Andreas Rößler

Tecnologia in azione

"La vera svolta è stata incorporare il trasmettitore nel processo di addestramento"

Andreas Roessler parla del progetto di ricerca sulle comunicazioni mobili con ricevitore neurale in collaborazione con NVIDIA.

Torna al sommario della rivista

mar 27, 2025

Andreas, il ricevitore neurale è stato presentato per la prima volta al Mobile World Congress 2023. Qual è stato il suo impatto sul mercato?

Dal punto di vista delle comunicazioni wireless e della prossima generazione di sistemi di comunicazioni mobili, l'intelligenza artificiale e il ML non erano così importanti al MWC 2023 come nel 2024 o nel 2025. Rohde & Schwarz e NVIDIA hanno davvero aperto nuove strade in questo settore. L'aspetto unico della nostra dimostrazione è che proveniva da due partner indipendenti. Abbiamo integrato le soluzioni delle due aziende e le abbiamo verificate insieme. Non era mai stato fatto prima, quindi non sorprende che abbia suscitato molta attenzione, sia per pura curiosità che per interesse professionale.

Importanti sono state anche le discussioni con i nostri clienti impegnati nello sviluppo di chipset e modem, nella produzione di infrastrutture e di telefoni cellulari. Abbiamo trattato argomenti come la selezione dello scenario, le sfide che ne derivano, il background tecnico e i dettagli e le informazioni approfondite ottenute.

Come si è evoluto il progetto da allora?

Il progetto ha continuato a svilupparsi dal MWC 2023. La vera svolta è stata l'integrazione del trasmettitore nel processo di addestramento. Partiamo dal presupposto che la prima versione dello standard 6G utilizzerà inizialmente l'elaborazione del segnale basata sull'intelligenza artificiale nell'infrastruttura di rete, ovvero nelle stazioni base. Maggiore complessità e potenza di calcolo significano anche un maggiore consumo energetico. Questa sfida è ancora oggetto di intense ricerche nel tentativo di migliorare l'efficienza.

Come entra in gioco il trasmettitore?

Il trasmettitore ha anche qualcosa di prezioso da offrire quando si tratta delle cosiddette costellazioni personalizzate o non uniformi. Si tratta di addestrare un modello di intelligenza artificiale per capire quale sia la migliore costellazione possibile per un metodo di modulazione scelto, tenendo conto delle condizioni del canale. Abbiamo ampliato il modello di ricevitore neurale e aggiunto l'attuale opzione 5G alla nostra strumentazione di misura e collaudo, il generatore di segnali vettoriali R&S®SMW200A e l'analizzatore di spettro e segnali FSW . Sulla base del modello IA addestrato, ogni punto della costellazione può essere ridefinito a livello di segnali IQ in termini di ampiezza e fase.

Fig. 1: Configurazione di test per il ricevitore neurale

Nello stand di Rohde & Schwarz alle fiera Mobile World Congress 2024 è stato dimostrato un sistema di prova per il ricevitore neurale con il generatore di segnali e il ricevitore (a sinistra).

Il vantaggio di questo approccio è che i segnali pilota non sono più necessari nel segnale del trasmettitore, liberando così risorse per la trasmissione dei dati. In questo modo l'intera trasmissione diventa più efficiente. Le nostre analisi mostrano guadagni di efficienza fino al 7%, mentre altri studi suggeriscono un aumento dell'efficienza spettrale fino al 14%. Tuttavia, ciò dipende fortemente dalla configurazione scelta e dalla frequenza dei segnali pilota.

Come si addestra l'IA?

La addestriamo offline utilizzando il software Sionna di NVIDIA. I ricevitori neurali tendono ad adattarsi eccessivamente se sono addestrati per un modello di canale specifico. Per questo motivo il nostro ricevitore è stato addestrato sul modello di canale UMi del 3GPP per diversi scostamenti e spread Doppler. Questo approccio garantisce una buona generalizzazione e la copertura del maggior numero possibile di scenari.

Il ricevitore neurale è basato sull'attuale standard 5G New Radio per rendere i risultati comparabili. Il ricevitore è stato addestrato sulla modulazione 16QAM. Poiché la costellazione QAM è incorporata nei pesi addestrati dell'architettura della rete neurale, è necessario un nuovo addestramento se la modulazione deve essere cambiata in QPSK, 64QAM o addirittura 256QAM. In altre parole, modulazioni diverse richiedono modelli di IA diversi.

