Dimostrata la robustezza dei modelli di IA in diversi ambienti fisici.
Misurati guadagni di throughput dal 15% al 95% rispetto al feedback CSI di Tipo I 3GPP.
Evidenziata la flessibilità dell’apprendimento sequenziale, che può facilitare l’addestramento “decoder-first” (prima il decodificatore di rete) o “encoder-first” (prima l’encoder del dispositivo).
Qualcomm Technologies e Nokia Bell Labs stanno continuando a collaborare per dimostrare il valore dell’IA multi-vendor interoperabile nelle reti wireless. Al MWC 2024 Qualcomm ha presentato per la prima volta l’interoperabilità over-the-air di modelli di encoder e decoder di feedback dello stato del canale potenziati dall’IA, eseguiti rispettivamente su dispositivi mobili di riferimento con il sistema modem-RF 5G di Qualcomm Technologies e una stazione base prototipo Nokia. Questi modelli interoperabili sono stati sviluppati dalle due aziende utilizzando una nuova tecnica denominata apprendimento sequenziale. Con questa metodologia, più aziende possono co-progettare modelli di IA interoperabili senza dover condividere dettagli proprietari delle loro implementazioni. Invece, viene condiviso un set di dati di addestramento composto da coppie input/output del modello tra le aziende.
Basandosi su questa prova di concetto, la collaborazione ha proseguito per dimostrare il valore, la flessibilità e la scalabilità dell’IA interoperabile per il feedback dello stato del canale.
Robustezza dell’IA wireless in diversi ambienti fisici
Quando le tecnologie di IA vengono implementate in reti reali, è fondamentale garantire che i modelli funzionino in modo robusto in ambienti eterogenei. I set di dati di addestramento devono essere sufficientemente diversificati affinché i modelli di IA possano apprendere in modo efficace; tuttavia, è irrealistico aspettarsi che coprano tutti gli scenari possibili. Per questo motivo, è essenziale che i modelli di IA siano in grado di generalizzare il proprio addestramento per gestire situazioni nuove. Nella collaborazione sono stati studiati tre siti cellulari molto diversi: una posizione suburbana all’aperto (Sito Esterno) e due ambienti interni distinti (Sito Interno 1 e Sito Interno 2).
Nel primo scenario, sono state confrontate le prestazioni di un modello di IA comune, addestrato con set di dati diversificati, con quelle di modelli iper-locali addestrati in posizioni specifiche. I risultati hanno mostrato che il modello di IA comune è in grado di operare in diversi ambienti con prestazioni comparabili ai modelli iper-locali.
Successivamente, il modello comune è stato adattato per includere i dati provenienti dal Sito Interno 2 (denominato Modello Comune Adattato). È stato quindi misurato il throughput dei dati utente in quattro diverse posizioni all’interno del Sito Interno 2. Come mostrato nella figura, il modello comune ha raggiunto prestazioni entro l’1% rispetto al Modello Comune Adattato in tutti i casi, dimostrando la robustezza del modello comune generale in nuovi scenari.
Guadagni di throughput rispetto al feedback “grid-of-beams”
Il feedback dello stato del canale potenziato dall’IA consente alla rete di trasmettere con un pattern di beam più preciso, migliorando la potenza del segnale ricevuto, riducendo le interferenze e, in ultima analisi, fornendo un throughput di dati più elevato. Questo miglioramento è stato misurato registrando i throughput di dati ottenuti con il feedback basato sull’IA e quello basato su “grid-of-beam” (3GPP Tipo I), mentre l’utente mobile si spostava tra varie posizioni nella cella.
I risultati hanno mostrato che l’utilizzo del feedback basato sull’IA ha prodotto un throughput più elevato, con guadagni per posizione che vanno dal 15% al 95%. I guadagni di throughput osservati nei sistemi commerciali con CSF potenziato dall’IA dipenderanno da numerosi fattori. Tuttavia, i risultati di questa prova di concetto, insieme a numerosi studi di simulazione, suggeriscono che il throughput con miglioramenti basati sull’IA sarà costantemente superiore rispetto agli approcci tradizionali.
Apprendimento sequenziale “Network decoder-first”
L’apprendimento sequenziale può essere implementato in due modalità: “device encoder-first” o “network decoder-first”, ciascuna con implicazioni diverse per l’implementazione e la standardizzazione. Per supportare il crescente interesse del 3GPP per l’approccio “decoder-first”, quest’anno le dimostrazioni originali “encoder-first” sono state sostituite con l’addestramento del modello “decoder-first”.
Con l’approccio “encoder-first” dimostrato al MWC 2024, Qualcomm Technologies ha progettato un modello di encoder, generato un set di dati di addestramento composto da coppie input/output e successivamente condiviso il set di dati con Nokia, che ha progettato un decoder interoperabile. Quest’anno, con l’approccio “decoder-first”, Nokia ha progettato un modello di decoder, generato un set di dati di addestramento composto da coppie input/output del decoder e lo ha condiviso con Qualcomm Technologies per consentire la progettazione di un encoder interoperabile.
I risultati hanno mostrato che i modelli progettati con entrambe le modalità hanno offerto prestazioni equivalenti, con differenze minime nell’ordine di pochi punti percentuali.
Conclusioni
Il prototipo dimostrato congiuntamente da Qualcomm Technologies e Nokia Bell Labs rappresenta un passo cruciale verso la trasformazione della comunicazione potenziata dall’IA da concetto a realtà. I risultati evidenziano come l’esperienza utente possa essere significativamente migliorata, in modo robusto, attraverso molteplici modalità di apprendimento. La progettazione di sistemi di IA multi-vendor interoperabili apre la strada a capacità migliorate, maggiore affidabilità e una riduzione del consumo energetico.
