AI-Native RAN: Как NVIDIA AI Aerial меняет спектральную эффективность

Спектр — это, пожалуй, самый ценный актив в современной беспроводной связи. За последние 30 лет телекоммуникационные операторы в США потратили более 240 миллиардов долларов на приобретение лицензий на использование радиочастотного спектра. Это колоссальные инвестиции, которые требуют максимальной отдачи. Главная цель любой системы радиодоступа (RAN) — извлечь из этого спектра максимум возможной спектральной эффективности, измеряемой в битах в секунду на герц (bits/second/Hertz). Высокая спектральная эффективность напрямую переводится в большую пропускную способность сети, её устойчивость к сбоям (меньше потерянных пакетов) и, что немаловажно, в лучшую экономику для каждого базового сайта.

Операторы постоянно ищут способы извлечь дополнительную ценность из уже имеющегося спектра, не прибегая к покупке новых частот. Здесь на сцену выходит технология Massive MIMO (Multiple-input, multiple-output) — многопользовательский доступ с использованием множества антенн. Эта технология обещала революционный скачок в эффективности, позволяя обслуживать множество пользователей одновременно в одном и том же частотном диапазоне. Однако на практике отрасль пока работает ниже теоретического максимума, оставляя огромный потенциал мощности неиспользованным. Почему так происходит? Проблема не в физике, а в вычислительных ограничениях.

Исторически индустрия рассматривала эти вызовы через призму «ограниченных вычислительных ресурсов». Процессоры (CPU) были узким местом, заставляя инженеров идти на компромиссы: упрощать алгоритмы, чтобы они помещались в строгие бюджеты по производительности и энергопотреблению. Это приводило к тому, что сеть не могла точно отслеживать местоположение пользователей, сигналы накладывались друг на друга, вызывая интерференцию, а система не могла эффективно группировать пользователей для одновременной передачи данных. NVIDIA AI Aerial меняет этот парадигмальный подход. С помощью GPU-ускорения и архитектуры, изначально созданной для ИИ, вычислительная мощность перестает быть ограничением. Мы больше не спрашиваем: «Как впихнуть больше в те же вычислительные ресурсы?». Мы спрашиваем: «Как переизобрести алгоритмы на всех уровнях стека, чтобы максимизировать использование спектра?»

01Почему GPU-ускорение критично для спектральной эффективности

Современные конвейеры обработки данных в RAN состоят из математически плотных алгоритмических задач с очень специфическими характеристиками вычислений. Традиционные CPU, даже многоядерные, не всегда справляются с растущей сложностью задач, таких как планирование ресурсов, оценка канала или формирование луча. GPU, благодаря своей архитектуре с тысячами ядер, идеально подходят для параллельных вычислений, необходимых в радиосвязи.

Рассмотрим ключевые рабочие нагрузки RAN и то, почему именно GPU становятся решающим фактором:

• Мультипользовательский MIMO (MU-MIMO) и группировка устройств (UE pairing): Это задача комбинаторного поиска распределения частотных и пространственных ресурсов среди больших пулов пользователей. GPU способны параллелить оценку огромного количества кандидатов на группировку и выполнять вывод ИИ-моделей в реальном времени, обрабатывая пакеты данных сразу по нескольким ячейкам.
• Формирование луча (Beamforming) и прекодирование: Эти задачи требуют выполнения больших матричных операций и оптимизации для каждого пользователя или слоя. GPU естественным образом отображают тензорно-тяжелую линейную алгебру на свою архитектуру, поддерживая производительность пространственного мультиплексирования по мере роста числа антенн и слоев.
• Адаптация связи на основе глубокого обучения с подкреплением (DRL): ИИ-вывод на основе истории состояния, обратной связи ACK/NACK и сложных изменений канала. GPU позволяют запускать более крупные и эффективные модели ИИ с большими размерами пакетов, строго соблюдая дедлайны по временным слотам.
• Оценка канала: Плотная обработка сигналов на основе SRS/DMRS с высоким числом антенн. GPU поддерживают продвинутые оценщики канала, которые используют больше наблюдений, чем традиционные методы, что снижает пилотные накладные расходы.
• Планирование (Scheduling): Сложная сортировка, распределение ресурсных блоков (PRB) и цели справедливости между ячейками. GPU превосходят CPU, когда планирование выходит за рамки отдельных ячеек и переходит к плотной кросс-ячеечной оптимизации.
• Нейронный приемник: Тензорно-тяжелая эквализация и обнаружение с использованием высокоразмерных IQ-данных. Это позволяет запускать модели ИИ, которые практически невозможно выполнить на CPU alone.