Il 5G è basato sulla modulazione OFDM, uno schema di modulazione multiportante. Il modello è addestrato su una spaziatura tra le sottoportanti di 30 kHz, utilizzata da tutte le reti commerciali 5G in modalità TDD. Così come un nuovo addestramento è necessario quando si cambia la modulazione, anche il passaggio a una sottoportante da 60 kHz richiede un nuovo addestramento.

Le curve del tasso di errore dei blocchi in fig. 1 nel cursore delle immagini sono parte di uno dei nostri video sul ricevitore neurale (fig. 2 nel cursore). Che cosa mostra la fig. 1 e cosa ci dice sulle prestazioni del ricevitore neurale?

Valutazione delle prestazioni di un ricevitore neurale
Cursore delle immagini fig. 1: confronto tra un ricevitore neurale e diversi ricevitori classici.
#ThinkSix - Validating a Machine-Learning Based Neural Receiver with 5G NR Multiple MIMO Signals
Cursore delle immagini fig. 2: Video di 10 minuti sul ricevitore neurale. Le curve del tasso di errore dei blocchi sono riportate al minuto 4:10.

Per valutare le prestazioni, il tasso di errore dei blocchi è stato rapportato al rapporto segnale/rumore (SNR) e confrontato con quattro diverse implementazioni del ricevitore.

La curva nera rappresenta le prestazioni in uno scenario ideale, in cui tutte le caratteristiche del canale sono note. Questo rappresenta il limite teorico che può essere raggiunto. Non è possibile andare oltre. La curva verde rappresenta il ricevitore neurale, mentre quelle arancioni e blu mostrano due implementazioni convenzionali.

La prima di queste, la curva blu, utilizza il metodo dei minimi quadrati per la stima del canale e un rilevatore MMSE lineare multi-utente MIMO per annullare le interferenze. Rispetto agli altri scenari, la complessità computazionale di questa implementazione è relativamente bassa e rappresenta una buona illustrazione di come si presenta un'implementazione pratica ma basilare.

La seconda implementazione convenzionale, mostrata dalla curva arancione, si basa sulla stima della massima verosimiglianza. È più complicata e quindi richiede più calcoli. Sebbene il ricevitore neurale non superi le prestazioni di questo approccio, vi si avvicina molto, ma con una potenza di calcolo notevolmente inferiore. Tutte e quattro le curve si basano su simulazioni con gli stessi dati di input.

Oltre alle linee simulate, il grafico riporta anche le misure reali.

È qui che entrano in gioco gli strumenti di misura Rohde & Schwarz. Utilizziamo il generatore di segnali e l'analizzatore di cui sopra per generare segnali conformi allo standard 3GPP 5G NR. Questi dati vengono poi inseriti nell'architettura del ricevitore neurale. In questo esempio, lavoriamo nell'area del rapporto segnale/rumore (SNR), partendo da -1 dB. Aumentiamo l'SNR di 1 dB per ogni passo. Questo viene memorizzato nel software che controlla il sistema di test.

Nella demo, due utenti ricevono canali diversi. In questo esempio, l'utente uno incontra il modello TDL-B con uno spread di ritardo di 100 ns e una frequenza Doppler di 400 Hz. Per l'utente due, si tratta del modello TDL-C con uno spread di ritardo di 300 ns e una frequenza Doppler di 100 Hz. Le curve indicate rappresentano la velocità di trasmissione trasversale ottenuto per il rapporto segnale/rumore (SNR) impostato. Nella misura con il sistema di prova, viene rimisurata solo la curva verde (simulata).

Altre storie

Intelligenza artificiale

R&S Stories

L'intelligenza artificiale: un mattone per il nostro universo di innovazione

Assicurare un mondo più sicuro e connesso grazie alla potenza della mente e delle macchine

Leggi l'articolo completo
Ricerca: L'intelligenza artificiale nelle comunicazioni mobili

Tecnologia in azione

Ricerca: L'intelligenza artificiale nelle comunicazioni mobili

Un ricevitore neurale promette una trasmissione dati ancora più stabile nelle radiocomunicazioni mobili. Insieme, NVIDIA e Rohde & Schwarz stanno sviluppando un sistema di test.

Leggi l'articolo completo
Copertura universale

Perle di conoscenza

Copertura universale

Le reti non terrestri possono estendere la rete mobile a luoghi che prima sembravano irraggiungibili. Questo è un altro passo verso un mondo interconnesso.

Leggi l'articolo completo