Memandangkan teknologi wayarles mudah alih membuat lonjakan kepada 5G, kerumitan reka bentuk sistem wayarles semakin meningkat.
Pada masa ini, disebabkan peningkatan permintaan untuk mengembangkan pangkalan pengguna, adalah perlu untuk mengukuhkan pengoptimuman dan perkongsian sumber berharga, dan ia juga meningkatkan kesukaran pengurusan rangkaian wayarles ini pelarasan memaksa jurutera untuk menerobos kaedah berasaskan peraturan tradisional dan mencari penyelesaian baharu. AI menjadi penyelesaian utama mereka kepada cabaran sistem moden.
Baru-baru ini, Houman Zarrinkoub, pengurus produk utama MathWorks, menegaskan dalam artikel "Kunci untuk mengatasi kerumitan dalam reka bentuk sistem wayarles moden" daripada mengurus komunikasi antara kenderaan autonomi kepada mengoptimumkan mudah alih memanggil Peruntukan Sumber, AI membawa kerumitan yang diperlukan kepada pembangunan, aplikasi wayarles moden.
Hari ini, apabila bilangan dan julat peranti yang disambungkan ke rangkaian berkembang, kepentingan AI dalam medan wayarles juga telah meningkat dengan ketara. Jurutera mesti bersedia untuk memperkenalkan AI ke dalam sistem yang semakin kompleks dan memahami faedah dan aplikasi AI dalam sistem wayarles, serta amalan terbaik dalam pelaksanaan, yang akan menjadi kunci kepada kejayaan masa depan teknologi sistem wayarles, kata Houman Zarrinkoub.
Peralihan kepada 5G membawa pengoptimuman kelajuan dan kualiti rangkaian jalur lebar mudah alih, dan Keperluan untuk ultra -komunikasi mesin berkadar rendah dan berskala besar yang boleh dipercayai untuk sambungan sensitif masa antara peranti Industri 4.0 – ini adalah tiga kes penggunaan berbeza dalam rangkaian moden dan daya saing mendorong jurutera untuk mengguna pakai AI.
Apabila peranti bersaing untuk mendapatkan sumber rangkaian dan bilangan pengguna serta aplikasi dalam sistem wayarles terus meningkat, corak reka bentuk linear yang pernah difahami sebagai peraturan berasaskan manusia menjadi pendek. Walau bagaimanapun, dengan mengekstrak corak arbitrari secara automatik dan cekap, AI boleh menyelesaikan masalah tak linear dengan lebih baik di luar keupayaan kaedah berasaskan manusia.
Dalam kes ini, kecerdasan buatan merujuk kepada pembelajaran mesin dan sistem pembelajaran mendalam yang digunakan untuk mengenal pasti corak saluran komunikasi peranti yang disambungkan, orang dan sumber yang diberikan oleh pengoptimuman Buat untuk meningkatkan prestasi. Ringkasnya, menjalankan rangkaian untuk kes penggunaan yang berbeza ini tanpa memanfaatkan kaedah AI adalah tugas yang hampir mustahil.
Selain itu, kecerdasan buatan juga membantu dalam pengurusan projek. Dengan menganggar kelakuan persekitaran sumber, menyepadukan persekitaran simulasi ke dalam model algoritma membolehkan jurutera mengkaji kesan utama sistem dengan lebih cepat dengan sumber pengkomputeran yang minimum, meninggalkan lebih banyak masa untuk meneroka reka bentuk dan lelaran seterusnya, mengurangkan kos dan pembangunan masa.
Ilustrasi: AI untuk Aliran kerja Wayarles - penjanaan data, latihan AI, pengesahan dan ujian serta penggunaan pada perkakasan
Memasuki peringkat aplikasi, saiz dan kualiti data adalah berkesan untuk mainan Deployment model AI peranan yang penting.
Untuk mengendalikan pelbagai senario dunia sebenar, model ini perlu dilatih menggunakan pelbagai data. Dengan mensintesis data baharu berdasarkan primitif, atau mengekstraknya daripada isyarat wayarles, aplikasi sistem wayarles juga akan menyediakan pereka rangkaian 5G dengan perubahan dalam data yang diperlukan untuk melatih AI dengan mantap. Tanpa set data latihan yang besar untuk diulang pada algoritma yang berbeza, hasil akhirnya mungkin pengoptimuman tempatan yang sempit dan bukannya pengoptimuman global keseluruhannya.
Selain itu, kaedah teguh untuk menguji model AI di lapangan juga penting.
