Sur une cuisinière à gaz, chaque brûleur chauffe différemment. Si le cuisinier déplace les casseroles, les aliments peuvent brûler. Il en va de même dans un réseau sans fil : les antennes-brûleurs et les utilisateurs-casseroles exigent une disposition précise. Les réseaux de neurones classiques ne distinguent pas les positions, considérant tous les brûleurs comme identiques. Il leur est donc difficile d'évaluer la qualité de la liaison ou d'ajuster la transmission.
Les ingénieurs ont ajouté une « attention positionnelle » : le réseau apprend à reconnaître où se trouve chaque antenne, tel un chef qui connaît les particularités de sa cuisinière. Les signaux filent à la vitesse de la lumière, et le réseau trouve en quelques nanosecondes le meilleur ordre. Contrairement aux réseaux de neurones graphiques typiques, ce nouveau modèle ne considère pas les antennes comme interchangeables. Leur influence mutuelle dépend de la distance. Une couche « boussole » transforme les données du canal en une représentation claire, mettant en évidence les voisins. Cela ressemble à une analyse spectrale — presque une spectroscopie des ondes radio.
La polyvalence du réseau surprend : entraîné sur deux antennes, il gère sans réapprentissage une dizaine, surpassant les schémas classiques. Le secret réside dans la prise en compte de l'entropie (incertitude) du canal et dans l'application du modèle standard d'apprentissage sur graphes. Les simulations confirment : erreur plus faible, apprentissage plus rapide.
En cas de mauvaise disposition des antennes, la puissance du signal chute de plusieurs centaines de fois — comme si l'on essayait de faire bouillir de l'eau sur un brûleur froid.