IA e ML per reti 6G

Intelligenza artificiale e apprendimento automatico 6G

Anche se l'intelligenza artificiale è una delle dieci principali aree di ricerca 6G, non è un'area di ricerca a sé stante. Tuttavia, essa si inserisce in tutte le altre aree, come cell-free massive MIMO, la comunicazione full-duplex e le superfici riflettenti intelligenti. Le prestazioni di ogni singolo esempio possono essere migliorate da sistemi addestrati e guidati dai dati nelle reti 6G, aumentando l'efficienza energetica e quindi anche la sostenibilità allo stesso tempo. L'uso di modelli di apprendimento automatico addestrati per svolgere compiti di elaborazione del segnale come la stima del canale, l'equalizzazione e il demapping ottimizzerà ulteriormente l'interfaccia radio rispetto alle attuali reti 4G LTE e 5G NR.

Rohde & Schwarz sostiene le attività di ricerca in Europa, Asia e Stati Uniti e lavora come partner in progetti come il progetto di riferimento 6G-Access, Network of Networks, Automation & Simplification (6G-ANNA) Questo progetto mira a sviluppare un design per il 6G che includa un'architettura end-to-end e semplifichi l'interazione tra gli esseri umani, la tecnologia e l'ambiente utilizzando nuovi sensori e algoritmi per rilevare i movimenti umani.

La sfida dell'intelligenza artificiale per le reti 6G

Stabilire un'interfaccia radio con IA nativa per le reti 6G significa sostituire i blocchi della catena di elaborazione del segnale sul livello fisico con modelli di apprendimento automatico addestrati. Il primo passo di questo processo consiste nel sostituire i singoli blocchi di elaborazione, ma in definitiva nel combinare compiti che logicamente appartengono a un unico modello di apprendimento automatico. Tali compiti sono stima del canale, equalizzazione del canale e demapping. Questi compiti vengono combinati e sostituiti con un unico modello di ML addestrato, noto come ricevitore neurale.

Tuttavia, l'elaborazione del segnale per le interfacce radio 6G è solo una delle aree in cui l'uso del ML può fornire un vantaggio. Un altro settore è la linearizzazione degli amplificatori di potenza o dell'intero frontend RF utilizzato nei dispositivi mobili e nelle stazioni base di oggi. L'IA o il ML possono essere applicati al 6G per l'interfaccia radio e il frontend RF durante diverse fasi:

Fase 1: Inizialmente, l'apprendimento automatico potrebbe sostituire gli attuali modelli di linearizzazione deterministici basati su algoritmi software per gli amplificatori di potenza con ML. La ricerca in questo campo è già iniziata nel 2020 ed è guidata principalmente dalle università. Tuttavia, anche i principali operatori del settore hanno condotto studi su questo tema. Questo processo è anche studiato per essere applicato all'intero frontend RF (= sistema di antenna e ricetrasmettitore).

L'accessibilità dei dati è una sfida evidente quando si parla di intelligenza artificiale per il 6G. Questo perché per addestrare una rete neurale è necessario avere accesso a set di dati. Il frontend RF è in genere progettato da un unico fornitore. Ciò significa che tutti i dati necessari per l'addestramento delle reti neurali sono nelle mani di un unico fornitore, rendendo più facile la realizzazione di questa fase.

Fase 2: Questa fase si concentra sugli aspetti del ricevitore, applicando il concetto di ricevitore neurale, sostituendo i blocchi di elaborazione del segnale come la stima del canale, l'equalizzazione del canale e il demapping con un modello ML addestrato.

Fase 3: È qui che entra in gioco l'ottimizzazione end-to-end (E2E). L'apprendimento automatico viene utilizzato per ottimizzare congiuntamente l'elaborazione di TX, RX e banda base. L'obiettivo finale di questa fase è quello di adattare la trasmissione all'applicazione sottostante (chiamata vocale, navigazione web, XR, ecc.) e allo scenario di implementazione dell'impatto del canale di trasmissione con i progetti ML che fanno parte del PHY/MAC 6G stesso. Un primo passo verso l'apprendimento E2E è la sostituzione del mappatore di modulazione con una costellazione personalizzata e appresa che si adatta perfettamente alle imperfezioni del trasmettitore, del ricevitore e all'impatto del canale wireless. Le modulazioni personalizzate consentono una trasmissione senza portanti pilota, migliorando così ulteriormente le prestazioni del sistema complessivo.

Queste implementazioni del livello fisico altamente adattativo richiedono una verifica approfondita prima del loro dispiegamento sul campo. Questa verifica richiede che i modelli funzionino in modo affidabile, anche nelle rare condizioni osservate sul campo. Tuttavia, i modelli di intelligenza artificiale e di ML addestrati sono validi solo quanto i dati con cui sono stati addestrati. È qui che entra in gioco la gestione del ciclo di vita del modello IA/ML (ad esempio, formazione, selezione, scambio, attivazione e monitoraggio dei modelli), poiché è prevista una frequente collaborazione tra i dispositivi dell'utente e la stazione base/rete. I test e le misure devono verificare l'interoperabilità senza problemi tra i componenti forniti da diversi fornitori.