隨著Wi-Fi無線網路標準的演進，提升Wi-Fi速度效能的新技術不斷產生，從傳統Wi-Fi標準(如IEEE 802.11a/b/g)只有調變方法(MCS)的技術，到現在流行的IEEE 802.11ac標準包含了三個提升速度效能的主要技術，除了MCS以外，還有頻寬(bandwidth)調整和多輸入多輸出(MIMO)的技術，MIMO使得多個數據流可以在同一個頻道上同時傳送，速度效能因而可以倍數成長，這些技術使得11ac的速度可達千兆比特每秒(Gbps)以上。而各項技術有多個選項，使用於不同的無線通道狀況，無線網卡驅動程式中的速率調適演算法即是用於，在當前通道狀況下選擇一個可以達到最高速率的技術選項組合，因通道狀況瞬息萬變，可於數十毫秒間變化，若無法即時動態變換至最好的組合，將會造成Wi-Fi網路效能低落。然而，所有技術選項組合的數目可以從將近一百個到數百個，對速率調適演算法的設計帶來挑戰，例如：對於一張普遍的IEEE 802.11ac兩根天線的網路卡，三個技術選項的不同組合數目可達80個。
    本團隊對於兩個廣泛用於商用Wi-Fi網卡的速率調適演算法進行研究，分別是Linux預設演算法Minstrel和Intel網卡所使用的Iwlwifi，確實發現大量的技術選項組合突顯它們的演算法缺乏擴展性，在動態和干擾的狀況下，無法即時找到最佳的組合，而可能無法達到最高可達速率的一半。為了解決在大量選項中，在數十毫秒間快速找到最佳的組合，本團隊根據每個Wi-Fi裝置都有經常被使用在同一種模式和環境的概念，使用深度強化學習的演算法，使得每個Wi-Fi網卡的驅動程式都可以根據習慣的模式和環境，產生出最適合的速率調適方法，如手機的Wi-Fi網卡常常在快速移動的模式中，速率調適必須很快地調整且考慮移動的影響。本團隊因而提出了一個基於深度強化學習(Deep Reinforcement Learning)的速率調適(Rate Adaptation)演算法(DRL-RA)，且利用Google Tensorflow實作出一個適合將深度學習應用於Wi-Fi效能的非同步之使用者和內核空間運作架構，此架構亦可適用於其它基於深度學習的無線網路應用。最後，使用商用的Intel網卡進行評估，DRL-RA的速率效能可勝過Minstrel和Iwlwifi分別達約242.8%和821.4%。

本團隊開發出一個將深度學習應用於Wi-Fi效能的非同步之使用者和內核空間運作架構，並且於此架構，設計出一個基於深度強化學習且具實用性的速率調適演算法，藉由自動學習在常用環境中的經驗，產生出最適合的調適方法。且將它實作於商用網卡的驅動程式，其效能超越當前兩個流行的速率調適演算法，最高可達821.4%。

本技術適合應用於網通產業，主要包含兩個項目，第一個是深度學習應用於內核模組架構，可使得廠商對於網路系統開發智能服務，應用AI技術針對不同使用者優化產品效能；第二個是基於深度強化學習且具實用性的速率調適方法，可使Wi-Fi晶片商和設備商提高產品的效能，且也可應用相同之架構設計於其它不同效能或特定功能。

附件一為相關技術的會議論文，發表於全國電信年會2020，獲得最佳論文獎。
附件二為相關機器學習應用於無線傳輸的期刊論文，已被國際期刊IEEE TVT所接受。