Yapay zeka (AI) ve makine öğrenimi (ML), altıncı nesil (6G) hücresel ekosistemin tamamını etkileyecektir. AI gelişmeleri, radyo ışını yönetiminin karmaşıklığını ele almak, devre tasarımını optimize etmek, daha verimli trafik akışlarını kolaylaştırmak, küçük devrelerde ve büyük sistemlerde güç tüketimini azaltmak ve öngörücü bakım için değerlendirilmektedir. Bu optimizasyonlar, ağlardan, devrelerden ve hatta simülasyon ve emülasyon araçlarından elde edilen sentezlenmiş verilerden teknik verilerle eğitilmiş ML modellerine dayanmaktadır. Örneğin, AI odaklı bir fiziksel katman (PHY) ile 6G, medya erişim kontrolü (MAC) ve üst katmanlarda AI optimizasyonundan yararlanacaktır.
3GPP Release 19 5G-Advanced'deki üç çalışma öğesi olan kanal durumu bilgisi (CSI) tahmini, ışın tahmini ve AI tabanlı konumlandırma doğruluğu iyileştirmelerinin yanı sıra 3GPP Release 20 5G-Advanced öğesi olan CSI sıkıştırması temelinde AI/ML hava arayüzünde PHY gelişmeleri beklenmektedir. Bu kullanım örneklerine yönelik iyileştirmeler ile CSI için ortak kaynak ve kanal kodlaması ve AI/ML ile kanal tahmini gibi yeni ve umut verici kullanım örnekleri de incelenecektir.
6G'de CSI Raporlaması Nasıl Farklı Olabilir?
Başarılı iyileştirmeler, geleneksel yaklaşımlara kıyasla hava arayüzünde AI/ML ile daha doğru CSI raporlaması sağladığını göstermiştir. Bunun karşılığında mühendisler, çok karmaşık sinir ağlarını eğitmek için çok sayıda simülasyon çalıştırmalı ve ardından bu bilgileri simülatöre geri iletmelidir. Bu noktadaki karmaşıklığın bir kısmı, faydaları belirlemek için farklı sinir ağlarını değerlendirme ihtiyacından kaynaklanmaktadır. Bu adım, söz konusu ağlar standartta tanımlanana ve sektör, kullanıcı ekipmanı (UE), baz istasyonu vb. için hangi sinir ağlarının kullanılacağını bilene kadar gerekli olacaktır.
Araştırmalar ayrıca, CSI sıkıştırma, ışın yönetimi ve konumlandırma için cihaza AI uygulamanın faydalarını ve olanaklarını da araştırmaktadır. İletimi kanal koşullarına uyarlamak, daha iyi radyo bağlantısı performansı sağlar ve böylece belirli bir radyo kanalının çoklu giriş çoklu çıkış (MIMO) performansını iyileştirir. Bu değişiklik, baz istasyonundaki yukarı bağlantı sondaj referans sinyali (UL SRS) veya UE'deki aşağı bağlantı kanal durumu bilgisi referans sinyalleri (DL CSI-RS) temelinde kanal tahmini gerektirir.
AI, 6G'de CSI Sıkıştırmasını Nasıl İyileştirebilir?
UE tarafından bildirilen CSI için, tasarım mühendisleri genellikle ayrıntılı bilgi kullanımı ile daha az ek yük arasında bir denge kurmalıdır. CSI sıkıştırması, şekilde gösterildiği gibi, geleneksel yöntemlerle aynı ek yükle ağ tarafında daha iyi CSI bilgisi elde etmeye veya değerli CSI bilgisini kaybetmeden ek yükü azaltmaya yardımcı olur. Massive MIMO için, CSI referans sinyalleri genellikle kanalı karakterize etmek için her anten üzerinden gönderilir. Ancak, anten sayısının artmasıyla birlikte, eğitim verileri çok fazla kaynak tüketir. 6G'nin CSI RS miktarını aktif olarak azaltması veya artırması beklenmektedir.
Şekil. Bir 3GPP çalışma konusu, geleneksel CSI'yı AI ile mümkün kılınan sıkıştırılmış bir versiyonla değiştirmek üzerine odaklanmaktadır.
Araştırmacılar, fiziksel aşağı bağlantı paylaşımlı kanalı (PDSCH) veya fiziksel yukarı bağlantı paylaşımlı kanalı (PUSCH) içindeki demodülasyon referans sembollerinin değişkenliğini AI/ML ile incelemektedir. Referans sinyalleri için daha fazla veri kullanılmıyorsa, bu veriyi ses paketleri, video akışları ve uygulama verileri gibi gerçek kullanıcı verileri için kullanabilirsiniz. Bu şekilde, kanal üzerinden daha fazla veri elde edebilirsiniz. CSI sıkıştırması (iki taraflı model) kullanılarak, UL trafiği yükünü artırmadan daha ayrıntılı CSI bilgileri gönderilebilir. Bu yaklaşımla, baz istasyonu kanalı daha eksiksiz bir şekilde anlayabilir ve daha iyi verim için optimize edilmiş bir ön kodlama matrisi belirleyebilir.
PHY'yi AI/ML ile optimize etmek için Keysight, simülasyon araçlarının yanı sıra emülasyon ve enstrümantasyon da kullanmıştır. Ekip, mevcut 5G sinyallerini ve kanal modellerini karşılaştırarak, AI/ML'nin CSI geri bildirimi, konumlandırma doğruluğu ve ışın yönetimi konusunda geleneksel 5G yaklaşımlarına göre performans iyileştirmeleri sağladığını göstermiştir. Araştırmada şu anda 5G ile aynı sinyallerin kullanıldığına dikkat edin, ancak simülasyon ve prototip oluşturma, alternatif modülasyon şemaları gibi bazı yeni özelliklerin entegrasyonunu gerektirir. Bir başka bulgu da, radyo frekansı (RF) iletişim ve AI/ML ekiplerinin birlikte çalışabilmesi için yeni bir iş akışına ihtiyaç duyulduğuydu, bu nedenle bir işbirliği aracı uygulandı: iletişim ve veri bilimcilerin aynı platformda çalışmasına olanak tanıyan AI tabanlı bir platforma sahip yeni nesil bir simülatör.
Mühendisler ayrıca 6G öncesinde 5G-Advanced AI/ML çalışma öğelerinin bazılarını araştırmaktadır. Diğer çalışmalar ise AI/ML modellerinin nasıl eğitileceğini ve AI/ML çözümlerinin nasıl doğrulanacağını araştırmaktadır. Keysight UXM Kablosuz Test Platformundaki AI/ML prosedür testi ile AI/ML modelleri geliştirebilir, bunları gerçek zamanlı bir çıkarım motorunda çalıştırabilir ve uçtan uca performans için temel performans göstergelerini (KPI) test edebilirsiniz.
6G PHY'nin nasıl geliştiği ve onu etkileyen temel kullanım örnekleri, ödünleşimler ve teknolojiler hakkında daha fazla bilgi edinmek için 6G Araştırma ve İnovasyon: 0'dan PHY'ye ve Ötesi adlı e-kitabı indirin. 6G trendleri ve gelişmeleri hakkında daha fazla bilgi için aşağıdaki kaynaklara göz atın.
