L’IA avancée et sans fil 5G est prête à transformer les réseaux cellulaires, libérant ainsi un véritable potentiel
Le récent regain d’intérêt pour l’IA générative met en évidence le rôle critique que l’IA jouera dans les futurs systèmes sans fil. Avec la transition vers la 5G, les systèmes sans fil sont devenus de plus en plus complexes et difficiles à gérer, obligeant l’industrie du sans fil à penser au-delà des méthodes de conception traditionnelles basées sur des règles.
5G Advanced élargira le rôle de l’IA sans fil sur les réseaux 5G en introduisant de nouvelles applications d’IA innovantes qui amélioreront la conception et le fonctionnement des réseaux et des appareils au cours des trois à cinq prochaines années. En effet, l’IA sans fil est appelée à devenir un pilier clé de la 5G Advanced et jouera un rôle essentiel dans la conception et l’optimisation de bout en bout (E2E) des systèmes sans fil. Dans le cas de la 6G, l’IA sans fil deviendra native et omniprésente, fonctionnant de manière autonome entre les appareils et les réseaux et sur tous les protocoles et couches de réseau.
Optimisation des systèmes E2E
L’IA est déjà utilisée dans les smartphones et autres appareils depuis plusieurs années et est maintenant de plus en plus utilisée dans le réseau. Cependant, l’IA est actuellement mise en œuvre de manière indépendante, c’est-à-dire soit sur l’appareil, soit dans le réseau. Par conséquent, l’optimisation des performances des systèmes E2E sur les appareils et le réseau n’a pas encore été pleinement réalisée. L’une des raisons à cela est que la formation à l’IA sur l’appareil n’était pas possible jusqu’à récemment.
L’IA sur l’appareil jouera un rôle clé dans l’amélioration de l’optimisation E2E des réseaux 5G, apportant des avantages importants aux opérateurs et aux utilisateurs, tout en surmontant les principaux défis. Premièrement, l’IA sur l’appareil permet de répartir le traitement sur des millions d’appareils, exploitant ainsi la puissance de calcul agrégée de tous ces appareils. Deuxièmement, cela permet d’adapter l’apprentissage du modèle d’IA aux données personnalisées d’un utilisateur particulier. Enfin, ces données personnalisées restent locales sur l’appareil et ne sont pas partagées avec le cloud. Cela améliore la fiabilité et atténue les problèmes de souveraineté des données. L’IA sur appareil ne se limitera pas aux seuls smartphones, mais sera mise en œuvre sur tous les types d’appareils, des appareils grand public aux capteurs et à une pléthore d’équipements industriels.
De nouveaux processeurs natifs d’IA sont en cours de développement pour implémenter l’IA sur l’appareil et d’autres applications basées sur l’IA. Un bon exemple est la nouvelle puce modem-RF Snapdragon X75 5G de Qualcomm, qui dispose d’un accélérateur de tenseur matériel dédié. Utilisant la propre implémentation d’IA de Qualcomms, ce processeur d’IA Gen 2 augmente les performances d’IA du X75 plus de 2,5 fois par rapport à la conception précédente de Gen 1.
Alors que l’IA sur l’appareil jouera un rôle clé dans l’amélioration des performances E2E des réseaux 5G, l’optimisation globale des systèmes est limitée lorsque l’IA est mise en œuvre de manière indépendante. Pour permettre une véritable optimisation des performances E2E, la formation et l’inférence de l’IA doivent être effectuées à l’échelle du système, c’est-à-dire en collaboration sur le réseau et les appareils. Faire de cela une réalité dans la conception de systèmes sans fil nécessite non seulement un savoir-faire en IA, mais également une connaissance approfondie du domaine sans fil. Cette soi-disant IA inter-nœuds est un élément clé de la 5G Advanced avec un certain nombre de cas d’utilisation définis dans la spécification 3GPPs Release 18 et d’autres cas d’utilisation devraient être ajoutés dans les versions ultérieures.
IA sans fil : 5G Advanced Release 18 Cas d’utilisation
3GPPs Release 18 est le point de départ d’une utilisation plus étendue de l’IA sans fil attendue dans la 6G. Trois cas d’utilisation ont été étudiés en priorité dans cette version :
- Utilisation de l’apprentissage automatique (ML) inter-nœuds pour adapter dynamiquement le mécanisme de rétroaction des informations sur l’état du canal (CSI) entre une station de base et un appareil, permettant ainsi une optimisation coordonnée des performances entre les réseaux et les appareils.
- Utilisation de ML pour permettre une gestion intelligente des faisceaux à la fois au niveau de la station de base et de l’appareil, améliorant ainsi la capacité utilisable du réseau et la durée de vie de la batterie de l’appareil.
- Utilisation de ML pour améliorer la précision de positionnement des appareils dans les environnements intérieurs et extérieurs, y compris le positionnement direct et assisté par ML.
Retour d’état du canal:
CSI est utilisé pour déterminer les caractéristiques de propagation de la liaison de communication entre une station de base et un dispositif utilisateur et décrit comment cette propagation est affectée par l’environnement radio local. Des données CSI précises sont essentielles pour fournir des communications fiables. Avec le CSI basé sur un modèle traditionnel, la machine utilisateur comprime les données CSI de liaison descendante et renvoie les données compressées à la station de base. Malgré cette compression, la surcharge de signalisation peut encore être importante, en particulier dans le cas de radios MIMO massives, réduisant la capacité de liaison montante des appareils et affectant négativement la durée de vie de la batterie.
