Улучшение обратной связи о состоянии канала с помощью алгоритмов машинного обучения

Оптимизация сетей с помощью искусственного интеллекта

Недавно компании Rohde & Schwarz и Qualcomm Technologies продемонстрировали уникальный инновационный проект межузлового применения искусственного интеллекта и машинного обучения. В рамках проекта были представлены две независимо разработанные модели, которые работают совместно и повышают пропускную способность нисходящего канала более чем на 50 % в сложном сценарии 5G MIMO.

Ключевые элементы

Обратная связь о состоянии канала (CSI) жизненно важна для работы систем с многоэлементными MIMO-антеннами, так как она позволяет реализовать точное формирование диаграммы направленности для высокоэффективной передачи. Искусственный интеллект и машинное обучение способствуют повышению эффективности системы, сокращению избытка передачи и улучшению потребительских характеристик в сетях 5G-Advanced, а в перспективе — в 6G.

Однако некоторые факторы существенно усложняют процедуру улучшения обратной связи о состоянии канала с помощью алгоритмов машинного обучения. Во-первых, для работы требуются две модели: одна модель должна работать на стороне сети, а вторая — на стороне пользовательского устройства. Это означает, что каждую модель разрабатывает отдельный поставщик, и при этом модели должны тесно взаимодействовать. Таким образом, функциональная совместимость моделей различных поставщиков имеет решающее значение для полного раскрытия потенциала. Обратная связь о состоянии канала на основе машинного обучения заслуживает особого внимания, т. к. в настоящее время это единственный пилотный «двухсторонний» сценарий межузлового применения искусственного интеллекта, который рассматривается в консорциуме 3GPP.

Взаимодействие моделей

Работу двух моделей на основе искусственного интеллекта и машинного обучения можно сравнить с процессами кодирования и декодирования в широковещании с высокой четкостью: сложное изображение преобразуется кодировщиком в маленькие пакеты данных, которые передаются и затем с помощью декодера повторно собираются в изображение на принимающей стороне.

В данном случае компания Rohde & Schwarz разработала декодер на основе машинного обучения для своего универсального сигнального тестера CMX500 5G, который моделирует сторону сети. Для противоположной стороны компания Qualcomm Technologies разработала аппаратный кодировщик на основе машинного обучения. Обе компании использовали различные методы для обучения своих моделей. В целях обеспечения совместимости моделей было проведено их обучение с помощью заданных эталонных моделей.

После завершения обучения обе модели совместно использовались в сценарии 5G-Advanced с 8×4 MIMO, при этом тестер CMX500 передавал сценарий на испытуемое устройство Qualcomm. Модель смартфона выполняла расчеты, сжимала результаты и отправляла их обратно на тестер CMX500. После этого с помощью полученных данных модель со стороны сети точно настраивала формирование диаграммы направленности в нисходящем канале.