Nvidia Aerial i Sionna: otwarte narzędzia napędzają badania nad 6G
Otwarte narzędzia Nvidia Aerial i Sionna pobrano ponad milion razy. Zobacz, jak King's College, SoftBank i Leeds wykorzystują je w badaniach nad sieciami 6G.

Źródło zdjęcia: NVIDIA Blog
Rok temu Nvidia udostępniła na licencji open source oprogramowanie radiowe Aerial. Dołączyło ono do biblioteki Sionna i szerszego zestawu otwartych narzędzi, które mają przyspieszyć prace nad sieciami 6G. Jak opisuje firma na swoim oficjalnym blogu, narzędzia te pozwalają naukowcom testować pomysły, porównywać wyniki i rozwijać nawzajem swoje prace. Łączą przy tym symulację i trening modeli AI z eksperymentami na rzeczywistych systemach bezprzewodowych, działających w eterze.
Naukowcy i deweloperzy budują z ich pomocą sieci gotowe na 6G, które robią więcej niż tylko przesyłają dane. Lepiej odbierają sygnał, utrzymują łączność z robotami i systemami autonomicznymi w krytycznych momentach oraz dostosowują się w czasie rzeczywistym do poruszających się urządzeń. Nvidia przedstawia cztery projekty badawcze, które pokazują, jak mogą wyglądać sieci przyszłości.
Kluczowe informacje
- W ciągu ostatniego roku liczba deweloperów korzystających z NVIDIA AI Aerial i NVIDIA Sionna wzrosła 10-krotnie, a otwarte narzędzia Nvidii do 5G/6G przekroczyły 1 milion pobrań.
- Z platform korzysta ponad 8000 instytucji badawczych i akademickich na świecie.
- Komunikacja semantyczna testowana w King's College London skróciła czas wykonania zadań przez robota nawet o 52,6%.
- Odbiornik neuronowy SoftBanku zwiększył przepustowość uplinku maksymalnie o około 60%, a system opracowany na University of Leeds obniżył zużycie energii przez sieć dostępu radiowego (RAN) o 45,6%.
- Dzięki modelom kanału radiowego akcelerowanym na GPU CTTC skróciło symulację z około trzech godzin do 10–20 minut.
Szybsze reakcje robotów dzięki komunikacji semantycznej
Robot, który chwyta przedmiot, musi zrozumieć otoczenie i zadziałać, zanim sytuacja się zmieni. Jeśli model AI podejmujący decyzję działa na pobliskim serwerze lub w chmurze, połączenie bezprzewodowe staje się częścią czasu reakcji.
Badacze sprawdzają bardziej efektywne podejście, nazywane zorientowaną na cel komunikacją semantyczną (goal-oriented semantic communications). Robot nie wysyła pełnych obrazów, tylko zwięzłe opisy obiektów, ich położenia i wzajemnych relacji. Przesyłanie tylko tylu informacji, ile jest potrzebne, przyspiesza reakcję. Ma to szczególne znaczenie w dynamicznych środowiskach, takich jak zakłady pracy i magazyny.
W King's College London ramię robota wyposażone w kamerę połączono z modułem NVIDIA Jetson AGX Orin, na którym działała Sionna. Platforma obsługuje zarówno programowo definiowaną sieć 5G, jak i przetwarzanie AI na brzegu sieci (edge AI). Eksperymenty obejmowały pakowanie owoców i układanie sześcianów, a badacze celowo wprowadzali do nich zakłócenia. Nowe podejście skróciło czas wykonania zadania nawet o 52,6% i poprawiło skuteczność w porównaniu z okresowym wysyłaniem obrazów.
Poza szybszą reakcją i mniejszym narzutem obliczeniowym system okazał się bardziej odporny na błędy. Wykrywał upuszczone przedmioty i radził sobie z nieudanymi ruchami. W konfiguracjach z cyfrowym bliźniakiem sprawdzał też zaplanowane ruchy pod kątem możliwych kolizji, zanim je wykonał. Podobne wykorzystanie cyfrowych bliźniaków Nvidia rozwija również w przemyśle, czego przykładem są symulacje przemysłowe budowane przez agentów AI w Omniverse.
Odbiorniki, które uczą się lepiej słyszeć
Strażak oglądający transmisję z drona albo ratownicy szukający zaginionej osoby potrzebują aktualnych obrazów, by podejmować pilne decyzje. Zakłócenia i zmienne warunki radiowe utrudniają jednak dekodowanie sygnału. Pojawiają się błędy i retransmisje, które opóźniają dotarcie informacji z terenu.
Odbiorniki oparte na AI uczą się skuteczniej odzyskiwać informacje z docierającego sygnału. Lepszy odbiór mógłby pomóc służbom zachować wyraźniejszy i bardziej aktualny obraz pożaru czy obszaru poszukiwań.
SoftBank zintegrował odbiornik neuronowy z platformą NVIDIA Aerial CUDA-Accelerated RAN (ACAR) i przetestował go z komercyjnym smartfonem 5G. W kontrolowanych testach z zakłóceniami odbiornik neuronowy zapewniał wyższą przepustowość uplinku niż konwencjonalny we wszystkich 15 badanych konfiguracjach. Maksymalny zysk wyniósł około 60%.
