Capitolo 1
Integrazione dell’IA in sistemi di comunicazione wireless
La tecnologia wireless mobile si sta evolvendo dal 5G al 5G-Advanced e al 6G. Queste tecnologie rendono possibili nuove applicazioni industriali e tendenze sociali, come ad esempio veicoli autonomi, fabbriche intelligenti e la medicina virtuale. Il risultato è un aumento della complessità di progettazione di sistemi wireless e delle aspettative in termini di qualità, affidabilità e flessibilità della rete.
I progressi nel campo tecnologico hanno aumentato la complessità dei sistemi e delle reti wireless, ampliando la gamma di parametri che devono essere introdotti, costantemente monitorati e regolati per garantire la qualità dell'intero sistema.
Alcuni esempi comprendono:
- Più antenne con l'avvento del MIMO (Multiple-Input Multiple-Output) massivo
- Più frequenze spettrali, come le mmWave
- Condizioni del canale variabili a seconda della posizione
- Aumento del numero di utenti e della densità di utenti
- Numero crescente di casi d'uso, da macchina-macchina e uomo-macchina a uomo-uomo e comunicazione diretta
Le tendenze includono veicoli autonomi, V2X, fabbriche intelligenti, robot autonomi, velivoli non pilotati, droni swarm, robot di chirurgia virtuale e trasferimento di dati satellitari ad alta velocità.
Per mantenere le promesse di queste nuove tecnologie wireless, gli ingegneri devono trovare il modo di ottimizzare questi sistemi e configurarne i parametri. Tuttavia, la ricerca di soluzioni a queste sfide di progettazione sta mettendo a dura prova i limiti della mente umana. I metodi matematici tradizionali basati su regole non saranno più sufficienti.
Al giorno d’oggi è necessario spingersi oltre i metodi tradizionali e valutare l’utilizzo di tecniche di intelligenza artificiale (IA).
L’IA eccelle nella risoluzione di problemi che coinvolgono più dimensioni e dinamiche complesse. Utilizzando modelli di IA per eseguire funzioni chiave in una rete wireless, è possibile:
- Migliorare l'efficienza del sistema wireless.
- Ridurre la complessità computazionale e l'utilizzo delle risorse.
- Compensare continuamente i cambiamenti ambientali (dalle eruzioni solari al surriscaldamento degli amplificatori).
- Tenere conto delle condizioni variabili del canale.
Sono molte le sfide progettuali che possono essere risolte con l'IA:
- Predistorsione digitale mediante il Deep Learning per compensare i cambiamenti ambientali che influenzano le operazioni degli amplificatori di potenza
- Selezione del fascio mediante il Deep Learning per ridurre la complessità computazionale e il consumo di risorse
- Selezione del fascio mediante una Deep Q-Network (DQN) con un agente di Reinforcement Learning per ridurre la complessità della ricerca del fascio
- Rilevamento dei rapporti logaritmici di verosimiglianza (LLR) mediante il Deep Learning per ridurre la complessità computazionale
L’IA può anche aiutare a soddisfare le crescenti esigenze di localizzazione:
- Posizionamento indoor 3D mediante il Deep Learning per tenere conto dei cambiamenti di posizione
Cos’altro è possibile modellare con l'IA?
- Rilevamento dello spettro mediante il Deep Learning per supportare diverse frequenze spettrali
- Classificazione della modulazione mediante il Deep Learning per tenere conto delle condizioni variabili del canale
- Autocodificatori con Deep Learning per migliorare l'affidabilità
- Feedback delle informazioni sullo stato del canale (CSI) con reti neurali di codificazione automatica per comprimere le CSI in downlink inviate su un canale wireless
- Rilevamento dell'impersonificazione di router WLAN mediante il Deep Learning per una maggiore sicurezza
Questo ebook illustra lo sviluppo di un modello di stima del canale 5G basato sull’IA e mostra in che modo questo modello migliora le prestazioni complessive della rete.
IA semplificata con MATLAB
Con MATLAB® è possibile creare soluzioni basate sull'IA anche senza esperienza pregressa di Machine Learning o Deep Learning. MATLAB semplifica l'integrazione della progettazione di sistemi basati sull’IA nel workflow.
MATLAB supporta un processo iterativo di progettazione, test e distribuzione che consente di migliorare continuamente i modelli di IA, integrarli nel sistema per il test e la convalida e distribuirli su reti di produzione.
Preparazione dei dati
Pulizia e preparazione dei dati
Intuizione umana
Generazionei tramite simulazione
Modellazione dell’IA
Progettazione e regolazione di modelli
Accelerazione dell’hardware
Interoperabilità
Simulink e test
Integrazione con sistemi complessi
Simulazione di sistemi
Verifica e convalida dei sistemi
Distribuzione
Dispositivi embedded
Sistemi aziendali
Edge, Cloud e desktop
MATLAB consente di:
- Preparare i dati
- Acquisisci segnali over the air utilizzando l'hardware supportato per creare dati per l'addestramento di modelli di IA.
- Genera dati/forme d'onda specifiche per gli standard e forme d'onda personalizzate per varie tecnologie come 5G, LTE, WLAN, Bluetooth e vari standard di comunicazione satellitare come DVB, CCSDS e GPS con l'app Wireless Waveform Generator.
- Aumenta lo spazio del segnale aggiungendo disturbi della RF e modelli di canale ai segnali generati per ottenere un set di dati realistico e robusto.
- Applica le tue conoscenze per etichettare i segnali e aggiungere l'intelligenza umana ai dati raccolti dai sistemi wireless con l’app Signal Labeler.
- Creare modelli di IA
- Applica workflow riutilizzabili e semplificati per l’addestramento, la simulazione e il test a varie applicazioni wireless con le app Deep Network Designer ed Experiment Manager.
- Aggiungi strati personalizzati ai tuoi progetti di Deep Learning
- Eseguire simulazioni e test
- Simula un sistema wireless end-to-end comprendente modelli di IA.
- Valuta rapidamente gli effetti di un modello di IA sul comportamento del sistema e itera l’operazione per migliorare la progettazione.
- Convalida e regola il modello di IA e il sistema utilizzando segnali over-the-air.
- Distribuire i modelli
- Genera automaticamente il codice per un hardware target specifico.
- Distribuisci i modelli su hardware incorporato o sul Cloud.