Salah satu isu dengan variasi isyarat yang diperlukan untuk menguji teknologi AI ialah isyarat yang ditangkap dalam geografi setempat yang sempit boleh menjejaskan cara jurutera mengoptimumkan kualiti reka bentuk. Tanpa lelaran medan, parameter untuk kes individu juga tidak akan digunakan untuk mengoptimumkan AI untuk lokasi tertentu, memberi kesan negatif kepada prestasi panggilan.
Transformasi digital dalam bidang seperti telekomunikasi dan kereta juga memerlukan penyertaan AI, begitu juga AI Pemacu utama aplikasi ini.
Apabila aplikasi seperti bandar pintar, rangkaian telekom dan kenderaan autonomi (AV) menjadi lebih bersambung, komunikasi elektronik mampu menjana sejumlah besar data apabila diletakkan di kawasan yang pernah berorientasikan secara mekanikal juga menjadi nipis.
Dalam bidang telekomunikasi, kecerdasan buatan digunakan pada dua tahap - lapisan fizikal (PHY) dan di atas PHY Antaranya, aplikasi AI digunakan untuk meningkatkan prestasi menyambungkan dua talian pengguna dipanggil Untuk operasi dalam PHY. Aplikasi teknologi AI pada lapisan fizikal termasuk praherotan digital, anggaran saluran dan pengoptimuman sumber saluran, serta melaraskan parameter transceiver secara automatik semasa panggilan, yang juga boleh dipanggil reka bentuk pengekod automatik.
Pengoptimuman saluran merujuk kepada meningkatkan sambungan antara dua peranti, terutamanya sambungan antara infrastruktur rangkaian dan peralatan pengguna. Selalunya, ini juga bermakna menggunakan AI untuk mengatasi kebolehubahan isyarat dalam persekitaran tempatan melalui teknik seperti cap jari dan pemampatan maklumat keadaan saluran.
Melalui pengecaman cap jari, AI boleh memetakan gangguan kepada corak penyebaran dalam persekitaran dalaman (disebabkan oleh kemasukan peribadi) untuk mengoptimumkan kedudukan rangkaian wayarles AI akan memperibadikan isyarat 5G berdasarkan perubahan ini menganggarkan lokasi pengguna. Pada masa yang sama, pemampatan maklumat keadaan saluran boleh menggunakan AI untuk memampatkan data maklum balas daripada peralatan pengguna ke stesen pangkalan, memastikan gelung maklum balas yang memaklumkan stesen pangkalan untuk cuba meningkatkan prestasi panggilan tidak melebihi lebar jalur yang tersedia, menyebabkan gangguan panggilan.
Above-PHY digunakan terutamanya untuk pengurusan rangkaian dan peruntukan sumber, seperti penjadualan, pengurusan rasuk dan peruntukan spektrum Ia merujuk kepada fungsi mengurus dan mengoptimumkan sumber sistem teras dan boleh digunakan dalam rangkaian Pengguna yang bersaing dan kes penggunaan. Apabila bilangan pengguna rangkaian dan kes penggunaan meningkat, pereka rangkaian telah beralih kepada teknologi kecerdasan buatan untuk bertindak balas kepada keperluan pengedaran dalam masa nyata.
Dalam bidang automotif, sambungan wayarles menggunakan AI membolehkan pemanduan autonomi yang selamat. Kenderaan autonomi (AV) bergantung pada data daripada pelbagai sumber, termasuk lidar, radar dan penderia wayarles, untuk mentafsir persekitarannya. Perkakasan dalam kereta pandu sendiri perlu memproses data daripada banyak isyarat bersaing, dan AI boleh mencapai gabungan sensor untuk menggabungkan isyarat bersaing supaya perisian kenderaan dapat memahami lokasinya dan menentukan cara ia berinteraksi dengan persekitaran.
Memandangkan kes penggunaan untuk teknologi wayarles berkembang, begitu juga keperluan untuk menggunakan kecerdasan buatan dalam sistem ini. Tanpa AI, sistem seperti 5G, kereta pandu sendiri dan aplikasi IoT tidak akan mempunyai kerumitan yang diperlukan untuk beroperasi dengan berkesan. Walaupun peranan AI dalam kejuruteraan, dan khususnya dalam reka bentuk sistem wayarles, telah meningkat sejak beberapa tahun kebelakangan ini, ia boleh dijangka terus meningkat pada kadar yang lebih pantas apabila bilangan kes penggunaan dan pengguna rangkaian meningkat.
Atas ialah kandungan terperinci Apabila kerumitan sistem wayarles meningkat, AI menjadi kunci untuk mengatasi cabaran. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!