En una cocina con hornillas de gas, cada una calienta a su manera. Si el cocinero cambia las ollas de lugar, la comida puede quemarse. Lo mismo ocurre en una red inalámbrica: las antenas-hornillas y los usuarios-ollas requieren una colocación precisa. Las redes neuronales comunes no distinguen posiciones, considerando todas las hornillas iguales. Por eso les cuesta estimar la calidad de la conexión o configurar la transmisión.
Los ingenieros agregaron «atención posicional»: la red aprende a reconocer dónde está cada antena, como un chef que conoce las peculiaridades de su estufa. Las señales viajan a velocidad de la luz, y la red encuentra el mejor orden en nanosegundos. A diferencia de las típicas redes neuronales gráficas, el nuevo modelo no considera las antenas intercambiables. Su influencia mutua depende de la distancia. Una capa «brújula» convierte los datos del canal en una imagen comprensible, destacando a los vecinos. Es similar al análisis espectral: casi espectroscopía de ondas de radio.
La versatilidad de la red sorprende: entrenada con un par de antenas, maneja una docena sin reentrenamiento, superando los esquemas clásicos. El secreto está en considerar la entropía (incertidumbre) del canal y aplicar el modelo estándar de aprendizaje en grafos. Las simulaciones confirman: menor error, aprendizaje más rápido.
Con una ubicación incorrecta de las antenas, la potencia de la señal cae cientos de veces, como si intentaras hervir agua en una hornilla fría.