무선 시스템 복잡성이 증가함에 따라 AI가 과제 극복의 열쇠가 됩니다.

모바일 무선 기술이 5G로 도약하면서 무선 시스템 설계의 복잡성이 증가하고 있습니다.

현재 사용자 기반 확대에 대한 요구가 증가함에 따라 귀중한 리소스의 최적화 및 공유를 강화해야 하며, 이는 또한 무선 네트워크 관리의 어려움을 증가시킵니다. 이러한 조정으로 인해 엔지니어는 이러한 문제를 극복해야 합니다. 기존의 규칙 기반 방법을 사용하여 새로운 솔루션을 찾습니다. AI는 현대 시스템 문제에 대한 솔루션이 됩니다.

최근 MathWorks의 수석 제품 관리자인 Houman Zarrinkoub는 "현대 무선 시스템 설계의 복잡성을 극복하는 열쇠"라는 기사에서 자율 주행 자동차 간의 통신 관리부터 모바일 통화 리소스 할당 최적화에 이르기까지 AI가 다음과 같이 지적했습니다. 현대 무선 애플리케이션의 중요한 원동력은 개발에 필요한 복잡성을 가져옵니다.

오늘날 네트워크에 연결되는 기기의 수와 범위가 점차 확대되면서 무선 분야에서 AI의 중요성도 크게 높아졌습니다. 엔지니어는 점점 더 복잡해지는 시스템에 AI를 도입하고 무선 시스템에서 AI의 이점과 응용 프로그램은 물론 구현 모범 사례를 이해할 준비가 되어 있어야 하며 이는 무선 시스템 기술의 미래 성공의 열쇠가 될 것이라고 Houman Zarrinkoub는 말했습니다.

1 규모에 맞게 기계와 통신해야 하는 필요성 - 이는 현대 네트워크의 세 가지 사용 사례이자 엔지니어가 AI를 채택하도록 유도하는 역량입니다.

장치가 네트워크 리소스를 놓고 경쟁하고 무선 시스템에 대한 사용자 및 애플리케이션 수가 계속 증가함에 따라 인간 기반 규칙으로 이해한 선형 설계 패턴은 부족합니다. 그러나 AI는 임의의 패턴을 자동으로 효율적으로 추출함으로써 인간 기반 방법의 능력을 뛰어넘는 비선형 문제를 더 잘 해결할 수 있습니다.

이 경우 인공 지능은 연결된 장치와 인간 통신 채널의 패턴을 식별하는 데 사용되는 기계 학습 및 딥 러닝 시스템을 말하며, 이러한 시스템은 해당 링크의 리소스를 최적화하여 성능을 향상시킵니다. 간단히 말해서, AI 방법을 활용하지 않고 이러한 다양한 사용 사례에 맞게 네트워크를 실행하는 것은 거의 불가능한 작업입니다.

또한 인공지능은 프로젝트 관리에도 도움이 됩니다. 원본 환경의 동작을 예측함으로써 시뮬레이션 환경을 알고리즘 모델에 통합함으로써 엔지니어는 최소한의 컴퓨팅 리소스로 시스템의 주요 효과를 더 빠르게 연구할 수 있으며, 설계 및 후속 반복 탐색에 더 많은 시간을 할애할 수 있어 비용과 개발이 절감됩니다. 시간.

캡션: 무선용 AI 워크플로 - 데이터 생성, AI 교육, 검증 및 테스트, 하드웨어 배포

2 무선 시스템에 AI 적용 모범 사례

입력 애플리케이션 단계, 데이터 크기 및 품질은 AI 모델의 효과적인 배포에 중요한 역할을 합니다.

다양한 실제 시나리오를 처리하려면 이러한 모델을 광범위한 데이터를 사용하여 학습해야 합니다. 무선 시스템 애플리케이션은 기본 요소를 기반으로 새로운 데이터를 합성하거나 이를 무선 신호에서 추출함으로써 5G 네트워크 설계자에게 AI를 강력하게 훈련하는 데 필요한 데이터 변경 사항을 제공합니다. 다양한 알고리즘을 반복할 대규모 교육 데이터 세트가 없으면 최종 결과는 전체에 대한 전역 최적화가 아닌 좁은 지역 최적화가 될 수 있습니다.

또한 현장에서 AI 모델을 테스트하는 강력한 접근 방식이 중요합니다.

