Il y a un an, NVIDIA a rendu open source son logiciel sans fil Aerial, rejoignant Sionna et une suite plus large d'outils open source destinés à accélérer le développement des réseaux 6G de nouvelle génération. Ensemble, ils offrent aux chercheurs une base pour tester des idées, comparer des résultats et s'appuyer sur le travail des autres — reliant la simulation et l'entraînement de l'IA aux expériences sur des systèmes sans fil réels en liaison radio.
Aujourd'hui, des chercheurs et développeurs utilisent ces outils pour construire des réseaux prêts pour la 6G qui font bien plus que simplement transmettre des données — recevoir les signaux plus efficacement, maintenir la connexion des robots et des systèmes autonomes quand c'est le plus important, et s'adapter en temps réel à mesure que les appareils se déplacent dans le monde.
Au cours de l'année écoulée, l'adoption mondiale des logiciels NVIDIA AI Aerial et NVIDIA Sionna le logiciel a été multiplié par 10, tandis que les outils open source 5G/6G de NVIDIA ont dépassé 1 million de téléchargements. Plus de 8,000 institutions de recherche et universitaires dans le monde utilisent ces plateformes.
Les projets qui émergent aujourd'hui offrent un aperçu de ce que pourraient être les réseaux du futur. Chacun répond à un défi différent, mais ensemble ils pointent vers une ambition plus vaste : construire des réseaux 6G natifs de l'IA qui fournissent connectivité, calcul et détection sur une plateforme logicielle unifiée pour des milliards de personnes, de machines et d'agents.
Des réseaux qui aident les robots à réagir plus vite
Un robot qui saisit un objet doit comprendre son environnement et agir avant qu'il ne change. Lorsque l'IA qui alimente cette décision s'exécute sur un serveur proche ou dans le cloud, la connexion sans fil fait partie du temps de réponse.
Les chercheurs explorent une approche plus efficace appelée communications sémantiques orientées objectif. Au lieu d'envoyer des images complètes, les robots transmettent des descriptions compactes des objets, de leurs positions et de leurs relations. Transmettre juste assez d'informations permet aux robots de répondre plus rapidement, en particulier dans des environnements dynamiques comme les lieux de travail et les entrepôts.
À King's College London, des chercheurs ont connecté un bras robotique équipé d'une caméra à un NVIDIA Jetson AGX Orin exécutant NVIDIA Sionna, qui prend en charge à la fois un réseau 5G défini par logiciel et le traitement de l'IA en périphérie. Dans des expériences d'emballage de fruits et d'empilement de cubes avec des faults délibérément introduits, l'approche a réduit le temps d'accomplissement des tâches du robot jusqu'à 52.6% et amélioré le taux de réussite des tâches par rapport à l'envoi d'images périodiques.
En plus de réponses plus rapides et d'une charge de traitement réduite, le système s'est aussi révélé plus résilient — détectant les objets tombés, se remettant d'actions infructueuses et, dans les configurations utilisant un jumeau numérique, vérifiant les mouvements planifiés pour détecter d'éventuelles collisions avant leur exécution.
Des réseaux qui apprennent à mieux recevoir les signaux
Pour un pompier recevant des images en direct d'un drone ou une équipe de secours à la recherche d'une personne disparue, des images à temps peuvent aider à guider des décisions urgentes. Mais les interférences et les conditions radio changeantes peuvent rendre les signaux sans fil plus difficiles à décoder, provoquant des erreurs et des retransmissions qui retardent l'information en provenance du terrain.
Les récepteurs IA relèvent ce défi en apprenant à récupérer les informations des signaux entrants plus efficacement. Une meilleure réception pourrait aider les secouristes à maintenir une vue plus claire et plus à jour d'une scène d'incendie ou d'une zone de recherche.
SoftBank l'a démontré en intégrant un récepteur neuronal dans NVIDIA Aerial CUDA-Accelerated RAN (ACAR) et en le testant avec un smartphone 5G commercial. Dans des tests contrôlés avec interférences, le récepteur neuronal a fourni un débit montant supérieur à celui d'un récepteur conventionnel sur les 15 réglages testés, avec un gain maximal d'environ 60%.
Une autre façon d'améliorer la réception est d'apprendre aux récepteurs à connaître les environnements où ils opèrent. En utilisant NVIDIA Aerial Testbed, des chercheurs de ETH Zurich ont constaté que l'ajustement de récepteurs neuronaux à partir de mesures locales réduisait les taux d'erreur de bloc de plus d'un tiers par rapport aux versions pré-entraînées sélectionnées.
Des réseaux qui savent quand économiser l'énergie
À mesure que la 6G connectera davantage d'appareils et prendra en charge davantage d'applications d'IA, la gestion de la demande énergétique deviendra de plus en plus importante.
Par exemple, un réseau peut avoir besoin d'une capacité suffisante pour desservir un stade bondé, mais la demande change lorsque la foule s'en va. L'IA peut aider à identifier quand la capacité excédentaire peut être mise en veille — et quand elle doit revenir en ligne — afin que les opérateurs puissent réduire la consommation d'électricité sans interrompre les connexions.
À l' Université de Leeds, des chercheurs ont développé un système qui prédit la demande de réseau 10 minutes à l'avance et utilise ces prévisions pour orienter les décisions de mise en veille des stations de base. Avant de mettre hors tension, le système vérifie que les stations actives voisines peuvent continuer à servir les appareils concernés et surveille les changements nécessitant le rétablissement de la capacité.
L'équipe a testé son approche à l'aide d'une « network-in-a-box » 5G portable propulsée par NVIDIA DGX Spark« network-in-a-box » 5G alimenté par - , accompagné d'un jumeau numérique pour valider les décisions sur du matériel radio réel. Résultat : les chercheurs ont rapporté une réduction de 45.6 % de la consommation d'énergie du RAN par rapport à une ligne de base à pleine puissance, tout en maintenant la connectivité des appareils.
Des réseaux qui peuvent être testés plus rapidement — avant même d'être construits
Avant de déployer un réseau, les chercheurs doivent savoir comment il se comportera lorsque des centaines d'appareils se disputent des connexions ou que les signaux radio rencontrent des interférences. La simulation de ces conditions aide les équipes à évaluer les conceptions avant de s'engager dans des équipements coûteux et des essais sur le terrain. Mais des simulations réalistes peuvent prendre des heures, limitant le nombre d'idées que les chercheurs peuvent explorer.
Le Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) accélère ce processus en intégrant des modèles de canaux radio accélérés par GPU, exécutés sur ACAR, dans le simulateur de réseau open source 5G-LENA du CTTC. Ces modèles calculent la façon dont les signaux sans fil se propagent entre les antennes et les appareils — un calcul de plus en plus exigeant à mesure que les réseaux simulés s'agrandissent.
Lors d'une première évaluation, l'approche a réduit le temps de simulation d'environ trois heures à 10-20 minutes, selon l'intégration, tout en préservant le comportement statistique attendu et les performances du réseau.
Des simulations plus rapides permettent aux chercheurs de comparer davantage de conceptions, d'étudier des scénarios plus exigeants et d'affiner leurs idées plus tôt. À mesure que l'industrie développe la 6G, cela pourrait raccourcir le chemin entre une innovation proposée et une conception de réseau rigoureusement évaluée — aidant les équipes à construire une meilleure connectivité avant de la déployer dans le monde réel.
À NVIDIA GTC Washington, D.C., assistez aux 6G Developer Sessions , où chercheurs et développeurs présenteront d'autres innovations qui façonnent l'avenir des réseaux sans fil.
NVIDIA AI Aerial et NVIDIA Sionna sont disponibles sur GitHub.