Les scientifiques se développent intelligence artificielle (AI) Des modèles qui pourraient aider les réseaux sans fil de nouvelle génération tels que 6G fournissent des connexions plus rapides et plus fiables.
Dans un étude Cela figurait dans l’édition de décembre 2024 des transactions IEEE sur les communications sans fil, les chercheurs ont détaillé un système d’IA qui réduit la quantité d’informations qui doivent être envoyées entre un appareil et une station de base sans fil – comme une tour cellulaire – en se concentrant sur des informations clés telles que les angles, les retards et la force du signal.
En optimisant les données du signal dans les réseaux sans fil qui utilisent l’onde de millimètres à haute fréquence (bandes MMWave du spectre électromagnétique, les chercheurs ont constaté que les erreurs de connectivité étaient considérablement réduites et le système d’IA a amélioré la fiabilité des données et la connectivité dans divers environnements, comme dans les zones urbaines avec le déplacement du trafic et des piétons.
« Pour répondre à la demande de données en croissance rapide dans les réseaux sans fil de nouvelle génération, il est essentiel de tirer parti de la ressource de fréquence abondante dans les bandes MMWAVE », a déclaré l’auteur principal de l’étude, Byungju Leeprofesseur au département de télécommunications de l’Université nationale d’Incheon, Corée du Sud.
« Notre méthode garantit une forme de faisceau précise, ce qui permet aux signaux de se connecter de manière transparente avec des appareils, même lorsque les utilisateurs sont en mouvement », » dit Lee.
Façons plus intelligentes de façonner les vagues
Le défi actuel pour les réseaux qui utilisent le spectre radio à haute fréquence comme les MMWAVES est qu’ils comptent sur un grand groupe d’antennes travaillant ensemble via une sortie multiple multiple (MIMO) massive. Le processus a besoin d’informations précises – appelées «Informations sur l’état de canal» (CSI) – pour fournir une connectivité entre les stations de base et les appareils mobiles avec des antennes compatibles.
Cette situation est encore compliquée par les modifications de l’environnement d’un réseau, telles que les antennes se déplaçant avec les personnes et le trafic, ou les obstructions dans la ligne de vue entre les appareils et les tours cellulaires. Cela conduit au «vieillissement du canal» – un décalage entre l’état du canal prévu et son état réel, ce qui entraîne des performances dégradées telles que la réduction du débit de données et la qualité du signal.
Pour essayer de surmonter ces défis, les auteurs de l’étude ont utilisé un nouveau type de modèle d’IA appelé transformateur. Réseaux de neurones convolutionnels (CNNS) Peut être utilisé pour aider à prédire et optimiser le trafic du réseau sans fil, en reconnaissant les modèles de signal et la classification.
Mais les chercheurs ont adopté une approche différente: en utilisant un modèle de transformateur au lieu d’un CNN dans leur méthode d’analyse de réseau, les modèles à court et à long terme dans les changements de signal pourraient être suivis. En conséquence, le système d’IA, surnommé «rétroaction paramétrique paramétrique assistée par le transformateur», pourrait effectuer des ajustements en temps réel dans le réseau sans fil pour améliorer la qualité de connexion entre une station de base et un utilisateur, même si ce dernier se déplaçait rapidement.
L’amélioration est expliquée par La différence entre CNNS et Transformers. Les deux sont des modèles de réseaux neuronaux qui analysent des modèles visuels tels que les images – dans ce cas, les modèles sur le spectre électromagnétique – mais les CNN ont tendance à être formés sur des ensembles de données plus petits et à se concentrer sur les fonctionnalités « locales », tandis que les modèles de transformateur utilisent des ensembles de données plus grands et ont un mécanisme d’auto-agence Cela leur permet de déterminer l’importance de différents éléments d’entrée et de leurs relations au niveau mondial et local.
En termes simples, un modèle de transformateur apprendra une image dans son ensemble, tandis qu’un CNN a un biais vers des fonctionnalités telles que les bords et les textures. Les transformateurs voient la situation dans son ensemble, pour ainsi dire.
Cependant, les modèles de transformateurs sont plus exigeants en calcul que les CNN. Mais s’ils peuvent fournir des réseaux sans fil de nouvelle génération robustes, ils pourraient être la clé de la communication sans fil à grande vitesse dans un avenir proche.