AI 기술을 테스트하는 데 필요한 신호 변화는 문제 중 하나이며, 좁은 지역 지리적 환경에서 캡처된 신호는 엔지니어가 설계 품질을 최적화하는 방식에 부정적인 영향을 미칠 수 있습니다. 현장 반복이 없으면 개별 사례에 대한 매개변수도 특정 위치에 대한 AI를 최적화하는 데 사용되지 않아 통화 성능에 부정적인 영향을 미칩니다.

3 무선 세계에서 AI의 주요 응용 분야

통신, 자동차 등 분야의 디지털 변혁에도 AI의 참여가 필요하며, AI는 이러한 응용 분야의 주요 원동력이기도 합니다.

스마트 시티, 통신 네트워크, 자율주행차(AV) 등 애플리케이션이 연결되면서 한때 기계 중심이었던 영역에 전자 통신을 배치하면 대량의 데이터가 생성될 수 있지만 추가되는 네트워크 리소스도 늘어나게 됩니다.

통신 부문에서 AI는 물리 계층(PHY)과 PHY 상위의 두 가지 수준에 배포됩니다. 여기서 두 가입자 회선 연결 성능을 향상시키는 데 사용되는 AI 애플리케이션을 PHY에서 작동한다고 합니다. 물리 계층의 AI 기술 적용에는 디지털 전치왜곡, 채널 추정, 채널 자원 최적화는 물론 통화 중 트랜시버 매개변수 자동 조정이 포함되며, 이는 오토인코더 설계라고도 할 수 있습니다.

채널 최적화는 두 장치 간의 연결, 특히 네트워크 인프라와 사용자 장치 간의 연결을 향상시키는 것을 의미합니다. 이는 종종 AI를 사용하여 핑거프린팅 및 채널 상태 정보 압축과 같은 기술을 통해 로컬 환경의 신호 가변성을 극복하는 것을 의미하기도 합니다.

AI는 지문 인식을 통해 실내 환경의 전파 패턴(개인 출입으로 인해 발생)에 간섭을 매핑하여 이러한 개인화된 5G 신호 변화를 기반으로 무선 네트워크의 위치를 ​​최적화할 수 있습니다. 동시에 채널 상태 정보 압축은 AI를 사용하여 사용자 장비에서 기지국으로의 피드백 데이터를 압축하여 통화 성능을 개선하려고 기지국에 알리는 피드백 루프가 사용 가능한 대역폭을 초과하지 않도록 보장하여 통화 중단.

Above-PHY는 주로 스케줄링, 빔 관리, 스펙트럼 할당 애플리케이션과 같은 네트워크 관리 및 리소스 할당에 사용되며 핵심 시스템 리소스를 관리하고 최적화하는 기능을 말하며 경쟁 사용자 및 사용 사례에 사용할 수 있습니다. 네트워크에서. 네트워크 사용자 수와 사용 사례가 증가함에 따라 네트워크 설계자는 배포 요구에 실시간으로 대응하기 위해 인공 지능 기술로 전환했습니다.

자동차 분야에서는 AI를 활용한 무선 연결이 안전한 자율주행을 가능하게 합니다. 자율주행차(AV)는 라이더, 레이더, 무선 센서 등 다양한 소스의 데이터를 사용하여 환경을 해석합니다. 자율주행차의 하드웨어는 많은 경쟁 신호의 데이터를 처리해야 하며, AI는 센서 융합을 통해 경쟁 신호를 융합하여 차량 소프트웨어가 위치를 이해하고 환경과 상호 작용하는 방식을 결정할 수 있습니다.

무선 기술의 사용 사례가 확장됨에 따라 이러한 시스템에 인공 지능을 적용해야 할 필요성도 커지고 있습니다. AI가 없으면 5G, 자율주행차, IoT 애플리케이션과 같은 시스템은 효과적으로 작동하는 데 필요한 복잡성을 갖지 못할 것입니다. 엔지니어링, 특히 무선 시스템 설계에서 AI의 역할은 최근 몇 년간 증가해 왔지만, 사용 사례와 네트워크 사용자 수가 증가함에 따라 더욱 빠른 속도로 계속해서 증가할 것으로 예상됩니다.

위 내용은 무선 시스템 복잡성이 증가함에 따라 AI가 과제 극복의 열쇠가 됩니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!