تتطلب الشبكات اللاسلكية المستقبلية تكيفًا سريعًا مع بيئات متغايرة للغاية وتكوينات مهام ديناميكية، مما يدفعنا للانتقال من الأساليب التقليدية المعتمدة على القواعد والطريقة التحسينية في إدارة الموارد اللاسلكية (RRM) إلى استراتيجيات مدفوعة بالذكاء الاصطناعي (AI). هذه الأساليب الذكية قادرة على تعلم العلاقات غير الخطية المعقدة والتعميم عبر ظروف الشبكة المتنوعة، مما يمكنها من اتخاذ قرارات تلقائية وقابلة للتوسع في الوقت الحقيقي.

تعتبر تقنيات الإرسال متعدد النقاط المنسقة (CoMP) حيوية لتقليل التداخل بين الخلايا وتعزيز أداء تجربة المستخدم في المناطق ذات الكثافة العالية. ومع ذلك، تظل مسألة اختيار الخلايا المتعددة بشكل مثالي تحديًا معقدًا يتطلب تحسينًا مشتركًا للعديد من تركيبات الخلايا الخدمية تحت ظروف الحركة والقنوات الديناميكية.

على الرغم من النجاح المحقق، فإن الأساليب التقليدية مثل تعزيز التعلم العميق (DRL) تعاني عادةً من ضعف كفاءة العينة وقدرة التعميم، بالإضافة إلى الحاجة إلى إعادة تدريب مكلفة عند تغيير حالات وفضاءات العمل.

للتغلب على هذه العقبات، نقدم إطار تعلم متعدد المهام يعتمد على نموذج Prompt Decision Transformer (PromptDT) الذي يمكنه التعلم عبر تكوينات الشبكة المتنوعة وإعادة صياغة عملية اختيار الخلايا المتعددة كمشكلة نمذجة تسلسلية. من خلال استغلال المسارات السابقة والمحفزات الخاصة بالمهمة، يسهل PromptDT التعلم القابل للتوسع عبر تكوينات الشبكة المتغيرة، بما في ذلك عدد محطات القاعدة وأجهزة المستخدمين، وسياسات المجدول.

وتظهر النتائج التجريبية أن PromptDT يحسن تجربة المستخدم بنسبة تصل إلى 49٪ في إعدادات متعددة المهام مقارنة بالطرق التقليدية، مع تحسن الأداء بشكل إيجابي مع زيادة قدرات النموذج. علاوة على ذلك، يتمتع PromptDT بقدرة فعالة على التعميم للمهام غير المرئية، مما يحقق تكيفًا قويًا مع تكوينات الشبكة الجديدة دون الحاجة لإعادة التدريب أو الضبط الدقيق.