Andreas Roessler nos explica el proyecto de investigación sobre receptores neuronales para comunicaciones inalámbricas con NVIDIA.

La ventaja de este enfoque es que ya no se necesitan señales piloto en la señal en transmisión, lo que libera recursos para la transmisión de datos. Esto hace que toda la transmisión sea más eficiente. Nuestros análisis muestran ganancias de eficiencia de hasta 7 % mientras que otros estudios sugieren un incremento de la eficiencia espectral de hasta 14 %. Sin embargo, esto depende en gran medida de la configuración elegida, así como de la frecuencia de las señales piloto.

¿Cómo se entrena la IA?

La entrenamos sin conexión con el software Sionna de NVIDIA. Los receptores neuronales tienden a sobreadaptarse si se entrenan para un modelo de canal específico. Por lo general eso es lo que no se desea, por esa razón nuestro receptor ha sido entrenado en el modelo de canal UMi de 3GPP para diferentes desplazamientos y dispersiones Doppler. Esto asegura una buena generalización y que se abarque el mayor número posible de escenarios.

El receptor neuronal se basa en el actual estándar 5G NR a fin de que los resultados puedan compararse. El receptor se entrenó en modulación 16QAM. Dado que la constelación QAM está embebida en los pesos entrenados de la arquitectura de la red neuronal, se requiere volver a entrenarla en caso de que la modulación necesite cambiarse a QPSK, 64QAM, o incluso 256QAM. En otras palabras, diferentes modulaciones requieren de diferentes modelos de IA.

La tecnología 5G está basada en multiplexación por división de frecuencias ortogonales (OFDM), la cual es un esquema modulado por varias portadoras. El modelo se entrena en un espaciado de subportadora de 30 kHz, el cual es utilizado por todas las redes comerciales 5G en modo TDD. Así como es necesario volverla a entrenar cuando la modulación se cambia, también se requiere volver a entrenarla al cambiar a una subportadora de 60 kHz.

Las curvas de la tasa de error de bloques en la fig. 1 en el deslizador de imágenes son parte de uno de nuestros videos sobre el receptor neuronal (fig. 2 en el deslizador). ¿Qué muestra la fig. 1, y qué nos dice sobre el rendimiento del receptor neuronal?

A fin de evaluar el rendimiento, la tasa de error de bloques se trazó en función de la relación señal-ruido (SNR) y se comparó con cuatro implementaciones diferentes de receptor.

La curva negra representa el rendimiento en un escenario ideal, donde se conocen todas características de canal. Esta representa el límite teórico que puede alcanzarse. Nada más allá de esto es posible. La curva verde es el receptor neuronal, mientras que la naranja y la azul muestran dos implementaciones convencionales.

La primera de ellas, la curva azul, utiliza el método de mínimos cuadrados para la estimación de canal, así como un detector lineal MMSE para MIMO multiusuario para cancelar las interferencias. En comparación con los demás escenarios, la complejidad computacional es relativamente baja y es un buen ejemplo gráfico de cómo es una implementación práctica pero básica.

La segunda implementación convencional, que la curva naranja nos muestra, se basa en la estimación de máxima verosimilitud. Es más complicada y por lo tanto requiere de más cálculos. Aunque el receptor neuronal no supera este enfoque, se acerca mucho, pero con una potencia de cálculo considerablemente menor. Las cuatro curvas se basan en simulaciones con los mismos datos de entrada.

El gráfico también contiene mediciones reales además de las líneas simuladas.

Aquí es donde el equipamiento de T&M de Rohde & Schwarz entra en juego. Utilizamos un generador de señales, así como la configuración del analizador que se mencionó anteriormente para generar señales conformes con 5G NR de 3GPP. A continuación, estos datos se alimentan en la arquitectura de un receptor neuronal. En este ejemplo, estamos trabajando en el área de relación señal-ruido (SNR), a partir de -1dB. Incrementamos la SNR en 1 dB para cada paso. Esta se almacena en el software que controla la configuración de prueba.

En esta demostración, dos usuarios reciben diferentes canales. En este ejemplo, un usuario tiene el modelo TDL-B con una dispersión de retardo de 100 ns y una frecuencia Doppler de 400 Hz. Para el usuario dos, un TDL-C con una dispersión de retardo de 300 ns y una frecuencia Doppler de 100 Hz. Las curvas que se muestran son el rendimiento transversal alcanzado para la relación señal-ruido (SNR) configurada. En la medición con la configuración de prueba, solo se vuelve a medir la curva verde (simulada).