قبل عام، أطلقت NVIDIA شريحة Aerial اللاسلكية كمصدر مفتوحملتحقةً بـ Sionna ومجموعة أوسع من أدوات المصدر المفتوح لتسريع تطوير شبكات 6G من الجيل التالي. وتوفر هذه الأدوات مجتمعةً للباحثين أساسًا لاختبار الأفكار ومقارنة النتائج والبناء على أعمال بعضهم البعض — وربط المحاكاة وتدريب الذكاء الاصطناعي بالتجارب على أنظمة لاسلكية حقيقية عبر الهواء.
اليوم، يستخدم الباحثون والمطورون هذه الأدوات لبناء شبكات جاهزة لـ 6G تفعل أكثر من مجرد نقل البيانات — استقبال الإشارات بفعالية أكبر، وإبقاء الروبوتات والأنظمة الذاتية متصلة عندما يكون الأمر أكثر أهمية، والتكيف في الوقت الفعلي مع تحرك الأجهزة عبر العالم.
على مدار العام الماضي، تضاعف تبني المطورين عالميًا لبرنامج NVIDIA AI Aerial وبرنامج NVIDIA Sionna نما البرنامج 10 أضعاف، بينما تجاوزت أدوات NVIDIA مفتوحة المصدر لـ 5G/6G مليون عملية تنزيل (1 مليون). وتستخدم هذه المنصات اليوم أكثر من 8,000 مؤسسة بحثية وأكاديمية حول العالم.
تقدم المشاريع التي تظهر اليوم نظرة عن شكل الشبكات المستقبلية المحتمل. وتعالج كل منها تحديًا مختلفًا، لكنها مجتمعةً تشير إلى طموح أوسع لبناء شبكات 6G أصلية بالذكاء الاصطناعي توفر الاتصال والحوسبة والاستشعار عبر منصة برمجية متقاربة موجهة بالمليارات من البشر والآلات والوكلاء.
شبكات تساعد الروبوتات على التفاعل أسرع
الروبوت الذي يلتقط جسمًا يحتاج إلى فهم محيطه والتصرف قبل أن يتغير. وعندما يعمل الذكاء الاصطناعي الذي يدعم هذا القرار على خادم قريب أو في السحابة، يصبح الاتصال اللاسلكي جزءًا من زمن الاستجابة.
يستكشف الباحثون نهجًا أكثر كفاءة يسمى الاتصالات الدلالية الموجهة نحو الهدف. فبدلًا من إرسال صور كاملة، تنقل الروبوتات أوصافًا مختصرة للكائنات ومواقعها وعلاقاتها المتبادلة. إن نقل القدر اللازم فقط من المعلومات يتيح للروبوتات الاستجابة بسرعة أكبر، خاصة في البيئات الديناميكية مثل أماكن العمل والمستودعات.
في كلية كينغز لندن، ربط الباحثون ذراعًا روبوتية مزودة بكاميرا بجهاز NVIDIA Jetson AGX Orin يعمل بنظام NVIDIA Sionna، الذي يدعم كل من شبكة 5G الموجهة برمجيًا ومعالجة الذكاء الاصطناعي عند الحافة. في تجارب تعبئة الفواكه وتكيع المكعبات مع إدخال أعطال متعمدة، خفض هذا النهج وقت إتمام مهام الروبوت بنسبة تصل إلى 52.6% وحسّن نجاح المهام مقارنةً بإرسال صور دورية.
وبالإضافة إلى الاستجابات الأسرع وتقليل عبء المعالجة، أثبت النظام أيضًا مرونة أكبر — اكتشاف الأجسام المتساقطة، والتعافي من الإجراءات غير الناجحة، وفي الإعدادات التي تستخدم توأمًا رقميًا، فحص الحركات المخطط لها بحثًا عن تصادمات محتملة قبل التنفيذ.
شبكات تتعلم استقبال الإشارات بشكل أفضل
بالنسبة لرجل إطفاء يتلقى بثًا مباشرًا من طائرة بدون طيار أو فريق إنقاذ يبحث عن شخص مفقود، يمكن للصور في الوقت المناسب أن تساعد في توجيه القرارات العاجلة. لكن التداخل وتغير الظروف الراديوية قد يجعل فك تشفير الإشارات اللاسلكية أصعب، مسببًا أخطاء وإعادات إرسال تؤخر وصول المعلومات من الميدان.
تعالج مستقبلات الذكاء الاصطناعي هذا التحدي من خلال التعلم لاستعادة المعلومات من الإشارات الواردة بفعالية أكبر. وقد يساعد الاستقبال الأفضل المستجيبين في الحفاظ على رؤية أوضح وأكثر حداثة لمشهد حريق أو منطقة بحث.
