Para ilmuwan sedang berkembang kecerdasan buatan (AI) Model yang dapat membantu jaringan nirkabel generasi berikutnya, seperti 6G, menawarkan koneksi yang lebih cepat dan lebih andal.
Di dalam belajar Yang muncul dalam Transaksi IEEE edisi Desember 2024 dalam komunikasi nirkabel, para peneliti merinci sistem AI yang mengurangi jumlah informasi yang harus dikirim antara perangkat dan stasiun pangkalan nirkabel, seperti menara sel, dengan berfokus pada informasi utama seperti sudut, penundaan dan kekuatan sinyal.
Saat mengoptimalkan data sinyal dalam jaringan nirkabel yang menggunakan gelombang milimeter frekuensi tinggi (pita gelombang MMWAGE dari spektrum elektromagnetik, para peneliti menemukan bahwa kesalahan konektivitas berkurang secara signifikan, dan sistem AI meningkatkan keandalan data dan konektivitas di lingkungan yang beragam, seperti di daerah perkotaan dengan lalu lintas yang bergerak dan pejalan kaki.
“Untuk mengatasi permintaan akan pertumbuhan yang cepat dalam jaringan nirkabel generasi berikutnya, penting untuk memanfaatkan sumber daya frekuensi yang berlimpah di band -band MMWave,” kata penulis utama penelitian ini, Byungju LeeProfesor di Departemen Telekomunikasi Universitas Nasional Incheon, Korea Selatan.
“Metode kami menjamin pembentukan balok yang tepat, yang memungkinkan sinyal untuk terhubung dengan sempurna ke perangkat, bahkan ketika pengguna bergerak”, Kata Lee.
Bentuk yang lebih pintar untuk membentuk ombak
Tantangan saat ini untuk jaringan yang menggunakan spektrum radio frekuensi tinggi seperti MMWaves adalah bahwa mereka bergantung pada sekelompok besar antena yang bekerja bersama melalui output input berganda (MIME). Proses ini membutuhkan informasi yang tepat, yang disebut “Informasi Status Saluran” (CSI), untuk memberikan konektivitas antara stasiun pangkalan dan perangkat seluler dengan antena yang kompatibel.
Situasi ini semakin rumit oleh perubahan dalam lingkungan jaringan, seperti antena yang bergerak dengan orang -orang dan lalu lintas, atau penghalang dalam garis penglihatan antara perangkat dan menara sel. Hal ini mengarah pada “saluran penuaan”, ketidakcocokan antara status saluran yang diprediksi dan status sebenarnya, yang menghasilkan kinerja yang terdegradasi, seperti berkurangnya kinerja data dan kualitas sinyal.
Untuk mencoba mengatasi tantangan seperti itu, penulis penelitian menggunakan jenis baru model AI yang dikenal sebagai transformator. Jaringan Saraf Konvolusia (CNNS) Ini dapat digunakan untuk membantu memprediksi dan mengoptimalkan lalu lintas jaringan nirkabel, mengenali pola sinyal dan klasifikasi.
Tetapi para peneliti mengadopsi pendekatan yang berbeda: saat menggunakan model transformator alih -alih CNN dalam metode analisis jaringan mereka, pola jangka pendek dan jangka panjang dapat dilacak dalam perubahan sinyal. Akibatnya, sistem AI, yang disebut “umpan balik parametrik CSI dibantu oleh transformator”, dapat membuat penyesuaian waktu nyata di jaringan nirkabel untuk meningkatkan kualitas koneksi antara stasiun pangkalan dan pengguna, bahkan jika yang terakhir bergerak cepat.
Peningkatan dijelaskan oleh Perbedaan antara CNN dan transformer. Keduanya adalah model jaringan saraf yang menganalisis pola visual seperti gambar, dalam hal ini, pola dalam spektrum elektromagnetik, tetapi CNN cenderung dilatih dalam set data yang lebih kecil dan fokus pada fitur “lokal”, sementara model transformator menggunakan set data yang lebih besar dan memiliki Mekanisme serangan diri Itu memungkinkan mereka untuk menentukan pentingnya elemen masuk yang berbeda dan hubungan mereka secara global dan lokal.
Secara sederhana, model transformator akan belajar tentang gambar secara keseluruhan, sedangkan CNN memiliki bias terhadap karakteristik seperti tepi dan tekstur. Transformers melihat panorama umum, untuk berbicara.
Namun, model transformator lebih menuntut secara komputasi daripada CNN. Tetapi jika mereka dapat menawarkan jaringan nirkabel yang kuat generasi berikutnya, mereka bisa menjadi kunci komunikasi nirkabel berkecepatan tinggi dalam waktu dekat.
