Con el aumento continuo de la frecuencia portadora y el despliegue masivo de grandes matrices de antenas, la formación de haces basada en desplazadores analógicos se ha convertido en una de las tecnologías emblemáticas de la próxima generación de comunicaciones inalámbricas. En este contexto, la gestión de haces se utiliza para obtener y mantener el par óptimo de haces entre la estación base y el usuario con la máxima potencia de recepción, para asegurar un servicio de comunicaciones inalámbricas confiable. Los métodos tradicionales de gestión de haces a menudo dependen de búsquedas masivas. Además, los modelos matemáticos tradicionales no pueden describir de manera integral y precisa las relaciones internas no lineales de los haces y las características ambientales inalámbricas de alta dimensión, lo que dificulta lograr un rendimiento de ganancia de haz satisfactorio. En los últimos años, gracias a la fuerte capacidad adaptativa del aprendizaje profundo, la gestión de haces impulsada por aprendizaje profundo ha recibido una amplia atención nacional e internacional. Este artículo resume los avances en la investigación de la gestión de haces impulsada por aprendizaje profundo y presenta las direcciones futuras de investigación. Primero, se describen los escenarios típicos y las ventajas potenciales de aplicar el aprendizaje profundo a la gestión de haces; luego, desde las dimensiones espacial/temporal/frecuencial, se discuten las principales líneas de investigación actuales y trabajos representativos; finalmente, hacia redes inalámbricas a mayor escala, funciones de gestión de haces más diversas y modelos de aprendizaje profundo más robustos, se describen los retos y oportunidades futuras de investigación.

aprendizaje profundo; gestión de haces; dominio espacial; dominio temporal; dominio frecuencial