- Les recherches concernant les briques technologiques sur lesquelles s’appuieront la future norme de communication sans fil de sixième génération (6G), dont le déploiement commercial est prévu vers 2030, battent leur plein. Elles explorent notamment le potentiel pour la 6G d’une interface air, exploitant nativement des techniques d’intelligence artificielle (IA) et d’apprentissage automatique.
- Lors du Mobile World Congress (MWC) de Barcelone, Rohde & Schwarz et Nvidia présenteront une démonstration mettant en œuvre un récepteur neuronal.
- Les deux entreprises mettront ainsi en lumière les gains de performance atteignables en utilisant des modèles d’apprentissage automatique entraînés par rapport à des techniques traditionnelles de traitement du signal.
Les visiteurs de l’édition 2023 du Mobile World Congress pourront découvrir une démonstration dévoilant les performances d’un récepteur neuronal mis en œuvre dans le cadre d’un scénario de liaison 5G NR montante multi-utilisateurs à entrées et sorties multiples (MU-MIMO). Elle pourra éventuellement être utilisée pour la transmission des signaux 6G au niveau de la couche physique. Cette démonstration met en œuvre des solutions de test de Rohde & Schwarz pour la génération et l’analyse de signaux et Nvidia Sionna™, une bibliothèque open-source pour la simulation avec des GPU de liaisons au niveau de la couche physique.
Un récepteur neuronal est un concept qui vise à remplacer des blocs de traitement des signaux au niveau de la couche physique d’un système de communication sans fil par des modèles d’apprentissage automatique entraînés. Le monde universitaire, les principaux instituts de recherche et les experts industriels du monde entier prévoient que la future norme 6G utilisera des techniques d’intelligence artificielle et d’apprentissage automatique pour des traitements de signaux, telles que l’estimation des canaux, l’égalisation des canaux et le démappage. Les simulations actuelles suggèrent qu’un récepteur neuronal augmentera la qualité des liaisons et aura un impact sur le débit de transmission par rapport aux algorithmes logiciels déterministes de haute performance actuellement exploités par les systèmes de communication 5G NR.
Les jeux de données sont indispensables pour entraîner les modèles d’apprentissage automatique. Or, l’accès à ces jeux de données est souvent limité ou simplement impossible. Dans l’état actuel des premières recherches sur la 6G, les équipements de test et de mesure constituent une alternative pertinente pour générer divers ensembles de données dans différentes configurations de signaux afin d’entraîner les modèles d’apprentissage automatique aux opérations de traitement du signal.
La démonstration du récepteur neuronal exploitant des techniques d’intelligence artificielle et d’apprentissage automatique sera présentée sur le stand de Rohde & Schwarz. Elle met en œuvre le générateur de signaux vectoriels R&S SMW200A qui émule deux utilisateurs distincts transmettant en liaison montante un signal de 80 MHz de largeur de bande dans une configuration MIMO 2×2. Les signaux de chaque utilisateur sont indépendamment atténués et bruités pour simuler des conditions de transmission radio réalistes. Le récepteur satellite polyvalent de la gamme R&S MSR4 capture le signal transmis à une fréquence porteuse de 3 GHz via ses quatre canaux de réception en cohérence de phase. Les données sont ensuite transmises à un serveur via une interface de streaming en temps réel. Le signal y est pré-traité sur la plateforme R&S SBT (Server-Based Testing) qui comprend les outils d’exploration de signaux du logiciel R&S VSE. Le logiciel d’analyse du signal VSE synchronise le signal et effectue des transformées de Fourier rapides (FFT). Cet ensemble de données ainsi traité sert de données d’entrée à un récepteur neuronal mis en œuvre avec la solution Nvidia Sionna.
Nvidia Sionna est une bibliothèque open-source permettant la mise en œuvre par GPU d’applications de simulation au niveau des liens. Elle permet le prototypage rapide d’architectures de systèmes de communication complexes, tout en supportant nativement des capacités d’intégration de techniques d’apprentissage automatique pour le traitement de signaux 6G.
Dans le cadre de la démonstration, les performances du récepteur neuronal entraîné sont comparées à celles d’un récepteur traditionnel reposant sur une architecture LMMSE (linear minimum mean squared error), qui met en œuvre des techniques de traitement du signal traditionnelles exploitant des algorithmes logiciels développés de manière déterministe. Ces algorithmes, d’or déjà très performants, sont largement utilisés par les actuels réseaux cellulaires 4G et 5G.
