Một năm trước, NVIDIA đã mở nguồn phần mềm không dây trên không, tham gia cùng Sionna và một bộ công cụ nguồn mở rộng hơn để tăng tốc phát triển mạng 6G thế hệ tiếp theo. Cùng nhau, họ cung cấp cho các nhà nghiên cứu nền tảng để thử nghiệm các ý tưởng, so sánh kết quả và dựa trên công việc của nhau - kết nối mô phỏng và đào tạo AI với các thử nghiệm trên hệ thống không dây thực tế qua mạng. Ngày nay, các nhà nghiên cứu và nhà phát triển đang sử dụng những công cụ này để xây dựng mạng sẵn sàng cho 6G, không chỉ truyền dữ liệu mà còn nhận tín hiệu hiệu quả hơn, giữ cho robot và hệ thống tự động được kết nối khi cần thiết nhất và thích ứng theo thời gian thực khi các thiết bị di chuyển khắp thế giới. Trong năm qua, mức độ áp dụng phần mềm NVIDIA AI Aerial và NVIDIA Sionna của nhà phát triển toàn cầu đã tăng gấp 10 lần, trong khi các công cụ 5G/6G nguồn mở của NVIDIA đã vượt qua 1 triệu lượt tải xuống. Hơn 8.000 tổ chức nghiên cứu và học thuật trên toàn thế giới đang sử dụng các nền tảng này. Các dự án đang nổi lên ngày nay cung cấp một cái nhìn về các mạng trong tương lai sẽ trông như thế nào. Mỗi giải pháp đều giải quyết một thách thức khác nhau, nhưng cùng nhau hướng tới tham vọng lớn hơn trong việc xây dựng mạng 6G dựa trên AI nhằm cung cấp kết nối, tính toán và cảm biến trên nền tảng hội tụ được xác định bằng phần mềm cho hàng tỷ người, máy móc và đại lý. Mạng giúp robot phản ứng nhanh hơn Robot nhặt một đồ vật cần hiểu môi trường xung quanh và hành động trước khi chúng thay đổi. Khi AI hỗ trợ quyết định đó chạy trên máy chủ gần đó hoặc trên đám mây, kết nối không dây sẽ trở thành một phần của thời gian phản hồi. Các nhà nghiên cứu đang khám phá một cách tiếp cận hiệu quả hơn được gọi là truyền thông ngữ nghĩa hướng đến mục tiêu. Thay vì gửi hình ảnh đầy đủ, robot truyền tải những mô tả ngắn gọn về đồ vật, vị trí và mối quan hệ của chúng. Việc truyền lượng thông tin vừa đủ cần thiết cho phép robot phản ứng nhanh hơn, đặc biệt là trong môi trường năng động như nơi làm việc và nhà kho. Tại King's College London, các nhà nghiên cứu đã kết nối một robot được trang bị máy ảnh với rm tới NVIDIA Jetson AGX Orin chạy NVIDIA Sionna, hỗ trợ cả mạng 5G được xác định bằng phần mềm và xử lý AI biên. Trong các thử nghiệm đóng gói trái cây và xếp khối với các lỗi được cố tình đưa ra, phương pháp này đã giảm thời gian hoàn thành nhiệm vụ của robot tới 52,6% và cải thiện mức độ thành công của nhiệm vụ so với việc gửi hình ảnh định kỳ. Ngoài phản hồi nhanh hơn và tốn ít chi phí xử lý hơn, hệ thống còn tỏ ra linh hoạt hơn — phát hiện vật thể bị rơi, khôi phục sau các hành động không thành công và trong cấu hình sử dụng bản sao kỹ thuật số, kiểm tra các chuyển động theo kế hoạch để phát hiện các va chạm tiềm ẩn trước khi thực hiện. Mạng học cách nhận tín hiệu tốt hơn Đối với lính cứu hỏa nhận được cảnh quay trực tiếp từ máy bay không người lái hoặc đội cứu hộ đang tìm kiếm người mất tích, hình ảnh kịp thời có thể giúp đưa ra các quyết định khẩn cấp. Tuy nhiên, hiện tượng nhiễu và thay đổi điều kiện vô tuyến có thể khiến tín hiệu không dây khó giải mã hơn, gây ra lỗi và truyền lại làm chậm trễ thông tin từ hiện trường. Bộ thu AI giải quyết thách thức này bằng cách học cách khôi phục thông tin từ các tín hiệu đến hiệu quả hơn. Khả năng tiếp nhận tốt hơn có thể giúp người ứng cứu duy trì cái nhìn rõ ràng hơn, hiện tại hơn về hiện trường vụ cháy hoặc khu vực tìm kiếm. SoftBank đã chứng minh điều này bằng cách tích hợp bộ thu thần kinh vào NVIDIA Aerial