Andreas Roessler

Technologie en action

"La véritable percée a été l'incorporation de l'émetteur au sein du processus d'entraînement"

Andreas Roessler évoque le projet de recherche avec NVIDIA concernant les communications mobiles avec le récepteur neuronal.

Revenir à la vue d'ensemble du magazine

mars 27, 2025

Andreas, le récepteur neuronal était le premier présenté lors du Mobile World Congress 2023. Qu'en a dit l'industrie ?

Du point de vue des communications sans fil et de la nouvelle génération de communications mobiles, l'IA et le ML n'étaient pas aussi proéminents lors du MWC 2023 qu'ils ne l'ont été en 2024 ou 2025. Rohde & Schwarz et NVIDIA ont réellement ouvert la voie dans ce domaine. Ce qui était unique dans notre démonstration c'est qu'elle provenait de deux partenaires indépendants. Nous avons intégré des solutions provenant des deux entreprises et les avons testées ensemble. Ce qui n'avait jamais été réalisé auparavant, il n'est donc pas surprenant qu'il ait attiré beaucoup d'attention – à la fois par pure curiosité et par intérêt professionnel.

Les discussions avec nos clients impliqués dans le développement de puces et modems, la fabrication d'infrastructures et la production de téléphones portables ont également été importantes. Nous avons couvert des sujets tels que la sélection de scénario, les défis associés, l'environnement technique et les détails, ainsi que les informations obtenues.

Comment le projet a-t-il évolué depuis ?

Le projet a continué de se développer depuis le MWC 2023. La véritable percée a été l'incorporation de l'émetteur au sein du processus d'entraînement. Nous partons du principe que la première version de la norme 6G utilisera initialement un traitement du signal basé sur l'IA au sein de l'infrastructure réseau, par exemple des stations de base. Une plus grande complexité et puissance de calcul signifient également une consommation d'énergie accrue. Ce défi est encore le sujet d'intenses recherches dans le but d'améliorer l'efficacité.

Comment l'émetteur entre-t-il en jeu ?

L'émetteur a également quelque chose de précieux à offrir lorsqu'il s'agit de constellations dites personnalisées ou non-uniformes. Cela implique l'entraînement d'un modèle IA afin d'apprendre la meilleure constellation possible pour une méthode de modulation choisie, en prenant le canal en compte. Nous avons développé le modèle de récepteur neuronal et ajouté l'option 5G actuelle à notre équipement de test et mesure, le générateur de signaux vectoriels R&S®SMW200A et l'analyseur de spectre et signaux FSW . Basées sur le modèle IA entraîné, chaque point de la constellation peut dorénavant être redéfini au niveau I/Q en termes d'amplitude et de phase.

Fig. 1 : Configuration de test pour le récepteur neuronal

Le stand Rohde & Schwarz lors du Mobile World Congress 2024 présentait une configuration de test pour le récepteur neuronal avec le générateur de signaux et un récepteur (à gauche).

L'avantage de cette approche est que les signaux pilotes ne sont plus nécessaires dans le signal émis, ce qui libère des ressources pour la transmission des données. Cela rend la transmission entière plus efficace. Nos analyses montrent des gains d'efficacité jusqu'à 7 % tandis que d'autres études suggèrent une efficacité spectrale augmentée jusqu'à 14 %. Cependant, cela dépend grandement de la configuration choisie et de la fréquence des signaux pilotes.

Comment entraînez-vous l'IA ?

Nous l'entraînons hors ligne en utilisant le logiciel Sionna de NVIDIA. Les récepteurs neuronaux ont tendance à trop s'adapter s'ils sont entraînés pour un modèle spécifique. Ce qui n'est généralement pas volontaire, c'est pourquoi notre récepteur a été entraîné sur le modèle de canal 3GPP UMi pour différents décalages et déplacements Doppler. Cela garantit qu'il généralise bien et couvre autant de scénarios que possible.

Le récepteur neuronal est basé sur la norme actuelle 5G New Radio afin de rendre les résultats comparables. Le récepteur a été entraîné sur une modulation 16QAM. Puisque la constellation QAM a été embarquée dans les pondérables formés de l'architecture réseau neuronale, un recyclage est nécessaire si la modulation doit être changée pour QPSK, 64QAM, ou même 256QAM. En d'autres termes, différentes modulations nécessitent différents modèles IA.

