L’Intelligenza Topologica nelle Reti: Oltre i limiti dell’Ottimizzazione Convenzionale

Описание: Il futuro della mobilità connessa e autonoma poggia su un pilastro invisibile ma fondamentale: la capacità delle reti 5G-Advanced e 6G di gestire comunicazioni Vehicle-to-Everything (V2X) con precisione e affidabilità In scenari urbani densi, come quello di alcune aree urbane di Roma analizzate nelle ricerche condotte dalla Fondazione Ugo Bordoni nell’ambito del programma PNRR “RESTART”, centinaia di veicoli, infrastrutture stradali (le Smart Radio Units, RSUs, o le superfici intelligenti riconfigurabili, RIS) e sensori devono scambiare dati critici per la sicurezza in frazioni di secondo. La sfida non è solo tecnologica, ma matematica. La natura estremamente dinamica di queste reti, in cui la topologia cambia ogni millisecondo a causa del movimento dei veicoli e degli ostacoli urbani, rende i metodi tradizionali di gestione delle risorse non solo inefficienti, ma quasi sempre inapplicabili. In questo contesto, l’Intelligenza Artificiale, e in particolare le Graph Neural Networks (GNN), emergono come l’unica strada percorribile per risolvere problemi di ottimizzazione complessi, nel rispetto dei vincoli di latenza ultra-bassa (URLLC), come ad esempio richiesti dalle applicazioni di guida autonoma. Il contributo della FUB si inserisce proprio in questa frontiera, unendo la fisica delle comunicazioni radio con la potenza dei modelli predittivi su grafi.
I problemi di allocazione delle risorse nelle reti V2X, come la scelta del miglior canale o del nodo relay per estendere la copertura, ovvero di usare altri veicoli connessi alla rete che facciano da ponte radio ad altri veicoli nel caso che non siano immediatamente connessi alle RSU, sono classificati matematicamente come problemi NP-hard. Risolverli con metodi deterministici convenzionali, come la programmazione lineare intera (MILP), richiederebbe tempi di calcolo che possono richiedere anche secondi o minuti. Si tratta di un’eternità per un veicolo in movimento che deve prendere decisioni in meno di una decina di millisecondi per evitare collisioni o coordinarsi agli incroci. Questo genera un vero e proprio “paradosso dell’ottimizzazione”: i solutori classici sono matematicamente perfetti ma troppo lenti per il tempo reale, mentre le euristiche veloci falliscono sistematicamente in scenari complessi caratterizzati da forti interferenze e signal shadowing.
L’AI modifica il paradigma convenzionale trasformando il problema di ottimizzazione in un problema di apprendimento probabilistico. Invece di cercare la soluzione ottimale da zero per ogni nuova configurazione, i modelli apprendono la struttura sottostante della rete. Le ricerche FUB hanno dimostrato che algoritmi addestrati offline possono operare online con una latenza di inferenza quasi costante meno di 5 millisecondi (3 in architetture più evolute come la GINE che vedremo più avanti), garantendo prestazioni vicine all’ottimo teorico ma con una velocità di esecuzione migliaia di volte superiore ai solutori classici.