CUDA-Accelerated RAN (ACAR) và thử nghiệm nó với điện thoại thông minh 5G thương mại. Trong các thử nghiệm có kiểm soát với nhiễu, bộ thu thần kinh mang lại thông lượng đường lên cao hơn so với bộ thu thông thường ở tất cả 15 cài đặt được kiểm tra, với mức tăng tối đa khoảng 60%. Một cách khác để cải thiện khả năng thu sóng là hướng dẫn người nhận về môi trường nơi họ hoạt động. Bằng cách sử dụng NVIDIA Aerial Testbed, các nhà nghiên cứu của ETH Zurich đã phát hiện ra rằng việc điều chỉnh bộ thu thần kinh bằng các phép đo cục bộ đã giảm hơn 1/3 tỷ lệ lỗi khối so với các phiên bản được huấn luyện trước đã chọn. Mạng tìm hiểu thời điểm tiết kiệm điện Khi 6G kết nối nhiều thiết bị hơn và hỗ trợ nhiều ứng dụng AI hơn, việc quản lý nhu cầu năng lượng sẽ ngày càng trở nên quan trọng. ortant. Ví dụ: một mạng có thể cần đủ công suất để phục vụ một sân vận động đông đúc nhưng nhu cầu sẽ thay đổi khi đám đông rời đi. AI có thể giúp xác định khi nào công suất dự phòng có thể ngừng hoạt động - và khi nào công suất dự phòng cần hoạt động trở lại - để các nhà khai thác có thể giảm mức sử dụng điện mà không làm mất kết nối. Tại Đại học Leeds, các nhà nghiên cứu đã phát triển một hệ thống dự đoán nhu cầu mạng trước 10 phút và sử dụng những dự báo đó để hướng dẫn các quyết định về giấc ngủ của trạm gốc. Trước khi tắt nguồn, nó sẽ kiểm tra xem các trạm hoạt động lân cận có thể tiếp tục phục vụ các thiết bị bị ảnh hưởng và giám sát những thay đổi yêu cầu khôi phục dung lượng hay không. Nhóm đã thử nghiệm phương pháp của họ bằng cách sử dụng “mạng trong hộp” 5G di động được hỗ trợ bởi NVIDIA DGX Spark cùng với bộ song sinh kỹ thuật số để xác thực các quyết định đối với thiết bị không dây thực. Kết quả: các nhà nghiên cứu đã báo cáo mức tiêu thụ điện năng RAN giảm 45,6% so với mức cơ bản toàn công suất trong khi vẫn duy trì kết nối thiết bị. Mạng có thể được kiểm tra nhanh hơn - trước khi chúng được xây dựng Trước khi triển khai mạng, các nhà nghiên cứu cần biết mạng sẽ hoạt động như thế nào khi hàng trăm thiết bị tranh nhau kết nối hoặc tín hiệu vô tuyến bị nhiễu. Việc mô phỏng các điều kiện này giúp các nhóm đánh giá thiết kế trước khi cam kết sử dụng thiết bị đắt tiền và thử nghiệm thực địa. Nhưng mô phỏng thực tế có thể mất hàng giờ, hạn chế số lượng ý tưởng mà các nhà nghiên cứu có thể khám phá. Trung tâm Công nghệ Viễn thông Catalunya (CTTC) đang đẩy nhanh quá trình đó bằng cách đưa các mô hình kênh vô tuyến được tăng tốc GPU, chạy trên ACAR, vào trình mô phỏng mạng 5G-LENA mã nguồn mở của CTTC. Các mô hình này tính toán cách tín hiệu không dây truyền đi giữa ăng-ten và thiết bị — một công việc tính toán ngày càng đòi hỏi khắt khe hơn khi các mạng mô phỏng phát triển. Trong đánh giá ban đầu, phương pháp này đã giảm thời gian chạy mô phỏng từ khoảng 3 giờ xuống còn 10-20 phút, tùy thuộc vào sự tích hợp, trong khi vẫn duy trì hoạt động thống kê và hiệu suất mạng dự kiến. Mô phỏng nhanh hơn hãy để rese cung thủ so sánh nhiều thiết kế hơn, điều tra các kịch bản đòi hỏi khắt khe hơn và sàng lọc ý tưởng sớm hơn. Khi ngành phát triển 6G, điều này có thể rút ngắn lộ trình từ đề xuất đổi mới sang thiết kế mạng được đánh giá kỹ lưỡng — giúp các nhóm xây dựng kết nối tốt hơn trước khi triển khai nó trong thế giới thực. Tại NVIDIA GTC Washington, D.C., hãy tham dự Phiên họp dành cho nhà phát triển 6G, nơi các nhà nghiên cứu và nhà phát triển sẽ giới thiệu nhiều cải tiến hơn định hình tương lai của mạng không dây. NVIDIA AI Aerial và NVIDIA Sionna có sẵn trên GitHub.