Inteligência artificial e machine learning para redes 6G

Inteligência artificial e machine learning para redes 6G

Inteligência artificial na comunicação sem fio

Atualmente, estamos vivendo em uma era de inteligência artificial deficiente, uma categoria definida pelos cinco principais recursos a seguir:

1. Raciocínio lógico, por exemplo, AlphaGo
2. Percepção, por exemplo, reconhecimento facial
3. Representação do conhecimento, por exemplo, Watson for Oncology da IBM
4. Processamento de linguagem, por exemplo, Siri da Apple e Alexa da Amazon
5. Planejamento e navegação, por exemplo, carros autônomos

Uma inteligência artificial eficiente permite que máquinas desenvolvam capacidadesque são iguais ou superam a inteligência humana (por exemplo, robôs inteligentes). Outro fator importante é o machine learning (ML)como uma subcategoria da inteligência artificial. Ele é usado, por exemplo, para criar sistemas que aprendem a partir de conjuntos de dadosem vez de instruções programadas, levando assim a um processo de aprendizado baseado em redes neurais artificiais de múltiplas camadas. Agora, imagine uma futura rede sem fio que venha com uma interface aérea com inteligência artificial nativa, tornando os rádios capazes de aprender com o ambiente e uns com os outros com base em redes neurais treinadas.

As redes neurais são, por sua vez, uma subcategoria do machine learning e são importantes na comunicação sem fio, como mostram os três exemplos de redes neurais a seguir:

1. Rede neural recorrente (RNN): a saída da etapa anterior serve como entrada para a etapa atual (por exemplo, processamento de textos). As redes neurais recorrentes são úteis para previsão de séries temporais (« efeitos de memória ») e linearização de front-ends de radiofrequência analógicos, bem como subsistemas de antena por meio de algoritmos digitais de pré e pós-distorção baseados em modelos de machine learning.

2. Rede Neural Convolucional (CNN): redes neurais feedforward com até 30 camadas. Uma rede neural convolucional processa matrizes de dados estruturadas (por exemplo, originalmente projetada para processamento de imagens) e atualmente é uma opção para realizar um receptor neural.

3. Conceito de um autoenconder: um tipo especial de rede neural artificial que ajuda a aprender a codificação eficiente de dados sem necessidade de supervisão. Seu objetivo é treinar a rede para ignorar dados insignificantes. Os autoencoders, por exemplo, na forma de transformadores, estão sendo estudados atualmente para comprimir o feedback das informações sobre o estado do canal, que são coletadas a partir de medições no downlink e enviadas de volta na direção do uplink.

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.

Rumo a uma interface aérea com inteligência artificial nativa para o 6G

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.

O 6G e a Inteligência Artificial ou Machine Learning: Nossas soluções e benefícios

Como as soluções de teste e medição podem fornecer um melhor entendimento e ajudam a aprimorar seu modelo de pré-distorção digital baseado em machine learning?

As soluções de teste e medição podem ser usadas para criar modelos de referência com base em uma abordagem clássica usando métodos iterativos, por exemplo, o gerador de sinais vetoriais R&S®SMW200Aque ajuda a caracterizar o hardware subjacente ou o analisador de espectro e sinal R&S®FSWque permite a correção de amostra por amostra da amplitude e da fase de forma iterativa para uma determinada forma de onda, também conhecida como pré-distorção digital direta. Esses procedimentos fornecem uma boa linha de base.

A Rohde & Schwarz também apresentou anteriormente uma configuração de receptor neural baseada em inteligência artificial/machine learning com constelações personalizadas no « Brooklyn 6G Summit 2023 ». Essa configuração usa um gerador de sinais vetoriais R&S®SMW200A para emular um único usuário aplicando o esquema de transmissão de múltiplas entradas e múltiplas saídas 2x4. O gerador de sinais também é usado para adicionar desvanecimento e ruído à transmissão, emulando um cenário do mundo real. O sinal é então capturado com o receptor de satélite multifuncional R&S®MSR4 usando seus quatro canais de recepção, digitalizado e transmitido para um servidor. Esse servidor hospeda a estrutura de teste baseada no servidor da Rohde & Schwarz, que inclui os microsserviços do explorador de sinais vetoriais R&S®VSE. Aqui, a sincronização com o sinal é realizada, juntamente com a Transformada Rápida de Fourier (FFT) e a remoção do prefixo cíclico, antes que esses dados pré-processados sejam processados por um receptor neural desenvolvido pela NVIDIA, usando sua estrutura SIONNA™.

Deseja analisar seus casos específicos de teste de inteligência artificial e machine learning com nossos especialistas?

Soluções de teste do 6G para aplicações de inteligência artificial e machine learning

Notícias relacionadas a inteligência artificial e machine learning para redes 6G

Conteúdo em destaque sobre inteligência artificial e machine learning

#ThinkSix Tech Talk: Exploring the role of AI in wireless communications

Learn about the transformative role of artificial intelligence (AI) and machine learning (ML) in shaping the next generation of wireless communication.

Register now

Towards 6G: AI-native interface – neural receiver

Video: Towards 6G: AI-native interface – neural receiver

Watch this video to learn about achievable performance gains when using trained AI/ML models compared to traditional signal processing.

Watch Video

Artificial Intelligence (AI)

Vídeo: « Artificial Intelligence (AI) and Machine Learning (ML) »

O machine learning tem sido muito bem-sucedido no reconhecimento de imagens e vídeos, assim como no processamento de linguagem natural. Assista a este vídeo e saiba por que os pesquisadores estão interessados em aplicar o machine learning ao processamento de sinais no 6G.

Assista vídeo

Webinar: « Will AI/ML revolutionize 6G? »?

