Inteligência artificial e machine learning para redes 6G

Inteligência artificial e machine learning no 6G

Apesar de que a inteligência artificial seja uma das dez principais áreas de pesquisa do 6G, ela não é uma área de pesquisa independente. No entanto, ela ainda contribui para todas as outras áreas, como a de Múltiplas Entradas e Múltiplas Saídas (MIMO) massivas sem células, comunicação full-duplexe as de superfícies refletoras inteligentes. O desempenho de cada exemplo pode ser aprimorado por sistemas treinados e orientados por dados em redes 6G, aumentando a eficiência energética e, portanto, a sustentabilidade também. O uso de modelos de machine learning treinadospara tarefas de processamento de sinais, como estimativa de canal, equalizaçãoe o demappingotimizará ainda mais a interface aérea em comparação com as redes 4G LTE e 5G New Radio atuais.

A Rohde & Schwarz apoia atividades de pesquisa na Europa, Ásia e Estados Unidos, além de trabalhar como parceira em projetos como, por exemplo, o projeto piloto de Acesso ao 6G, Rede de Redes, Automação e Simplificação (6G-ANNA). Esse projeto tem como objetivo desenvolver uma estrutura para 6G que inclua uma arquitetura de ponta a ponta e simplifique a interação entre humanos, tecnologia e meio ambienteusando novos sensores e algoritmos para detectar movimentos humanos.

Seu desafio de inteligência artificial para redes 6G

Estabelecer uma interface aérea com inteligência artificial nativa para redes 6G significa substituir blocos na cadeia de processamento de sinais na camada física por modelos de machine learning treinados. A primeira etapa desse processo é substituir blocos de processamento individuais, mas, em última instância, combinar tarefas que logicamente pertencem a um só modelo de machine learning treinado. Essas tarefas são estimativa de canal, equalização de canale a demapping. Elas são combinadas e substituídas por um único modelo de machine learning treinado, conhecido como um receptor neural.

No entanto, o processamento de sinais para as interfaces aéreas 6G é apenas uma das áreas em que o uso do machine learning pode oferecer uma vantagem. Outra área é a linearização de amplificadores de potência ou de todo o front-end de radiofrequência usado nos dispositivos móveis e estações rádio-base atuais. Tanto a inteligência artificial quanto o machine learningpodem ser aplicados ao 6G para a interface aéreae o front-end de radiofrequênciadurante diversas fases:

Fase 1: Inicialmente, o machine learning pode substituir os atuais modelos determinísticos de linearização baseados em algoritmos de software para amplificadores de potência. A pesquisa já começou nessa área em 2020 e é conduzida principalmente por universidades. No entanto, os principais integrantes dessa indústria também realizaram estudos sobre esse assunto. Esse processo também está definido para ser aplicado a todo o front-end de radiofrequência (ou seja, sistema de antena e transceptor).

A acessibilidade dos dados é um desafio notório quando se trata de inteligência artificial para o 6G. Isso ocorre porque o acesso a conjuntos de dados é necessário para treinar uma rede neural. Normalmente, o front-end de radiofrequência é desenvolvido por um fabricante. Isso significa que todos os dados necessários para o treinamento de redes neurais estão nas mãos de um único fabricante, o que facilita a realização dessa fase.

Fase 2: Essa fase se concentra nos aspectos do receptor, aplicando o conceito de um receptor neural, substituindo os blocos de processamento de sinal, como estimativa de canal, equalização de canal e demapping, por um modelo de machine learning treinado.

Fase 3: É aí que entra a otimização de ponta a ponta (E2E). O machine learning é usado para otimizar conjuntamente o processamento da banda base, do transmissor e do receptor. O objetivo final durante essa fase é adaptar a transmissão ao aplicativo subjacente (chamada de voz, navegação na web, realidade estendida, etc.) e ao cenário de implantação do impacto do canal de transmissão, com os projetos de machine learning fazendo parte do próprio 6G PHY/MAC. Um passo inicial rumo à aprendizagem de ponta a ponta é a substituição do mapeador de modulação por uma constelação personalizada e adquirida que se adapta perfeitamente às imperfeições do transmissor e do receptor e ao impacto do canal sem fio. As modulações personalizadas permitem uma transmissão sem necessidade de piloto e, portanto, melhoram ainda mais o desempenho do sistema geral.

Essas implementações de camada física altamente adaptáveis exigem uma ampla verificaçãoantes da implantação real. Essa verificação requer modelos que operem de forma confiável, mesmo sob as raras condições observadas na prática. No entanto modelos de inteligência artificial e machine learningsão tão bons quanto os dados de treinamento com os quais foram treinados. É aí que entra o gerenciamento do ciclo de vida do modelo de inteligência artificial e machine learning(por exemplo, treinamento, seleção, troca, ativação e monitoramento dos modelos), já que se espera uma colaboração frequente entre os dispositivos do usuário e a estação rádio-base / rede. Os testes e medições devem verificar se há uma boa interoperabilidadeentre os componentes proporcionados por diferentes fabricantes.