A tecnologia 6G será a sucessora da tecnologia 5G. Com a tecnologia 5G, a Modulação por Divisão de Frequência Ortogonal (OFDM) foi adotada e tornou-se um dos principais candidatos para os futuros sistemas de comunicação. Nesse sentido, a principal tarefa é resolver os problemas encontrados na tecnologia 5G, e um dos objetivos desta dissertação é focar na solução desses obstáculos e adaptá-los à tecnologia 6G, usando redes neuronais e Deep Learning para inferir a estimação de canal. Para inferir a estimação de canal, foi adotado um modelo Matlab de uma rede neuronal convolucional (CNN), que utiliza símbolos piloto OFDM, de forma a garantir uma transmissão de dados precisa e robusta. A partir desses símbolos é gerado o sinal OFDM, que será transmitido através de um canal TDL, onde depois através de interpolação linear será efetuada a estimação de canal. O OFDM é uma técnica de modulação que tem sido amplamente usada em sistemas de comunicações sem fio, que o tornam desse modo muito atraente para os sistemas de comunicações futuros. Várias são as caraterísticas do OFDM que podem contribuir para a evolução das comunicações tais como: uma largura de banda eficiente, uma vez que este modelo permite uma eficiente utilização de largura de banda espetral, através da divisão do canal em subcanais ortogonais, o que proporciona a transmissão simultânea de múltiplos canais; a simplicidade na implementação, sendo uma técnica relativamente simples de implementar; a capacidade de suportar altas taxas de transmissões de dados, e por fim a fácil adaptação a canais móveis e dinâmicos, devido à capacidade de dividir o canal, o que facilita a adaptação às mudanças nas condições do canal. Dessa maneira, o OFDM é um forte candidato para o futuro dos sistemas de comunicação, e será utilizado nesta dissertação para ser feita a estimação de canal, como referido anteriormente. Através do uso da rede neuronal do exemplo dado pelo Matlab, foram explorados diferentes tipos de camadas, como as camadas Depthwise, para tentar reduzir a complexidade e verificar se a rede mantém o desempenho em termos de Erro Quadrático Médio (MSE) em função da Relação Sinal-Ruído (SNR). Essas novas redes neuronais criadas irão ser comparadas com um estimador prático e com a rede pré-definida pelo exemplo do Matlab que foi usado, considerando também a complexidade de cada rede. No final, será possível verificar que as redes com camadas Depthwise acabam por ter um desempenho muito semelhante ao da rede pré-definida, mesmo sendo menos complexas.

6G technology will be the successor to 5G technology. With 5G technology, Orthogonal Frequency Division Modulation (OFDM) was adopted and became one of the main candidates for future communication systems. In this sense, the main task is to solve the problems encountered in 5G technology, and one of the aims of this thesis is to focus on solving these obstacles and adapting them to 6G technology, using neural networks and deep learning to infer channel estimation. For channel estimation, a Matlab model of a convolutional neural network (CNN) was adopted, which uses OFDM pilot symbols to ensure accurate and robust data transmission. These symbols are used to generate the OFDM signal that is transmitted over a TDL channel, where channel estimation is then performed using linear interpolation. OFDM is a modulation technique that has been widely used in wireless communication systems, making it very attractive for future communication systems. There are several characteristics that can contribute to the evolution of communications, such as: bandwidth efficiency, since this model allows efficient use of spectral bandwidth by dividing the channel into orthogonal subchannels, which allows simultaneous transmission of multiple channels; ease of implementation, since it is a relatively simple technique to implement; the ability to support high data rates and easy adaptation to mobile and dynamic channels, since the ability to divide the channel makes it easier to adapt to changes in channel conditions. In this way, OFDM is a strong candidate for the future of communication systems and will be used in this dissertation for channel estimation as mentioned above. By using the neural network in the example given by Matlab, different types of layers were explored, such as Depthwise layers, to try and reduce complexity and to check that the network maintained its performance in terms of Mean Square Error (MSE) as a function of Signal to Noise Ratio (SNR). These newly created neural networks will be compared with a practical estimator and with the network predefined by the Matlab example used, also considering the complexity of each network. In the end, it will be possible to see that the networks with Depthwise layers ends up performing very similarly to the predefined network, even though they are less complex.