En este momento estás viendo El Laboratorio 6GMADLab de la UPM impulsa las Redes 5G y 6G: Inteligencia Artificial para Resolver los Retos de las Comunicaciones mmWave

El Laboratorio 6GMADLab de la UPM impulsa las Redes 5G y 6G: Inteligencia Artificial para Resolver los Retos de las Comunicaciones mmWave

  • Publicación de la entrada:12 de diciembre de 2024
  • Tiempo de lectura:4 minutos de lectura

La inteligencia artificial (IA) desempeña un papel crucial en la capa física de las redes 5G y 6G, abordando los desafíos asociados con las ondas milimétricas (mmWave), como la estimación precisa del canal, la corrección de distorsiones en RF y la optimización de la formación de haces (beamforming), entre otras aplicaciones. En este contexto, una de las líneas de investigación en las que se enfoca el laboratorio 6GMADLab es la implementación de algoritmos de IA aplicados a la capa física de las redes 5G y 6G. El objetivo de estos trabajos es predecir y rastrear rápidamente los cambios en el canal, reducir las distorsiones no lineales en los amplificadores, mejorar la eficiencia espectral y corregir errores en la transmisión, maximizando así el rendimiento y la fiabilidad de las redes de próxima generación.

Un primer estudio experimental realizado por los investigadores del 6GMADLab presenta una nueva metodología para la estimación de canales inalámbricos en bandas de ondas milimétricas (mmWave), enfocándose en abordar diversas imperfecciones de la capa física (PHY), como el ruido de fase (PN), el desequilibrio en las fases en cuadratura (IQI), el desplazamiento de frecuencia portadora (CFO) y la no linealidad del amplificador de potencia (PAN). La contribución principal presentada por los investigadores del 6GMADLab se centra en el enfoque innovador de entrenar una red neuronal convolucional (CNN) utilizando un conjunto de datos sintético y etiquetado que cubre una amplia gama de condiciones de canal inalámbrico y defectos de la capa física. El proceso implica la generación sintética de conjuntos de datos etiquetados que representan diferentes tipos de canales inalámbricos y problemas en la capa PHY, los cuales se utilizan en la etapa de entrenamiento de la CNN. El modelo entrenado por los investigadores con CNN demuestra una gran capacidad de adaptación a diversos escenarios operativos, destacando su efectividad en condiciones de canal variables. Para validar la eficacia de la metodología propuesta por el laboratorio 6GMADLab, la CNN entrenada se implementa en un banco de pruebas inalámbrico real. Los resultados experimentales resaltan la superioridad de la metodología de estimación de canales propuesta en diferentes regiones de relación señal-ruido (SNR) y tipos de canales con dispersión de retardo. Este enfoque muestra un rendimiento robusto, confirmando su efectividad para mitigar el impacto de los defectos de la capa PHY en entornos de comunicación mmWave reales.

Articulo

 

Fuentes relacionadas: