Avec l'augmentation continue de la fréquence porteuse et le déploiement étendu des grands réseaux d'antennes, la formation de faisceaux basée sur des déphaseurs analogiques devient l'une des technologies emblématiques de la prochaine génération de communications sans fil. À ce moment-là, la gestion des faisceaux est utilisée pour obtenir et maintenir la paire de faisceaux optimale entre la station de base et l'utilisateur ayant la puissance de réception maximale, afin d'assurer un service de communication sans fil fiable. Les méthodes traditionnelles de gestion des faisceaux reposent souvent sur une recherche massive. Par ailleurs, les modèles mathématiques traditionnels ne peuvent pas décrire de manière exhaustive et précise les corrélations internes non linéaires des faisceaux ainsi que les caractéristiques de l'environnement sans fil à haute dimension, ce qui rend difficile d'obtenir des performances satisfaisantes de gain de faisceau. Ces dernières années, grâce à la puissante capacité d'adaptation de l'apprentissage profond, la gestion des faisceaux assistée par apprentissage profond a suscité une large attention nationale et internationale. Cet article résume les avancées de la recherche sur la gestion des faisceaux assistée par apprentissage profond et envisage les directions futures de recherche. Tout d'abord, il expose les scénarios typiques et les avantages potentiels de l'application de l'apprentissage profond à la gestion des faisceaux; ensuite, en abordant les domaines spatial/temporal/fréquentiel, il discute des principales orientations de recherche actuelles et des travaux représentatifs; enfin, en vue de réseaux sans fil plus vastes, de fonctions de gestion des faisceaux plus diversifiées et de modèles d'apprentissage profond plus robustes, il expose les défis et opportunités futures en matière de recherche.

apprentissage profond; gestion des faisceaux; domaine spatial; domaine temporel; domaine fréquentiel