6G 网络中的 AI 和 ML

6G 网络中的 AI 和 ML

无线通信中的人工智能

当今世界处于弱人工智能时代,展现出以下五种关键特点:

1. 逻辑推理,例如 AlphaGo
2. 感知,例如人脸识别
3. 知识表示,例如 IBM 的 Watson 肿瘤解决方案
4. 语言处理,例如苹果公司的 Siri 和亚马逊的 Alexa
5. 规划和导航,例如自动驾驶汽车

强人工智能的特点在于机器能够发展出等于或超越人类智能的能力(例如智能机器人)。另一个相关因素就是机器学习 (ML),这是 AI 的一个分支。它可用于构建从数据集中学习而不是基于程序指令的系统,从而根据多层人工神经网络进行学习。我们可以想象未来的无线网络配备 AI 原生空中接口,无线电通信能够基于经过训练的神经网络从环境中学习,还可以彼此相互学习。

神经网络是机器学习的一个分支,并与无线通信相关,以下则是三个神经网络示例:

1. 循环神经网络 (RNN):每一步的输出会作为下一步的输入(例如文本处理)。RNN 可以有效用于时间序列预测(“记忆效应”),还可以通过基于 ML 模型的数字预失真和后失真算法来线性化模拟射频前端和天线子系统。

2. 卷积神经网络 (CNN) 多达 30 层的前馈神经网络。CNN 处理结构化数据数组(例如最初设计用于图像处理),目前是实现神经接收机的一种解决方案。

3. 自编码器概念:一种特殊类型的人工神经网络,通过无监督方式学习有效的数据编码。这种神经网络旨在训练网络忽略无关紧要的数据。目前正在研究自编码器(例如变压器形式的自编码器)以压缩信道状态信息反馈,这些信息反馈从下行链路的测量中收集得到,并通过上行链路返回。

6G 人工智能和机器学习

虽然人工智能是十大 6G 研究领域之一,但并不是一个独立的研究领域。人工智能和所有其他领域相互交融,例如无蜂窝大规模 MIMO、全双工通信智能反射面。6G 网络中经过训练的数据驱动型系统能够增强这些应用的性能,提高能源效率,从而实现可持续发展。与目前的 4G LTE 和 5G NR 网络相比,使用经过训练的机器学习模型处理信号,例如进行信道估计均衡解映射等任务,将进一步优化空中接口。

罗德与施瓦茨为欧洲、亚洲和美国的研究活动提供支持,并积极参与各种项目,例如6G 接入、网络中网络、自动化和简化 (6G-ANNA) 灯塔项目。这个项目旨在为 6G 开发包含端到端架构的设计,并使用全新传感器和算法简化人、技术与环境之间的交互,从而检测人体运动。

6G 网络中的 AI 挑战

为 6G 网络建立 AI 原生空中接口,意味着将物理层上信号处理链中的模块替换为经过训练的机器学习模块。这个过程的第一步是替换单个处理模块,最终会将逻辑上关联的任务组合到一个经过训练的机器学习模型中。这些任务包括信道估计信道均衡解映射。这些任务组合在一起,共同被替换为经过训练的 ML 模型,即神经接收机

ML 在许多应用中都具有优势,6G 空中接口的信号处理只是其中的一个领域。当前移动设备和基站中使用的功率放大器或整个射频前端的线性化,同样可以利用 ML。AI 或 ML可以在不同阶段应用于 6G 中的空中接口射频前端

阶段 1:在开始阶段,ML 可能会在功率放大器中取代目前基于软件算法的确定性线性化模型。2020 年已开始进行相关研究,主要参与者为各个院校。一些重要的行业参与者也对此展开了研究。这个过程也适用于整个射频前端(即天线系统和收发信机)。

对于 6G 人工智能来说,数据访问是一个显而易见的挑战。这是因为训练神经网络需要访问数据集。射频前端通常由一家供应商设计。这意味着训练神经网络所需的所有数据都由一家供应商提供,因此访问数据更加简单。

