От «выжимания» к «переосмыслению»: новая парадигма RAN
Традиционные системы доступа к радиосети (RAN) сталкиваются с проблемой «вычислительных ограничений» (compute-constrained). Инженеры вынуждены упрощать алгоритмы, чтобы уместить их в бюджет процессоров, что приводит к потере потенциала Massive MIMO. NVIDIA AI Aerial меняет этот подход, используя GPU-ускорение для запуска математически плотных моделей Layer 1 и Layer 2. Это позволяет перейти от вопроса «как впихнуть больше в тот же чип» к «как переизобрести алгоритм для максимизации спектра».
Результаты тестирования: Beamforming и Link Adaptation
Ключевые преимущества демонстрируются на двух критических задачах. В сценарии MU-MIMO (64T64R, 16 пользователей, 2 слоя) AI-бимформинг требует значительно больше вычислений, но обеспечивает кратный рост эффективности. Также Deep Reinforcement Learning (DRL) для адаптации канала показывает превосходство над традиционными CPU-методами.
| Метод | Сложность (FLOPs) | Рост спектральной эффективности |
|---|---|---|
| rZF Beamforming (база) | 272M | 1.0x |
| AI Beamforming (16 слоев) | 2.58B | 1.28x |
| AI Beamforming (32 слоя) | 2.58B | 1.62x |
Полевые испытания и практическое применение
Теория подтверждена практикой: совместно с SoftBank проведены успешные полевые испытания 16-слойного Massive MU-MIMO на GPU-платформе. Результат — примерно в 3 раза выше спектральная эффективность по сравнению с традиционным 4-слойным базовым решением. Платформа поддерживает масштабируемость, кросс-ячеечную координацию и интеграцию сенсоров, что критично для эволюции к 5G-Advanced и 6G.
Почему это важно для индустрии
Спектр — самый дорогой актив телекомов (в США операторы потратили >$240 млрд). GPU-ускорение позволяет не просто оптимизировать существующие процессы, а внедрять сложные AI-модели (нейросетевые приемники, оценка канала, планирование) в реальном времени. Это закрывает разрыв между теоретическим потенциалом Massive MIMO и реальной производительностью сетей.
Источник: NVIDIA dev blog ↗