La 5G est basée sur l'OFDM, qui est un schéma de modulation multi-porteuses. Le modèle est entraîné sur une sous-porteuse espacée de 30 kHz, qui est utilisée par tous les réseaux 5G commerciaux dans le mode TDD. Tout comme le recyclage est nécessaire lorsque la modulation est modifiée, une commutation sur une sous-porteuse 60 kHz nécessite également un recyclage.

Les courbes du taux d'erreur de bloc dans la Fig. 1 dans le premier volet font parties d'une de nos vidéos sur le récepteur neuronal (Fig. 2 dans le volet défilant). Que montre la Fig. 1, et que cela nous évoque-t-il à propos de la performance du récepteur neuronal ?

Évaluation de la performance d'un récepteur neuronal
Image-slider Fig. 1 : comparaison d'un récepteur neuronal avec différents récepteurs classiques.
#ThinkSix - Validating a Machine-Learning Based Neural Receiver with 5G NR Multiple MIMO Signals
Image-slider Fig. 2 : vidéo de 10 minutes sur le récepteur neuronal. Les courbes de taux d'erreur de bloc sont illustrées à 4 minutes 10.

Afin d'évaluer la performance, le taux d'erreur de bloc a été tracé en fonction du rapport signal / bruit (SNR) et comparé avec quatre implémentations de récepteur différentes.

La courbe noire représente la performance dans un scénario idéal, où toutes les caractéristiques du canal sont connues. Cela représente la limite théorique qui peut être obtenue. Rien d'autre n'est possible. La courbe verte est le récepteur neuronal, tandis que les courbes orange et bleue montrent deux implémentations classiques.

La première, la courbe bleue, utilise la méthode des carrés moindres pour l'estimation du canal et un détecteur MIMO multi-utilisateurs linéaire MMSE pour annuler les interférences. Par rapport aux autres scénarios, la complexité de calcul de cette implémentation est relativement faible et est une bonne illustration de ce qu'est une implémentation de base pratique aujourd'hui.

La seconde implémentation classique, illustrée par la courbe orange, est basée sur l'estimation maximale la plus vraisemblable. Elle est plus compliquée et donc nécessite plus de calculs. Bien que le récepteur neuronal ne surpasse pas cette approche, il en est proche mais avec une puissance de calcul considérablement réduite. Les quatre courbes sont basées sur des simulations avec les mêmes données d'entrée.

Le graphique présente également des mesures actuelles en plus des lignes simulées.

C'est là où l'équipement de mesure Rohde & Schwarz entre en jeu. Nous utilisons le générateur de signaux et la configuration d'analyseur mentionnées précédemment afin de générer des signaux conformes 3GPP 5G NR. Ces données sont alors envoyées dans l'architecture du récepteur neuronal. Dans cet exemple, nous travaillons dans la zone SNR, commençant à –1dB. Nous augmentons le SNR de 1 dB pour chaque étape. Cela est stocké dans le logiciel qui contrôle la configuration de test.

Dans la démo, deux utilisateurs reçoivent des canaux différents. Dans cet exemple, l'utilisateur un rencontre le modèle TDL-B avec un étalement de retard de propagation de 100 ns et une fréquence Doppler de 400 Hz. Pour le second, c'est le TDL-C avec un étalement de retard de propagation de 300 ns et une fréquence Doppler de 100 Hz. Les courbes illustrées sont le débit inter-sectionnel obtenue pour l'ensemble du rapport signal / bruit (SNR). Dans la mesure avec la configuration de test, seule la courbe verte (simulée) est remesurée.

Autres stories

Intelligence artificielle

R&S Stories

Intelligence artificielle – bloc de construction pour notre cosmos de l'innovation

Assurer un monde plus sûr et connecté avec la puissance de l'esprit et de la machine

Lire l'article complet
Recherche : L'IA dans les communications mobiles

Technologie en action

Recherche : L'IA dans les communications mobiles

Un récepteur neuronal promet une transmission de données encore plus stable pour la radio mobile. Ensembles, NVIDIA et Rohde & Schwarz développent une configuration de test.

Lire l'article complet
Une couverture universelle

Noyau de connaissance

Une couverture universelle

Les réseaux non-terrestres peuvent étendre le réseau mobile aux endroits qui précédemment semblaient inatteignables. C'est une autre étape vers un monde interconnecté.

Lire l'article complet