阶段 2:这个阶段重点关注接收机,例如应用神经接收机的概念,以及将信道估计、信道均衡和解映射等信号处理模块替换为经过训练的 ML 模型。

阶段 3:这个阶段会进行端到端 (E2E) 优化。ML 被用于联合优化 TX、RX 和基带处理。这个阶段的最终目标是使传输适应底层应用(语音呼叫、网页浏览、XR 等)和受到传输信道影响的部署场景,并将 ML 设计作为 6G PHY/MAC 的一部分。E2E 学习的第一步是将调制映射器替换为经过学习的定制化星座图,该星座图充分考虑了发射机和接收机的缺陷以及无线信道的影响。定制化调制支持无人传输,进一步提高了整个系统的性能。

迈向 6G 的 AI 原生空中接口

这种高度自适应的物理层实现需要进行广泛的验证,之后才能在现场进行部署。这种验证需要确保模型运行可靠,即使现场条件较为罕见也同样如此。但是,对于经过训练的 AI/ML 模型,其性能优劣取决于训练过程中所使用的训练数据。这就需要实施 AI/ML 模型生命周期管理(例如模型训练、选择、交换、激活和监控),因为用户设备和基站/网络之间预计将频繁协作。针对不同供应商提供的组件,必须通过测试与测量验证是否具有适当的互操作性

6G 和 AI 或 ML:解决方案和优势

测试与测量解决方案如何提供有用见解,协助改进基于 ML 的 DPD 模型

测试与测量解决方案能够通过迭代方式基于经典方法创建参考模型,例如使用 R&S®SMW200A矢量信号发生器表征底层硬件,或者使用 R&S®FSW 信号与频谱分析仪对给定波形通过迭代方法逐样本校正幅度和相位,这也被称为直接 DPD。这样能够提供良好的参考基线。

在 上,罗德与施瓦茨还展示了带有定制化星座的基于 AI/ML 的神经接收机装置。该装置利用 R&S®SMW200A 矢量信号发生器模拟应用 2x4 MIMO 传输方案的单用户。信号发生器还可用于在传输中添加衰落和噪声,从而模拟真实的传输场景。R&S MSR4 多功能卫星接收机利用其四个接收信道捕获信号,将信号数字化并传输到服务器。该服务器托管 R&S 基于服务器的测试框架,其中包括 R&S®VSE 矢量信号分析软件微服务。服务器对信号进行同步,同时实施快速傅里叶变换 (FFT) 和循环前缀去除,然后再使用 Nvidia 设计的神经接收机通过其 SIONNATM 框架处理这些经过预先处理的数据。

希望和我们的专家讨论您的 AI/ML 测试应用?

6G AI 和 ML 应用测试解决方案

6G AI 和 ML 相关新闻

AI 和 ML 专题内容

#ThinkSix Tech Talk: Exploring the role of AI in wireless communications

Learn about the transformative role of artificial intelligence (AI) and machine learning (ML) in shaping the next generation of wireless communication.

Register now

Towards 6G: AI-native interface – neural receiver

Video: Towards 6G: AI-native interface – neural receiver

Watch this video to learn about achievable performance gains when using trained AI/ML models compared to traditional signal processing.

Watch Video

Artificial Intelligence (AI)

视频:人工智能 (AI) 和机器学习 (ML)

机器学习 (ML) 已成功应用于图像和视频识别以及自然语言处理。观看视频,了解研究人员如何研究将机器学习应用到 6G 信号处理。

看视频

网络研讨会:AI/ML 会彻底改变 6G 吗?

