使用 AI 构建下一代无线系统

关于作者:

Houman Zarrinkoub,MathWorks 首席产品经理

Mike McLernon,MathWorks 首席技术营销工程师

随着人类移动用户超过 71 亿,再加上无线机器对机器 (M2M) 连接日益增加,无线行业正经历着空前的需求高涨。工程师在设计无线系统和网络时面临的主要挑战是其复杂性。传统的预定义设计在处理系统复杂性时不够完善或不够灵活,并且无法适应千变万化的需求和环境。新兴的 AI 原生技术基于学习和自适应的原则,有望解决复杂性挑战。

无线标准组织 3GPP 一直在大力宣传 AI 在即将到来的 5G Advanced 和 6G 标准中的重要作用。他们提议了 AI 在增强定位、波束管理和通道状态信息 (CSI) 反馈方面的功能。无线宽带联盟 (WBA) 也在大力宣传 AI 能够帮助无线工程师进行室内定位和波束管理。行业共识相当明晰:工程师必须融入 AI 原生概念,才能在下一代无线系统竞争中保持领先。

什么是 AI 原生无线系统?为什么它优于传统设计?

AI 原生无线系统本身就能够将 AI 算法融入其运营框架中。AI 原生系统为无线工程师提供三大优势:更好的覆盖率、更高的容量和可靠的稳健性。

AI 原生无线系统旨在从环境中学习和适应环境。这种方法明显不同于基于更严格的预定义模型的传统设计,后者具有可扩展性限制,并且通常需要高成本、耗时的信号处理资源。

设计 AI 原生系统的工程师需要大型真实测量数据集。这些数据大多来源于物理原型或通过测量真实信号获得。然而,大多数工程师使用数字孪生(可仿真的代表性虚拟模型)来增强数据,以训练 AI 原生系统。数字孪生可确保 AI 原生系统有足够的数据来处理不利情况,并能够高效管理系统元素。

无线系统.png

AI 原生无线系统的设计与集成

开发 AI 原生无线系统的过程相当复杂,需要创建一个设计工作流,包括收集数据、训练和测试模型,以及实现模型并将其集成到无线系统中。

1.收集和生成数据

创建 AI 原生无线系统的第一步是数据收集,方法是获取空口 (OTA) 信号或合成来自数字孪生的数据。合成数据尤其有用,因为它便于进行可扩展性测试、容错和异常检测,同时还有助于环境建模和系统配置优化。最大化模型效率要求训练数据代表系统将面临的真实场景。工程师可以使用收集的数据执行 AI 模型的训练和验证,进行测试和仿真以及优化和性能调节。收集数据后,下一步是仿真和建模。

2.训练和测试模型

在训练无线系统的 AI 模型时,确定系统参数的值至关重要,包括带宽分配、延迟、信号强度、调制和编码。使用这些参数和在步骤 1 中获得的综合数据集,工程师可为自编码器、信道估计、信道反馈优化和资源分配等关键系统功能选择和优化机器学习算法。在训练过程中,工程师必须考虑影响实时性能的因素,包括计算复杂度、内存使用量以及 GPU 或集群上的并行处理。

在训练 AI 模型后,测试该模型以确保在真实系统中具有可靠性能。在此阶段,以迭代方式调整模型的性能以针对偏差、错误和低效等情况进行校正。调整完毕后,应对 AI 网络进行剪枝。剪枝需要将模型转换为定点,并删除对系统整体行为没有贡献的神经网络层。在此阶段,此模型已准备就绪,可以在无线系统中实现。

3.实现 AI 模型

AI 模型仅在作为真实系统的一部分实现时才有用。第一步是扩展模型和评估资源。这涉及评估 AI 模型高效运行所需的处理能力、内存需求和数据吞吐量。

第二步是使用自动代码生成,通过底层代码在桌面或嵌入式目标上部署预训练的 AI 模型。此步会自动执行实现过程,减少手动编码错误。 

最后的实现步骤是验证过程,即将实现的系统的性能与原始 AI 模型的性能进行比较。在工程师确定并解决差异或性能问题后,他们就可以执行模型集成了。

4.集成模型

最后一步是将实现的 AI 模型集成到整个无线系统中。此阶段确保新实现的 AI 解决方案与原有系统的其余部分和谐地一起工作。在全面集成之前,工程师必须通过分析端到端系统性能(而不是单个算法和子系统)来确保与现有系统组件的互操作性。 

MATLAB® 可以在无线系统开发的所有阶段全程为工程师提供帮助。在 MATLAB 中,他们可以执行诸如数据生成、算法优化、用于实现的代码生成和模型验证等任务。 

使用 AI 设计无线系统面临的挑战

将 AI 集成到无线系统中存在各种障碍,包括平衡相互冲突的业绩指标,以及确保相对于传统系统的优异性能。目标是既要保证实现高质量的整体性能,又要支持运营目标,实现两者的平衡。

平衡业绩指标

在典型的设计场景中,优化某个指标往往会牺牲另一个指标,因此必须找到满足系统总体目标的可接受的平衡。例如,增大网络的吞吐量可能导致功耗和延迟增加,从而需要进行权衡以保持能效。工程师可使用建模和仿真来探索各种场景和配置,以平衡所需的各项指标。这种预测方法有助于在不中断实际系统的情况下作出明智的决策并确定最佳配置。 

确保卓越性能

以无中断方式从传统无线系统转换为 AI 增强系统极具挑战性,但这对于实现卓越性能至关重要。不断学习的 AI 模型是实现这种转换的关键,因为这些 AI 模型使系统能够适应动态的网络条件。实现卓越性能需要使用有代表性的不同数据集来训练模型。 

一种解决方案是在全面部署之前仿真集成后的系统,以确保 AI 组件能够与原有系统正确互操作。工程师使用 MATLAB 等工具以便于进行互操作性测试,并找出潜在的兼容性问题和性能瓶颈。

结束语

无线行业正处于关键时刻。随着 5G Advanced 和 6G 标准的即将推出,下一代无线系统将部署更多 AI 原生技术。负责设计现代无线系统的工程师已经认识到,集成 AI 不再可有可无,而是必由之路。通过结合 AI 原生设计原则,无线工程师可以开发满足当今需求且适应未来无线需求和发展的系统和网络。

文章来源:MATLAB

最新文章

最新文章