Az NVIDIA AI Aerial nagyobb kapacitást ígér az AI-alapú rádiós hálózatokban
Az NVIDIA AI Aerial platformja mesterséges intelligenciára épülő Layer 1 és Layer 2 algoritmusokkal próbálja javítani az 5G rádiós hozzáférési hálózatok spektrális hatékonyságát. A vállalat elemzése szerint az AI-alapú sugárformálás egy 64T64R Massive MIMO konfigurációban akár 1,62-szeres átviteli teljesítményt érhet el a hagyományos eljárásokhoz képest.
- Az NVIDIA AI Aerial AI-alapú Layer 1 és Layer 2 RAN-algoritmusokat támogat.
- Az AI-alapú sugárformálás 64T64R MU-MIMO esetén akár 1,62-szeres átviteli teljesítményt ért el.
- A DRL-alapú kapcsolatadaptáció a cella szélén 1,3-szeres javulást mutatott az OLLA-hoz képest.
- Az NVIDIA a Nokia anyRAN szoftverével integrált AI-RAN-platformokon dolgozik.
A rádiós spektrum hatékonyabb kihasználása a cél
Az NVIDIA Developer július 7-én közzétett bejegyzése szerint a rádiós spektrum a vezeték nélküli kommunikáció egyik legértékesebb erőforrása. Az amerikai távközlési szolgáltatók az elmúlt 30 évben több mint 240 milliárd dollárt költöttek vezeték nélküli spektrum megszerzésére.
A rádiós hozzáférési hálózatok, vagyis a RAN-rendszerek célja, hogy a rendelkezésre álló spektrumból a lehető legtöbb bitet továbbítsák másodpercenként és hertzenként. Ez nagyobb kapacitást, kevesebb elvesző csomagot és jobb gazdaságosságot jelenthet az egyes hálózati helyszíneken.
Az NVIDIA szerint a Massive MIMO fontos eszköz a kapacitás növelésére, a gyakorlati telepítések azonban elmaradnak az elméleti lehetőségektől. A vállalat ezt többek között a felhasználói helyzetek pontatlan követésével, a jelek közötti interferenciával és a párhuzamos adatátvitelre alkalmas felhasználói csoportok nem hatékony kiválasztásával magyarázza.
A GPU-k összetettebb algoritmusokat tesznek lehetővé
Az NVIDIA megközelítése szerint a RAN-fejlesztést a processzorkapacitás korlátai helyett az algoritmusok oldaláról kell újragondolni. A párhuzamos GPU-számítás a vállalat szerint lehetővé teszi, hogy a hálózat összetettebb követési, felhasználópárosítási és sugárformálási modelleket futtasson a meglévő energiahatárok mellett.
A GPU-gyorsítás többek között a többfelhasználós MIMO-párosításban, a sugárformálásban, a mély megerősítéses tanulással végzett kapcsolatadaptációban, a csatornabecslésben, az ütemezésben és a neurális vevőkben használható. Ezek a feladatok nagy számú párhuzamos műveletet, mátrixszámítást vagy valós idejű mesterségesintelligencia-következtetést igényelnek.
Az NVIDIA elemzése egy 64T64R MU-MIMO-helyzetet vizsgált 16 felhasználóval, felhasználónként két réteggel. Ebben az AI-alapú sugárformálás 32 rétegnél akár 1,62-szer nagyobb átviteli teljesítményt ért el a hagyományos zero-forcing eljáráshoz képest. 16 rétegnél 1,28-szoros javulást mértek. Az AI Beamforming cellánként 2,58 milliárd FLOP számítási komplexitással szerepelt, míg az rZF Beamforming 272 millió FLOP-pal.
Kapcsolatadaptáció és iparági együttműködés
A platform másik vizsgált területe a kapcsolatadaptáció. Ennek során a hálózatnak modulációs és kódolási sémát kell választania az átviteli teljesítmény maximalizálásához, miközben a hibaarányt a célértékek közelében tartja. A hagyományos OLLA-eljárások előre meghatározott logikára támaszkodnak, a mély megerősítéses tanulás viszont a rádiós viselkedésből tanulhatja meg a választást.
Az NVIDIA korai mérnöki eredményei szerint a DRL-alapú kapcsolatadaptáció 1,3-szeres átviteli teljesítményt ért el az alapként használt OLLA-hoz képest a cella szélén. Az ügynök a csatornaminőségi mutató előzményeit, az ACK/NACK visszajelzéseket és a rövid távú csatornaváltozásokat használja.
A vállalat a Nokia vállalattal együttműködve AI-RAN-platformokat fejleszt, amelyek a Nokia anyRAN szoftverével integrálva AI-alapú 5G-Advanced hálózatokat céloznak. Az NVIDIA AI Aerialt kutatástól a kereskedelmi telepítésig hálózatok építésére, szimulációjára és bevezetésére kínálják.
NVIDIA Developer: Maximize Spectral Efficiency with AI-Native RAN and NVIDIA AI Aerial
