Использование технологии Massive MIMO и других решений усложняет процесс строительства 5G в сравнении с предыдущими стандартами. В Nokia считают, что ряд новых проблем можно решить с помощью машинного обучения.
По словам представителя компании Раджива Агравала (Rajeev Agrawal), применение искусственного интеллекта поможет повысить производительность сети и сократить расходы.
В качестве иллюстрации своего утверждения он привел три 5G-проблемы, которые изучили в Nokia, но пока еще официально не опубликовали в научных изданиях.
Планирование формирования луча (технология Beamforming) в сетях Massive MIMO
В сети Massive MIMO базовые станции посылают и принимают радиочастотные сигналы параллельно через множество антенн. В результате, получается передавать и получать больше данных, но эти многочисленные сигналы также создают помехи друг для друга.
С помощью технологии Beamforming базовая станция может формировать целевой луч к конкретному пользователю, снижая уровень помех и более эффективно используя спектр.
Одна из проблем при построении систем для 5G состоит в сложности организации лучей. Например, система из 128 антенн формирует 32 луча и должна выделить четыре луча в определенный промежуток время.
При этом также ставится задача обеспечения максимальной спектральной эффективности. Количество возможных способов планирования 4 из 32 лучей превышает 30 000 вариантов. На базовой станции просто недостаточно вычислительной мощности, чтобы быстро найти наилучшую комбинацию.
В Nokia заявили, что смогли обучить нейронные сети искать лучший график формирования лучей в оффлайновом режиме и при необходимости быстро предоставлять лучшие варианты в полевых условиях.
Внутреннее позиционирование
Еще одним способом более эффективного использования спектра в сетях 5G является установка малых сот. Это также может помочь операторам решить еще одну проблему – определить местоположение внутренних объектов, например, датчиков. Сигналы GPS обычно могут определять местонахождение объекта с точностью до 5 метров.
Агравал утверждает, что радиочастотные данные малых сот можно использовать для определения позиции оборудования на базе машинного обучения. В его презентации были указаны средние ошибки позиционирования 10 см, 13 см и 9 см при использовании радиочастотных данных LTE eNB от малых сот на разных этажах торгового центра в Китае.
При наличии в комнате нескольких базовых станций, система измеряет уровни принимаемого сигнала от каждой из малых сот. Затем эти карты используются для обучения нейронных сетей, которые прогнозируют местоположение объекта на основе силы сигналов соседних малых сот.
Настройка каналов Uplink и Downlink
Чтобы смартфон правильно работал в сотовой сети, необходимо эффективно настроить размер канала управления восходящей линии связи, который передает обратную связь по качеству сети.
Чем больше спектра используется каналом управления в направлении “вверх”, тем лучше качество передачи данных может быть от смартфона клиента. Но это также означает, что эта часть спектра недоступна для передачи данных. Такое разделение каналов требует поиска компромисса.
Существуют методы автоматического определения размера канала управления для сетей 3G и 4G. Но Агравал утверждает, что для сетей 5G эта проблема усложнится, поскольку данные канала управления в uplink будут более “богатыми”.
Он считает, что система машинного обучения будет предсказывать характеристики пользовательского оборудования и предсказывать изменение пропускной способности восходящей/нисходящей линии связи в зависимости от разных параметров, выбирая оптимальное соотношение.