Mejorar la respuesta de CSI-RS mediante aprendizaje automático

Optimización de redes asistida por IA

Recientemente, Rohde & Schwarz y Qualcomm Technologies demostraron una revolucionaria primicia en el sector con una implementación de IA/ML «internodal». Esta consistía en dos modelos desarrollados por separado que colaboran para mejorar el caudal del enlace descendente en hasta un 50 % en un escenario MIMO 5G complejo.

Elementos clave

La respuesta de información de estado del canal (CSI) es esencial para el funcionamiento de sistemas de antenas con MIMO masivo, ya que permite la formación de haces precisa para lograr una transmisión de alto rendimiento. Con IA/ML se espera aumentar la eficiencia del sistema, reducir el overhead y mejorar la experiencia de usuario tanto en las redes 5G-Advanced como posteriormente en las 6G.

Sin embargo, varios factores dificultan considerablemente la mejora de la respuesta CSI mediante ML. En primer lugar, se necesitan dos modelos para que funcione: uno que se ejecuta en el lado de la red y el otro en el equipo del usuario. Esto significa que cada modelo ha sido desarrollado por un proveedor distinto, y los dos modelos deben interactuar de forma impecable. Por lo tanto, la interoperabilidad entre proveedores es esencial para poder aprovechar todas las ventajas. La respuesta CSI asistida por ML atrae especial atención, ya que es actualmente el único escenario piloto de IA internodal o «bilateral» que contempla 3GPP.

Colaboración de los modelos

El funcionamiento de los dos modelos de IA/ML puede compararse con los procesos de codificación y decodificación utilizados en la radiodifusión de alta definición: una imagen compleja se comprime en un paquete de datos más pequeño para la transmisión y después se vuelve a reensamblar utilizando los codificadores y decodificadores adecuados en cada lado de la transmisión.

En este caso, Rohde & Schwarz diseñó un decodificador asistido por ML para su comprobador de señalización «todo en uno» para 5G CMX500 . Este emulaba el lado de la red. Qualcomm Technologies, por su parte, creó un codificador basado en un dispositivo asistido por ML. Las dos empresas emplearon diferentes métodos para entrenar sus modelos. Los modelos se entrenaron para que fueran compatibles utilizando modelos de referencia predefinidos como base para el entrenamiento.

Tras entrenar los modelos, se aplicaron conjuntamente en un escenario 5G-Advanced con MIMO 8×4 utilizando el CMX500, que se encargó de transferir el escenario al dispositivo de test de Qualcomm. El modelo del smartphone llevó a cabo los cálculos, comprimió los resultados y los envió de vuelta al CMX500. El modelo del lado de la red aplicó entonces estos datos para la adaptación precisa de la formación de haz en el enlace descendente.