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.

mar. 27, 2025

As transmissões sem fio estão sempre sujeitas a interferências. Para compensar, as comunicações móveis atuais dependem da equalização e da estimativa de canais. O transmissor envia sinais piloto complementares reconhecidos pela extremidade receptora junto com o fluxo de dados real. Se alguma distorção for detectada nos pilotos ao chegarem na extremidade receptora, um filtro de sinal digital os equalizará. Algoritmos altamente eficientes de processamento de sinais calculam os parâmetros corretos do filtro com base no grau de distorção dos sinais piloto.

Esses métodos de supressão de interferência levam em conta as diferentes condições que geralmente surgem nas comunicações móveis. A interferência em uma transmissão sem fio enviada por alguém andando de bicicleta no campo será diferente de uma transmissão vinda de uma área lotada de pedestres ou de um trem em movimento.

Onde a inteligência artificial entra em cena

Cada conexão de dados bem-sucedida com um dispositivo móvel é uma comprovação de como o processamento de sinais atual já é sofisticado, mas ainda há limites. Os métodos de otimização nunca são perfeitos porque os algoritmos de processamento de sinais são desenvolvidos com base em perfis de canal padronizados (modelos estimados que fornecem apenas uma aproximação das condições operacionais reais). O treinamento de modelos de IA com conjuntos de dados que refletem melhor as condições do mundo real permitiria métodos mais eficazes de equalização de canais e, consequentemente, conexões sem fio mais estáveis com uma maior taxa de transferência de dados.

Um elemento permanente nas comunicações móveis

A Figura 1 mostra a abordagem específica que a NVIDIA está adotando com receptores neurais: no receptor (RX), o bloco de processamento de sinais para estimativa de canal, equalização de canal e desmapeamento (demapping) é substituído por um modelo de máquina treinado que lida com as três tarefas. O receptor neural foi desenvolvido usando a Sionna, a biblioteca de software de código aberto da NVIDIA, que foi desenvolvida especificamente para pesquisas sobre 5G e 6G.

Comparação da configuração clássica do transmissor e dos transmissores baseados em IA.

Em um receptor neural (abaixo), um modelo de aprendizado de máquina treinado lida com o desmapeamento, a equalização e a estimativa do canal. Na arquitetura clássica do receptor Linear de Erro Quadrático Médio Mínimo (LMMSE) mostrada acima, os algoritmos de software determinísticos realizam essas tarefas.

/

A capacidade computacional necessária para treinar efetivamente um receptor neural ainda é muito alta e requer unidades de processamento gráfico (GPUs). No entanto, as descobertas iniciais indicam que os resultados compensam a despesa. Os pesquisadores também estão otimistas quanto ao fato de os modelos de IA poderem ser treinados com um desempenho computacional bem menor. Muitos especialistas atualmente acreditam que os modelos de IA se tornarão um elemento permanente para processamento de sinais de comunicações móveis 6G.

Ainda não se sabe se há dados de treinamento suficientes do mundo real de alta qualidade. A necessidade de dados reais de campo aumentará à medida que o mercado amadurecer. Até agora, os dados de treinamento sintéticos de simulações ou conjuntos de dados gerados têm sido perfeitamente adequados na fase atual da pesquisa.

Tecnologias de medição para avaliar o desempenho

A Rohde & Schwarz já fornece as fontes de sinais corretas e as ferramentas de análise de sinais necessárias para configurar um ambiente de teste para o receptor neural. O gerador de sinais vetoriais R&S®SMW200A emula sinais de transmissão de usuários individuais na configuração de sinal MIMO e adiciona ruído e atenuação conforme necessário para simular condições realistas de canal de rádio. O receptor na configuração de teste atual é o receptor de satélites universal R&S®MSR4 com quatro canais de recepção em paralelo. Ele encaminha os sinais por meio de uma interface de streaming em tempo real para um servidor, onde o software R&S®Vector Signal Explorer (VSE) sincroniza os sinais e executa uma transformada rápida de Fourier (FFT). Esse conjunto de dados da FFT é então usado como entrada para o receptor neural.

Para avaliar a qualidade, os blocos de dados reconstruídos são comparados com os dados originais. O cálculo da proporção de blocos de dados com erros em relação ao número total de blocos de dados transmitidos gera a taxa de erro de bloco (BLER).