Odbiór można też poprawić, ucząc odbiornik specyfiki miejsca, w którym działa. Badacze z ETH Zurich korzystali z NVIDIA Aerial Testbed. Odbiorniki neuronowe dostrojone na podstawie lokalnych pomiarów miały o ponad jedną trzecią niższą stopę błędów blokowych niż wybrane wstępnie wytrenowane wersje.
Sieć, która wie, kiedy oszczędzać energię
Sieci 6G połączą więcej urządzeń i obsłużą więcej aplikacji AI, więc zarządzanie zapotrzebowaniem na energię będzie coraz ważniejsze. Sieć musi mieć np. wystarczającą przepustowość dla zatłoczonego stadionu, ale po wyjściu kibiców zapotrzebowanie się zmienia. AI może wskazać, kiedy nadmiarowe zasoby można wyłączyć, a kiedy trzeba je przywrócić. Operatorzy mogą wtedy ograniczyć zużycie prądu bez zrywania połączeń.
Na University of Leeds powstał system, który przewiduje zapotrzebowanie na sieć 10 minut naprzód i na tej podstawie decyduje o usypianiu stacji bazowych. Przed wyłączeniem stacji sprawdza, czy sąsiednie aktywne stacje przejmą obsługę urządzeń. Monitoruje też zmiany, które wymagają ponownego uruchomienia zasobów.
Zespół testował rozwiązanie na przenośnej sieci 5G typu network-in-a-box, zasilanej przez NVIDIA DGX Spark. Decyzje systemu weryfikowano za pomocą cyfrowego bliźniaka na tle rzeczywistego sprzętu radiowego. Badacze odnotowali spadek zużycia energii przez RAN o 45,6% względem pracy z pełną mocą, przy zachowanej łączności urządzeń.
Testowanie sieci, zanim powstaną
Przed wdrożeniem sieci badacze muszą wiedzieć, jak zachowa się ona, gdy setki urządzeń konkurują o połączenie albo gdy sygnał napotyka zakłócenia. Symulacje pozwalają ocenić projekt przed inwestycją w kosztowny sprzęt i testy terenowe. Realistyczne symulacje mogą jednak trwać godzinami, co ogranicza liczbę sprawdzanych pomysłów.
Centre Tecnològic de Telecomunicacji de Catalunya (CTTC) przyspiesza ten proces. Ośrodek przeniósł modele kanału radiowego akcelerowane na GPU, działające na ACAR, do swojego otwartego symulatora sieci 5G-LENA. Modele te obliczają, jak sygnał wędruje między antenami a urządzeniami. Wraz ze wzrostem symulowanej sieci obliczenia stają się coraz bardziej wymagające.
We wstępnej ocenie czas symulacji spadł z około trzech godzin do 10–20 minut, zależnie od sposobu integracji. Oczekiwane zachowanie statystyczne i wydajność sieci pozostały przy tym zachowane. Szybsze symulacje pozwalają porównać więcej projektów, badać trudniejsze scenariusze i wcześniej dopracowywać pomysły. Według Nvidii może to skrócić drogę od propozycji innowacji do gruntownie przetestowanego projektu sieci 6G.
Wspólny kierunek: sieci 6G natywnie oparte na AI
Każdy z projektów dotyczy innego problemu, ale według Nvidii wszystkie wskazują ten sam cel. Są nim sieci 6G natywnie oparte na AI (AI-native), które łączą łączność, obliczenia i sensing na jednej, programowo definiowanej platformie. Mają one obsługiwać miliardy ludzi, maszyn i agentów.
Kolejne rozwiązania mają zostać zaprezentowane podczas sesji 6G Developer Sessions na konferencji NVIDIA GTC w Waszyngtonie. Zarówno NVIDIA AI Aerial, jak i NVIDIA Sionna są dostępne w serwisie GitHub.
Otwarty kod już przekłada się na mierzalne wyniki. Przedstawione projekty dotyczą szybszych robotów, lepszego odbioru sygnału, mniejszego zużycia energii i krótszych symulacji, a skala adopcji sugeruje, że badania nad 6G coraz częściej będą prowadzone na wspólnych, otwartych narzędziach.
Źródła
Podobne publikacje

ToyBlocks od Ai2: kontrolowany świat do nauki i testowania robotów
ToyBlocks od Ai2 to otwarta symulacja z ramieniem robota i klockami. Automatycznie generuje dane i pokazuje, że modele VLA wciąż słabo generalizują przestrzennie.

Odejście Jensena Huanga z Nvidii: pięć zagrożeń dla branży AI
Jensen Huang odchodzi z Nvidii po aferze z rzekomym chińskim szpiegiem. Analizujemy, jak utrata lidera uderza w otwarte modele, agentów AI i centra danych.

Nemotron-Personas-Finance-Japan: 9 mln syntetycznych person od NVIDIA
Nemotron-Personas-Finance-Japan od Elith i NVIDIA to 9 mln syntetycznych person z danymi o finansach Japończyków. Sprawdź, jak powstał zbiór i do czego służy.