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.