أظهرت SoftBank هذا من خلال دمج مستقبل عصبي في NVIDIA Aerial CUDA-Accelerated RAN (ACAR) واختباره مع هاتف 5G تجاري. في اختبارات مضبوطة مع تداخل، حقق المستقبل العصبي إنتاجية إرسال علوي أعلى من المستقبل التقليدي في جميع الإعدادات الـ15 التي تم اختبارها، بكسب أقصى بلغ نحو 60%.
وهناك طريقة أخرى لتحسين الاستقبال وهي تعليم المستقبلات عن البيئات التي تعمل فيها. باستخدام NVIDIA Aerial Testbed، وجد باحثو ETH Zurich أن ضبط المستقبلات العصبية باستخدام قياسات محلية خفض معدلات أخطاء الكتل بأكثر من الثلث مقارنةً بإصدارات مسبقة التدريب مختارة.
شبكات تتعلم متى توفير الطاقة
مع ربط الجيل السادس 6G لمزيد من الأجهزة ودعمه لمزيد من تطبيقات الذكاء الاصطناعي، ستصبح إدارة الطلب على الطاقة ذات أهمية متزايدة.
على سبيل المثال، قد تحتاج الشبكة إلى سعة كافية لخدمة ملعب مزدحم، لكن الطلب يتغير عندما يغادر الجمهور. يمكن للذكاء الاصطناعي أن يساعد في تحديد متى يمكن إيقاف تشغيل السعة الفائضة — ومتى تحتاج إلى العودة للعمل — حتى يتمكن المشغلون من تقليل استهلاك الكهرباء دون قطع الاتصالات.
في جامعة ليدزطوّر الباحثون نظامًا يتنبأ بالطلب على الشبكة قبل 10 دقائق مقدمًا ويستخدم تلك التوقعات لتوجيه قرارات إسبات محطات القاعدة. وقبل إطفاء الطاقة، يتحقق النظام من أن المحطات النشطة المجاورة يمكنها مواصلة خدمة الأجهزة المتأثرة، ويراقب التغييرات التي تستدعي استعادة السعة.
اختبر الفريق نهجهم باستخدام جهاز محمول يعمل بمعالج NVIDIA DGX Sparkيقدم شبكة 5G داخل صندوق، إلى جانب توأم رقمي للتحقق من صحة القرارات مقابل معدات لاسلكية حقيقية. والنتيجة: أبلغ الباحثون عن انخفاض بنسبة 45.6% في استهلاك الطاقة لشبكة الراديو RAN مقارنةً بخط أساس بكامل الطاقة، مع الحفاظ على اتصال الأجهزة.
شبكات يمكن اختبارها بسرعة أكبر — قبل بنائها
قبل نشر شبكة، يحتاج الباحثون إلى معرفة كيفية أدائها عندما تنافس مئات الأجهزة على الاتصالات أو когда تواجه إشارات الراديو التداخل. تساعد محاكاة هذه الظروف الفِرق على تقييم التصاميم قبل الالتزام بمعدات مكلفة وتجارب ميدانية. لكن المحاكاة الواقعية قد تستغرق ساعات، مما يحدّ من عدد الأفكار التي يمكن للباحثين استكشافها.
يعمل Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) على تسريع هذه العملية من خلال إدخال نماذج قنوات راديو معجّلة بوحدات معالجة الرسومات، تعمل على ACAR، في محاكي الشبكات مفتوح المصدر 5G-LENA الخاص بـ CTTC. تحسب هذه النماذج كيفية انتقال الإشارات اللاسلكية بين الهوائيات والأجهزة — وهي عملية حسابية تتزايد متطلباتها مع نمو الشبكات المحاكاة.
في تقييم مبكر، خفّض النهج زمن تشغيل المحاكاة من نحو ثلاث ساعات إلى 10-20 دقيقة، حسب التكامل، مع الحفاظ على السلوك الإحصائي المتوقع وأداء الشبكة.
وتتيح المحاكاة الأسرع للباحثين مقارنة تصاميم أكثر، والتحقيق في سيناريوهات أكثر تطلّبًا، وصقل الأفكار في وقت أبكر. ومع تطوير الصناعة لتقنية 6G، قد يؤدي ذلك إلى تقصير المسار من ابتكار مقترح إلى تصميم شبكة مُقيَّم بدقة — ما يساعد الفِرق على بناء اتصال أفضل قبل نشره في العالم الحقيقي.
في مؤتمر NVIDIA GTC واشنطن العاصمة، احضر جلسات مطوّري 6G حيث سيعرض الباحثون والمطورون المزيد من الابتكارات التي تشكّل مستقبل الشبكات اللاسلكية.
NVIDIA AI Aerial و NVIDIA Sionna متاحان على GitHub.