Une approche alternative consiste à utiliser l’IA pour suivre les différents paramètres de la liaison de communication. Contrairement au CSI basé sur un modèle, une interface aérienne pilotée par les données peut apprendre dynamiquement de son environnement pour améliorer les performances et l’efficacité. L’estimation de canal basée sur l’IA surmonte ainsi bon nombre des limitations des techniques de rétroaction CSI basées sur un modèle, ce qui se traduit par une plus grande précision et donc une amélioration des performances de liaison. Le est particulièrement efficace aux bords d’une cellule.
Cependant, la mise en œuvre de la rétroaction CSI basée sur ML peut être difficile dans un système avec plusieurs fournisseurs. Pour surmonter cela, Qualcomm a développé une technique de formation séquentielle qui évite d’avoir à partager les données entre les fournisseurs. Avec cette approche, l’appareil utilisateur est d’abord formé à l’aide de ses propres données. Ensuite, les mêmes données sont utilisées pour former le réseau. Cela élimine le besoin de partager des modèles de réseau neuronal propriétaires entre les fournisseurs. Qualcomm a démontré avec succès une formation séquentielle sur des radios massives MIMO sur son réseau de test de 3,5 GHz à San Diego (illustration 1).
Pièce 1 : Réaliser un gain de capacité du système même dans des communications non LOS difficiles
Gestion des faisceaux d’ondes millimétriques basée sur l’IA:
Le deuxième cas d’utilisation implique l’utilisation de ML pour améliorer la prédiction du faisceau sur les radios à ondes millimétriques. Plutôt que de mesurer en continu tous les faisceaux, ML est utilisé pour sélectionner intelligemment les faisceaux les plus appropriés à mesurer – au fur et à mesure des besoins. Un algorithme ML est ensuite utilisé pour prédire les futurs faisceaux par interpolation entre les faisceaux sélectionnés, c’est-à-dire sans avoir besoin de mesurer les faisceaux tout le temps. Cela se fait à la fois sur l’appareil et sur la station de base. Comme avec la rétroaction CSI, cela améliore le débit du réseau et réduit la consommation d’énergie.
Qualcomm a récemment démontré l’utilisation d’algorithmes basés sur ML sur son réseau de test MIMO massif à 28 GHz et a montré que les performances du système basé sur l’IA étaient équivalentes à une configuration de réseau de cas de base où tous les faisceaux sont mesurés.
Positionnement précis:
Le troisième cas d’utilisation implique l’utilisation de ML pour permettre un positionnement précis. Qualcomm a démontré l’utilisation d’un aller-retour multicellulaire (RTT) et d’un positionnement basé sur l’angle d’arrivée (AoA) dans un réseau extérieur à San Diego. Le fournisseur a également démontré comment le positionnement basé sur ML avec empreinte digitale RF peut être utilisé pour surmonter les conditions difficiles de canaux sans visibilité directe dans les réseaux privés industriels intérieurs.
Une interface aérienne 6G native AI
La 6G devra offrir un bond significatif en termes de performances et d’efficacité du spectre par rapport à la 5G si elle veut offrir des débits de données encore plus rapides et plus de capacité tout en permettant de nouveaux cas d’utilisation de la 6G. Pour ce faire, l’interface aérienne 6G devra accueillir des radios Giga MIMO d’ordre supérieur capables de fonctionner dans le spectre moyen supérieur (7-16 GHz), prendre en charge des bandes passantes plus larges dans les nouvelles bandes 6G sous-THz (100 GHz +) ainsi que sur les bandes 5G existantes. En outre, la 6G devra prendre en charge une gamme beaucoup plus large d’appareils et de services et soutenir l’innovation continue dans la conception de l’interface hertzienne.
Pour répondre à ces exigences, l’interface aérienne 6G doit être conçue pour être native de l’IA dès le départ, c’est-à-dire que la 6G s’éloignera largement de l’approche traditionnelle, basée sur les modèles, de la conception des réseaux de communication et passera à une conception basée sur les données, dans laquelle ML est intégré à tous les protocoles et couches avec un apprentissage et une inférence distribués mis en œuvre sur les appareils et les réseaux.
Ce sera un changement véritablement perturbateur de la façon dont les systèmes de communication ont été conçus dans le passé, mais offrira de nombreux avantages. Par exemple, grâce à l’auto-apprentissage, une conception d’interface aérienne native AI pourra prendre en charge des améliorations continues des performances, où les deux côtés de l’interface aérienne, le réseau et l’appareil peuvent s’adapter dynamiquement à leur environnement et optimiser les opérations en fonction des conditions locales.
L’IA/ML sans fil avancée 5G sera la base de beaucoup plus d’innovations en matière d’IA dans la 6G et se traduira par de nombreuses nouvelles capacités de réseau. Par exemple, la capacité de l’interface aérienne native 6G AI à affiner les protocoles de communication existants et à apprendre de nouveaux protocoles, associée à la capacité d’offrir une optimisation du réseau E2E, se traduira par des réseaux sans fil qui peuvent être personnalisés de manière dynamique pour s’adapter à des scénarios de déploiement, des environnements radio et une utilisation spécifiques. cas. Ce sera une aubaine pour les opérateurs, leur permettant d’adapter automatiquement leurs réseaux pour cibler une gamme d’applications, y compris divers marchés de niche et verticaux spécifiques.