IA y ML para redes 6G

Inteligencia artificial y aprendizaje automático 6G

Aunque la inteligencia artificial es una de las diez principales áreas de investigación 6G, no es aún un área de investigación independiente. Sin embargo, forma parte de todas las demás áreas, como MIMO masivo sin células, comunicación full-dúplexy superficies reflectantes inteligentes. El rendimiento de cada uno de los ejemplos puede mejorarse por medio de sistemas entrenados y en función de los datos en las redes 6G, lo que incrementa al mismo tiempo la eficiencia energética y por lo tanto también la sostenibilidad. La utilización de modelos de aprendizaje entrenadospara tareas de procesamiento de señales como estimación de canal, ecualizacióny desmapeooptimizará aún más la interfaz aérea en comparación de las redes 4G LTE y 5G NR actuales.

Rohde & Schwarz apoya estas actividades de investigación en toda Europa, Asia y los Estados Unidos de América y trabaja y participa en proyectos como el proyecto faro Acceso 6G, red de redes, automatización y simplificación (6G-ANNA). Este proyecto apunta a desarrollar un diseño para la tecnología 6G que incluya una arquitectura de extremo a extremo y simplifique la interacción entre los seres humanos, la tecnología y el entornopor medio de la utilización de sensores y algoritmos a fin de detectar movimientos humanos.

Su desafío de la IA para redes 6G

Establecer una interfaz aérea nativa de IA para las redes 6G significa que se sustituyan bloques en la cadena de procesamiento de señales en la capa física con modelos de aprendizaje automático entrenados. El primer paso en este proceso es sustituir bloques de procesamiento individuales, pero en última instancia, combinar las tareas que lógicamente van de la mano en un modelo de aprendizaje automático entrenado. Dichas tareas son estimación, ecualización del canaly desmapeo. Estas tareas se combinan y se sustituyen con un único modelo de aprendizaje automático entrenado, que se conoce como receptor neuronal.

Sin embargo, el procesamiento de señales para la interfaz aérea 6G es solo una de las áreas donde la utilización del aprendizaje automático puede proporcionar una ventaja. Otra área es la linealización de amplificadores de potencia o de toda la sección de entrada de RF que se utilizan tanto en los dispositivos móviles como en las estaciones base actuales. La inteligencia artificial o el aprendizaje automáticopueden aplicarse a la tecnología 6G tanto para la interfaz aéreacomo para la sección de entrada de RFdurante diversas fases diferentes:

Fase 1: Inicialmente, el aprendizaje automático puede sustituir los modelos deterministas de linealización actuales basados en algoritmos de software para amplificadores de potencia con el aprendizaje automático. En 2020 ya comenzó la investigación en este campo y está siendo impulsada principalmente por universidades. Sin embargo, los principales actores de la industria ya han llevado a cabo estudios sobre este tema. Este proceso también se ha definido para aplicarse a toda la sección de entrada de RF (= todo el sistema de antenas y el transceptor).

La accesibilidad a los datos es un claro desafío cuando se trata de la inteligencia artificial para la tecnología 6G. Esto se debe a que para entrenar una red neuronal es necesario acceder a un conjunto de datos. Un fabricante es quién suele diseñar la sección de entrada de RF. Esto significa que todos los datos que son necesarios para entrenar las redes neuronales están en manos de un úrico fabricante, lo que hace más fácil realizar esta fase.

Fase 2: Esta fase se centra en los aspectos del receptor, se aplica el concepto de un receptor neuronal, por medio de la sustitución de bloques de procesamiento de señales, como la estimación y ecualización de canal, además del desmapeo por modelos de aprendizaje automático.

Fase 3: Aquí es donde entra la optimización de extremo a extremo (E2E). Se utiliza el aprendizaje automático para optimizar de manera conjunta el transmisor, el receptor y el procesamiento de banda base. El objetivo final durante esta fase es adaptar la transmisión a la aplicación subyacente (llamada de voz, navegación web, XR, etc.) y el escenario de despliegue del impacto del canal de transmisión con los diseños de aprendizaje automático que forman parte de la propia PHY/MAC de 6G. Un primer paso hacia el aprendizaje E2E es la sustitución del mapeador de modulación con una constelación personalizada y aprendida que se adapte a la perfección a las imperfecciones del transmisor, receptor, así como al impacto del canal inalámbrico. Las modulaciones personalizadas permiten una transmisión sin piloto, y por consiguiente mejoran aún más el rendimiento de todo el sistema en general.

Tales implementaciones de capa física altamente adaptables requieren de una amplia verificaciónantes de que se las despliegue en campo. Esta verificación necesita que los modelos funcionen de manera confiable, incluso bajo condiciones extrañas que puedan observarse en campo. Sin embargo, los modelos de IA/ML entrenadosson solo tan buenos como los datos de entrenamiento con los que han sido entrenados. Aquí es donde la gestión del ciclo de vida del modelo de IA/ML(por ejemplo, entrenamiento modelo, selección, intercambio, activación y monitoreo) entra a tallar, debido que se espera una colaboración frecuente entre los dispositivos del usuario y la estación base/red. Tanto las pruebas como la medición deben verificar fácilmente la interoperabilidadentre los componentes proporcionados por diferentes fabricantes.