02Формирование луча: от упрощений к ИИ-точности

Качество формирования луча (beamforming) определяет, насколько эффективно сеть преобразует знания о канале связи в полезную пропускную способность. Классические методы, такие как регулярное обнуление (Regularized Zero Forcing, rZF), эффективны, но они сформированы вычислительными компромиссами. Они полагаются на упрощенные модели, чтобы уложиться в ограниченные бюджеты CPU. По мере перехода систем к большему числу антенн и более плотной работе MU-MIMO, эти упрощения приводят к потере отношения сигнал/шум/помеха (SINR) и снижению реальной пропускной способности.

Генерация весов формирования луча на основе машинного обучения (ML) решает эту проблему, используя более богатую информацию о канале для расчета весов. Однако это резко увеличивает вычислительную нагрузку. Анализ NVIDIA показывает, что в сценарии MU-MIMO с 64 передающими и 64 принимающими антеннами (64T64R), 16 пользователями и 2 слоями на пользователя, где SNR пользователей случайным образом распределены в диапазоне [0-20] дБ, ИИ-формирование луча требует значительно больше операций с плавающей запятой (FLOPs), чем традиционное rZF. Но эта инвестиция в вычисления окупается:

ИИ-формирование луча обеспечивает прирост спектральной эффективности, давая до 1.62x более высокой пропускной способности при 32 слоях по сравнению с традиционным алгоритмом формирования луча с нулевым вычитанием. Даже при меньшем количестве слоев (16 слоев) ИИ-формирование луча обеспечивает улучшение пропускной способности на 1.28x.

Вычислительная мощность GPU позволяет генерировать веса формирования луча более высокого качества в масштабе и с задержкой, требуемыми для развертывания RAN. Это напрямую связано с полевыми испытаниями. Компания SoftBank совместно с NVIDIA недавно сообщила об успешной стабильной работе 16-слойного массового MU-MIMO на GPU-платформе AI-RAN в реальных условиях. Испытания показали примерно 3-кратное увеличение спектральной эффективности по сравнению с традиционным 4-слойным базовым уровнем. Ценность GPU здесь не абстрактна — это практическая способность поддерживать пространственное мультиплексирование высшего порядка в реальной системе.

03Адаптация связи: глубокое обучение против ручных правил

Адаптация связи (link adaptation) — это сложная функция управления на канальном уровне (MAC). Планировщик должен постоянно выбирать схему модуляции и кодирования (MCS), чтобы максимизировать пропускную способность, сохраняя при этом уровень ошибок блока (BLER) в целевых пределах для обеспечения качества обслуживания (QoS), и максимизировать спектральную эффективность в условиях изменяющейся мобильности и интерференции.

Традиционные схемы, такие как внешняя петля адаптации связи (OLLA), реализованные в векторных процессорах CPU, являются легковесными. Они реагируют на обратную связь через заранее заданную логику, созданную человеком. Глубокое обучение с подкреплением (DRL) меняет этот подход, обучая политику выбора MCS непосредственно на основе наблюдаемого поведения радиоэфира.

Агент DRL использует историю индикатора качества канала (CQI), обратную связь ACK/NACK и краткосрочную эволюцию канала для адаптации к условиям конкретного сайта в реальном времени. Ранние инженерные результаты NVIDIA показывают прирост пропускной способности на 1.3x по сравнению с базовым уровнем OLLA на границе ячейки, когда он сочетается с группировкой пользователей на основе ортогональности канала. Дальнейшие улучшения ожидаются при комбинировании DRL-LA с более продвинутыми алгоритмами парирования MU-MIMO.

Техническим поворотным моментом здесь является масштабирование задержки. Небольшая, дистиллированная модель может работать на CPU с векторными процессорами. Однако для получения максимальной спектральной эффективности требуются более крупные модели, обрабатывающие богатые условия MU-MIMO с большими размерами пакетов, при этом сохраняя стабильный BLER ниже целевого уровня. Как показано в данных NVIDIA, архитектура на базе GPU остается в пределах типичного бюджета задержки ~30 мкс для диапазона протестированных пользователей, даже для модели с 396K параметров. Напротив, реализация на одном ядре CPU превышает бюджет задержки уже с первого запланированного пользователя. Вывод на CPU может поддерживать только модели низкой сложности, тогда как вывод на GPU позволяет запускать модели высокой емкости, обеспечивающие большие приросты производительности. Адаптация связи становится настоящим рычагом спектральной эффективности только тогда, когда качество политики и задержка вывода улучшаются одновременно.

04Научное подтверждение: от симуляций к реальности

Последние академические исследования также подтверждают эти результаты. ИИ-оценка канала, эквализация и адаптация связи превосходят классические базовые уровни в сложных радиочастотных условиях. Ниже приведены сводки из трех отдельных исследовательских работ, демонстрирующих потенциал ИИ в RAN:

• Deep Learning-Based Pilotless Spatial Multiplexing: Изучение приемника и сокращения пилотных сигналов на основе обучения. Результат: улучшение спектральной эффективности на 20%.
• Leveraging AI Agents for Autonomous Networks: ИИ-ассистированное управление и адаптация. Результат: снижение BLER на 67% по сравнению с OLLA в сценарии URLLC (сверхнадежная связь с низкой задержкой).
• From Simulation to Reality: Practical DRL-based Link Adaptation: Практическая адаптация связи на основе DRL. Результат: увеличение пропускной способности до 70% по сравнению с классической OLLA в сценарии высокой мобильности.

