Qualcomm e Nokia Bell Labs demonstram como modelos de IA de múltiplos fornecedores podem trabalhar juntos em redes sem fio.

A Qualcomm e os Nokia Bell Labs demonstraram como modelos de IA multi-fornecedor podem trabalhar juntos de maneira interoperável em redes sem fio.

Carl Nuzman, Fellow Bell Labs na Nokia Bell Labs, e Rachel Wang, engenheira principal na Qualcomm, disseram em uma postagem no blog que demonstraram a flexibilidade do aprendizado sequencial, que pode facilitar o treinamento do decodificador primeiro ou do codificador de dispositivo primeiro.

Eles afirmaram que a Qualcomm e os Nokia Bell Labs continuam a colaborar para demonstrar o valor da IA interoperável de múltiplos fornecedores em redes sem fio. No Mobile World Congress 2024, eles demonstraram pela primeira vez a interoperabilidade sem fio dos modelos de codificador e decodificador de feedback de estado de canal aprimorados por IA.

Esses modelos estavam sendo executados em dispositivos móveis de referência com o sistema modem-RF 5G da Qualcomm e um protótipo de estação base da Nokia, respectivamente. Esses modelos interoperáveis foram desenvolvidos pelas duas empresas usando uma nova técnica chamada aprendizado sequencial. Agora, eles estão de volta ao MWC 2025 com mais inovações.

O feedback de estado de canal ajuda a rede a descobrir a melhor maneira de enviar dados para o seu dispositivo. À medida que as condições sem fio mudam, a direção ótima que uma transmissão deve seguir da rede para o dispositivo também muda. A Qualcomm e a Nokia foram capazes de tornar a rede mais inteligente e eficiente ao gerar feixes precisos com IA.

Com o aprendizado sequencial, várias empresas podem co-desenvolver modelos de IA interoperáveis sem a necessidade de compartilhar detalhes proprietários de suas implementações. Em vez disso, um conjunto de dados de pares de entrada/saída do modelo é compartilhado de uma empresa para outra.

Com base neste conceito de prova, as empresas continuaram a trabalhar juntas para demonstrar o valor, a flexibilidade e a escalabilidade da IA interoperável para o feedback de estado de canal.

Robustez da IA sem fio em diferentes ambientes físicos

À medida que as tecnologias de IA são implantadas em redes do mundo real, é fundamental garantir que os modelos funcionem de maneira robusta em ambientes diversos. Os conjuntos de dados de treinamento devem ser suficientemente diversos para que os modelos de IA aprendam de forma eficaz; no entanto, é irrealista que cubram todos os cenários possíveis.

Assim, é crítico que os modelos de IA generalizem seu treinamento para lidar com novas situações. Na colaboração, as empresas estudaram três locais de células muito diferentes: uma localização suburbana ao ar livre e dois ambientes internos distintos.

No primeiro cenário, eles compararam o desempenho de um modelo de IA comum treinado com conjuntos de dados diversificados com modelos hiper-locais que são treinados em locais específicos. Eles descobriram que o modelo de IA comum pode funcionar em diferentes ambientes com desempenho comparável ao dos modelos hiper-locais.

As empresas depois adaptaram o modelo comum para incluir dados do Site Interno 2 (o Modelo Comum Adaptado). Em seguida, eles mediram a taxa de transferência de dados do usuário em quatro locais diferentes dentro do Site Interno 2. O modelo comum alcançou uma performance dentro de 1% da do Modelo Comum Adaptado em todos os casos, demonstrando a robustez do modelo comum em novas situações.

O feedback de estado de canal aprimorado por IA permite que a rede transmita em um padrão de feixe mais preciso, melhorando a intensidade do sinal recebido, reduzindo a interferência e, em última análise, proporcionando uma maior taxa de transferência de dados. Medimos essa melhoria registrando as taxas de transferência de dados experimentadas com feedback baseado em IA e feedback baseado em grade de feixes (Tipo I da 3GPP) enquanto o usuário móvel se deslocava entre vários locais na célula.

A utilização do feedback de IA resultou em uma taxa de transferência mais alta, com ganhos por local variando de 15% a 95%. Os ganhos de taxa de transferência que serão observados em sistemas comerciais sob o CSF aprimorado por IA dependerão de muitos fatores. No entanto, os resultados deste conceito de prova, juntamente com inúmeros estudos de simulação, sugerem que a taxa de transferência com melhorias em IA será consistentemente mais alta do que a alcançada com abordagens legadas.

O aprendizado sequencial pode ser realizado de duas maneiras, seja primeiro o codificador do dispositivo ou primeiro o decodificador da rede, o que tem diferentes implicações para a implementação e padronização. Para apoiar o crescente interesse da 3GPP na abordagem de primeiro o decodificador, este ano nós substituímos nossas demonstrações originais de primeiro o codificador por treinamento de modelo de primeiro o decodificador.

Com a abordagem de primeiro o codificador demonstrada no MWC 2024, a Qualcomm projetou um modelo de codificador, gerou um conjunto de dados de pares de entrada/saída e, em seguida, compartilhou o conjunto de dados com a Nokia, que posteriormente projetou um decodificador interoperável.

Este ano, com a abordagem de primeiro o decodificador, a Nokia projetou um modelo de decodificador e gerou e compartilhou um conjunto de dados de pares de entrada/saída do decodificador para a Qualcomm Technologies usar na criação de um codificador interoperável. Descobrimos que os modelos projetados por ambas as modalidades tiveram um desempenho igualmente bom, dentro de alguns pontos percentuais.

Conclusão

O protótipo que a Qualcomm Technologies e os Nokia Bell Labs demonstraram em conjunto representa um passo crucial na transição da comunicação aprimorada por IA de um conceito para a realidade. Os resultados mostram que a experiência do usuário pode ser significativamente melhorada de uma forma robusta, por meio de múltiplas modalidades de aprendizado. À medida que aprendemos a projetar sistemas de IA interoperáveis e de múltiplos fornecedores, podemos começar a realizar uma capacidade aprimorada, maior confiabilidade e redução do consumo de energia.