نماذج "تدريب" الذكاء الاصطناعي لتقنيات الجيل الخامس المتقدم والجيل السادس

إن أداء أنظمة RAN التقليدية يفرض تحديات كبيرة على المشغلين، بما في ذلك الإنتاجية المحدودة، والزمن الكامن المرتفع، وانخفاض استخدام الموارد. غالبًا ما يتعين على عمليات نشر 5G التجارية أن تأخذ في الاعتبار أداء الارتباط الصاعد، وخاصةً على حافة الخلية، حيث تكون طاقة الإرسال الخاصة بمعدات المستخدم (UE) محدودة، مما يؤثر على نسبة الإشارة إلى الضوضاء (SNR) المستقبلة في المحطة الأساسية.

بسبب الضوضاء الخلفية العالية، تواجه خوارزميات تقدير القناة التقليدية صعوبة في المناطق ذات نسبة الإشارة إلى الضوضاء المنخفضة. يوفر نموذج الذكاء الاصطناعي نهجًا جديدًا من خلال تسهيل تقدير القناة بدقة وتحسين تخصيص الموارد وتقليل استهلاك الطاقة. يمكن أن يؤدي هذا إلى زيادة سعة النظام وتحسين أداء الشبكة وتقديم تجربة مستخدم متفوقة.

يتيح هذا التعاون لشركة سامسونج دمج نموذج الذكاء الاصطناعي القوي في حل برنامج vRAN الخاص بها.

توفر حلول محاكاة القنوات من Keysight إنشاء قنوات لمجموعة واسعة من ظروف القنوات، إلى جانب معالجة الإشارات في الوقت الفعلي وإمكانيات التردد اللاسلكي (RF). نجحت شركة سامسونج في إنشاء نماذج ذكاء اصطناعي متقدمة لتقدير القناة في أجهزة الاستقبال الصاعدة، مما أدى إلى تحسين المكسب الملحوظ في بيئة المختبر بشكل كبير. على سبيل المثال، تظهر تجارب المحاكاة أن الإنتاجية عند حافة خلية الشبكة تتحسن بنسبة تصل إلى 30% عند استخدام نموذج الذكاء الاصطناعي لتقدير القناة بدلاً من طريقة القواعد الثابتة الحالية.

يتم استخدام إعداد تجريبي كامل، مع تشغيل الراديو والمعدات الموزعة على منصة NVIDIA Aerial AI من Samsung، لتقييم أداء نموذج الذكاء الاصطناعي هذا. تم نشر نموذج الذكاء الاصطناعي هذا على منصة NVIDIA GH200 Grace Hopper Superchip، وحلول Channel Emulation وCore Emulation من Keysight.

وسوف يحفز هذا الإنجاز الابتكار ويمهد الطريق لاعتماد تقنيات RAN المدعومة بالذكاء الاصطناعي على نطاق واسع.

فان ثانه