Qualcomm Technologies y Nokia Bell Labs continúan trabajando juntos para demostrar el valor de la IA interoperable y de múltiples proveedores en redes inalámbricas.
Resumen
- Demostramos robustez de los modelos de IA en diferentes entornos físicos
- Medimos las ganancias de rendimiento del 15% al 95% en comparación con la retroalimentación de CSI 3GPP Tipo I
- Demostramos la flexibilidad del aprendizaje secuencial, que puede facilitar la formación del decodificador de red o del codificador de dispositivo
Qualcomm Technologies y Nokia Bell Labs continúan trabajando juntos para demostrar el valor de la IA interoperable y de múltiples proveedores en redes inalámbricas. En el MWC 2024, primero demostró la interoperabilidad por aire de la retroalimentación del estado del canal mejorada por IA modelos de codificador y decodificador que se ejecutan en dispositivos móviles de referencia con el sistema Qualcomm Technologies’ 5G modem-RF y una estación base prototipo Nokia, respectivamente. Estos modelos interoperables fueron desarrollados por las dos empresas utilizando una nueva técnica conocida como aprendizaje secuencial. Con el aprendizaje secuencial, varias empresas pueden co-diseñar modelos de IA interoperables sin necesidad de compartir detalles de propiedad de sus implementaciones. En cambio, un conjunto de datos de capacitación de pares de entrada/salida del modelo se comparte de una empresa a otra.
Sobre la base de esta prueba de concepto, desde entonces hemos continuado trabajando juntos para demostrar el valor, la flexibilidad y la escalabilidad de la IA interoperable para la retroalimentación del estado del canal (CSF).
Robustez inalámbrica de IA en diferentes entornos físicos
A medida que las tecnologías de IA se implementan en redes del mundo real, es importante garantizar que los modelos funcionen de manera sólida en diversos entornos. Los conjuntos de datos de capacitación deben ser lo suficientemente diversos para que los modelos de IA aprendan de manera efectiva; sin embargo, no es realista que cubran todos los escenarios posibles. Por lo tanto, es fundamental que los modelos de IA generalizan su entrenamiento para manejar nuevas situaciones. En nuestra colaboración, estudiamos tres ubicaciones de estaciones base diferentes: una ubicación suburbana al aire libre (Sitio Exterior) y dos entornos interiores diferentes (Sitio Interior 1 y Sitio Interior 2).
En el primer escenario, comparamos el rendimiento de un modelo de IA común entrenado con diversos conjuntos de datos con modelos hiperlocales que se entrenan en ubicaciones específicas. La siguiente figura resume el rendimiento medio logrado en el sitio al aire libre y el Sitio Interior 1. Como podemos ver, el modelo de IA común puede funcionar en diferentes entornos con un rendimiento comparable al de los modelos hiperlocales.
Figura 1. Rendimiento medio (Mbps) logrado con un modelo común vs. modelos de IA hiperlocales
Más tarde adaptamos el modelo común para incluir datos del Sitio Interior 2 (el modelo Común Adaptado). Luego medimos el rendimiento de los datos del usuario en cuatro ubicaciones diferentes dentro del Sitio Interior 2. Como muestra la figura, el modelo común estuvo dentro del 1% del rendimiento del modelo Común Adaptado en todos los casos, mostrando la robustez del modelo común general a nuevos escenarios.
Figura 2. Rendimiento medio (Mbps) logrado con el modelo Común vs. Común Adaptado
Ganancias de rendimiento sobre la retroalimentación de la cuadrícula de vigas
El CSF mejorado por IA permite que la red transmita en un patrón de haz más preciso, mejorando la intensidad de la señal recibida, reduciendo la interferencia y, en última instancia, proporcionando un mayor rendimiento de datos. Medimos esta mejora registrando los rendimientos de datos experimentados con retroalimentación basada en IA y retroalimentación basada en cuadrícula de haz (3GPP Tipo I) a medida que el usuario móvil se movía entre varias ubicaciones en la celda. Como se muestra en los gráficos de barras a continuación, el uso de la retroalimentación de IA produjo un mayor rendimiento, con ganancias de rendimiento por ubicación que van del 15% al 95%. Las ganancias de rendimiento que se observarán en los sistemas comerciales bajo CSF mejorado por IA dependerán de muchos factores. Sin embargo, los resultados de esta prueba de concepto, junto con numerosos estudios de simulaciónsugiera que el rendimiento con las mejoras de IA será consistentemente mayor que el logrado con los enfoques heredados.
Figura 3. Ganancias porcentuales sobre la retroalimentación de Tipo I en pruebas exteriores e interiores
El decodificador de red: primer aprendizaje secuencial
El aprendizaje secuencial se puede llevar a cabo de dos maneras, ya sea el codificador de dispositivo primero o el decodificador de red primero, lo que tiene diferentes implicaciones para la implementación y la estandarización. Para respaldar el creciente interés de los 3GPP en el enfoque de decodificador primero, este año reemplazamos nuestras demostraciones originales de codificador primero con la capacitación del modelo de decodificador primero. Con el enfoque de codificador primero demostrado en el MWC 2024, Qualcomm Technologies diseñó un modelo de codificador, generó un conjunto de datos de entrenamiento de pares de entrada/salida y luego compartió el conjunto de datos con Nokia, que posteriormente diseñó un decodificador interoperable. Este año, con el enfoque de decodificador primero, Nokia diseñó un modelo de decodificador y generó y compartió un conjunto de datos de capacitación de pares de entrada/salida de decodificador para que Qualcomm Technologies lo use en el diseño de un codificador interoperable.Encontramos que los modelos diseñados por ambas modalidades funcionaron igualmente bien, en unos pocos puntos porcentuales.
Línea inferior
El prototipo que Qualcomm Technologies y Nokia Bell Labs han demostrado conjuntamente representa un paso clave para mover la comunicación mejorada por IA del concepto a la realidad. Los resultados muestran que la experiencia del usuario puede mejorarse significativamente, de manera robusta, a través de múltiples modalidades de aprendizaje. A medida que aprendemos a diseñar sistemas de IA interoperables y de múltiples proveedores, podemos comenzar a lograr una mayor capacidad, una mayor confiabilidad y un menor consumo de energía.
Este blog también fue publicado en Qualcomm el 26 de febrero de 2025
NOKIA Blog. C. N. y R. W. Traducido al español
Contacto