IA y aprendizaje automático para redes 6G

Inteligencia artificial y aprendizaje automático en 6G

Si bien la inteligencia artificial es una de las diez principales áreas de investigación de 6G, no se trata de un campo de estudio aislado. También está vinculada con todas las demás áreas, como el MIMO masivo fuera de la celda, la comunicación full-duplex y las superficies reflectantes inteligentes. El rendimiento de cualquiera de estos ejemplos es susceptible de mejorar mediante la aplicación de sistemas basados en datos y entrenados en las redes 6G, lo que se traduce en un incremento de la eficiencia energética y con ello también de la sostenibilidad. El uso de modelos entrenados de aprendizaje automático para tareas de procesamiento de señales como estimación de canal, corrección y demapping permitirá optimizar la interfaz aérea en comparación con las redes 4G LTE y 5G NR actuales.

Rohde & Schwarz apoya actividades de investigación en Europa, Asia y EE. UU., y participa como socio estratégico en diversos proyectos, como el proyecto insignia 6G-Access, Network of Networks, Automation & Simplification (6G-ANNA). Este proyecto está dedicado al desarrollo de un diseño para 6G que incluya una arquitectura de extremo a extremo y simplifique la interacción entre el ser humano, la tecnología y el entorno utilizando nuevos sensores y algoritmos para detectar movimientos humanos.

Desafíos de la IA en las redes 6G

La implementación de una interfaz aérea con IA nativa para las redes 6G significa reemplazar bloques de la cadena de procesamiento de señales en la capa física por modelos entrenados de aprendizaje automático. El primer paso en este proceso consiste en sustituir bloques individuales de procesamiento, pero en último término se combinarían tareas relacionadas lógicamente en un modelo entrenado de aprendizaje automático. Estas tareas incluyen estimación de canal, corrección y demapping, que se combinan y sustituyen por un único modelo de ML entrenado, denominado receptor neuronal.

En todo caso, el procesamiento de señales para la interfaz aérea 6G es solo una de las muchas áreas donde el uso del aprendizaje automático puede aportar ventajas. Otra de ellas es la linealización de amplificadores de potencia o el front-end de RF completo que se utiliza en los actuales dispositivos móviles y estaciones base. La IA o el ML se pueden aplicar en 6G para la interfaz aérea y el front-end de RF en diferentes fases:

Fase 1: en primer lugar, el aprendizaje automático puede sustituir los actuales modelos de linealización determinística basados en algoritmos de software en amplificadores de potencia. La investigación en este campo se puso en marcha ya en 2020 y se desarrolla principalmente en universidades. También algunas de las principales compañías del sector han realizado estudios sobre este tema. Este proceso contempla también el front-end de RF completo (= sistema de antena y transceptor).

La accesibilidad a los datos constituye un importante desafío a la hora de implementar la inteligencia artificial en 6G ya que, para entrenar una red neuronal, es imprescindible el acceso a los conjuntos de datos. Normalmente, el diseño del front-end de RF suele ser de un fabricante. Esto significa que todos los datos necesarios para entrenar las redes neuronales están en manos de un único proveedor, lo que hace más fácil la consecución de esta fase.

Fase 2: esta fase se centra en los aspectos del receptor, siguiendo el concepto de un receptor neuronal, en el que se sustituyen los bloques de procesamiento de señales, tales como estimación de canal, corrección y demapping, por un modelo de aprendizaje automático entrenado.

Fase 3: a partir de aquí comienza la optimización de extremo a extremo (E2E). Mediante el aprendizaje automático se optimiza de forma conjunta el procesamiento del transmisor, el receptor y la banda base. El objetivo definitivo en esta fase es adaptar la transmisión a la aplicación subyacente (llamada de voz, navegación por la web, XR, etc.), la situación de despliegue y el impacto del canal de transmisión con los diseños de ML como parte de una PHY/MAC 6G propia. El primer paso de cara al aprendizaje E2E es sustituir el mapeador de modulación por una constelación personalizada y formada mediante aprendizaje que se adapte perfectamente a las imperfecciones del transmisor, del receptor y el impacto del canal radioeléctrico. Las modulaciones personalizadas permiten una transmisión sin símbolos piloto, lo que redunda en una mejora del rendimiento del sistema completo.

Las implementaciones de la capa física con un nivel de adaptabilidad semejante exigen una verificación exhaustiva antes del despliegue sobre el terreno. Para esta verificación se necesitan modelos que funcionen con fiabilidad, incluso bajo las circunstancias inusuales que puedan darse en la aplicación real. Ahora bien, los modelos de IA/ ML entrenados son solo tan buenos como los datos de entrenamiento con los que han sido entrenados. Aquí entre en juego la gestión del ciclo de vida de modelos de IA/ML (p. ej. para el entrenamiento, selección, intercambio, activación y monitorización de modelos), dada la interacción frecuente entre los dispositivos de usuario y la estación base/red. Los equipos de test y medida deben verificar la interoperabilidad impecable entre los componentes de diferentes fabricantes.