NVIDIA’nın Açık Kaynaklı Araçları Araştırmacılara Yeni Nesil 6G Ağlarını Oluşturmada Nasıl Yardım Ediyor
Bir yıl önce NVIDIA, Aerial kablosuz yazılımını açık kaynak olarak sunarak Sionna ve yeni nesil 6G ağ geliştirmesini hızlandırmak için tasarlanmış daha geniş bir açık kaynak araç setine katıldı. Bu araçlar, araştırmacılara fikirleri test etmek, sonuçları karşılaştırmak ve birbirlerinin çalışmalarının üzerine inşa etmek için bir temel sunuyor; böylece simülasyon ve yapay zeka eğitimini gerçek kablosuz sistemlerdeki deneylerle birleştiriyor.
Günümüzde araştırmacılar ve geliştiriciler bu araçları, yalnızca veri iletmekten daha fazlasını yapabilen 6G uyumlu ağlar oluşturmak için kullanıyor: sinyalleri daha etkili bir şekilde almak, kritik anlarda robotları ve otonom sistemleri bağlı tutmak ve cihazlar hareket ederken gerçek zamanlı olarak uyum sağlamak.
Geçtiğimiz bir yıl içinde NVIDIA AI Aerial ve NVIDIA Sionna yazılımlarının küresel geliştirici tarafından benimsenmesi 10 kat artarken, NVIDIA’nın açık kaynaklı 5G/6G araçları 1 milyondan fazla indirme sayısına ulaştı. Dünya çapında 8.000’den fazla araştırma ve akademik kurum bu platformları kullanıyor.
Günümüzde ortaya çıkan projeler, gelecekteki ağların nasıl görünebileceğine dair bir bakış sunuyor. Her biri farklı bir zorluğa odaklansa da, birlikte milyarlarca insan, makine ve ajan için birleşik, yazılım tanımlı bir platform üzerinden bağlantı, hesaplama ve algılama sağlayan yapay zeka tabanlı 6G ağları oluşturma yönündeki daha geniş bir hedefi işaret ediyor.
Robotların Daha Hızlı Tepki Vermesine Yardımcı Olan Ağlar
Bir nesneyi alan bir robotun, çevresi değişmeden önce ortamını anlaması ve harekete geçmesi gerekir. Bu kararı veren yapay zeka yakındaki bir sunucuda veya bulutta çalıştığında, kablosuz bağlantı da yanıt süresinin bir parçası haline gelir.
Araştırmacılar, hedef odaklı anlamsal iletişim olarak adlandırılan daha verimli bir yaklaşımı araştırıyor. Robotlar tam görüntüler göndermek yerine nesnelerin, konumlarının ve aralarındaki ilişkilerin özet tanımlarını iletir. Yalnızca gerekli miktarda bilgiyi iletmek, özellikle iş yerleri ve depolar gibi dinamik ortamlarda robotların daha hızlı tepki vermesini sağlar.
King’s College London’da araştırmacılar, kamera donanımlı bir robot kolunu, hem yazılım tanımlı 5G ağını hem de kenar yapay zeka işleme desteği sunan NVIDIA Sionna’yı çalıştıran bir NVIDIA Jetson AGX Orin’e bağladı. Kasıtlı olarak oluşturulan hatalarla gerçekleştirilen meyve paketleme ve küp dizme deneylerinde bu yaklaşım, robotun görev tamamlama süresini %52,6’ya varan oranlarda azalttı ve periyodik görüntü gönderimine kıyasla görev başarı oranını artırdı.
Daha hızlı yanıtlar ve daha az işlem yükünün yanı sıra sistem daha dayanıklı da olduğunu kanıtladı: düşürülen nesneleri tespit etti, başarısız eylemlerden sonra toparlandı ve dijital ikiz kullanan konfigürasyonlarda planlanan hareketlerin potansiyel çakışmaları önceden kontrol etti.
Sinyalleri Daha İyi Almayı Öğrenen Ağlar
Canlı drone görüntüsü alan bir itfaiyeci veya kayıp bir kişiyi arayan bir kurtarma ekibi için zamanında gelen görüntüler acil kararların alınmasına yardımcı olabilir. Ancak parazitler ve değişen radyo koşulları kablosuz sinyallerin çözülmesini zorlaştırarak hatalara ve sahadan gelen bilgileri geciktiren yeniden iletimlere neden olabilir.
Yapay zeka tabanlı alıcılar, gelen sinyallerden bilgiyi daha etkili bir şekilde kurtarmayı öğrenerek bu zorluğun üstesinden geliyor. Daha iyi alım, müdahale ekiplerinin bir yangın mahalli veya arama alanının daha net ve güncel bir görüntüsünü korumasına yardımcı olabilir.
