Paper Runner-up Award", patrocinado por Qualcomm. Sus autores exponen un nuevo modelo de aprendizaje automático con IA para optimizar las comunicaciones inalámbricas, con vistas al desarrollo de las redes móviles de sexta generación (6G).

Un modelo para adaptar la IA a las futuras redes 6G

Hoy en día, estos modelos están concebidos para que las máquinas aprendan una tarea concreta, que, en el caso de las comunicaciones inalámbricas, podría ser encontrar el procedimiento más efectivo para enviar información hacia un determinado usuario a través de señales electromagnéticas (beamforming). Frente al paradigma actual, los investigadores presentan un modelo de aprendizaje automático capaz de desarrollar diversas funciones a la vez. Es decir, permite pasar de un modelo monofuncional a un modelo multifuncional, también denominado modelo universal o fundacional, puesto que contiene los fundamentos para aprender cualquier tarea.

Un nuevo modelo de IA multitarea para comunicaciones inalámbricas, que supera a los modelos actuales con una única función

El modelo fundacional procesa señales inalámbricas y extrae representaciones, que puede aplicar para el desarrollo de algoritmos con diferentes funciones: formación de haces (dirigir mejor la señal), estimación del estado del canal (saber cómo “viaja” la señal), detección de obstáculos o bloqueos (identificar qué la está bloqueando), posicionamiento (calcular la ubicación), etc. Geraci, investigador del grupo de investigación Wireless & Secure Communications (WiSeCom) del Departamento de Ingeniería de la UPF, explica el modelo con la siguiente analogía: "La idea es similar a la de los modelos de lenguaje: un único modelo fundacional es capaz de resumir textos, clasificar el sentimiento (feliz/triste), extraer nombres de un texto, etc. Es decir, se pueden realizar diferentes tareas desde un solo modelo no especializado".

Un modelo más eficiente en unificar procesos de aprendizaje diferentes

Este nuevo paradigma puede suponer varias ventajas con respecto a los modelos tradicionales. Actualmente, es necesario entrenar estos modelos ad hoc para cada tarea, lo que requiere dotarse de datos específicos en cada caso y destinarle mucho tiempo y recursos. Por el contrario, un modelo universal, que unifique el aprendizaje de diversas tareas a la vez, puede mejorar la eficiencia del ciclo de vida de la herramienta, al simplificar su gestión y reducir el esfuerzo total del desarrollo y mantenimiento. También haría ganar eficiencia en cuanto a los datos necesarios para entrenar a los modelos de aprendizaje automático. Por ejemplo, si se le quisiera entrenar en una nueva tarea, habría que añadir menos datos adicionales.

Para desarrollar este nuevo paradigma en la aplicación de la IA en la comunicación inalámbrica, los investigadores han generado el nuevo modelo de entrenamiento de aprendizaje automático ContraWiMAE (Wireless Masked Contrastive Autoencoder). Geraci explica que se trata de un modelo que aprende por contraste y reconstrucción, y vuelve a recurrir al símil de los modelos de lenguaje para explicarlo: “en un modelo de lenguaje, con el aprendizaje contrastivo se entrenaría a la máquina mostrándole palabras con algún tipo de relación (pares positivos), por ejemplo manzana y naranja, y pares negativos (sin relación), como hombre-manzana. El modelo entiende la semántica conceptual y las relaciones entre palabras relacionadas y no relacionadas”. Por otra parte, "con el aprendizaje reconstructivo, se da al modelo una frase y se le oculta una palabra. El modelo debe aprender a reconstruir la palabra que falta a partir de las otras palabras que la rodean. Al hacerlo muchas veces, el modelo acaba entendiendo el lenguaje", añade.

"Aplicamos un enfoque similar, pero con señales inalámbricas, no con texto y lenguaje. Al hacerlo con una gran cantidad de datos, el modelo entiende las propiedades subyacentes de las señales y el entorno de propagación radioeléctrica. Así, el modelo puede procesar señales de una forma que ayuda a realizar diversas tareas, como el beamforming", explica el investigador.

En el Departamento de Ingeniería de la UPF, el investigador Giovanni Geraci también desarrolla esta misma línea de investigación con proyectos como “IA Generativa y Modelos Fundacionales para 6G (GenAI-6G)”, financiado por el Ministerio de Ciencia, Innovación y Universidades. Geraci se incorporó a la UPF en 2018 y, desde entonces, ya ha recibido dos Early Career Awards del Institute of Electrical and Electronics Engineers (IEEE) y cinco papers awards, tres de ellos también del IEEE: la mayor organización profesional del mundo de profesionales del ámbito tecnológico.

Artículo de referencia:

Berkay Guler, Giovanni Geraci, Hamid Jafarkhani(2025). Robust Channel Representation for Wireless: En Multi-Task Masked Contrastive Approach.