Год назад компания NVIDIA открыла исходный код своего беспроводного программного обеспечения Aerial, присоединившись к Sionna и более широкому набору инструментов с открытым исходным кодом для ускорения разработки сетей 6G следующего поколения. Вместе они дают исследователям фундамент для тестирования идей, сравнения результатов и развития работ друг друга, объединяя симуляцию и обучение ИИ с экспериментами на реальных беспроводных системах эфирной связи.
Сегодня исследователи и разработчики используют эти инструменты для создания сетей, готовых к 6G, которые делают больше, чем просто передают данные: они эффективнее принимают сигналы, поддерживают связь с роботами и автономными системами в самые критические моменты и адаптируются в реальном времени по мере перемещения устройств в пространстве.
За последний год глобальное внедрение программного обеспечения NVIDIA AI Aerial и NVIDIA Sionna разработчиками выросло в 10 раз, в то время как количество загрузок инструментов 5G/6G с открытым исходным кодом от NVIDIA превысило 1 миллион. Более 8 000 исследовательских и академических институтов по всему миру используют эти платформы.
Появляющиеся сегодня проекты дают представление о том, как могут выглядеть будущие сети. Каждая из них решает определенную задачу, но все вместе они указывают на более масштабную цель — создание сетей 6G с поддержкой ИИ на базе конвергентной программно-определяемой платформы, обеспечивающей связь, вычисления и зондирование для миллиардов людей, машин и агентов.
Сети, которые помогают роботам реагировать быстрее
Роботу, поднимающему предмет, необходимо понимать свое окружение и действовать до того, как оно изменится. Когда ИИ, управляющий этим решением, работает на ближайшем сервере или в облаке, беспроводное соединение становится частью времени отклика.
Исследователи изучают более эффективный подход, называемый семантическими коммуникациями, ориентированными на цели. Вместо отправки полных изображений роботы передают компактные описания объектов, их положений и взаимосвязей. Передача лишь необходимого объема информации позволяет роботам быстрее реагировать, особенно в динамичных средах, таких как рабочие места и склады.
В Кингс-колледже Лондона исследователи подключили оснащенную камерой роботизированную руку к NVIDIA Jetson AGX Orin, на котором запущен NVIDIA Sionna, поддерживающий как программно-определяемую сеть 5G, так и периферийную обработку ИИ. В экспериментах по упаковке фруктов и укладке кубиков с намеренно введенными ошибками этот подход сократил время выполнения задач роботом на 52,6% и повысил успешность выполнения задач по сравнению с отправкой периодических изображений.
Помимо более быстрого отклика и меньших накладных расходов на обработку, система также оказалась более устойчивой: она обнаруживала упавшие объекты, восстанавливалась после неуспешных действий и, в конфигурациях с использованием цифрового двойника, проверяла запланированные перемещения на предмет возможных столкновений перед их выполнением.
Сети, которые учатся лучше принимать сигналы
Для пожарного, получающего видео с дрона в реальном времени, или спасательной группы, ищущей пропавшего человека, своевременные изображения могут помочь принять важные решения. Но помехи и меняющиеся условия радиосвязи могут затруднить декодирование беспроводных сигналов, вызывая ошибки и повторные передачи, которые задерживают поступление информации с места происшествия.
ИИ-приемники решают эту задачу, научившись эффективнее восстанавливать информацию из поступающих сигналов. Улучшенный прием может помочь спасателям поддерживать более четкое и актуальное представление о месте пожара или зоне поиска.
SoftBank продемонстрировала это, интегрировав нейронный приемник в NVIDIA Aerial CUDA-Accelerated RAN (ACAR) и проверив его работу с коммерческим смартфоном 5G. В контролируемых тестах с помехами нейронный приемник обеспечил более высокую пропускную способность восходящего канала связи, чем обычный приемник, во всех 15 протестированных режимах, с максимальным приростом примерно в 60%.
Еще один способ улучшить прием — обучить приемники особенностям среды, в которой они работают. Используя NVIDIA Aerial Testbed, исследователи из ETH Zurich выяснили, что настройка нейронных приемников с помощью локальных измерений снижает коэффициенты блочных ошибок более чем на треть по сравнению с выбранными предварительно обученными версиями.
Сети, которые учатся экономить энергию
Поскольку 6G подключает все больше устройств и поддерживает все больше приложений с ИИ, управление энергопотреблением будет приобретать все большее значение.
Например, сети может потребоваться достаточная емкость для обслуживания заполненного стадиона, но спрос меняется, когда толпа расходится. ИИ может помочь определить, когда можно отключить избыточную емкость — и когда ее нужно снова включить, — чтобы операторы могли снизить энергопотребление без обрыва соединений.
В Университете Лидса исследователи разработали систему, которая прогнозирует сетевой трафик на 10 минут вперед и использует эти прогнозы для принятия решений о переходе базовых станций в спящий режим. Перед отключением питания система проверяет, смогут ли соседние активные станции продолжать обслуживание затронутых устройств, и отслеживает изменения, требующие восстановления пропускной способности.
Команда протестировала свой подход с использованием портативного 5G-устройства «сеть в коробке» на базе NVIDIA DGX Spark в сочетании с цифровым двойником для проверки решений на реальном беспроводном оборудовании. Результат: исследователи сообщили о снижении энергопотребления RAN на 45,6% по сравнению с базовым показателем на полной мощности при сохранении подключения устройств.
Сети, которые можно тестировать быстрее — до того, как они будут построены
Перед развертыванием сети исследователи должны знать, как она будет работать, когда сотни устройств борются за соединения или радиосигналы сталкиваются с помехами. Симуляция этих условий помогает командам оценивать проекты до инвестиций в дорогостоящее оборудование и полевые испытания. Но реалистичные симуляции могут занимать часы, ограничивая количество идей, которые могут изучить исследователи.
Центр телекоммуникационных технологий Каталонии (CTTC) ускоряет этот процесс, внедряя радиоканальные модели с ускорением на GPU, работающие на базе ACAR, в сетевой симулятор 5G-LENA с открытым исходным кодом от CTTC. Эти модели вычисляют, как беспроводные сигналы распространяются между антеннами и устройствами, — вычисление, которое становится все более требовательным по мере роста симулируемых сетей.
В ходе предварительной оценки этот подход сократил время выполнения симуляции примерно с трех часов до 10–20 минут в зависимости от интеграции, сохранив при этом ожидаемое статистическое поведение и производительность сети.
Более быстрые симуляции позволяют исследователям сравнивать больше проектов, исследовать более сложные сценарии и быстрее дорабатывать идеи. По мере разработки 6G индустрией это может сократить путь от предложенной инновации до тщательно оцененного сетевого дизайна, помогая командам создавать более качественную связь до ее развертывания в реальном мире.
На конференции NVIDIA GTC в Вашингтоне посетите мероприятие, на котором исследователи и разработчики продемонстрируют новые инновации, формирующие будущее беспроводных сетей.
NVIDIA AI Aerial и NVIDIA Sionna доступны на GitHub.
