Mejoras de retroalimentación de CSI-RS basado en ML

Optimización de red impulsada por IA

Recientemente, Rohde & Schwarz y Qualcomm Technologies han demostrado una ejecución innovadora pionera en la industria de la IA/ML «cross-node». Se trata de dos modelos de desarrollo por separado que colaboran para mejorar el rendimiento del enlace descendente en más del 50% en un complejo escenario 5G MIMO complejo.

Elementos clave

La retroalimentación de la información sobre el estado de canal (CSI) es de suma importancia para el funcionamiento de los sistemas de antenas de MIMO masivo, debido a que permite una formación de haz precisa para transmisión de alto rendimiento. Se supone que la IA/ML aumenta la eficiencia del sistema, reduce los gastos generales y mejora la UX tanto en las redes 5G-Advanced, como eventualmente en las redes 6G.

Sin embargo, numerosos factores hacen que la mejora de la retroalimentación de la CSI por medio de la ML sea todo un desafío. En primer lugar, se requieren de dos modelos para que funcione, uno opera en el lado de la red y el otro en el dispositivo del usuario. Esto significa que diferentes fabricantes desarrollan cada modelo y los dos modelos deben trabajar de la mano. Sin embargo, la interoperabilidad entre operadores es crítica para obtener todas las ventajas. La retroalimentación de la CSI basada en MIL merece atención especial ya que actualmente es el único escenario piloto de IA «cross-node» o «two-sided» considerado por 3GPP.

La colaboración de los modelos

El trabajo de los dos modelos IA/ML puede compararse a los procesos de codificación y decodificación utilizados en el broadcast de alta definición: una imagen completa se comprime en paquetes más pequeños de datos para su transmisión y posteriormente se vuelve a ensamblar, mediante la utilización de codificadores y decodificadores apropiados a cada lado de la transmisión.

En este caso, Rohde & Schwarz diseñó un decodificador alimentado por ML para su probador «todo en uno» de señalización 5G R&S®CMX500, esto emulaba el lado de la red. Qualcomm Technologies, por otro lado, ha creado un codificador alimentado por ML para dispositivos. Ambas compañías utilizan diferentes métodos de entrenamiento para sus métodos. Los modelos se entrenaron para ser compatibles por medio de la utilización de referencia predefinidos como la base para su entrenamiento.

Tras el entrenamiento de los modelos, se aplicaron juntos en un escenario 5G-Advanced con 8×4 MIMO con el CMX500, el cual transfirió el escenario al equipo de prueba de Qualcomm. El modelo de smartphone realizó los cálculos, comprimió los resultados y los envió al CMX500. El modelo de sitio de red luego utilizó estos datos para afinar la formación de haz en el enlace descendente.