SoftBank, bir sinirsel alıcıyı NVIDIA Aerial CUDA-Hızlandırılmış RAN (ACAR) ile entegre ederek ve bunu ticari bir 5G akıllı telefonla test ederek bunu gösterdi. Parazitli kontrollü testlerde sinirsel alıcı, test edilen 15 ayarın tamamında geleneksel bir alıcıya göre daha yüksek yukarı bağlantı veri aktarım hızı sağladı ve maksimum kazanç yaklaşık %60 oldu.
Alımı iyileştirmenin bir başka yolu da alıcıları çalıştıkları ortamlar hakkında eğitmektir. ETH Zürih araştırmacıları, NVIDIA Aerial Testbed kullanarak, sinirsel alıcıları yerel ölçümlerle ayarlamanın, önceden eğitilmiş seçilmiş versiyonlara kıyasla blok hata oranlarını üçte birden fazla azalttığını buldu.
Ne Zaman Enerji Tasarrufu Yapılacağını Öğrenen Ağlar
6G daha fazla cihazı bağladıkça ve daha fazla yapay zeka uygulamasını destekledikçe enerji talebini yönetmek giderek daha önemli hale gelecektir.
Örneğin, bir ağın kalabalık bir stadyuma hizmet verecek kadar kapasiteye ihtiyacı olabilir, ancak kalabalık ayrıldığında talep değişir. Yapay zeka, boş kapasitenin ne zaman kapatılabileceğini ve ne zaman yeniden devreye alınması gerektiğini belirlemeye yardımcı olabilir; böylece operatörler bağlantıları kesmeden elektrik kullanımını azaltabilir.
Leeds Üniversitesi’ndeki araştırmacılar, ağ talebini 10 dakika önceden tahmin eden ve bu tahminleri baz istasyonlarının kapanma kararlarını yönlendirmek için kullanan bir sistem geliştirdi. Kapatmadan önce, komşu aktif istasyonların etkilenen cihazlara hizmet vermeye devam edip edemeyeceğini kontrol ediyor ve kapasitenin yeniden sağlanmasını gerektiren değişiklikleri izliyor.
Ekip, yaklaşımını taşınabilir, NVIDIA DGX Spark destekli bir 5G “kutu içinde ağ” ile ve kararları gerçek kablosuz ekipmanla karşılaştırmak için bir dijital ikiz kullanarak test etti. Sonuç olarak araştırmacılar, tam güç referansına kıyasla RAN güç tüketiminde %45,6’lık bir azalma bildirirken cihaz bağlantısını korudular.
İnşa Edilmeden Önce Daha Hızlı Test Edilebilen Ağlar
Bir ağı devreye almadan önce araştırmacıların, yüzlerce cihazın bağlantı için rekabet ettiği veya radyo sinyallerinin parazitlerle karşılaştığı durumlarda nasıl performans göstereceğini bilmeleri gerekir. Bu koşulları simüle etmek, ekiplerin maliyetli ekipmanlara ve saha testlerine yatırım yapmadan önce tasarımları değerlendirmesine yardımcı olur. Ancak gerçekçi simülasyonlar saatler sürebilir ve bu da araştırmacıların keşfedebileceği fikir sayısını sınırlar.
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC), ACAR üzerinde çalışan GPU-hızlandırılmış radyo kanalı modellerini CTTC’nin açık kaynaklı 5G-LENA ağ simülatörüne entegre ederek bu süreci hızlandırıyor. Bu modeller, kablosuz sinyallerin antenler ve cihazlar arasında nasıl yayıldığını hesaplıyor; bu hesaplama, simüle edilen ağlar büyüdükçe giderek daha zorlu hale geliyor.
İlk değerlendirmede bu yaklaşım, entegrasyona bağlı olarak simülasyon süresini yaklaşık üç saatten 10-20 dakikaya düşürürken beklenen istatistiksel davranışı ve ağ performansını korudu.
Daha hızlı simülasyonlar, araştırmacıların daha fazla tasarımı karşılaştırmasına, daha zorlu senaryoları incelemesine ve fikirleri daha erken geliştirmesine olanak tanıyor. Sektör 6G’yi geliştirdikçe bu, önerilen bir yenilikten kapsamlı bir şekilde değerlendirilmiş bir ağ tasarımına giden yolu kısaltabilir ve ekiplerin gerçek dünyada devreye almadan önce daha iyi bağlantı çözümleri oluşturmasına yardımcı olabilir.
NVIDIA GTC Washington, D.C.’de katılımcılar, 6G Geliştirici Oturumlarına katılarak kablosuz ağların geleceğini şekillendiren daha fazla yeniliği araştırmacıların ve geliştiricilerin sergilemesini izleyebilirler.
NVIDIA AI Aerial ve NVIDIA Sionna GitHub üzerinden erişilebilir.





Yorumlar
[…] Çekebilir: NVIDIA’nın Açık Kaynaklı Araçları Araştırmacılara Yeni Nesil 6G Ağlarını Oluşturm… Kaynak: Blogs […]