使用 NVIDIA Sionna 進行跨接鏈路級模擬

即使 5G 無線網絡正在全球范圍內安裝和使用，學術界和工業界的研究人員已經開始為 6G 定義愿景和關鍵技術。雖然沒有人知道 6G 將是什么，但一個反復出現的愿景是， 6G 必須能夠以前所未有的規模創建數字雙胞胎和分布式機器學習（ ML ）應用程序。 6G 研究需要新的工具。

Holographic mimo, reconfigurable intelligent surfaces and AI-native air interface are key emerging technologies in 6G. — *圖 1 。 6G 關鍵技術*

支撐 6G 愿景的一些關鍵技術是被稱為太赫茲波段的高頻通信。在這個波段，更多的光譜是按數量級提供的。技術示例包括：

可重構智能表面（ RIS ），用于控制電磁波的反射方式并實現最佳覆蓋。
集成傳感和通信（ ISAC ）將 6G 網絡轉化為傳感器，為自動駕駛汽車、道路安全、機器人和物流提供了許多令人興奮的應用。

機器學習有望在整個 6G 協議棧中發揮決定性作用，這可能會徹底改變我們設計和標準化通信系統的方式。

應對這些革命性技術的研究挑戰需要新一代工具來實現突破，這些突破將定義 6G 時代的通信。原因如下：

許多 6G 技術需要模擬特定環境，例如工廠或小區，物理位置、無線信道脈沖響應和視覺輸入之間具有空間一致性的對應關系。目前，這只能通過昂貴的測量活動或基于場景渲染和光線跟蹤組合的高效模擬來實現。
隨著機器學習和神經網絡變得越來越重要，研究人員將從帶有本地 ML 集成和自動梯度計算的鏈接級模擬器中受益匪淺。
6G 仿真需要前所未有的建模精度和規模。 ML 增強算法的全部潛力只能通過基于物理的模擬來實現，這些模擬以過去不可能的細節水平來解釋現實。

介紹 NVIDIA Sionna

為了滿足這些需求， NVIDIA 開發了 Sionna ，這是一個 GPU 加速的開源庫，用于鏈路級模擬。

Sionna 能夠快速原型化復雜的通信系統架構。這是世界上第一個能夠在物理層使用神經網絡的框架，并且不需要為數據生成、培訓和性能評估使用單獨的工具鏈。

Sionna 實施了一系列經過仔細測試的最先進算法，可用于基準測試和端到端性能評估。這可以讓你專注于你的研究，使它更具影響力和可復制性，同時你花更少的時間實現你專業領域之外的組件。

Sionna 是用 Python 寫成的，基于 TensorFlow 和 Keras 。所有組件都以 Keras 層的形式實現，這使您可以通過與構建神經網絡相同的方式連接所需的層來構建復雜的系統架構。

除了少數例外，所有組件都是可微的，因此梯度可以在整個系統中反向傳播。這是系統優化和機器學習的關鍵因素，尤其是神經網絡的集成。

NVIDIA GPU acceleration 提供了幾個數量級的更快模擬，并可擴展到大型多 GPU 設置，從而實現此類系統的交互式探索。如果沒有 GPU 可用，那么 Sionna 甚至可以在 CPU 上運行，盡管速度較慢。

Sionna 提供了豐富的 documentation 和一系列教程，使其易于入門。

Forward error correction, channel models, multiuser mimo and OFDM are features of Sionna at release. — *圖 2 。辛娜第一次發布的特點*

Sinna 的第一個版本具有以下主要功能：

5G LDPC 、 5G 極性碼和卷積碼、速率匹配、 CRC 、交織器、擾碼器
各種解碼器： BP 變體、 SC 、 SCL 、 SCL-CRC 、維特比
QAM 和定制調制方案
3GPP 38.901 信道模型（ TDL 、 CDL 、 RMa 、 UMa 、 Umi ）、瑞利、 AWGN
正交頻分復用
MIMO 信道估計、均衡和預編碼

Sionna 是根據 Apache 2.0 許可證發布的，我們歡迎外部各方的貢獻。

你好，Sionna！

下面的代碼示例顯示了一個“你好，世界！”模擬使用 16QAM 調制在 AWGN 信道上傳輸一批 LDPC 碼字的示例。本例顯示了如何實例化 Sionna 層，并將其應用于先前定義的張量。編碼風格遵循 Keras 的 functional API 。您可以在 Google Collaboratory 上的 Jupyter notebook 中直接打開此示例。

batch_size = 1024
n = 1000 # codeword length
k = 500 # information bits per codeword
m = 4 # bits per symbol
snr = 10 # signal-to-noise ratio c = Constellation("qam",m,trainable=True)
b = BinarySource()([batch_size, k])
u = LDPC5GEncoder (k,n)(b)
x = Mapper (constellation=c)(u)
y = AWGN()([x,1/snr])
11r = Demapper("app", constellation=c)([y,1/snr])
b_hat = LDPC5GDecoder(LDPC5GEncoder (k, n))(11r)

Sionna 的一個關鍵優勢是，組件可以進行訓練或由神經網絡代替。 NVIDIA 使Constellation可訓練，并用NeuralDemapper取代Demapper，后者只是通過 Keras 定義的神經網絡。

c = Constellation("qam",m,trainable=True)
b = BinarySource()([batch_size, k])
u = LDPC5GEncoder (k,n)(b)
x = Mapper (constellation=c)(u)
y = AWGN()([x,1/snr])
11r = NeuralDemapper()([y,1/snr])
b_hat = LDPC5GDecoder(LDPC5GEncoder (k, n))(11r)

在這種情況下，定義星座點的張量現在變成了一個可訓練的 TensorFlow 變量，可以通過 TensorFlow 自動微分功能與NeuralDemapper的權重一起跟蹤。由于這些原因， SIONA 可以被視為一個可微鏈路級模擬器。