El método vacable AI-A-A-A-A-A-A-AHE mejora la fiabilidad de la red de próxima generación

A medida que las redes 5G y 6G se expanden, prometen el futuro de conexiones inalámbricas increíblemente rápidas y confiables. Una técnica importante detrás de esto es el MMWave, que utiliza ondas de radio de muy alta frecuencia para transmitir grandes cantidades de datos. Para aprovechar la máxima ventaja de MMWave, Network utiliza grandes grupos de antenas que trabajan juntas, que se denominan múltiples salidas múltiples de entrada múltiple (MIMOS).

Sin embargo, el manejo de estos complejos sistemas de antena es un desafío. Requieren información precisa sobre un entorno inalámbrico entre la estación base (por ejemplo, la torre de celda) y su dispositivo. Esta información se llama Información de estado del canal (CSI). El problema es que esta posición de la señal cambia rápidamente, especialmente cuando un automóvil, entrenamiento o incluso en un dron. Este rápido cambio, el efecto del envejecimiento del canal, puede causar errores e interrumpir su conexión.

En este enfoque, un equipo de investigadores de la Universidad Nacional de Incheon dirigido por el profesor asociado Bangju ha desarrollado una nueva solución administrada por AI. Su método, llamado retroalimentación paramétrica de CSI asistida por transformador, se centra en los aspectos principales de la señal en lugar de enviar toda la información detallada. Se centra en ciertas piezas de información, incluidos el ángulo, el retraso y la intensidad de la señal.

Al centrarse en estos parámetros principales, el sistema reduce significativamente la cantidad de información que debe enviarse de regreso a la estación base. El artículo fue publicado en la revista Transacción IEEE sobre comunicación inalámbrica.

"Para abordar la creciente demanda de datos en la red inalámbrica de próxima generación, es necesario aprovechar los recursos de frecuencia abundantes en la banda MMWave. En el sistema MMWave, el movimiento rápido del usuario hace que este canal sea un problema real".

El equipo aprovechó un modelo de transformador, inteligencia artificial (IA), especialmente para analizar y predecir los patrones de señal. A diferencia de las técnicas crónicas como CNN, los transformadores pueden rastrear patrones a corto y largo plazo en los cambios de señal, incluso cuando los usuarios se mueven rápidamente, realizan ajustes de tiempo real.

Un aspecto importante de su enfoque es dar prioridad a la información más importante, los ángeles y los retrasos, al enviar la respuesta a la estación base. Esto se debe a que estos parámetros tienen el mayor impacto en la calidad de la conexión.

Las pruebas mostraron que su método redujo significativamente los errores (3,5 dB de error menor en comparación con los métodos tradicionales) y la confiabilidad de los datos medida por la tasa de error de bit (BER) mejoró. La solución también se probó en varios escenarios, 60 km/h a vehículos que se extienden hasta 3 km/h desde los peatones e incluso hasta un entorno de alta velocidad como la carretera. En todos los casos, el método mejoró los enfoques tradicionales.

La FDA aprueba la hierba de equipos de infusión para la enfermedad avanzada de Parkinson

Este éxito puede proporcionar Internet ininterrumpido a los pasajeros en trenes de alta velocidad, permitir la comunicación espontánea en áreas remotas a través de satélites y puede aumentar la conectividad durante los desastres cuando las redes tradicionales fallan. Este vehículo a total (V2X) también está listo para beneficiar a las tecnologías emergentes, como la comunicación y las redes marítimas.

"Nuestro método garantiza la vigencia precisa, lo que permite que las señales se conecten originalmente al equipo, incluso cuando los usuarios están en movimiento". Lee dice.

Este método innovador establece un nuevo punto de referencia para la comunicación inalámbrica, que garantiza la confiabilidad y la velocidad requeridas para la próxima red de generación.