Assista a este webinar para obter um resumo da pesquisa fundamental em andamento para uma interface aérea com inteligência artificial nativa no futuro padrão de comunicação 6G sem fio.

Registre-se agora

Towards 6G: AI/ML-based neural receiver

Vídeo: « Towards 6G - AI/ML-based neural receiver »

Assista a este vídeo para ver uma demonstração conjunta de uma abordagem de receptor neural, usando um modelo de machine learning treinado para tarefas de processamento de sinal, como estimativa de canal, equalização de canal e demapping.

Assista vídeo

The role of AI/ML in future wireless communication

Webinar: « The role of AI/ML in future wireless communication »

Assista a este webinar para obter um melhor entendimento de como a inteligência artificial e o machine learning são usados nas redes móveis 5G atuais, o status atual da pesquisa fundamental para uma interface aérea com inteligência artificial nativa no 6G e muito mais.

Register to watch

Think Six - Is it time for wireless communication to get smart(er) with AI/ML? Part 1.

Vídeo: « Is it time for wireless communication to get smart(er) with AI/ML? »? Parte 1

Este vídeo apresenta as bases teóricas e a terminologia da inteligência artificial e do machine learning, além da função potencial da inteligência artificial nos testes de rádio móvel.

Assista vídeo

#Think Six - Is it time for wireless communication to get smart(er) with AI/ML? Part 2.

Vídeo: « Is it time for wireless communication to get smart(er) with AI/ML? »? Parte 2

Este vídeo analisa a atualização 18 do 3GPP (5G-Advanced), na qual os especialistas do setor começaram a determinar se o machine learning trará um benefício significativo ao estudar inicialmente três casos de uso específicos.

Assista vídeo

#Think Six - Is it time for wireless communication to get smart(er) with AI/ML? Part 3.

Vídeo: « Is it time for wireless communication to get smart(er) with AI/ML? »? Parte 3

Como pode ser realizada uma interface aérea com inteligência artificial nativa? Este vídeo analisa as perspectivas futuras para ver se uma interface aérea para um padrão 6G pode ser implementada.

Assista vídeo

#ThinkSix - Validating a Machine-Learning Based Neural Receiver with 5G NR Multiple MIMO Signals

Vídeo: « Validating a Machine-Learning Based Neural Receiver with 5G NR Multiple MIMO Signals »

O uso do machine learning com base na inteligência artificial para tarefas de processamento de sinais em comunicações sem fio está realmente começando a passar da teoria à prática. Assista a este vídeo para ver uma demonstração da validação do desempenho de um receptor neural de autotreinamento.

Assista vídeo

Perguntas frequentes sobre a inteligência artificial e o machine learning no 6G

O que é a inteligência artificial no 6G?

Dentro da estrutura da tecnologia 6G, a inteligência artificial não desempenha apenas uma função facilitadora, mas também será fundamental para as redes futuras. É um método para a otimização de redes e os projetos de novas formas de onda que se relacionam com muitas áreas de pesquisa do 6G. Além disso, ela pode permitir a inteligência conectada, como a aprendizagem distribuída.

O que é o machine learning no 6G?

O machine learning faz com que os rádios de rede 6G sejam capazes de aprender uns com os outros e com o ambiente, permitindo que uma rede e um gerenciamento sem fio totalmente inteligentes sejam implementados.

Quais são as vantagens de uma interface aérea com inteligência artificial nativa?

A implementação de uma interface 6G com inteligência artificial resulta em melhorias de desempenho, pois os rádios podem aprender de forma dinâmica, configurando formas de onda e sinais que usam eficientemente o espectro disponível. Isso, consequentemente, também otimiza a eficiência energética. O uso de interfaces aéreas com inteligência artificial nativa também automatiza a adaptação às necessidades do serviço com esquemas de transmissão personalizados. Além disso, ele permite que as interfaces aéreas se adaptem a qualquer plataforma desejada.

O que torna uma interface com inteligência artificial nativa diferente das implementações convencionais?

Os algoritmos convencionais (por exemplo, estimativa de canal) são desenvolvidos manualmente e otimizados por engenheiros com base em modelos matemáticos bem concebidos, tais como as propriedades de propagação do canal sem fio. Entretanto, esses modelos são apenas uma aproximação da realidade. Já os modelos de inteligência artificial e machine learning aprendem a partir de dados. Eles podem aprender propriedades e algoritmos sem que um desenvolvedor os descreva ou programe explicitamente. Quando treinados com dados reais, os modelos de inteligência artificial e machine learning podem aprender com precisão as propriedades físicas e, muitas vezes, superar os algoritmos implementados manualmente que se baseiam em modelos matemáticos simplificados.

A inteligência artificial e o machine learning na interface aérea é relevante apenas para o 6G? E o 5G?

As interfaces aéreas 6G com inteligência artificial ou machine learning não serão implementadas de uma hora para outra. Em vez disso, haverá uma transição contínua do 5G para o 6G. A respeito disso, a padronização tem muito a aprender sobre como especificar uma interação harmoniosa de modelos de inteligência artificial ou machine learning nos dispositivos dos usuários e nas estações rádio-base. A atualização 18 do 3GPP 5G New Radio (primeira versão do 5G-Advanced) dá o pontapé inicial e estuda a interface aérea com inteligência artificial nativa com base em três casos de uso, que são: compressão de feedback do sinal de referência de informações sobre o estado do canal (CSI-RS), gerenciamento de feixe e posicionamento.

Inscreva-se

Inscreva-se para receber nossos boletins informativos

Fique por dentro das últimas tendências em testes de comunicações sem fio

Peça informações

Você tem alguma pergunta ou precisa de informação adicional? Simplesmente preencha este formulário e nós respondemos imediatamente.

Licença de marketing

O seu pedido foi submetido. Iremos contactá-lo em breve.
An error is occurred, please try it again later.