05Открытие новых возможностей с NVIDIA AI Aerial

NVIDIA AI Aerial — это не просто ускорение рабочих нагрузок RAN; это платформа, которая включает новые возможности сети. Пять ключевых возможностей, включая улучшенную спектральную эффективность, выделяют, как эта платформа продвигает беспроводные сети следующего поколения:

1. Эффективность «алгоритм-в-первую-очередь»

Вместо того чтобы полагаться на упрощенные эвристики, чтобы уложиться в узкие бюджеты CPU, AI Aerial позволяет операторам запускать математически плотные модели уровня 1 и 2, нативные для ИИ. Платформа сдвигает целевой показатель проектирования с вопроса «что помещается на CPU?» на вопрос «что максимизирует радиопроизводительность?», оценивая огромные комбинаторные пространства в реальном времени.

2. Рост моделей без перепроектирования

По мере того как ИИ приближается к физической волновой форме, модели оценки канала, эквализации и адаптации будут расти. Жесткие ASIC-чипы «замораживают» алгоритмы в кремнии, но программируемая вычислительная мощность тензоров GPU позволяет ИИ жить в самом сердце RAN. AI Aerial поглощает рост программного обеспечения, а не заставляет создавать новый аппаратный раздел каждый раз, когда алгоритм меняется.

3. Масштаб и координация

Сети следующего поколения требуют плотного, перекрывающегося покрытия, что создает огромную вычислительную нагрузку для отслеживания кросс-ячеечной интерференции. Традиционные планировщики CPU борются с масштабированием задержки, необходимым для такого уровня координации. AI Aerial справляется с этим благодаря огромной пропускной способности памяти и общему пространству данных между cuPHY и cuMAC, выполняя сложную многоячеечную математику мгновенно для поддержки реализаций MU-MIMO высшего порядка.

4. Интегрированные зондирование и связь (ISAC)

Интегрированные зондирование и связь (ISAC) по сути превращают радиосеть в повсеместную радарную систему. Это вводит рабочую нагрузку, требующую обработки стандартной связи при одновременном выполнении моделей классификации глубокого обучения. AI Aerial предоставляет параллельную архитектуру, которая объединяет высокоскоростную связь с зондированием.

5. Монетизация ИИ-инфраструктуры

Телекоммуникационные сети обычно проектируются под пиковый трафик, оставляя инфраструктуру сильно недоиспользованной в часы пиковой нагрузки. AI Aerial меняет возврат на инвестиции, поддерживая динамическое распределение рабочих нагрузок 5G/6G и ИИ на одном GPU. Операторы могут перенаправлять свободные вычислительные ресурсы GPU для размещения монетизируемых приложений вывода на границе сети, превращая выделенное телекоммуникационное оборудование в инфраструктуру, генерирующую доход для более широкой ИИ-экономики.

06Что это значит на практике

Переход к RAN, нативному для ИИ, — это путь к закрытию разрыва в производительности Massive MIMO, давая сети интеллект и параллельные вычисления, необходимые для превращения теоретической спектральной эффективности в реальные выигрыши. NVIDIA AI Aerial была создана для этого перехода. Как программно-определяемая платформа ускоренных вычислений для RAN, нативного для ИИ, она делает передовую интеллектуальную обработку уровня 1 и 2 практичной в масштабе.

Результатом является более мощная RAN, которая помогает операторам извлекать больше ценности из каждого герца спектра и открывает дверь к новым возможностям монетизации на основе ИИ. NVIDIA работает с лидерами отрасли, такими как Nokia, чтобы предоставить платформы AI-RAN, интегрированные с программным обеспечением Nokia anyRAN, позволяя операторам развертывать сети 5G-Advanced, нативные для ИИ, готовые к эволюции к 6G. С платформами, такими как NVIDIA ARC-Pro, повышающими производительность, эффективность и программируемость, операторы могут ускорить свой путь к полностью интеллектуальным, программно-определяемым радиосетям.

Для инженеров и архитекторов сетей это означает конец эры компромиссов между сложностью алгоритма и доступной вычислительной мощностью. Теперь, когда GPU становятся стандартом для базовых станций, можно внедрять сложные модели машинного обучения непосредственно в физический уровень сети, не опасаясь превышения лимитов задержки. Это открывает путь к сетям, которые не просто передают данные, а активно оптимизируют среду распространения радиоволн в реальном времени, обеспечивая беспрецедентное качество обслуживания для пользователей и новую экономику для операторов.

Источник: NVIDIA Developer ↗