Andreas Rößler

Tecnologia em ação

«O verdadeiro avanço foi incorporar o transmissor ao processo de treinamento»

Andreas Roessler fala sobre o projeto de pesquisa das comunicações móveis com receptor neural em parceria com a NVIDIA.

Voltar à visão geral da revista

mar. 27, 2025

Andreas, o receptor neural foi demonstrado pela primeira vez no Mobile World Congress 2023. O que a indústria achou dele?

Do ponto de vista das comunicações sem fio e da próxima geração de comunicações móveis, a IA e o ML não foram tão proeminentes no MWC 2023 como foram em 2024 ou 2025. A Rohde & Schwarz e a NVIDIA realmente abriram novos caminhos nessa área. O que foi único na nossa demonstração é que ela veio de dois parceiros independentes. Nós integramos soluções de ambas as empresas e as testamos em conjunto. Isso nunca havia sido feito antes, portanto, não é de se surpreender que tenha atraído muita atenção — tanto por pura curiosidade quanto por interesse profissional.

As discussões com os nossos clientes envolvidos no desenvolvimento de chipsets e modems, na fabricação de infraestruturas e na produção de celulares também foram importantes. Abordamos tópicos como a seleção de cenários, os desafios resultantes, detalhes e histórico técnicos e os insights obtidos.

Como o projeto evoluiu desde então?

O projeto continuou a se desenvolver desde o MWC 2023. O verdadeiro avanço foi a incorporação do transmissor ao processo de treinamento. Estamos trabalhando com a suposição de que a primeira versão do padrão 6G usará inicialmente o processamento de sinais baseado em IA na infraestrutura de rede, ou seja, nas estações rádio-base. Uma maior complexidade e capacidade computacional também significam maior consumo de energia. Esse desafio ainda é objeto de intensa pesquisa na tentativa de melhorar a eficiência.

Como o transmissor entra em cena?

O transmissor também tem algo valioso a oferecer quando se trata das chamadas constelações não uniformes ou personalizadas. Isso envolve o treinamento de um modelo de IA capaz de aprender qual é a melhor constelação possível para um método de modulação escolhido, levando em conta o canal. Nós ampliamos o modelo de receptor neural e adicionamos a opção 5G atual ao nosso equipamento de teste e medição, o gerador de sinais vetoriais R&S®SMW200A e o analisador de espectro e sinal FSW . Com base no modelo de IA treinado, cada ponto de constelação pode agora ser redefinido no nível de QI em termos de amplitude e fase.

Fig. 1: configuração de teste para o receptor neural

O estande da Rohde & Schwarz no Mobile World Congress 2024 apresentou uma configuração de teste para o receptor neural com o gerador de sinais e o receptor (à esquerda).

A vantagem dessa abordagem é que os sinais piloto não são mais necessários no sinal do transmissor, o que libera recursos para a transmissão de dados. Isso torna toda a transmissão mais eficiente. Nossas análises mostram ganhos de eficiência de até 7%, enquanto outros estudos sugerem um aumento da eficiência espectral de até 14%. No entanto, isso depende muito da configuração escolhida e da frequência dos sinais piloto.

Como vocês treinam a IA?

Nós o treinamos de forma off-line usando o software Sionna da NVIDIA. Os receptores neurais tendem a se ajustar excessivamente (overfit) se forem treinados para um modelo de canal específico. Isso geralmente não é desejável, e é por isso que o nosso receptor foi treinado no modelo de canal 3GPP UMi para diferentes espalhamentos e efeitos Doppler. Isso garante que ele seja bem generalizado e contemple o maior número possível de cenários.

O receptor neural é baseado no atual padrão 5G New Radio para tornar os resultados comparáveis. O receptor foi treinado na modulação 16QAM. Como a constelação QAM está incorporada nos pesos treinados da arquitetura da rede neural, será necessário um novo treinamento se a modulação precisar ser alterada para QPSK, 64QAM ou mesmo 256QAM. Em outras palavras, modulações diferentes requerem modelos de IA diferentes.

