NVIDIA meldet zehnfaches Wachstum bei Open-Source-Tools für 6G
NVIDIA zufolge ist die weltweite Nutzung seiner Software AI Aerial und Sionna durch Entwickler im vergangenen Jahr um das Zehnfache gestiegen. Zugleich wurden die Open-Source-Tools für 5G und 6G mehr als 1 Million Mal heruntergeladen. Weltweit nutzen mehr als 8.000 Forschungs- und Bildungseinrichtungen die Plattformen, um Netzwerkdesigns zu testen und KI-native 6G-Anwendungen zu erforschen.
- NVIDIA zufolge ist die Nutzung von AI Aerial und Sionna im vergangenen Jahr um das Zehnfache gestiegen.
- Die Open-Source-Tools für 5G und 6G wurden mehr als 1 Million Mal heruntergeladen.
- Mehr als 8.000 Forschungs- und Bildungseinrichtungen nutzen die Plattformen.
- Die Projekte befassen sich mit Reaktionszeiten von Robotern, Signalempfang und Energieverbrauch von Netzwerken.
- Eine Integration in einen Simulator verkürzte die Laufzeit von etwa drei Stunden auf 10-20 Minuten.
Open-Source-Grundlage für die 6G-Forschung
NVIDIA erklärte, dass sich seine Wireless-Software Aerial nach der Veröffentlichung als Open Source vor einem Jahr Sionna und einer größeren Gruppe von Open-Source-Tools angeschlossen habe. Die Tools sollen drahtlose Simulationen und KI-Training mit Experimenten auf realen Over-the-Air-Systemen verbinden.
NVIDIA zufolge bietet dies Forschenden eine gemeinsame Grundlage, um Ideen zu testen, Ergebnisse zu vergleichen und auf der Arbeit anderer aufzubauen. Das Unternehmen erklärte, die inzwischen entstehenden Projekte deuteten auf Netzwerke hin, die Konnektivität, Rechenleistung und Sensorik auf einer konvergierten, softwaredefinierten Plattform für Milliarden von Menschen, Maschinen und Agenten verbinden.
Mit den Tools werden Netzwerke erforscht, die effektiver auf Signale reagieren, Roboter und autonome Systeme verbunden halten, sich an die Bewegung von Geräten anpassen und ihren Energieverbrauch bei wechselnder Nachfrage steuern können.
Projekte zielen auf Roboter, Empfang und Energieverbrauch
An der King’s College London verbanden Forschende einen mit einer Kamera ausgestatteten Roboterarm mit einer NVIDIA Jetson AGX Orin, auf der NVIDIA Sionna lief. Ihr zielorientierter Ansatz für die semantische Kommunikation übermittelte kompakte Beschreibungen von Objekten, Positionen und Beziehungen statt regelmäßig vollständige Bilder zu senden.
Bei Experimenten zum Verpacken von Früchten und Stapeln von Würfeln mit absichtlich eingebauten Fehlern verkürzte der Ansatz die Zeit für die Erledigung der Roboteraufgabe um bis zu 52.6% und verbesserte den Aufgabenerfolg, so NVIDIA. Das System erkannte außerdem heruntergefallene Objekte, erholte sich von fehlgeschlagenen Aktionen und überprüfte in Konfigurationen mit einem digitalen Zwilling geplante Bewegungen vor ihrer Ausführung auf mögliche Kollisionen.
SoftBank integrierte einen neuronalen Empfänger in NVIDIA Aerial CUDA-Accelerated RAN, kurz ACAR, und testete ihn mit einem kommerziellen 5G-Smartphone. Bei kontrollierten Interferenztests erzielte der Empfänger bei allen 15 getesteten Einstellungen einen höheren Uplink-Durchsatz als ein herkömmlicher Empfänger. Der maximale Zugewinn lag laut NVIDIA bei rund 60%.
An der University of Leeds entwickelten Forschende ein System, das die Netzwerkauslastung 10 Minuten im Voraus prognostiziert und die Vorhersagen nutzt, um Entscheidungen über den Ruhemodus von Basisstationen zu steuern. Das Team meldete eine Verringerung des Energieverbrauchs im RAN um 45.6% gegenüber einem Betrieb mit voller Leistung, während die Verbindung der Geräte aufrechterhalten wurde.
Schnellere Simulationen könnten die Netzplanung beschleunigen
Forschende der ETH Zurich nutzten lokale Messungen, um neuronale Empfänger abzustimmen. Laut NVIDIA sank die Blockfehlerrate dabei im Vergleich zu ausgewählten vortrainierten Versionen um mehr als ein Drittel.
Unabhängig davon integrierte das Centre Tecnològic de Telecomunicacions de Catalunya GPU-beschleunigte Funkkanalmodelle, die auf ACAR laufen, in den Open-Source-5G-LENA-Netzwerksimulator. In einer ersten Untersuchung verkürzte die Integration die Simulationslaufzeit je nach Integration von etwa drei Stunden auf 10-20 Minuten, während das erwartete statistische Verhalten und die Netzwerkleistung erhalten blieben.
Diese Verkürzung könnte es Forschenden ermöglichen, mehr Designs zu vergleichen, anspruchsvollere Szenarien zu untersuchen und Netzwerkkonzepte zu verfeinern, bevor sie Geräte einsetzen oder Feldtests durchführen. NVIDIA AI Aerial und NVIDIA Sionna sind auf GitHub verfügbar. Forschende und Entwickler werden weitere Arbeiten bei den 6G Developer Sessions auf der NVIDIA GTC Washington, D.C. vorstellen.
