IA et AM pour les réseaux 6G

Intelligence artificielle et apprentissage machine 6G

Même si l'intelligence artificielle est l'une des dix principales zones de recherche de la 6G, elle n'est pas une zone de recherche autonome. Elle intervient encore dans toutes les autres zones cependant, telles que la MIMO massive sans cellule, la communication full-duplexet les surfaces réfléchissantes intelligentes. La performance de chaque exemple unique peut être améliorée par des systèmes entraînés et pilotés par données au sein des réseaux 6G, augmentant l'efficacité énergétique et par conséquent également la durabilité en même temps. Utilisation de modèles d'apprentissage machine entraînéspour des tâches de traitement de signaux comme l'estimation du canal, l'égalisationet le démappageoptimiseront l'interface sans fil par rapport aux réseaux 4G LTE et 5G NR d'aujourd'hui.

Rohde & Schwarz prend en charge les activités de recherche en Europe, Asie et aux États-Unis, il travaille en tant que partenaire dans des projets tels que les projets phares 6G-Access, Network of Networks, Automation & Simplification (6G-ANNA). Ce projet vise à développer une conception pour la 6G qui intègre une architecture de bout en bout et simplifie l' interaction entre les humains, la technologie et l'environnementen utilisant de nouveaux capteurs et algorithmes afin de détecter des mouvements humains.

Votre défi IA pour les réseaux 6G

La mise en place d'une interface sans fil native IA pour les réseaux 6G signifie le remplacement des blocs dans la chaîne de traitement du signal sur la couche physique, avec des modèles d'apprentissage machine entraînés. La première étape dans ce processus est de remplacer des blocs de traitement individuels, mais finalement de combiner des tâches qui s'imbriquent logiquement dans un modèle d'apprentissage machine entraîné. Ces tâches sont l'estimation du canal, l'égalisation du canalet le démappage. Ces tâches sont combinées et remplacées avec un seul modèle AM entraîné connu sous le nom de récepteur neuronal.

Cependant, le traitement du signal pour les interfaces sans fil 6G est juste une zone où l'utilisation du AM peut fournir un avantage. La linéarisation des amplificateurs de puissance ou le terminal RF entier utilisé sont d'autres zones dans les appareils mobiles et les stations de base d'aujourd'hui. L'IA ou l'AMpeuvent être appliqués à la 6G pour l'interface sans filet le terminal RFau cours de plusieurs phases différentes :

Phase 1 : Au départ, l'AM pouvait remplacer des modèles déterministe de linéarisation d'aujourd'hui basés sur un algorithme logiciel pour des amplificateurs de puissance avec l'AM. La recherche a déjà débuté dans ce domaine en 2020 et est principalement menée par des universités. Cependant, les principaux intervenants industriels ont également mené des études à ce sujet. Ce processus doit également être appliqué au terminal RF en entier (= système d'antennes et émetteur / récepteur).

L'accessibilité aux données est un défi clair lorsqu'il s'agit d'intelligence artificielle pour la 6G. Cela est dû au fait que l'accès aux ensembles de données est nécessaire pour former un réseau neuronal. Le terminal RF est généralement conçu par un vendeur. Cela signifie que toutes les données nécessaires pour la formation de réseaux neuronaux sont entre les mains d'un seul vendeur – facilitant la réalisation de cette phase.

Phase 2 : Cette phase se concentre sur les aspects du récepteur, appliquant le concept d'un récepteur neuronal, en remplaçant des blocs du traitement du signal tels que l'estimation du canal, l'égalisation du cana et le démappage avec un modèle AM entraîné.

Phase 3 : C'est là qu'intervient l'optimisation de bout en bout (E2E). L'AM est utilisé pour conjointement optimiser le traitement en bande de base, TX et RX. L'objectif ultime au cours de cette phase est d'adapter la transmission à l'application sous-jacente (appel vocal, navigation web, XR, etc.) et le déploiement d'un scénario de l'impact du canal de transmission avec les conceptions AM faisant partie de la 6G PHY / MAC. Une première étape vers l'apprentissage E2E est le remplacement du mappeur de modulation par une constellation personnalisée entraînée, qui s'adapte parfaitement aux imperfections de l'émetteur / récepteur, du récepteur et à l'impact du canal sans fil. Des modulations personnalisées permettent une transmission sans pilote et donc d'autres améliorations de la performance du système global.

De telles implémentations de couches physiques hautement adaptatives nécessitent une vérification accrueavant le déploiement sur le terrain. Cette vérification nécessite des modèles fonctionnant de manière fiable – même dans des conditions rarement observées sur le terrain. Cependant, des modèles IA / AM entraînéssont seulement aussi bons que les données entraînées avec lesquelles ils ont été entraînés. C'est là où le modèle de gestion du cycle de vie IA / AM(par exemple l'entraînement de modèle, la sélection, l'échange, l'activation et la surveillance) entre en jeu, comme une collaboration fréquente entre les appareils utilisateur et la station de base / réseau prévu. Le test et mesure doit vérifier l'interopérabilitéentre les composants fournis par différents vendeurs.