Искусственный интеллект и машинное обучение в 6G

Несмотря на то, что искусственный интеллект входит в число десяти основных областей исследования 6G, он не является автономной областью исследований. Он оказывает влияние на все прочие области, такие как бессотовые многоэлементные MIMO-антенны, полнодуплексная связь и интеллектуальные отражающие поверхности. В каждом из этих примеров можно в целях оптимизации использовать основанные на данных обученные системы в сетях 6G, которые повышают энергоэффективность , а следовательно, и экологическую устойчивость. Применение обученных моделей машинного обучения для задач обработки сигналов, таких как анализ канала, выравнивание и обратное преобразование, позволит дополнительно оптимизировать радиоинтерфейс по сравнению с имеющимися на сегодня сетями 4G LTE и 5G NR.

Компания Rohde & Schwarz поддерживает исследовательские инициативы в Европе, Азии и США, выступая в качестве партнера в таких проектах, как знаковый проект 6G-ANNA (6G-Access, Network of Automation and Simplification = доступ, сеть из сетей, автоматизация и упрощение). Цель этого проекта заключается в разработке концепции 6G с архитектурой сквозных соединений и упрощении взаимодействия между людьми, техникой и окружающей средой с помощью новых датчиков и алгоритмов для обнаружения человеческих движений.

Задачи искусственного интеллекта в сетях 6G

Для создания радиоинтерфейса на основе искусственного интеллекта для сетей 6G необходимо заменить блоки в цепочке обработки сигналов на физическом уровне на обученные модели машинного обучения. На первом этапе данного процесса необходимо заменить отдельные блоки обработки, но при этом объединить взаимосвязанные задачи в одну обученную модель машинного обучения. Такими задачами являются анализ канала, выравнивание канала и обратное преобразование. Эти задачи объединяются и заменяются на одну обученную модель машинного обучения, которая носит название нейронный приемник.

Однако обработка сигналов в радиоинтерфейсах 6G — это лишь одна из областей, в которых может быть выгодно применение машинного обучения. Еще одной областью является линеаризация усилителей мощности или высокочастотных входных каскадов, применяемых в современных мобильных устройствах и базовых станциях. Искусственный интеллект или машинное обучение могут использоваться в 6G в радиоинтерфейсе и высокочастотном входном каскаде на различных этапах:

Этап 1: На начальной стадии машинное обучение должно заменить собой имеющиеся на сегодня детерминированные модели линеаризации усилителей мощности на основе программного обеспечения и алгоритмов. Исследования в этой области начались еще в 2020 году и ведутся преимущественно в вузах. Однако ключевые представители отрасли также провели исследования на данную тему. Этот процесс также будет применяться на уровне всего высокочастотного входного каскада (= антенная система и приемопередатчик).

Обеспечение доступности данных становится непростой задачей, когда речь идет об искусственном интеллекте для 6G, поскольку для обучения нейронной сети требуется доступ к наборам данных. Высокочастотные входные каскады, как правило, разрабатываются одним поставщиком. Это означает, что все необходимые для обучения нейронных сетей данные находятся в руках одного поставщика, поэтому реализация данного этапа упрощается.

Этап 2: На этом этапе основное внимание уделяется аспектам приемника и реализации концепции нейронного приемника путем замены блоков обработки сигналов (анализ канала, выравнивание канала и обратное преобразование) на обученную модель машинного обучения.

Этап 3: Здесь в игру вступает сквозная оптимизация. На основе машинного обучения проводится совместная оптимизация передатчика, приемника и обработки модулирующего сигнала. Конечная цель этого этапа заключается в адаптации передачи под конкретное приложение (голосовой вызов, просмотр сайтов в интернете, расширенная реальность и пр.) и составлении сценария влияния канала передачи с помощью моделей машинного обучения, которые входят в состав физического уровня и уровня управления доступом к среде передачи в 6G. Первым шагом на пути к сквозной оптимизации становится замена блока сопоставления модуляции на индивидуальную обученную модель, которая способна идеально подстраиваться под особенности передатчика, приемника и влияния канала беспроводной связи. Индивидуально настраиваемые модуляции обеспечивают беспилотную передачу и таким образом дополнительно улучшают рабочие характеристики всей системы.

Такие адаптивные концепции физического уровня нуждаются в тщательной проверке до их реализации в полевых условиях. Во время проверки модели должны надежно работать даже в редких ситуациях, возможных в полевых условиях. Однако обученные модели искусственного интеллекта и машинного обучения напрямую зависят от качества данных, используемых для их обучения. Здесь в действие вступает управление жизненным циклом моделей искусственного интеллекта и машинного обучения (например, обучение, выбор, замена, активация и мониторинг модели), т. к. ожидается частое взаимодействие между пользовательскими устройствами и базовыми станциями или сетью. Испытания и измерения должны подтверждать полную функциональную совместимость компонентов от различных поставщиков.