Aprimoramentos no feedback de CSI-RS baseados em ML

Otimização de redes baseadas em IA

Recentemente, a Rohde & Schwarz e a Qualcomm Technologies demonstraram uma execução inovadora de IA/ML entre redes («cross-node») pioneira na indústria. Isso envolveu dois modelos desenvolvidos separadamente, colaborando para aumentar a taxa de transferência de downlink em mais de 50% em um cenário complexo de MIMO 5G.

Os principais elementos

O feedback das informações sobre o estado de canal (CSI) é vital para o funcionamento dos sistemas de antenas MIMO massivas, pois permite o beamforming preciso para uma transmissão de alto desempenho. A AI/ML deve aumentar a eficiência do sistema, reduzir as despesas gerais e melhorar a experiência do usuário tanto nas redes 5G-Advanced quanto, eventualmente, nas redes 6G.

No entanto, vários fatores tornam o aprimoramento do feedback de CSI por meio do ML particularmente desafiador. Primeiro, são necessários dois modelos para que funcione: um operando no lado da rede e outro no lado do dispositivo de usuário. Isso significa que cada modelo é desenvolvido por um fornecedor diferente, e os dois modelos devem funcionar em conjunto. Portanto, a interoperabilidade entre fornecedores é fundamental para obter todos os benefícios. O feedback de CSI baseado em ML merece uma atenção especial, pois atualmente é o único cenário piloto de IA entre nós («cross-node») ou «bilateral» considerado pelo 3GPP.

A colaboração dos modelos

O trabalho dos dois modelos de IA/ML pode ser comparado aos processos de decodificação e codificação usados no broadcasting de alta definição: uma imagem complexa é compactada em um pacote de dados menor para transmissão e, em seguida, remontada, usando os decodificadores e codificadores apropriados em cada lado da transmissão.

Nesse caso, a Rohde & Schwarz desenvolveu um decodificador impulsionado por ML para o seu testador de sinalização 5G em um único instrumento CMX500 (isso emulou o lado da rede). A Qualcomm Technologies, por outro lado, criou um codificador impulsionado por ML baseado no dispositivo. Ambas as empresas utilizaram diferentes métodos de treinamento para seus modelos. Os modelos foram treinados para serem compatíveis usando modelos de referência predefinidos como base para o seu treinamento.

Após o treinamento dos modelos, eles foram aplicados juntos em um cenário de 5G-Advanced com MIMO 8×4 usando o CMX500, que transferiu o cenário para o dispositivo de teste da Qualcomm. O modelo de smartphone realizou os cálculos, compactou os resultados e os enviou de volta para o CMX500. O modelo do lado da rede utilizou esses dados para ajustar o beamforming no downlink.