6Gネットワーク向けの人工知能と機械学習

6G人工知能と機械学習

人工知能は6Gの10の主要な研究領域の1つですが、単独の研究領域ではありません。人工知能は、セルフリーマッシブMIMO、全2重通信、およびインテリジェント反射サーフェスなどの他のあらゆる領域で重要な役割を担っており、6Gネットワークのデータに基づいてトレーニングされたシステムでそれぞれの領域の性能を強化し、エネルギー効率を高め、結果として持続可能性の向上につなげることができます。トレーニングされた機械学習モデルを使用して、チャネル予測、イコライゼーション、デマッピングなどの信号処理タスクを実行することで、現在の4G LTEや5G NRネットワークと比較してエアインタフェースのさらなる最適化を実現できます。

ローデ・シュワルツは、欧州、アジア、米国での研究活動をサポートしており、6G-ANNA（6G-Access, Network of Networks, Automation & Simplification）ライトハウスプロジェクトなどのプロジェクトでパートナーとして活動しています。このプロジェクトは、人の動きを検出する新しいセンサとアルゴリズムを用いて、人、テクノロジー、環境の間のインタラクションを簡素化し、エンドツーエンドのアーキテクチャーを含む6G向け設計の開発を目指しています。

6Gネットワーク向けの人工知能の課題

6Gネットワーク向けのAIネイティブなエアインタフェースを確立するということは、物理層の信号処理チェーン内のブロックをトレーニングされた機械学習モデルに置き換えることを意味します。このプロセスでは最初に、個々の処理ブロックの置き換えを行いますが、最終的には、論理的に不可分なタスクを1つのトレーニングされた機械学習モデルに結合します。こうしたタスクには、チャネル予測、チャネルイコライゼーション、デマッピングなどがあります。これらのタスクは結合され、ニューラルレシーバーと呼ばれる1つのトレーニングされた機械学習モデルに置き換えられます。

しかし、6Gエアインタフェースの信号処理は、機械学習の利用が強みを発揮する領域の1つにすぎません。この他にも、パワーアンプの線形化や今日のモバイルデバイスや基地局で使用されるRFフロントエンド全体で機械学習を利用できます。人工知能や機械学習は、以下のような異なる複数のフェーズで、エアインタフェースやRFフロントエンドで6Gに適用できます。

フェーズ1：最初に、今日のデターミニステックなソフトウェアアルゴリズムベースのパワーアンプの線形化モデルを機械学習に置き換えることができます。このフィールドでの研究は2020年にすでに始まっており、主に大学が中心になって研究が行われていますが、業界の主要な企業でも、このテーマについての研究が行われています。このプロセスは、RFフロントエンド全体（アンテナシステムとトランシーバー）に適用されます。

6G向けの人工知能では、データへのアクセスが課題です。これは、ニューラルネットワークをトレーニングするのにデータセットへのアクセスが必要になるためです。通常、RFフロントエンドは単一のベンダーによって設計されます。ニューラルネットワークのトレーニングに必要なすべてのデータが単一ベンダーのもとに揃っているため、このフェーズを実現するのは比較的容易です。

フェーズ2：このフェーズでは、レシーバーの側面に重点を置き、チャネル予測、チャネルイコライゼーション、デマッピングなどの信号処理ブロックをトレーニングされた機械学習モデルに置き換えることで、ニューラルレシーバーのコンセプトを適用します。

フェーズ3：このフェーズでは、エンドツーエンド（E2E）の最適化を行います。機械学習を使用して、TX、RX、ベースバンドの処理をまとめて最適化します。このフェーズでの最終的な目標は、基盤となるアプリケーション（ボイスコール、ウェブブラウジング、XRなど）や配備シナリオまたは6G PHY/MACの一部を機械学習仕様にしたことによる伝送チャネルの影響に合わせて伝送を適合させることです。E2Eの学習に向けた最初のステップでは、変調マッパーを、トランスミッター／レシーバーの不完全性と無線チャネルの影響に完全に適合した学習済みのカスタムコンスタレーションに置き換えます。カスタム変調を使用することで、パイロットレス伝送が可能になり、システム全体の性能をさらに向上させることができます。

このような高度にアダプティブな物理層の実装は、フィールドに配備する前に幅広い検証を行う必要があります。こうした検証を行うには、フィールドであまり見られないような状況下でも、モデルが高い信頼性で動作する必要があります。ただし、トレーニングされた人工知能／機械学習モデルの性能はトレーニングに使用したトレーニングデータにかかっています。ここで必要になるのが人工知能／機械学習モデルのライフサイクル管理（モデルトレーニング、選択、交換、アクティブ化、モニタリングなど）です。これは、ユーザーデバイスと基地局／ネットワークの間で頻繁な連携が想定されるためです。電子計測では、異なるベンダーから提供されるコンポーネント間での円滑な相互運用性を検証する必要があります。