Современная электроника №3/2021

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ 8 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА ◆ № 3 2021 Коммуникации в эпоху 6G Часть 2 В статье рассматриваются перспективы внедрения сети 6G, при этом внимание уделяется не только технологиям, но и человеческой трансформации, которая ожидается с приходом шестого поколения связи. Такой подход помогает получить представление о требованиях к производительности и принципах проектирования 6G. В первой части статьи мы рассказали о свойствах сетей поколения 6G и о принципиально новых возможностях, которые откроются благодаря появлению этих сетей. Вторая часть статьи посвящена рассмотрению необходимых для создания сетей нового поколения технологий. Хариш Вишванатан, Пребен Могенсен (Nokia Bell Labs) Шесть ключевых технологий для 6G Развёртывание сети 6G ознаменует- ся появлением ряда новых важных тех- нологий, которые формируют систему связи. По-настоящему фундаменталь- ные новые технологии обычно вне- дряются через десять лет или больше с момента изобретения. Ввиду это- го по-настоящему новые технологии, формирующие 6G, должны существо- вать сегодня хотя бы на уровне иссле- довательских концепций. Продолжая тему «шести» для 6G, авторы статьи определили шесть потенциальных тех- нологических преобразований, кото- рые станут частью системы: 1. проектирование и оптимизация радиоинтерфейса на основе искус- ственного интеллекта и машинно- го обучения; 2. расширение спектра и появление но- вых когнитивных методов совмест- ного использования спектра; 3. интеграция систем локализации и зондирования; 4. достижение высоких требований к производительности по задержке и надёжности; 5. новые парадигмы сетевой архитекту- ры, включающие подсети и конвер- генцию RAN-ядра; 6. новые схемы безопасности и конфи- денциальности. Каждый из пунктов описан в следу- ющих подразделах. Растущая роль искусственного интеллекта и машинного обучения Методы искусственного интеллекта и машинного обучения (особенно глу- бокого обучения) быстро развивают- ся последнее десятилетие. Сегодня эти методы занимают центральное место в нескольких областях: классификации изображений, компьютерном зрении, поддержке социальных сетей и безопас- ности. Эти методы применяются в обла- стях, где для обучения легко доступны значительные объёмы данных. Обу- чение с подкреплением сигналами от среды взаимодействия начинает при- меняться во множестве приложений для управления роботами после различных демонстраций возможностей в игровых средах, таких как AlphaGo (программа для игры в го, разработанная компани- ей Google DeepMind в 2015 году). В последнее время появилась масса работ, исследующих применение мето- дов глубокого обучения в беспровод- ных системах. В ближайшие несколь- ко лет обучение беспроводных систем и машинное обучение будут применять- ся к 5G как минимум тремя различны- ми способами. Во-первых, есть потенциал для заме- нынекоторых из основанных на модели алгоритмов Уровня 1 и Уровня 2, таких как выбор канала, выделение пакета данных, балансирование и планиро- вание пользователей сети. Во-вторых, эти способы, вероятно, будут широко применяться при оптимизации раз- вёртывания, например для настройки оптимального подмножества лучей, с помощьюкоторых будет обеспечивать- ся зона покрытия с учётом структуры трафика каждой отдельно взятой соты. Учитывая сложность систем 5G с точ- ки зрения огромного количества пара- метров, которые необходимо настро- ить во время развёртывания, методы искусственного интеллекта и машинно- го обучения будут играть важную роль в оптимизации сети без вмешательства человека. Можно предположить и неко- торые другие вариантыиспользования, такие как повышение точности локали- зации конечных устройств внутри 5G методом машинного обучения. В дополнение к использованию ИИ и МО в сетях радиодоступа эти инстру- менты станут необходимыми создания для бесшовной сетевой автоматизации 5G в случаях сложного взаимодействия между несколькими сетевыми домена- ми и уровнями. Это позволит динамич- но адаптировать сетевые и облачные ресурсы в соответствии с меняющими- ся требованиями: быстро развёртывать новые сервисы и устранять сбои, при этом значительно экономить на экс- плуатационных расходах. Системы 6G будут полагаться на ИИ и МО в намного большей степени, чем 5G. Должен произойти переход от ИИ как просто инструмента для автома- тизации отдельных функций к ИИ как фундаменту для проектирования и оптимизации интерфейса, с возможно- стью самооптимизации передатчиков и приёмников, когнитивным использо- ванием спектра и высокой контекстной осведомлённостью. Самооптимизирующиеся передатчики и приёмники Сегодняшние исследования показы- вают, что системы глубокого обучения могут научиться общаться с использо- Информация получение битов Информация отправление битов Зависимость оборудования Зависимость оборудования Дополнительный канал для обучения и начальной загрузки Обратная связь о зависимости канала ADC/DAC Analog FEM ADC/DAC Analog FEM Рис. 5. Системы сквозного обучения, адаптирующиеся к оборудованию и каналам