นักวิทยาศาสตร์กำลังพัฒนา(AI) โมเดลที่สามารถช่วยเครือข่ายไร้สายรุ่นต่อไปเช่น 6G ให้การเชื่อมต่อที่รวดเร็วและเชื่อถือได้มากขึ้น
ในศึกษาสิ่งที่โดดเด่นในเดือนธันวาคม 2567 ของการทำธุรกรรม IEEE เกี่ยวกับการสื่อสารไร้สายนักวิจัยให้รายละเอียดเกี่ยวกับระบบ AI ซึ่งลดจำนวนข้อมูลที่ต้องส่งระหว่างอุปกรณ์และสถานีฐานไร้สายเช่นหอคอยเซลล์ - โดยมุ่งเน้นไปที่ข้อมูลสำคัญเช่นมุมความล่าช้าและความแรงของสัญญาณ
โดยการเพิ่มประสิทธิภาพข้อมูลสัญญาณในเครือข่ายไร้สายที่ใช้คลื่นมิลลิเมตรความถี่สูง (แถบ MMWave ของสเปกตรัมแม่เหล็กไฟฟ้านักวิจัยพบว่าข้อผิดพลาดการเชื่อมต่อลดลงอย่างมีนัยสำคัญและระบบ AI ช่วยปรับปรุงความน่าเชื่อถือของข้อมูลและการเชื่อมต่อในสภาพแวดล้อมที่หลากหลายเช่นในเขตเมือง
"เพื่อตอบสนองความต้องการข้อมูลที่เพิ่มขึ้นอย่างรวดเร็วในเครือข่ายไร้สายรุ่นต่อไปมันเป็นสิ่งสำคัญที่จะใช้ประโยชน์จากทรัพยากรความถี่ที่อุดมสมบูรณ์ในแถบ MMWave" ผู้เขียนหลักของการศึกษากล่าวByungju Leeศาสตราจารย์ในแผนกโทรคมนาคมที่มหาวิทยาลัยแห่งชาติอินชอนเกาหลีใต้
ที่เกี่ยวข้อง:
"วิธีการของเราช่วยให้มั่นใจได้ว่า beamforming ที่แม่นยำซึ่งช่วยให้สัญญาณเชื่อมต่อกับอุปกรณ์ได้อย่างราบรื่นแม้ว่าผู้ใช้จะเคลื่อนไหว"ลีกล่าวว่า-
วิธีที่ฉลาดกว่าในการกำหนดคลื่น
ความท้าทายในปัจจุบันสำหรับเครือข่ายที่ใช้สเปกตรัมวิทยุความถี่สูงเช่น MMWaves คือพวกเขาพึ่งพาเสาอากาศขนาดใหญ่ที่ทำงานร่วมกันผ่านหลายอินพุตหลายอินพุต (MIMO) กระบวนการต้องการข้อมูลที่แม่นยำ - เรียกว่า "ข้อมูลสถานะช่องสัญญาณ" (CSI) - เพื่อส่งมอบการเชื่อมต่อระหว่างสถานีฐานและอุปกรณ์มือถือที่มีเสาอากาศที่เข้ากันได้
สถานการณ์นี้มีความซับซ้อนมากขึ้นโดยการเปลี่ยนแปลงสภาพแวดล้อมของเครือข่ายเช่นเสาอากาศที่เคลื่อนที่ไปกับผู้คนและการจราจรหรือสิ่งกีดขวางในแนวสายตาระหว่างอุปกรณ์และหอคอยเซลล์ สิ่งนี้นำไปสู่“ ช่องสัญญาณอายุ” - ความไม่ตรงกันระหว่างสถานะช่องทางที่คาดการณ์และสถานะจริงซึ่งส่งผลให้ประสิทธิภาพที่ลดลงเช่นปริมาณงานที่ลดลงและคุณภาพของสัญญาณ
ในการลองและเอาชนะความท้าทายดังกล่าวผู้เขียนการศึกษาใช้โมเดล AI รูปแบบใหม่ที่รู้จักกันในชื่อหม้อแปลงเครือข่ายประสาทเทียม (CNNS)สามารถใช้เพื่อช่วยทำนายและเพิ่มประสิทธิภาพการรับส่งข้อมูลเครือข่ายไร้สายโดยการรับรู้รูปแบบสัญญาณและการจำแนกประเภท
แต่นักวิจัยใช้วิธีการที่แตกต่าง: โดยใช้แบบจำลองหม้อแปลงแทน CNN ในวิธีการวิเคราะห์เครือข่ายของพวกเขารูปแบบระยะสั้นและระยะยาวในการเปลี่ยนแปลงสัญญาณสามารถติดตามได้ เป็นผลให้ระบบ AI ขนานนามว่า "ข้อเสนอแนะ Parametric CSI ที่ช่วยหม้อแปลง" สามารถทำการปรับเปลี่ยนเวลาจริงในเครือข่ายไร้สายเพื่อปรับปรุงคุณภาพการเชื่อมต่อระหว่างสถานีฐานและผู้ใช้แม้ว่าหลังจะเคลื่อนไหวอย่างรวดเร็ว
การปรับปรุงถูกอธิบายโดยความแตกต่างระหว่าง CNNs และ Transformers- ทั้งสองเป็นโมเดลเครือข่ายประสาทที่วิเคราะห์รูปแบบภาพเช่นภาพ - ในกรณีนี้รูปแบบของสเปกตรัมแม่เหล็กไฟฟ้า - แต่ CNNs มักจะได้รับการฝึกฝนในชุดข้อมูลขนาดเล็กและมุ่งเน้นไปที่คุณสมบัติ "ท้องถิ่น" ในขณะที่รุ่นหม้อแปลงใช้ชุดข้อมูลขนาดใหญ่และมีกลไกการดูแลตนเองที่ช่วยให้พวกเขาสามารถกำหนดความสำคัญขององค์ประกอบอินพุตที่แตกต่างกันและความสัมพันธ์ของพวกเขาในระดับโลกและระดับท้องถิ่น
กล่าวง่ายๆว่าโมเดลหม้อแปลงจะเรียนรู้เกี่ยวกับภาพโดยรวมในขณะที่ CNN มีอคติต่อคุณสมบัติเช่นขอบและพื้นผิว Transformers มองเห็นภาพที่ใหญ่ขึ้นดังนั้นพูด
อย่างไรก็ตามโมเดลหม้อแปลงมีความต้องการมากกว่าการคำนวณมากกว่า CNNs แต่ถ้าพวกเขาสามารถส่งมอบเครือข่ายไร้สายรุ่นต่อไปที่แข็งแกร่งพวกเขาอาจเป็นกุญแจสำคัญในการสื่อสารไร้สายความเร็วสูงในอนาคตอันใกล้
