AI and ML for 6G networks

Inteligencia artificial y aprendizaje automático 6G

Aunque la inteligencia artificial es una de las diez principales áreas de investigación 6G, no es aún un área de investigación independiente. Aún se encuentra vinculada con todas las otras áreas, como MIMO masivo sin células, y superficies reflectantes inteligentes. El rendimiento de cualquiera de estos ejemplos puede mejorarse por medio de sistemas entrenados y en función de los datos en las redes 6G, lo que incrementa la eficiencia energética y por tanto, la sostenibilidad al mismo tiempo. Al utilizar modelos de aprendizaje automático entrenados para tareas de procesamiento de señales como estimación de canal, ecualización y desmapeo se optimizará aún más la interfaz aérea en comparación con las redes 4G LTE y 5G NR actuales.

Rohde & Schwarz apoya actividades de investigación por todo Europa, Asia y los EE.UU. y participa como socio estratégico en proyectos como el proyecto faro Acceso 6G, red de redes, automatización y simplificación (6G-ANNA). Este proyecto apunta a desarrollar un diseño para la red 6G que incluya una arquitectura de extremo a extremo y que a su vez simplifique la interacción entre humanos, la tecnología y el entorno por medio de nuevos sensores y algoritmos a fin de detectar movimientos humanos.

Su desafío de la IA para redes 6G

Establecer una interfaz aérea nativa de IA para las redes 6G significa que se sustituyan bloques en la cadena de procesamiento de señales en la capa física con modelos de aprendizaje automático entrenados. El primer paso en este proceso es sustituir bloques de procesamiento individuales, pero en última instancia, combinar las tareas que se relacionan de manera lógica en un modelo entrenado de aprendizaje automático. Estas tareas son estimación de canal, ecualización de canal y desmapeo. Estas tareas se combinan y se sustituyen con un único modelo de aprendizaje automático entrenado, que se conoce como receptor neuronal.

Sin embargo, el procesamiento de señales para la interfaz aérea 6G es solo una de las áreas donde la utilización del aprendizaje automático puede proporcionar una ventaja. Otra área es la linealización de amplificadores de potencia o de toda la sección de entrada de RF que se utilizan tanto en los dispositivos móviles como en las estaciones base actuales. La IA o el ML pueden aplicarse a la tecnología 6G para la interfaz aérea y el front-end de RF en diferentes fases:

Fase 1: Inicialmente, el aprendizaje automático puede sustituir los modelos deterministas de linealización actuales basados en algoritmos de software para amplificadores de potencia con aprendizaje automático. En 2020 ya comenzó la investigación en este campo y está siendo impulsada principalmente por universidades. Sin embargo, los principales actores de la industria ya han llevado a cabo estudios sobre este tema. Este proceso también se ha definido para aplicarse a toda la sección de entrada de RF (= todo el sistema de antenas y el transceptor).

La accesibilidad a los datos es un claro desafío cuando se trata de la inteligencia artificial para la tecnología 6G. Esto se debe a que para entrenar una red neuronal es necesario acceder a un conjunto de datos. Un fabricante es quién suele diseñar la sección de entrada de RF. Esto significa que todos los datos que son necesarios para entrenar las redes neuronales están en manos de un úrico fabricante, lo que hace más fácil realizar esta fase.

Fase 2: Esta fase se centra en los aspectos del receptor, se aplica el concepto de un receptor neuronal, por medio de la sustitución de bloques de procesamiento de señales, como la estimación y ecualización de canal, además del desmapeo por modelos de ML.

Fase 3: aquí es donde entra la optimización de extremo a extremo (E2E). Se utiliza el aprendizaje automático para optimizar de manera conjunta el transmisor, el receptor y el procesamiento de banda base. El objetivo final durante esta fase es adaptar la transmisión a la aplicación subyacente (llamada de voz, navegación web, XR, etc.) y el escenario de despliegue del impacto del canal de transmisión con los diseños de ML que forman parte de la propia PHY/MAC de 6G. Un primer paso hacia el aprendizaje E2E es la sustitución del mapeador de modulación por una constelación personalizada y aprendida que se adapte a la perfección a las imperfecciones del transmisor, receptor, así como al impacto del canal inalámbrico. Las modulaciones personalizadas permiten una transmisión sin piloto, y por consiguiente mejoran aún más el rendimiento de todo el sistema en general.

Estas implementaciones de la capa física con un nivel de adaptabilidad alto requieren de una verificación exhaustiva antes de su despliegue sobre el terreno. Esta verificación necesita que los modelos funcionen de manera confiable, incluso bajo condiciones extrañas que puedan observarse en campo. Sin embargo, los modelos de IA/ ML entrenados son solo tan buenos como los datos de entrenamiento con los que han sido entrenados. Aquí es donde la gestión del ciclo de vida del modelo de IA/ML (por ejemplo, entrenamiento modelo, selección, intercambio, activación y monitoreo) entra a tallar, debido que se espera una colaboración frecuente entre los dispositivos del usuario y la estación base/red. Tanto las pruebas como las mediciones deben verificar fácilmente la interoperabilidad entre los componentes proporcionados por diferentes fabricantes.