Oamenii de control trebuie să predăm controlul către AI dacă dorim viteze mai rapide de 5G și 6G, spun oamenii de știință

Oamenii de știință se dezvoltă inteligenţă artificială (AI) Modele care ar putea ajuta rețelele wireless de generație următoare, cum ar fi 6G, să ofere conexiuni mai rapide și mai fiabile.

În a studiu Aceasta a fost prezentată în decembrie 2024 ediția IEEE Tranzacții pe comunicații wireless, cercetătorii au detaliat un sistem AI care reduce cantitatea de informații care trebuie trimise între un dispozitiv și o stație de bază wireless – cum ar fi un turn celular – concentrându -se pe informații cheie, cum ar fi unghiuri, întârzieri și rezistență la semnal.

Prin optimizarea datelor semnalului în rețelele wireless care utilizează undă de undă milimetrică de înaltă frecvență (benzi MMWAVE din spectrul electromagnetic, cercetătorii au descoperit că erorile de conectivitate au fost reduse semnificativ, iar sistemul AI au îmbunătățit fiabilitatea și conectivitatea datelor în medii diverse, cum ar fi în zonele urbane cu traficul în mișcare și piedestrian.

„Pentru a aborda cererea de date în creștere rapidă în rețelele wireless de generație viitoare, este esențial să utilizăm resursa de frecvență abundentă în benzile MMWAVE”, a declarat autorul principal al studiului, Byungju Leeprofesor în departamentul de telecomunicații de la Universitatea Națională Incheon, Coreea de Sud.

Înrudite: Viitoarele dispozitive purtabile ar putea atrage puterea prin corpul tău folosind semnale de telefon mobil de fundal 6G

„Metoda noastră asigură formarea de fascicul precis, care permite semnalelor să se conecteze perfect cu dispozitivele, chiar și atunci când utilizatorii sunt în mișcare,” spuse Lee.

Moduri mai inteligente de a modela undele

Provocarea actuală pentru rețelele care utilizează spectru radio de înaltă frecvență, cum ar fi MMWaves, este că se bazează pe un grup mare de antene care lucrează împreună prin intermediul unor output multiplu multiplu (MIMO) masiv. Procesul are nevoie de informații precise – denumite „Informații despre starea canalului” (CSI) – pentru a oferi conectivitate între stațiile de bază și dispozitivele mobile cu antene compatibile.

Această situație este complicată și mai mult de modificările aduse mediului unei rețele, cum ar fi antenele care se deplasează cu oamenii și traficul sau obstrucțiile în linia de vedere dintre dispozitive și turnuri celulare. Acest lucru duce la „îmbătrânirea canalului” – o nepotrivire între starea canalului prevăzută și starea sa reală, ceea ce duce la performanțe degradate, cum ar fi reducerea debitului de date și calitatea semnalului.

Pentru a încerca să depășească astfel de provocări, autorii studiului au folosit un nou tip de model AI cunoscut ca transformator. Rețele neuronale convoluționale (CNN) Poate fi utilizat pentru a ajuta la prezicerea și optimizarea traficului de rețea wireless, recunoscând modelele de semnal și clasificarea.

Dar cercetătorii au adoptat o abordare diferită: folosind un model de transformator în locul unui CNN în metoda de analiză a rețelei lor, atât modelele pe termen scurt, cât și pe termen lung în modificările semnalului ar putea fi urmărite. Drept urmare, sistemul AI, denumit „feedback CSI parametric asistat de transformare”, ar putea face ajustări în timp real în rețeaua wireless pentru a îmbunătăți calitatea conexiunii între o stație de bază și un utilizator, chiar dacă acesta din urmă s-a mișcat rapid.

Îmbunătățirea este explicată de Diferența dintre CNN și transformatoare. Ambele sunt modele de rețea neuronală care analizează tiparele vizuale, cum ar fi imaginile – în acest caz, tiparele din spectrul electromagnetic – dar CNN -urile tind să fie instruite pe seturi de date mai mici și se concentrează pe caracteristici „locale”, în timp ce modelele de transformare folosesc seturi de date mai mari și au au un mecanism de auto-atenție Acest lucru le permite să determine importanța diferitelor elemente de intrare și relațiile lor la nivel global și local.

În termeni simpli, un model de transformator va afla despre o imagine în ansamblu, în timp ce un CNN are o părtinire către caracteristici precum margini și texturi. Transformatoarele văd imaginea mai mare, ca să zic așa.

Cu toate acestea, modelele de transformare sunt mai solicitante din punct de vedere calculat decât CNN -urile. Dar dacă pot oferi rețele wireless robuste de urmărire viitoare, acestea ar putea fi cheia comunicării wireless de mare viteză în viitorul apropiat.

Roland Moore-Colyer este un scriitor independent pentru știința live și redactor de manager la publicația de consum tehnologică Techradar, care rulează verticalul de calcul mobil. La Techradar, unul dintre cele mai mari site -uri de tehnologie de consum din Marea Britanie și SUA, el se concentrează pe smartphone -uri și tablete. Dar, dincolo de asta, el atinge mai mult de un deceniu de experiență de scriere pentru a aduce oameni povești care acoperă vehicule electrice (EV), evoluția și utilizarea practică a inteligenței artificiale (AI), a produselor de realitate mixtă și a cazurilor de utilizare și a evoluției calculării atât la nivel macro, cât și dintr -un unghi al consumatorului.