NVIDIAs öppen källkodsverktyg påskyndar utvecklingen av AI-drivna 6G trådlösa nätverk

Bild: NVIDIA · Källa

NVIDIAs öppna källkods-mjukvara och verktygspaket för trådlösa nätverk, inklusive Aerial och Sionna, möjliggör för forskare världen över att bygga och simulera AI-native 6G-nätverk med förbättrad signalbehandling, energieffektivitet och robotrespons.

Ett år efter att ha släppt sin öppna mjukvara Aerial för trådlösa nätverk, stärker NVIDIA nu forskare och utvecklare globalt att påskynda design och testning av nästa generations 6G-nätverk. Med grunden i sin AI Aerial-svit och det öppna källkods-biblioteket Sionna förenar dessa verktyg trådlös simulering, AI-träning och verklighetsexperiment inom ett sammanhållet mjukvaruekosystem.

NVIDIAs AI Aerial och Sionna-plattformar har snabbt blivit populära med över en miljon nedladdningar och användning av mer än 8 000 akademiska och forskningsinstitutioner globalt. Tillsammans erbjuder de en plattform för utvecklingen av 6G-nätverk som sträcker sig bortom datatransmission för att inkludera avancerad signalmottagning, energihantering, robotkontroll och adaptiv uppkoppling.

Ett forskningsprojekt vid King’s College London använde NVIDIA Sionna och NVIDIA Jetson AGX Orin-hårdvara för att koppla en kamerautrustad robotarm med mjukvarudefinierade 5G- och kanten AI-funktioner. Genom att överföra kompakt semantisk information istället för fullständiga bilder minskade systemet tidsåtgången för uppgifter med över 50 % och förbättrade framgångsfrekvenser vid objektmanipulationsuppgifter. Detta målstyrda semantiska kommunikationssätt gör att robotar kan reagera snabbt och pålitligt i dynamiska miljöer.

I ett annat exempel integrerade SoftBank en neuralt AI-mottagare med NVIDIAs CUDA-Accelerated RAN (ACAR) för att förbättra 5G-signalmottagning. Testning med kommersiella 5G-smartphones under störningar visade upp till 60 % högre upplänkshastigheter jämfört med traditionella mottagare. Forskare vid ETH Zürich använde också NVIDIAs verktyg för att finjustera neurala mottagare baserat på lokala radiovillkor, vilket avsevärt sänkte felmarginalerna.

Energieffektivitet är ett kritiskt fokusområde när 6G kopplar samman miljarder enheter. Forskare vid University of Leeds utvecklade ett förutsägande AI-system som dynamiskt stänger av och aktiverar basstationer baserat på nätverksbehovsprognoser, vilket minskade RAN-energiförbrukningen med nästan 46 % utan att avbryta uppkopplingen. Deras tester utnyttjade NVIDIAs DGX Spark-plattformar tillsammans med digitala tvillingar för validering i realtid.

För att möjliggöra snabbare innovationscykler integrerade Centre Tecnològic de Telecomunicacions de Catalunya GPU-accelererade radiokanalsmodeller — som körs på NVIDIA ACAR — i sin öppna källkodssimulator 5G-LENA. Detta reducerade komplexa simuleringstider från timmar till under 20 minuter och tillät forskare att effektivt utvärdera fler design- och scenariosalternativ.

NVIDIAs öppna källkods-komponenter för trådlösa nätverk, inklusive Aerial CUDA-Accelerated RAN och det modulära, Python-baserade biblioteket Sionna, erbjuder mycket optimerade byggstenar för 5G och kommande 6G-forskning. Genom att koppla samman sofistikerade simuleringar, AI-driven signalbehandling och praktiska implementationer katalyserar dessa verktyg utvecklingen av intelligenta, adaptiva trådlösa nätverk designade för att betjäna miljarder människor, maskiner och autonoma system.

Utvecklare och forskare kan få tillgång till dessa plattformar på GitHub och delta i NVIDIAs 6G Developer Program för evenemang och utbildningar med fokus på AI-native innovation inom trådlösa nätverk.