Capitolo 2
Workflow di IA per la stima del canale 5G
La stima del canale è una sfida fondamentale che ogni sistema wireless moderno deve risolvere. Il ricevitore deve comprendere in che modo il canale altera i segnali inviati dal trasmettitore e capire come specificare il modello di canale in ogni istanza di tempo e frequenza. Quando la stima del canale è effettuata correttamente, il throughput aumenta e i tassi di errore diminuiscono.
Gli algoritmi tradizionali utilizzati per eseguire la stima del canale si basano su algoritmi matematici di adattamento, come l'adattamento lineare o l'adattamento polinomiale di terzo grado. Tuttavia, con l’aumento del numero di antenne, una gamma più ampia di frequenze e ambienti variabili, anche la variabilità del canale è aumentata.
Utilizzando l’IA è possibile addestrare un modello affinché si osservi il comportamento del canale e formuli stime accurate, nonostante l’elevato numero di parametri. Un modello basato sull’IA è in grado di eseguire il rilevamento e la classificazione dei segnali in pochi millisecondi, più velocemente rispetto al metodo tradizionale. Poiché i metodi del modello basato sull’IA sono semplici, è possibile ridurre il consumo energetico e i requisiti di calcolo.
Questa sezione illustra le fasi del processo, dalla preparazione dei dati alla modellazione, la simulazione e la distribuzione di un modello di IA utilizzando il Deep Learning per creare una rete neurale convoluzionale (CNN) che esegue la stima del canale 5G. Una volta completo, il modello di IA consentirà di migliorare le prestazioni complessive del sistema wireless senza modificare nessun'altra parte del sistema.
MATLAB consente di creare forme d'onda conformi al 5G, utilizzare i dati per addestrare un modello di stima del canale basato sull’IA, simulare, testare, ottimizzare il modello e distribuirlo.
Il primo passo nel processo di creazione di un modello basato sull’IA per la stima del canale è la generazione di forme d'onda conformi al 5G per l’addestramento del modello. I dati di addestramento devono essere robusti, ovvero non solo conformi agli standard, ma anche completi e rappresentativi dei disturbi del canale e di scenari realistici.
MATLAB semplifica la generazione di forme d'onda conformi agli standard e set di dati robusti. Per creare un set di dati per addestrare un modello di stima del canale basato sull’IA:
- Utilizza Wireless Waveform Generator per generare forme d'onda conformi al 5G.
- Aumenta questi segnali con Wireless Waveform Generator per rendere il set di dati più rappresentativo della realtà, aggiungendo distorsioni che i segnali dovranno affrontare nel mondo reale. Con un semplice menu a discesa, è possibile aggiungere rumore gaussiano, di fase o di frequenza.
- Utilizza l'app Signal Labeler per applicare le tue competenze di dominio al set di dati. I dati etichettati contribuiscono alla caratterizzazione dei segnali durante l'addestramento e permettono di integrare l'intelligenza umana nel modello.
Wireless Waveform Generator offre opzioni per la selezione degli standard di forme d’onda e delle gamme di frequenza, nonché per l'aggiunta di disturbi prima della generazione dei dati di forme d'onda.
Una volta raccolti ed etichettati i dati, è necessario elaborarli per creare un segnale da utilizzare come input per addestrare un modello di IA. Ad esempio, è possibile tracciare il tempo sull'asse delle y e la frequenza sull'asse delle x e acquisire la potenza del segnale a ogni coordinata di tempo e frequenza come un colore diverso per creare una mappa di calore. In questo modo è possibile ottenere una serie di immagini che si prestano a essere inserite in reti di Deep Learning addestrate per la classificazione di immagini.
È inoltre opportuno suddividere i dati in dati di addestramento e dati di convalida per disporre di un set di dati da utilizzare per convalidare e regolare il modello in seguito all’addestramento.
Le modalità di raccolta, gestione ed etichettatura dei dati dipendono dal progetto. In alcuni progetti, potrebbe essere possibile acquisire dati reali che consentono di addestrare un modello.
Wireless Waveform Generator consente di creare set di dati sintetici robusti di forme d'onda per una serie di standard.
In altri casi, è possibile utilizzare dati sintetizzati per rappresentare ciò che un sistema reale sarà in grado di vedere. Ricreare le condizioni osservate sul campo con dati sintetici può essere difficile. MATLAB consente di ricreare le condizioni del mondo reale grazie alla sua ampia libreria dei disturbi del canale più diffusi.
All'interno di MATLAB è possibile accedere direttamente agli algoritmi di IA più diffusi utilizzati per la classificazione e la previsione, tra cui regressione, reti profonde e clustering. Il primo passo nella costruzione di un modello di IA è la scelta di un approccio, ad esempio lo sviluppo di una rete neurale convoluzionale (CNN) per eseguire la stima del canale.
