在今年的世界移動通信大會（ MWC ）上， NVIDIA 展示了一款神經接收器? 對于 5G 新無線電（ NR ）上行鏈路多用戶 MIMO 場景，可以看作? 可能的 6G 物理層架構的藍圖。
NVIDIA 首次展示了一種可訓練的基于神經網絡的接收器的研究原型，該接收器可以學習替換下一代節點 B 基站（ gNB ）中經典物理層的重要部分，而無需明確編程。
與我們的合作伙伴一起Rohde & Schwarz，我們在硬件在環設置中驗證了具有完全 5G 兼容 RF 信號的神經接收器的功能和性能。根據傳統基站算法的 3GPP 一致性測試場景，我們生成了在 2 . 14GHz 的載波頻率下具有 80MHz 帶寬的測試信號。?
這篇文章將展示經過訓練的接收器在模擬中的卓越性能? 也可以通過在現實條件下的實際測量來驗證。?
什么是神經接收器？
為了從接收到的信號中重建發送的信息，經典接收機執行一系列信號處理步驟。在一個神經接收器，這些手工制作的信號處理塊被神經網絡所取代。特別是，只有一個神經網絡取代了信道估計、均衡和解映射（圖 1 ）。
NVIDIA 原型通過多用戶 MIMO 組件擴展了神經接收器的概念，并實現了 5G NR 兼容性。
神經網絡架構的一個具體重點是關于變化數量的用戶和可配置數量的子載波的靈活性。這種靈活性是實現實際部署的關鍵因素。如果額外的用戶加入或離開網絡，或者如果分配的子載波或物理資源塊（ PRB ）的數量改變，則所提出的體系結構不需要任何再訓練。
神經網絡架構本身是圖神經網絡（ GNN ）和卷積神經網絡（ CNN ）層的組合。直觀地說， GNN 為不同數量的用戶提供了靈活性，因為它可以輕松地重新配置。因此，處理整個 5G 只需要 700K 可訓練重量狹槽，是由時頻 OFDM 網格中的數千個資源元素組成的整個時間/頻率資源。
該體系結構設計允許接收機適應不同的系統配置。物理資源塊的數量也是可變的。事實上，接收機被訓練用于四個 PRB ，但是被評估用于 217 個 PRB 。
Sionna 支持 5G 新電臺
為了 5G 和 beyond-5G 的快速原型設計以及此類系統的研究和培訓， NVIDIA 開發了Sionna，一個 GPU 加速框架，用于完全可微分的鏈路級模擬。? NVIDIA 集成了一個專用5G NR要啟用的模塊5G NR–compliant PUSCH simulations開箱即用，只有幾行代碼。
至于任何其他 Sionna 組件，所提供的發射器和接收器塊是可微分的，并且梯度可以通過 5G 收發器組件反向傳播。
以下示例在幾行代碼中顯示了符合 5G 的 PUSCH 模擬。
# Create a PUSCH configuration with default settingspusch_config = PUSCHConfig()# Instantiate a PUSCHTransmitter from the PUSCHConfigpusch_transmitter = PUSCHTransmitter(pusch_config)# Create a PUSCHReceiver using the PUSCHTransmitterpusch_receiver = PUSCHReceiver(pusch_transmitter)# AWGN channelchannel = AWGN()# Simulate transmissions over the AWGN channelbatch_size = 16no = 0.1 # Noise variancex, b = pusch_transmitter(batch_size) # Generate transmit signal and info bitsy = channel([x, no]) # Simulate channel outputb_hat = pusch_receiver([x, no]) # Recover the info bits# Compute BERprint("BER:", compute_ber(b, b_hat).numpy())) |
硬件在環測試和驗證
為了在硬件在環實驗中測試這種神經接收器的性能， NVIDIA 與高級測試和測量解決方案供應商 Rohde & Schwarz 合作。
Rohde & Schwarz 將其 R & S SMW200A 矢量信號發生器與兩個 R & S SGT100A 矢量信號發生器相結合，以創建具有 MIMO 2 × 4 配置的符合 5G NR 的上行鏈路信號。兩個用戶在相同的時間 – 頻率資源上同時進行傳輸。在信道模擬器的幫助下模擬真實的信道條件，該信道模擬器將不同的衰落系數和噪聲應用于用戶的信號。
由此產生的四個射頻信道連接到 R & S MSR4 多用途衛星接收機的四個相位相干輸入。信號被捕獲、下變頻，然后被數字化。
所得 IQ 樣本通過四個 10Gbit / s 以太網接口流式傳輸到基于服務器的測試（ SBT ）架構，用于進一步預處理，同時對 OFDM 信號執行快速傅立葉變換（ FFT ）和循環前綴去除。
FFT 后的數據最終被傳輸到配備有 NVIDIA RTX 4090 GPU 的 NVIDIA 工作站，該工作站執行訓練后的神經接收器的推斷，然后進行信道解碼。
經過模擬培訓，在現場驗證
圖 3 顯示了不同接收器在傳輸塊級別上的塊錯誤率性能，也就是說，包括整個物理（ PHY ）層的影響。藍點表示實際測量的結果，而實線則用Sionna 的內置通道模型.
所有系統都針對相同的場景和相同的輸入數據進行評估，但針對不同的接收器實現。
- 完美的犯罪現場調查（灰色）：接收器處的完全已知信道狀態信息（ CSI ）和最大似然檢測。這顯然是不現實的，但為實際系統所能達到的性能提供了一個下限。
- 最大可能性（橙色）：最大似然的近似值，可以獲得很好的性能，但由于計算復雜度高而不實用。
- LS + 1 毫秒（藍色）：具有線性最小均方誤差（ LMMSE ）檢測的最小二乘（ LS ）信道估計。由于其復雜性較低，因此可以將其視為一個實用的基線。
- 神經接收器（綠色）：神經接收器的性能接近最大似然，但計算復雜度顯著降低。
該演示的關鍵成就之一是通過使用 R & S 測試和測量設備，在真實的硬件在環場景中驗證 Sionna 的模擬。正如您所看到的，性能匹配得很好，在實際硬件上部署只會帶來很小的性能下降。
為什么 Sionna 對這個實驗如此重要？
如果以錯誤的方式進行訓練，則神經接收器可能過度適應特定的信道實現。
為了避免這種影響，接收機使用基于Sionna’s 的內置通道模型這意味著在訓練期間，神經接收器看到信道條件的許多獨立變化，例如隨機用戶速度、不同的衰落分布和各種信噪比。
特別是，接收器已經在3GPP UMi 模型中隨機模型參數對于每次訓練迭代而改變。該過程避免了對特定信道條件的過擬合，并且所得到的神經接收器很好地推廣到看不見的信道實現。
朝向 6G
除了純粹的塊錯誤率性能增益之外，我們的長期愿景是，這些接收器可以進行微調specific environment。我們考慮特定地點的特性，如預期的用戶速度（與低速室內環境相比，靠近高速公路的部署）或感興趣區域的預期最大延遲分布。因此，我們設想可以在低負載階段對基站進行持續的再培訓。即使在現場部署后，我們也可以通過簡單地更新它們的權重來提高它們的性能。
更進一步，神經接收器可以被視為大量新物理層概念的推動者，例如AI/ML-based waveforms甚至semantic communications。雖然這項研究仍處于早期階段，還有很多工作要做，但我們很高興能夠在物理層展示人工智能的潛力，它可能會成為 6G 通信系統不可或缺的一部分。
?
