Un anno fa, NVIDIA ha reso open source il suo software wireless Aerial, unendosi a Sionna e a una suite più ampia di strumenti open source per accelerare lo sviluppo delle reti 6G di prossima generazione. Insieme, questi strumenti forniscono ai ricercatori una base per testare idee, confrontare risultati e costruire sul lavoro degli altri, collegando simulazioni e addestramento AI con esperimenti su sistemi wireless reali.
Oggi, i ricercatori e gli sviluppatori utilizzano questi strumenti per costruire reti pronte per il 6G che fanno molto di più che trasmettere dati: ricevono segnali in modo più efficace, mantengono robot e sistemi autonomi connessi quando è più importante e si adattano in tempo reale mentre i dispositivi si muovono nel mondo.
Reti che aiutano i robot a reagire più velocemente
Un robot che raccoglie un oggetto deve comprendere il suo ambiente e agire prima che cambi. Quando l'AI che alimenta quella decisione viene eseguita su un server vicino o nel cloud, la connessione wireless diventa parte del tempo di risposta.
I ricercatori stanno esplorando un approccio più efficiente chiamato comunicazioni semantiche orientate agli obiettivi. Invece di inviare immagini complete, i robot trasmettono descrizioni compatte di oggetti, delle loro posizioni e delle loro relazioni. Trasmettere solo le informazioni necessarie consente ai robot di rispondere più rapidamente, soprattutto in ambienti dinamici come luoghi di lavoro e magazzini.
All'Università di King's College London, i ricercatori hanno collegato un braccio robotico con telecamera a un NVIDIA Jetson AGX Orin che esegue NVIDIA Sionna, che supporta sia la rete 5G definita dal software che l'elaborazione AI di edge. In esperimenti di imballaggio di frutta e impilamento di cubi con errori introdotti deliberatamente, l'approccio ha ridotto il tempo di completamento del compito del robot fino al 52,6% e ha migliorato il successo del compito rispetto all'invio di immagini periodiche.
Oltre a risposte più rapide e a un minor carico di elaborazione, il sistema si è anche dimostrato più resistente: rilevamento di oggetti caduti, recupero da azioni non riuscite e, nelle configurazioni che utilizzano un gemello digitale, verifica dei movimenti pianificati per potenziali collisioni prima dell'esecuzione.
Reti che imparano a ricevere segnali meglio
Per un pompiere che riceve immagini in diretta da un drone o una squadra di soccorso che cerca una persona scomparsa, immagini tempestive possono aiutare a guidare decisioni urgenti. Ma le interferenze e le condizioni radio variabili possono rendere più difficile decodificare i segnali wireless, causando errori e ritrasmissioni che ritardano le informazioni dal campo.
I ricevitori AI affrontano questa sfida imparando a recuperare informazioni dai segnali in arrivo in modo più efficace. Una ricezione migliore potrebbe aiutare i soccorritori a mantenere una visione più chiara e aggiornata di una scena di incendio o di un'area di ricerca.
SoftBank ha dimostrato questo integrando un ricevitore neurale in NVIDIA Aerial CUDA-Accelerated RAN (ACAR) e testandolo con uno smartphone 5G commerciale. In test controllati con interferenze, il ricevitore neurale ha fornito un throughput di uplink superiore rispetto a un ricevitore convenzionale in tutte le 15 impostazioni testate, con un guadagno massimo di circa il 60%.
Un altro modo per migliorare la ricezione è insegnare ai ricevitori gli ambienti in cui operano. Utilizzando il testbed di NVIDIA Aerial, i ricercatori dell'ETH Zurich hanno scoperto che la regolazione dei ricevitori neurali utilizzando misurazioni locali ha ridotto i tassi di errore di blocco di più di un terzo rispetto alle versioni pretrainate selezionate.
Reti che imparano quando risparmiare energia
Man mano che il 6G collega più dispositivi e supporta più applicazioni AI, la gestione della domanda energetica diventerà sempre più importante.
Ad esempio, una rete potrebbe aver bisogno di una capacità sufficiente per servire uno stadio affollato, ma la domanda cambia quando la folla se ne va. L'AI può aiutare a identificare quando la capacità inutilizzata può essere spenta e quando deve tornare online, in modo che gli operatori possano ridurre l'uso di elettricità senza interrompere le connessioni.
All'Università di Leeds, i ricercatori hanno sviluppato un sistema che prevede la domanda di rete 10 minuti prima e utilizza queste previsioni per guidare le decisioni di spegnimento delle stazioni di base. Prima di spegnersi, controlla che le stazioni attive vicine possano continuare a servire i dispositivi interessati e monitora i cambiamenti che richiedono il ripristino della capacità.
Il team ha testato il loro approccio utilizzando una 5G "rete-in-una-scatola" portatile alimentata da NVIDIA DGX Spark insieme a un gemello digitale per validare le decisioni rispetto all'attrezzatura wireless reale. Il risultato: i ricercatori hanno riportato una riduzione del 45,6% del consumo energetico della RAN rispetto a una linea di base a piena potenza, mantenendo la connettività dei dispositivi.
Reti che possono essere testate più velocemente - prima di essere costruite
Prima di implementare una rete, i ricercatori devono sapere come si comporterà quando centinaia di dispositivi competono per le connessioni o i segnali radio incontrano interferenze. Simulare queste condizioni aiuta i team a valutare i progetti prima di impegnarsi in attrezzature costose e prove sul campo. Ma simulazioni realistiche possono richiedere ore, limitando il numero di idee che i ricercatori possono esplorare.
Il Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) sta accelerando questo processo portando modelli di canale radio accelerati da GPU, in esecuzione su ACAR, nel simulatore di rete 5G-LENA open source di CTTC. Questi modelli calcolano come i segnali wireless viaggiano tra antenne e dispositivi, un calcolo che diventa sempre più impegnativo man mano che le reti simulate crescono.
In una valutazione iniziale, l'approccio ha ridotto il tempo di esecuzione della simulazione da circa tre ore a 10-20 minuti, a seconda dell'integrazione, mantenendo il comportamento statistico atteso e le prestazioni della rete.
Simulazioni più veloci consentono ai ricercatori di confrontare più progetti, indagare su scenari più impegnativi e raffinare le idee prima. Man mano che l'industria sviluppa il 6G, questo potrebbe accorciare il percorso da un'innovazione proposta a un progetto di rete valutato a fondo, aiutando i team a costruire una migliore connettività prima di implementarla nel mondo reale.
Alla NVIDIA GTC Washington, D.C., partecipa alle 6G Developer Sessions dove i ricercatori e gli sviluppatori mostreranno ulteriori innovazioni che stanno plasmando il futuro delle reti wireless.
NVIDIA AI Aerial e NVIDIA Sionna sono disponibili su GitHub.