Una CNN è un'ottima scelta per questo modello di IA poiché questa tipologia di rete neurale eccelle nell'elaborazione di immagini. Queste reti presentano l'ulteriore vantaggio del transfer learning, il che significa che il modello può basarsi su reti di elaborazione di immagini già addestrate come GoogLeNet o AlexNet.
La CNN per la stima del canale riceve immagini etichettate che rappresentano forme d'onda 5G con simboli pilota e restituisce una stima della distorsione del canale.
Per costruire la CNN, è possibile utilizzare Deep Network Designer per addestrare e sviluppare la rete neurale. Sarà possibile:
- Importare i dati generati e visualizzare il processo di addestramento.
- Accelerare l’addestramento senza alcuna programmazione specializzata con Parallel Computing Toolbox.
È inoltre possibile importare modelli di IA sviluppati con framework open-source come PyTorch® e TensorFlow™.
In seguito è possibile utilizzare l'app Experiment Manager per regolare il modello e individuare le opzioni di addestramento migliori. Mediante la ricerca a griglia, la ricerca casuale e la ricerca basata sull'ottimizzazione bayesiana, è possibile passare in rassegna gli iperparametri.
Eseguendo esperimenti in parallelo, è possibile testare contemporaneamente diverse configurazioni di addestramento. Le matrici di confusione e le funzioni metriche personalizzate permettono di valutare la rete addestrata.
Con MATLAB è possibile creare un modello di stima del canale di “riferimento” o perfetto con cui confrontare il proprio modello di IA. È inoltre possibile confrontare il proprio modello con un metodo tradizionale, come un algoritmo di interpretazione lineare, per lo stesso modello di canale nello stesso ambiente.
Il confronto dei risultati dei diversi approcci alla stima del canale con il canale reale mediante l'errore quadratico medio (Mean-Squared Error o MSE) mostra che la rete neurale è la più accurata.
Una volta convalidato il modello di stima del canale basato sull’IA a livello locale, è necessario convalidarlo a livello globale nel contesto di un sistema più ampio. È inoltre necessario testare e regolare il modello con segnali 5G over-the-air.
Con MATLAB, è possibile inserire il modello di IA in una simulazione di sistema esistente nello stesso modo in cui si inserirebbe qualsiasi altro blocco.
Navigazione nel pannello
Per saperne di più sull'integrazione di componenti di progettazione provenienti da più sorgenti e sulla verifica della conformità del sistema ai requisiti, è possibile consultare:
Per la fase di test, è possibile:
- Creare una sistemazione di laboratorio con apparecchiature hardware di verifica e misurazione. L'hardware può essere collegato all'ambiente MATLAB utilizzando Instrument Control Toolbox per trasmettere in diretta i dati da MATLAB all'hardware ed eseguire test OTA.
- Utilizzare radio definite dal software per trasmettere i dati over-the-air e riceverli con effetti di canale in tempo reale.
Acquisizione di dati in tempo reale direttamente in MATLAB utilizzando strumenti di trasmissione e ricezione di segnali e SDR.
Cosa aspettarsi dal sistema wireless una volta integrata la CNN di stima del canale basata sull’IA? Le metriche chiave da esaminare per eventuali miglioramenti includono:
- Throughput: la quantità di dati trasmessi correttamente al secondo dovrebbe aumentare
- Errori: il tasso di errore dei blocchi, dei bit e dei pacchetti dovrebbe diminuire
MATLAB dispone di un framework unico per la generazione di codice che consente di distribuire i modelli ovunque senza dover riscrivere il codice. Sarà possibile:
- Migliorare e testare iterativamente i prototipi di modelli di IA su hardware durante la fase di progettazione
- Distribuire il modello di IA su hardware di produzione ai fini della convalida del sistema o del lancio
Ad esempio, è possibile distribuire il modello di stima del canale basato sull’IA su un FPGA. Utilizzare Deep Learning HDL Toolbox™ per convertire il modello e creare un workflow HDL. Infine, è possibile compilare, distribuire ed eseguire previsioni per determinare la velocità e l'accuratezza di inferenza su diverse piattaforme FPGA.
Tra i target di distribuzione figurano anche:
- Dispositivi embedded leggeri e a bassa potenza (come quelli utilizzati nelle automobili)
- Schede di prototipazione rapida a basso costo, come Raspberry Pi
- Applicazioni IoT basate sui bordi, ad esempio un sensore e controller su una macchina in una fabbrica
- Piattaforme embedded che eseguono codice C/C++, HDL, PLC o CUDA
MATLAB può anche essere distribuito in ambienti desktop o server, il che consente di scalare da eseguibili desktop a sistemi aziendali basati sul Cloud su AWS® o Azure® (ad esempio una piattaforma di analisi finanziaria).
La generazione di codice MATLAB consente la distribuzione su una vasta gamma di piattaforme hardware.
