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.

Revenir à la vue d'ensemble du magazine

mars 27, 2025

Les transmissions sans fil sont toujours sujettes aux interférences. Pour compenser, les communications mobiles d'aujourd'hui s'appuient sur une estimation du canal et une égalisation. L'émetteur envoie des signaux pilotes supplémentaires connus sur le récepteur final avec le flux de données actuel. Si des distorsions sont détectées dans les pilotes lorsqu'ils arrivent au récepteur final, un filtre de signal numérique les égalise. Des algorithmes de traitement du signal puissants calculent les bons paramètres de filtre en se basant sur le degré de distorsion dans les signaux pilotes.

Ces méthodes de suppression d'interférences tiennent compte de différentes conditions qui sont communément présentes dans les communications mobiles. Les interférences présentes dans une transmission sans fil envoyée par quelqu'un faisant du vélo à la campagne seront différentes de celles provenant d'un zone piétonne bondée ou d'un train en mouvement.

Où entre en jeu l'intelligence artificielle

Chaque connexion de données réussie vers un appareil mobile est la preuve irréfutable de la manière dont est effectué le traitement sophistiqué des signaux actuels, mais il y a encore des limites. Les méthodes d'optimisation ne sont jamais parfaites car les algorithmes de traitement des signaux sont développés sur la base de profils de canaux normalisés – des modèles hypothétiques qui ne donnent qu'une approximation des conditions de fonctionnement actuelles. L'entraînement de modèles IA avec des ensembles de données qui reflètent mieux les conditions réelles permettrait des méthodes plus efficaces pour l'égalisation du canal, et donc des connexions sans fil plus stables avec des débits de données plus élevés.

Un montage permanent dans les communications mobiles

La figure 1 montre l'approche spécifique que NVIDIA utilise avec des récepteurs neuronaux : Dans le récepteur (RX), le bloc de traitement du signal pour l'estimation du canal, l'égalisation du canal et la démodulation est remplacé par un modèle de machine entraîné qui gère les trois tâches. Le récepteur neuronal a été développé en utilisant la librairie logicielle open source Sionna de NVIDIA, qui a spécifiquement été conçue pour la recherche 5G et 6G.

Fig. 1 : Configuration d'un émetteur et d'émetteurs basés sur l'IA

Comparaison d'une configuration d'un émetteur classique et d'émetteurs basés sur l'IA.

Dans un récepteur neuronal (ci-dessous), un modèle d'apprentissage machine entraîné gère l'estimation du canal, l'égalisation et la démodulation. Dans l'architecture d'un récepteur classique d'erreur carrée moyenne minimale linéaire (LMMSE) illustrée ci-dessus, des algorithmes logiciels déterministes effectuent ces tâches.

La puissance informatique nécessaire pour entraîner efficacement un récepteur neuronal est encore très élevée et nécessite des unités de traitement graphiques (GPU). Cependant, les premières recherches indiquent que les résultats justifient la dépense. Les chercheurs sont également optimistes sur le fait que les modèles IA puissent être entraînés avec un peu moins de puissance de calcul. De nombreux experts supposent maintenant que les modèles IA deviendront un montage permanent dans le traitement des signaux des communications mobiles 6G.

La question de savoir s'il existe suffisamment de données réelles entraînées et une qualité assez élevée est encore une question ouverte. La nécessité de données actuelles provenant du terrain augmentera à mesure que le marché mûrit. Jusqu'à présent, les données de formation synthétiques provenant de simulations ou d'ensembles de données générés ont été parfaitement adaptées dans la phase actuelle de recherche.

Technologies de mesure pour évaluer la performance

Rohde & Schwarz fournit déjà les bonnes sources de signaux et les outils d'analyse des signaux nécessaires pour configurer un environnement de test pour le récepteur neuronal. Le générateur de signaux vectoriels R&S®SMW200A émule des signaux d'émissions d'utilisateurs individuels dans une configuration de signal MIMO et ajoute le bruit et l'évanouissement nécessaires afin de simuler les conditions réelles d'un canal radio. Le récepteur dans la configuration de test actuelle est le récepteur satellite universel R&S®MSR4 avec quatre canaux de réception parallèles. Il transmet les signaux à l'aide d'une interface de streaming en temps réel vers un serveur, où le logiciel R&S®Vector Signal Explorer (VSE) synchronise les signaux et effectue une transformée de Fourier rapide (FFT). Cet ensemble de données FFT est ensuite utilisé comme entrée pour le récepteur neuronal.

Afin d'évaluer la qualité, les blocs de données reconstruites sont comparés avec les données d'origine. Le calcul du rapport des blocs de données avec erreurs au nombre total de blocs de données émis donne le taux d'erreur de bloc (BLER).

Autres articles

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
Andreas Roessler

Technologie en action

"La véritable percée a été..."

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

Lire l'article complet
Rohde & Schwarz Corporate Podcast

Technology in action

Behind Innovation

The Rohde & Schwarz corporate podcast

Read full article