Aprendizado por Reforço Profundo para Otimização da Eficiência Espectral em Arquitetura Cell-Free com RSMA

A crescente densidade de usuários em redes 5G impõe desafios significativos para a alocação eficiente de recursos em sistemas sem fio. Nesse contexto, arquiteturas Cell-Free Massive MIMO (CF-mMIMO) combinadas com Rate-Splitting Multiple Access (RSMA) surgem como uma solução promissora para mitigar interferências e melhorar a eficiência espectral. No entanto, a alocação de potência nesses sistemas resulta em um problema não convexo e de alta dimensionalidade. Este trabalho propõe uma abordagem baseada em aprendizado por reforço profundo para otimizar a alocação de potência no downlink. Utiliza-se o algoritmo Proximal Policy Optimization (PPO), com uma função de recompensa projetada para maximizar a eficiência espectral privada, ao mesmo tempo em que garante estabilidade no treinamento e respeito às restrições de potência. Os resultados demonstram que o método proposto é capaz de aprender políticas eficientes, alcançando ganhos simultâneos em eficiência espectral e redução do consumo de potência.