O 5G é baseado em multiplexação por divisão de frequências ortogonais (OFDM), que é um esquema de modulação de múltiplas portadoras. O modelo é treinado em um espaçamento de subportadora de 30 kHz, que é usado por todas as redes 5G comerciais no modo de duplexação por divisão de tempo (TDD). Assim como o novo treinamento é necessário quando a modulação é alterada, a mudança para uma subportadora de 60 kHz também exige retreinamento.

As curvas de taxa de erro de bloco da fig. 1 na apresentação abaixo fazem parte de um dos nossos vídeos sobre o receptor neural (fig. 2 da sequência). O que a fig. 1 mostra, e o que isso nos diz sobre o desempenho do receptor neural?

Avaliação de desempenho de um receptor neural
Fig. 1 da apresentação: comparação de um receptor neural com diferentes receptores clássicos.
#ThinkSix - Validating a Machine-Learning Based Neural Receiver with 5G NR Multiple MIMO Signals
Fig. 2 da apresentação: vídeo de 10 minutos sobre o receptor neural. As curvas de taxa de erro de bloco são mostradas no minuto 4:10.

Para avaliar o desempenho, a taxa de erro de bloco foi apresentada em comparação com a relação sinal-ruído (SNR) e comparada em quatro implementações diferentes de receptores.

A curva preta representa o desempenho em um cenário ideal, em que todas as características do canal são conhecidas. Isso representa o limite teórico que pode ser alcançado. Nada além disso é possível. A curva verde é o receptor neural, enquanto as curvas laranja e azul mostram duas implementações convencionais.

A primeira delas, a curva azul, usa o método dos mínimos quadrados para estimativa de canal e um detector MIMO multiusuário MMSE linear para cancelar a interferência. Em comparação com os outros cenários, a complexidade computacional dessa implementação é relativamente baixa e é uma boa ilustração de como é uma implementação prática, porém básica.

A segunda implementação convencional, mostrada pela curva laranja, é baseada na estimativa de probabilidade máxima. É mais complicado e, portanto, requer mais processamento computacional. Embora o receptor neural não supere essa abordagem, ele chega muito perto, mas com uma capacidade computacional consideravelmente menor. Todas as quatro curvas são baseadas em simulações com os mesmos dados de entrada.

O gráfico também apresenta medições reais, além das linhas simuladas.

É nesse ponto que os equipamentos de medição da Rohde & Schwarz entram em ação. Usamos o gerador de sinais e a configuração do analisador mencionados acima para gerar sinais em conformidade com os padrões de 5G NR do 3GPP. Esses dados são então inseridos na arquitetura do receptor neural. Neste exemplo, estamos trabalhando na área de relação sinal-ruído (SNR), começando em -1dB. Aumentamos a SNR em 1 dB para cada etapa. Isso é armazenado no software que controla a configuração do teste.

Na demonstração, dois usuários recebem canais diferentes. Neste exemplo, o primeiro usuário encontra o modelo TDL-B com uma propagação de atraso de 100 ns e um efeito Doppler de 400 Hz. Para o segundo usuário, é o TDL-C com uma propagação de atraso de 300 ns e um efeito Doppler de 100 Hz. As curvas mostradas são a taxa de transferência de seção transversal obtida para a relação sinal-ruído (SNR) definida. Na medição com a configuração de teste, somente a curva verde (simulada) é medida novamente.

Mais artigos

Inteligência artificial (IA)

Artigos da Rohde & Schwarz

Inteligência artificial: elemento básico do nosso universo de inovação

Garantindo um mundo mais seguro e conectado com o poder das mentes e das máquinas

Leia o artigo inteiro
Pesquisa: IA em comunicações móveis

Tecnologia em ação

Pesquisa: IA em comunicações móveis

Um receptor neural promete uma transmissão de dados ainda mais estável para as comunicações móveis. Juntas, a NVIDIA e a Rohde & Schwarz estão desenvolvendo uma configuração de teste.

Leia o artigo inteiro
Cobertura onipresente

Conhecimentos valiosos em versão expressa

Cobertura onipresente

As redes não terrestres podem estender a rede móvel a lugares que antes pareciam inalcançáveis. Este é mais um passo rumo a um mundo interconectado.

Leia o artigo inteiro