В Центре искусственного интеллекта НИУ ВШЭ разработали программное обеспечение для моделирования радиоканала в беспроводной связи 5G и 6G, основанное на использовании трассировки лучей и машинного обучения. Программы позволяют узнать, как радиоволны распространяются между передатчиком и приемником, а также могут преобразовывать данные трассировки лучей в формат последовательности кадров, конфигурировать и обучать нейросеть на их основе с последующим сохранением.
В рамках проекта «Интеллектуальные методы доставки данных в перспективных сетях 2030» в Центре искусственного интеллекта НИУ ВШЭ разработали программу для сбора и обработки данных моделирования трассировки лучей, которая позволяет узнать, как радиоволны распространяются между передатчиком (например, вышкой сотовой связи) и приемником (мобильным устройством). Также ученые создали программу для обучения нейросети и ее применения для интерполяции данных моделирования трассировки лучей, чтобы преобразовывать данные трассировки лучей в формат последовательности кадров, конфигурировать и обучать нейросеть на их основе с последующим сохранением.
Евгений Кучерявый, руководитель проекта «Интеллектуальные методы доставки данных в перспективных сетях 2030»: «Программа использует метод моделирования распространения радиоволн, который позволяет отслеживать все возможные пути распространения радиосигнала от передатчика к приемнику. Она анализирует данные о качестве сигнала и других параметрах, чтобы показать, как они изменяются в разных условиях, например при передвижении приемника. Таким образом, мы можем увидеть, как меняется качество связи, когда мы, например, перемещаемся на автомобиле или поезде».
Новый метод моделирования радиоканала в беспроводной связи 5G и 6G, который разрабатывает Центр ИИ, основан на использовании трассировки лучей и машинного обучения. Он позволяет анализировать распространение сигналов и радиоволн через беспроводное пространство, учитывая различные факторы, такие как отражение от стен и препятствий. Это улучшит качество связи между устройствами, поможет предсказать зоны покрытия сети и оптимизировать расположение антенн для эффективной работы связи.
Машинное обучение значительно улучшает развитие сетей 5G и 6G, ускоряя и оптимизируя ключевые процессы. Например, анализируя данные о загрузке и равномерно распределяя трафик между различными узлами, можно обеспечивать высокую производительность сети. Изучая информацию о перемещении пользователей, алгоритмы предсказывают их будущее местоположение и совершенствуют процессы переключения между базовыми станциями. Это помогает обеспечить непрерывную связь и минимизировать задержки. Кроме того, машинное обучение может управлять лучом передачи данных, определять его оптимальное направление для каждого пользователя или устройства, что позволяет оптимизировать качество сигнала и увеличить его пропускную способность.
Владислав Просвиров, стажер-исследователь проекта «Интеллектуальные методы доставки данных в перспективных сетях 2030»: «В рамках проекта мы разрабатываем метод, который поможет увеличить скорость моделирования радиоканала с помощью трассировки лучей. Для достижения этой цели мы используем машинное обучение. Такое моделирование позволяет быстро проводить оценку различных беспроводных систем без необходимости реального развертывания приемников и передатчиков. Наша разработка может быть применима как в прикладных исследованиях различных беспроводных систем 5G и 6G, так и операторами связи».
