A 6G kutatás egyre inkább nyílt forráskódú eszközökre épül: az NVIDIA egy éve tette nyílttá az Aerial vezeték nélküli szoftverét, amely a Sionna és más nyílt megoldások mellett segíti a következő generációs hálózatok fejlesztését. A cég szerint az eszközök összekötik a szimulációt és az AI-tanítást a valódi, vezeték nélküli rendszereken végzett kísérletekkel. Most négy egyetemi és ipari projekt mutatja meg, mire jók a gyakorlatban.
Gyorsan nő a nyílt 6G-eszközök használata
Az elmúlt évben az NVIDIA AI Aerial és az NVIDIA Sionna szoftverek fejlesztői használata világszerte tízszeresére nőtt. A cég nyílt forráskódú 5G/6G eszközei átlépték az 1 millió letöltést, a platformokat pedig több mint 8000 kutatási és oktatási intézmény használja világszerte.
A cél olyan AI-natív 6G hálózat, amely egy közös, szoftveresen definiált platformon nyújt kapcsolatot, számítási kapacitást és érzékelést emberek, gépek és ágensek milliárdjainak. Ehhez a kutatóknak közös alapra van szükségük az ötletek teszteléséhez és az eredmények összehasonlításához. Az NVIDIA az AI-infrastruktúra más területein is hasonlóan építkezik, erről szól például az AI-alapú chipgyártási szimulációról szóló cikkünk is.
Gyorsabb robotok és jobb vétel
Szemantikus kommunikáció robotoknak
Ha egy robot AI-ja közeli szerveren vagy felhőben fut, a vezeték nélküli kapcsolat is beleszámít a reakcióidőbe. A célorientált szemantikus kommunikáció ezért teljes képek helyett az objektumok, helyzetük és kapcsolataik tömör leírását küldi. A King’s College London kutatói kamerás robotkart kötöttek egy NVIDIA Jetson AGX Orinra, amelyen a Sionna futott. Gyümölcscsomagolási és kockarakási kísérletekben, szándékosan okozott hibákkal a feladat átfutási ideje akár 52,6%-kal csökkent az időszakos képküldéshez képest, és javult a sikerarány is. A rendszer észlelte az elejtett tárgyakat, helyreállt a sikertelen műveletekből, digitális iker mellett pedig az ütközéseket is ellenőrizte végrehajtás előtt.
Neurális vevők
Interferencia és változó rádiós körülmények mellett nehezebb dekódolni a jeleket, ami hibákhoz és újraküldésekhez vezet. A SoftBank neurális vevőt integrált az NVIDIA Aerial CUDA-Accelerated RAN (ACAR) rendszerbe, és kereskedelmi 5G okostelefonnal tesztelte. Interferenciás, kontrollált tesztekben mind a 15 vizsgált beállításnál nagyobb feltöltési sebességet ért el a hagyományos vevőnél, a legnagyobb nyereség nagyjából 60% volt. Az ETH Zurich az NVIDIA Aerial Testbed segítségével azt találta, hogy a helyi mérésekkel finomhangolt neurális vevők több mint harmadával csökkentették a blokkhibaarányt egyes előtanított változatokhoz képest.
Energiatakarékosság és gyorsabb szimuláció
Alvó bázisállomások
A Leedsi Egyetem rendszere 10 percre előre jelzi a hálózati forgalmat, és ez alapján dönt a bázisállomások alvó állapotáról. Lekapcsolás előtt ellenőrzi, hogy a szomszédos aktív állomások kiszolgálják-e az érintett eszközöket. A csapat egy hordozható, NVIDIA DGX Sparkra épülő 5G „network-in-a-box” rendszerrel és digitális ikerrel tesztelt. A kutatók a teljes teljesítményű alapálláshoz képest 45,6%-os RAN-energiafogyasztás-csökkenésről számoltak be, a kapcsolat megtartása mellett.
Szimuláció órák helyett percek alatt
A katalóniai CTTC GPU-gyorsított rádiócsatorna-modelleket (ACAR-on futtatva) vitt be a nyílt forráskódú 5G-LENA hálózati szimulátorába. Korai értékelés szerint a futási idő nagyjából három óráról 10–20 percre csökkent az integrációtól függően, a várt statisztikai viselkedés és hálózati teljesítmény megtartása mellett. Így több tervet és igényesebb forgatókönyvet lehet összehasonlítani még a drága eszközök és terepi tesztek előtt.
Az NVIDIA AI Aerial és a Sionna elérhető a GitHubon, a washingtoni GTC-n pedig 6G fejlesztői szekciók is lesznek.
Gyakori kérdések
Mi az NVIDIA Aerial és a Sionna?
Nyílt forráskódú eszközök a 6G hálózatok fejlesztésére, szimulációra, AI-tanításra és valós vezeték nélküli kísérletekre. Mindkettő elérhető a GitHubon.
Mennyivel csökkent a szimulációk futásideje?
A CTTC korai értékelése szerint nagyjából három óráról 10–20 percre, az integrációtól függően.
Mekkora energiamegtakarítást mértek?
A Leedsi Egyetem kutatói 45,6%-kal csökkentették a RAN energiafogyasztását a teljes teljesítményű alapálláshoz képest, a kapcsolat megtartása mellett.
Forrás: NVIDIA Blog