观看网络研讨会,了解目前针对未来 6G 无线通信标准中的 AI 原生空中接口而开展的基础研究。

現在註冊

Towards 6G: AI/ML-based neural receiver

视频:迈向 6G——AL/ML 神经接收机

本视频演示了神经接收机方法,这种方法使用经过训练的机器学习模型来执行信道估计、信道均衡和解映射等信号处理任务,欢迎观看。

看视频

The role of AI/ML in future wireless communication

网络研讨会:AI/ML 在未来无线通信中的作用

观看网络研讨会,深入了解 AI/ML 在当今 5G 移动网络中的应用情况,探索用于 6G 的 AI 原生空中接口的基础研究现状和更多精彩内容。

Register to watch

Think Six - Is it time for wireless communication to get smart(er) with AI/ML? Part 1.

视频:现在是借助 AI/ML 创建更智能的无线通信的良好时机吗?第 1 场

本视频介绍了 AI 和 ML 的背景理论与术语,并讨论了 AI 在移动无线电测试中的潜在作用。

看视频

#Think Six - Is it time for wireless communication to get smart(er) with AI/ML? Part 2.

视频:现在是借助 AI/ML 创建更智能的无线通信的良好时机吗?第 2 场

本视频聚焦于 3GPP R18(5G-Advanced 规范),通过该规范行业专家开始初步研究三个具体用例,以此探究机器学习是否会带来显著益处。

看视频

#Think Six - Is it time for wireless communication to get smart(er) with AI/ML? Part 3.

视频:现在是借助 AI/ML 创建更智能的无线通信的良好时机吗?第 3 场

如何实现基于 AI 的空中接口?本视频展望未来,讨论是否可以实现 6G 标准的空中接口。

看视频

#ThinkSix - Validating a Machine-Learning Based Neural Receiver with 5G NR Multiple MIMO Signals

视频:使用多个 5G NR MIMO 信号验证基于机器学习的神经接收机

关于在无线通信领域使用基于人工智能的机器学习 (ML) 来完成信号处理任务,正在从理论转向实践。观看演示视频,了解如何验证自训练神经接收机的性能。

看视频

6G 人工智能和机器学习常见问题

什么是 6G 中的人工智能?

在 6G 技术框架下,AI 不仅可以发挥赋能作用,也将成为未来网络的关键。这种方法能够优化网络和设计新波形,适用于许多 6G 研究领域。此外,这项技术还可以实现分布式学习等互联智能。

什么是 6G 中的机器学习?

机器学习助力 6G 网络的无线电通信相互学习和从环境中学习,从而实现完全智能的无线网络和管理。

AI 原生空中接口有哪些优势?

实施 6G AI 接口可以提高性能,因为无线电通信可以实现动态学习,此外还可以设置波形和信号以有效使用可用频谱。这可以进一步优化能源效率。使用 AI 原生空中接口还可以通过自定义传输方案自动适应服务需求。除此之外,空中接口还能够适应任何目标平台。

AI 原生接口和传统实现方法有何不同?

传统算法(例如信道估计)由工程师根据无线信道传播特性等精心设计的数学模型手动进行开发和优化。但是,这些模型无法准确反映现实情况。AI/ML 模型则是从数据中学习。这种模型可以学习特性和算法,开发人员无需对其进行显式描述或编程。使用真实数据进行训练时,AI/ML 模型可以准确学习物理特性,优于那些根据简单的数学模型手动实现的算法。

AI/ML 空中接口是否仅适用于 6G?5G 情况如何?

实现 6G AI 或 ML 空中接口不可能一蹴而就。从 5G 过渡到 6G 将是一个持续的过程。考虑到这种情况,相关的标准化工作需要学习如何规定用户设备和基站中 AI 或 ML 模型的有效交互。3GPP 5G NR R18(首个 5G-Advanced 规范)率先展开相应工作,根据三个用例(CSI-RS 反馈压缩、波束管理和定位)来研究 AI 原生空中接口。

订阅

订阅我们的新闻通讯

掌握无线通信测试的最新趋势

请求信息

如果您有任何疑问或需要了解更多信息,请填写此表格,我们会尽快回复您。

推广许可

你的申请已提交,我们稍后会联系您。
An error is occurred, please try it again later.