NVIDIAs åpen kildekode-verktøy akselererer utviklingen av AI-drevne 6G trådløse nettverk

Bilde: NVIDIA · Kilde

NVIDIAs åpne kildekode-programvare og verktøysett for trådløse nettverk, inkludert Aerial og Sionna, gjør det mulig for forskere verden over å bygge og simulere AI-native 6G-nettverk med forbedret signalbehandling, energieffektivitet og robotrespons.

Ett år etter å ha gjort sin trådløse programvare Aerial åpen kildekode, gir NVIDIA nå forskere og utviklere globalt muligheten til å akselerere design og testing av neste generasjons 6G-nettverk. Basert på grunnlaget i sin AI Aerial-pakke og det åpne kildekodebiblioteket Sionna, forener disse verktøyene trådløs simulering, AI-trening og eksperimentering i den virkelige verden innenfor et sammenhengende programvaremiljø.

NVIDIAs AI Aerial og Sionna-plattformer har opplevd rask adopsjon, med over én million nedlastinger og bruk av mer enn 8 000 akademiske og forskningsinstitusjoner globalt. Sammen gir de et fundament for å utvikle 6G-nettverk som strekker seg utover datatransmisjon og inkluderer avansert signalmottak, energistyring, robotkontroll og adaptiv tilkobling.

Ett forskningsinitiativ ved King’s College London brukte NVIDIA Sionna og NVIDIA Jetson AGX Orin-maskinvare for å koble en kamerautstyrt robotarm med programvaredrevne 5G- og edge AI-funksjoner. Ved å sende kompakte semantiske beskrivelser i stedet for fullstendige bilder, reduserte systemet tidsbruken for oppgaveutførelse med over 50 % og forbedret suksessraten i objekthåndteringsoppgaver. Denne målrettede semantiske kommunikasjonsmetoden gjør at roboter kan reagere raskt og pålitelig i dynamiske omgivelser.

I et annet eksempel integrerte SoftBank en nevralt AI-mottaker med NVIDIAs CUDA-Accelerated RAN (ACAR) for å forbedre 5G signalmottak. Testing med kommersielle 5G-smarttelefoner under interferens viste opptil 60 % økning i opplinkshastighet sammenlignet med konvensjonelle mottakere. Forskere ved ETH Zürich brukte også NVIDIAs verktøy for å finjustere nevrale mottakere basert på lokale radiobetingelser, noe som betydelig senket feilratene.

Energieffektivitet er et kritisk fokusområde ettersom 6G kobler sammen milliarder av enheter. Forskere ved University of Leeds utviklet et prediktivt AI-system for dynamisk å skru av og på basestasjoner basert på nettverksbehovsprognoser, noe som reduserte RAN-strømforbruket med nesten 46 % uten å avbryte tilkoblingen. Testene deres utnyttet NVIDIAs DGX Spark-plattformer sammen med digitale tvillinger for sanntidsvalidering.

For å muliggjøre raskere innovasjonssykluser integrerte Centre Tecnològic de Telecomunicacions de Catalunya GPU-akselererte radiokanalmodeller — som kjører på NVIDIA ACAR — i deres åpne kildekode 5G-LENA nettverkssimulator. Dette reduserte komplekse simuleringskjøringer fra timer til under 20 minutter, noe som tillater forskere å evaluere flere design og scenarier effektivt.

NVIDIAs åpne kildekode-komponenter for trådløse nettverk, inkludert Aerial CUDA-Accelerated RAN og det modulære, Python-baserte biblioteket Sionna, tilbyr svært optimaliserte byggesteiner for 5G og kommende 6G-forskning. Ved å koble avansert simulering, AI-drevet signalbehandling og praktiske implementeringer, katalyserer disse verktøyene utviklingen av intelligente, adaptive trådløse nettverk designet for å betjene milliarder mennesker, maskiner og autonome systemer.

Utviklere og forskere kan få tilgang til disse plattformene på GitHub og delta i NVIDIAs 6G Developer Program for arrangementer og opplæringsøkter fokusert på AI-native innovasjon innen trådløse nettverk.