Améliorations du retour d'informations CSI-RS basé sur le ML

Optimisation de réseau géré par IA

Récemment, Rohde & Schwarz et Qualcomm Technologies ont présenté une première exécution industrielle révolutionnaire d'un “noeud croisé” IA/ML. Cela a impliqué deux modèles développés séparément en collaboration pour améliorer le débit de liaison descendante de plus de 50% au sein d'un scénario MIMO 5G complexe.

Les éléments clés

Le retour d'informations CSI (Channel state information) est vital pour le fonctionnement des systèmes d'antennes MIMO massive, car il permet une formation de faisceaux précise pour une transmission haute performance. IA/ML est supposé améliorer l'efficacité système, réduire "l'overhead", et améliorer l'expérience utilisateur à la fois dans des réseaux 5G-Advanced et éventuellement 6.

Cependant, plusieurs facteurs rendent l'amélioration du retour d'informations CSI particulièrement difficile à travers le ML. Tout d'abord, deux modèles sont nécessaires pour que ça fonctionne – l'un fonctionnant du côté réseau et l'autre sur l'appareil utilisateur. Cela signifie que différents vendeurs développent chaque modèle, et les deux modèles doivent travailler en étroite collaboration. Par conséquent, une interopérabilité croisée des vendeurs est essentielle pour l'obtention de bénéfices complets. Le retour d'informations CSI basé sur ML mérite une attention particulière car il est actuellement le seul scénario piloté par IA à noeud croisé ou “deux côtés” considéré par la 3GPP.

La collaboration des modèles

La travail des deux modèles IA/ML peut être comparé aux processus d'encodage et décodage utilisés dans la radiodiffusion haute définition : une image complexe est compressée au sein d'un paquet de données plus petit pour la transmission et ensuite ré-assemblé, en utilisant les encodeurs et décodeurs appropriés de chaque côté de la transmission.

Dans ce cas, Rohde & Schwarz a conçu un décodeur géré par ML pour son testeur de signalisation 5G tout en un CMX500 – celui-ci émule le côté réseau. Qualcomm Technologies, de son côté, a créé un encodeur géré par ML reposant sur l'appareil. Les deux entreprises ont utilisé des méthodes différentes d'entraînement de leurs modèles. Les modèles ont été entraînés pour être compatibles en utilisant des modèles de référence prédéfinis comme la base de leur entraînement.

Après l'entraînement des modèles, ils ont été appliqués ensemble dans un scénario 5G-Advanced avec 8×4 MIMO en utilisant le CMX500, qui a transféré le scénario vers le dispositif de test Qualcomm. Le modèle smartphone a effectué les calculs, compressé les résultats, puis les a renvoyé vers le CMX500. Le modèle du côté réseau a alors utilisé ces données pour régler finement la formation de faisceau dans la liaison descendante.