Intelligenza artificiale nelle comunicazioni wireless

Oggi viviamo nell'era dell'IA debole, una categoria definita dalle seguenti cinque caratteristiche chiave:

1. Ragionamento logico, ad esempio AlphaGo
2. Percezione, ad esempio riconoscimento dei volti
3. Rappresentazione della conoscenza, ad esempio Watson for Oncology di IBM
4. Elaborazione del linguaggio, ad esempio Siri di Apple e Alexa di Amazon
5. Pianificazione e navigazione, ad es. auto a guida autonoma

L'IA forte consente alle macchine di sviluppare capacità pari o superiori all'intelligenza umana (ad esempio, i robot intelligenti). Un altro fattore rilevante è l'apprendimento automatico (ML) come sottocategoria dell'IA. Viene utilizzato, ad esempio, per costruire sistemi che imparano da insiemi di dati piuttosto che da istruzioni programmate, portando così a un processo di apprendimento basato su reti neurali artificiali multilivello. Ora, immaginate una futura rete wireless dotata di un'interfaccia radio con intelligenza artificiale nativa, che renda le radio in grado di apprendere dall'ambiente e l'una dall'altra sulla base di reti neurali addestrate.

Le reti neurali sono a loro volta una sottocategoria dell'apprendimento automatico e sono rilevanti per la comunicazione wireless, come dimostrano i tre esempi di reti neurali che seguono:

1. Rete neurale ricorrente (RNN): l'uscita della fase precedente serve come ingresso per la fase attuale (ad esempio, l'elaborazione del testo). Le RNN sono utili per la previsione delle serie temporali ("effetti memoria") e per la linearizzazione dei frontend RF analogici e dei sottosistemi d'antenna attraverso algoritmi digitali di pre e post-distorsione basati su modelli ML.

2. Rete neurale convoluzionale (CNN): reti neurali feed-forward con un massimo di 30 livelli. Una CNN elabora matrici strutturate di dati (ad esempio, è stata originariamente progettata per l'elaborazione delle immagini) e rappresenta attualmente un'opzione per realizzare un ricevitore neurale.

3. Concetto di autoencoder: un tipo speciale di rete neurale artificiale che aiuta ad apprendere una codifica efficiente dei dati in modo non supervisionato. Ha lo scopo di addestrare la rete a ignorare i dati insignificanti. Gli autoencoder, ad esempio sotto forma di trasformatori, sono attualmente in fase di studio per comprimere il feedback delle informazioni sullo stato del canale, che vengono raccolte dalle misurazioni nel downlink e rinviate nella direzione dell'uplink.

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.

Webinar: L'IA/ML rivoluzionerà il 6G?

Webinar on demand

L'IA/ML rivoluzionerà il 6G?

Scoprite di più su:

  • Stato attuale dell'elemento di studio della release 18 del 3GPP su IA/ML per l'interfaccia radio
  • Sintesi della ricerca fondamentale in corso per un'interfaccia radio con IA nativa nel futuro standard di comunicazione wireless 6G
  • Concetto di ricevitore neurale e come può superare il classico approccio di elaborazione del segnale utilizzato nelle reti 4G e 5G di oggi

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.

Verso un'interfaccia radio con IA nativa per il 6G

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.

6G e IA o ML: Le nostre soluzioni e i nostri vantaggi

In che modo le soluzioni di misura e collaudo possono fornire maggiori informazioni e aiutare a migliorare il modello DPD basato su ML?

Le soluzioni di misura e collaudo possono essere utilizzate per creare modelli di riferimento basati su un approccio classico che utilizza metodi iterativi, ad esempio il generatore di segnali vettoriali R&S®SMW200A che aiuta a caratterizzare l'hardware sottostante o l'analizzatore di spettro e segnali R&S®FSW che consente la correzione campione per campione dell'ampiezza e della fase in modo iterativo per una determinata forma d'onda, nota anche come DPD diretto. Tali procedure forniscono una buona base di partenza.

Rohde & Schwarz ha anche mostrato in precedenza un esempio di ricevitore neurale basato su IA/ML con costellazioni personalizzate al Brooklyn 6G Summit 2023. Questa configurazione utilizza un generatore di segnali vettoriali R&S®SMW200A per emulare un singolo utente che applica uno schema di trasmissione MIMO 2x4. Il generatore di segnali viene utilizzato anche per aggiungere fading e rumore alla trasmissione, emulando uno scenario reale. Il segnale viene quindi acquisito con il ricevitore satellitare multiuso R&S MSR4 utilizzando i suoi quattro canali di ricezione, digitalizzato e trasmesso a un server. Questo server ospita il framework di test basato su server R&S che include i microservizi Esploratore dei segnali vettoriali R&S®VSE. Qui viene eseguita la sincronizzazione con il segnale, insieme alla trasformata veloce di Fourier (FFT) e alla rimozione del prefisso ciclico, prima che questi dati pre-elaborati vengano elaborati da un ricevitore neurale progettato da NVIDIA, utilizzando NVIDIA Sionna™, una libreria open-source per la ricerca 6G.

Volete discutere i vostri casi di test IA/ML specifici con i nostri esperti?

Soluzioni di test 6G per applicazioni IA e ML

Domande frequenti su intelligenza artificiale e apprendimento automatico 6G

Iscrivetevi

Iscrivetevi alla nostra newsletter

Rimanete al passo con le più recenti tendenze in materia di test delle comunicazioni wireless

Richiedi informazioni

Hai qualche domanda o ti servono altre informazioni? Compila il modulo e ti ricontatteremo al più presto.

Autorizzazione al marketing

La tua richiesta è stata ricevuta. Ti ricontatteremo a breve.
An error is occurred, please try it again later.