Chapitre 1
Intégrer l'IA aux systèmes de télécommunications
Les technologies de télécommunications mobile évoluent de la 5G à la 5G-Advanced et à la 6G. Ces technologies favorisent l'émergence de nouvelles applications industrielles et tendances sociétales, telles que les véhicules autonomes, les usines intelligentes et la médecine virtuelle. Il en résulte une augmentation de la complexité du design des systèmes de télécommunications ainsi que des attentes en termes de qualité, de fiabilité et de flexibilité des réseaux.
Les avancées technologiques ont accru la complexité des systèmes et des réseaux de télécommunications en élargissant l'éventail de paramètres qui doivent être introduits, surveillés en permanence et réglés pour garantir la qualité de l'ensemble des systèmes.
Exemples :
- Davantage d'antennes avec l'émergence de la technologie Massive MIMO (multiple-input multiple-output)
- Davantage de fréquences spectrales, notamment les mmWave
- Des conditions de canal variables suivant l'emplacement
- Une augmentation du nombre d'utilisateurs et de leur densité
- Un nombre croissant de cas d'utilisation, allant des échanges entre machines ou d'humain à machine, à des utilisations entre humains, ou encore les communications dirigées
Pour tenir les promesses de ces nouvelles technologies de télécommunications, les ingénieurs doivent trouver des moyens d'optimiser ces systèmes et de configurer leurs paramètres. Mais la complexité qu'implique la résolution de ces défis de design met à l'épreuve les limites de l'esprit humain. Les méthodes mathématiques traditionnelles basées sur des règles ne suffisent plus.
Il est temps de dépasser les méthodes traditionnelles et d'envisager l'utilisation des techniques d'intelligence artificielle (IA).
L'IA excelle à résoudre les problèmes impliquant des dimensions multiples et des dynamiques complexes. En faisant appel à des modèles d'IA pour assurer des fonctions clés dans un réseau de télécommunications, vous pouvez :
- Améliorer l'efficacité du système de télécommunications
- Réduire la complexité des calculs et l'utilisation des ressources
- Compenser en permanence les modifications de l'environnement (des éruptions solaires à la surchauffe des amplificateurs)
- Tenir compte des conditions variables du canal
L'IA permet de résoudre de nombreux défis de design :
- Prédistorsion numérique utilisant le Deep Learning pour compenser les changements environnementaux affectant le fonctionnement des amplificateurs de puissance
- Sélection de faisceau en utilisant le Deep Learning pour réduire la complexité des calculs et la surcharge des ressources
- Sélection de faisceau en utilisant un agent de Reinforcement Learning Deep Q-Network (DQN) pour réduire la complexité de la recherche de faisceau
- Détection des rapports de vraisemblance logarithmique (LLR) en utilisant le Deep Learning pour réduire la complexité des calculs
L'IA peut également vous aider à répondre aux besoins croissants en matière de localisation :
- Positionnement intérieur 3D utilisant le Deep Learning pour tenir compte des changements d'emplacement
Que pouvez-vous modéliser d'autre avec l'IA ?
- Détection de spectre avec le Deep Learning pour supporter différentes fréquences spectrales
- Classification de modulation avec le Deep Learning pour tenir compte des conditions variables du canal
- Auto-encodeurs utilisant le Deep Learning pour améliorer la fiabilité
- Retour d'informations d'état du canal (CSI) avec des réseaux de neurones à auto-encodeur pour compresser les informations CSI en liaison descendante envoyées sur un canal de télécommunication
- Détection d'usurpation d’identité dans un routeur WLAN avec le Deep Learning pour améliorer la sécurité
Cet e-book décrit le développement d'un modèle d'estimation de canal 5G basé sur l'IA et montre comment le modèle d'IA peut améliorer les performances globales du réseau.
L'IA facilitée par MATLAB
Avec MATLAB®, vous pouvez créer des solutions basées sur l'IA même si vous n'avez aucune expérience en Machine Learning ou en Deep Learning. MATLAB vous permet d'intégrer facilement le design de systèmes basés sur l'IA à votre workflow.
MATLAB supporte un processus itératif de design, de test et de déploiement qui vous permet d'améliorer en continu vos modèles d'IA, de les intégrer à votre système pour les tester et les valider, et de les déployer sur des réseaux de production.
Préparation des données
Nettoyage et préparation des données
Perspective humaine
Génération par simulation
Modélisation de l'IA
Design et réglage du modèle
Accélération par le hardware
Interopérabilité
Simulation et tests
Intégration avec des systèmes complexes
Simulation du système
Vérification et validation du système
Déploiement
Dispositifs embarqués
Systèmes d'entreprise
Périphérie, cloud et desktop
Avec MATLAB, vous pouvez :
- Préparer les données
- Capturer des signaux off-the-air en utilisant le hardware supporté afin de créer des données pour l'apprentissage des modèles d'IA
- Générer des données/formes d'onde spécifiques à une norme, ainsi que des formes d'onde personnalisées pour diverses technologies telles que 5G, LTE, WLAN, Bluetooth et diverses normes de communication par satellite telles que DVB, CCSDS et GPS en utilisant l'application Wireless Waveform Generator
- Augmenter l'espace des signaux en ajoutant des imperfections RF et des modèles de canal à vos signaux générés, afin de rendre votre jeu de données réaliste et robuste
- Appliquer votre expertise métier pour labelliser les signaux et ajouter de l'intelligence humaine aux données collectées à partir des systèmes de télécommunications en utilisant l'application Signal Labeler
- Créer des modèles d'IA
- Appliquer des workflows d'apprentissage, de simulation et de test rationalisés et réutilisables à plusieurs applications de télécommunications avec les applications Deep Network Designer et Experiment Manager
- Ajouter des couches personnalisées à vos designs de Deep Learning
- Simulation et tests
- Simuler un système de télécommunications de bout en bout qui inclut des modèles d'IA
- Évaluer rapidement les effets d'un modèle d'IA sur le comportement du système et itérer pour améliorer votre design
- Valider et ajuster votre modèle d'IA et votre système en utilisant des signaux over-the-air
- Déployer vos modèles
- Générer automatiquement du code pour un hardware cible spécifique
- Déployer sur du hardware embarqué ou dans le cloud