返回资讯中心
外部精选
芯片&算力
#GPU#数据中心#AI#AI Infrastructure#Software#6G

NVIDIA开源工具助力研究人员构建下一代6G网络

来源标题:How NVIDIA Open Source Tools Are Helping Researchers Build Next-Generation 6G Networks

NVIDIA开源Aerial无线软件一年后,其5G/6G开源工具下载量已突破100万次。过去一年,NVIDIA AI Aerial与Sionna软件的全球开发者采用量增长10倍,超过8000家研究和学术机构正在使用这些平台。这些工具将仿真与AI训练同真实无线系统实验连接起来,帮助研究人员构建AI原生6G网络。

NVIDIA BlogSoma Velayutham2026/11/6 · 11 天前16 分钟阅读

以下正文由 AI 翻译自 NVIDIA Blog(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

一年前,NVIDIA 将 Aerial 无线软件开源,与 Sionna 及更广泛的开源工具套件一同,加速下一代 6G 网络的发展。这些工具共同为研究人员提供了一个基础:测试想法、比较结果、在彼此的工作之上继续构建——将仿真和 AI 训练与真实空口无线系统上的实验连接起来。

如今,研究人员和开发者正在使用这些工具构建面向 6G 的网络,这些网络不仅仅是传输数据——它们能更有效地接收信号,在关键时刻保持机器人和自主系统的连接,并在设备于现实世界中移动时实时自适应。

过去一年,NVIDIA AI Aerial 和 NVIDIA Sionna 软件的全球开发者采用量增长了 10 倍,NVIDIA 的开源 5G/6G 工具下载量已突破 100 万次。全球超过 8,000 家研究和学术机构正在使用这些平台。

当下涌现的项目展示了未来网络可能的面貌。每个项目解决不同的挑战,但共同指向一个更宏大的目标:构建 AI 原生的 6G 网络,在融合的软件定义平台上为数十亿人、机器和智能体提供连接、计算和感知能力。

让机器人更快响应的网络

机器人拿起一个物体,需要理解周围环境并在环境变化之前采取行动。当驱动这一决策的 AI 运行在附近的服务器或云端时,无线连接就成为响应时间的一部分。

研究人员正在探索一种更高效的方法,称为目标导向的语义通信。机器人不再发送完整图像,而是传输关于物体、其位置及其关系的紧凑描述。只传输所需的信息量,使机器人能够更快响应,尤其是在工作场所和仓库等动态环境中。

在伦敦国王学院,研究人员将一台配备摄像头的机械臂连接到运行 NVIDIA Sionna 的 NVIDIA Jetson AGX Orin 上,该平台同时支持软件定义的 5G 网络和边缘 AI 处理。在故意引入故障的水果包装和方块堆叠实验中,与定期发送图像相比,该方法将机器人任务完成时间最多缩短了 52.6%,并提高了任务成功率。

除了更快的响应和更少的处理开销外,该系统还被证明更具韧性——能够检测掉落的物体、从失败的动作中恢复,并且在使用数字孪生的配置中,在执行前检查计划动作是否存在潜在碰撞。

学会更好地接收信号的网络

对于接收无人机实时画面的消防员或搜索失踪人员的救援队来说,及时的图像有助于指导紧急决策。但干扰和不断变化的无线电条件会使无线信号更难解码,导致错误和重传,从而延迟来自现场的信息。

AI 接收器通过学会更有效地从传入信号中恢复信息来应对这一挑战。更好的接收效果可以帮助救援人员对火灾现场或搜索区域保持更清晰、更及时的视野。

软银通过将神经接收器集成到 NVIDIA Aerial CUDA-Accelerated RAN(ACAR)中,并用商用 5G 智能手机进行测试,展示了这一点。在存在干扰的受控测试中,神经接收器在所有 15 个测试设置下均提供了比传统接收器更高的上行吞吐量,最大增益约为 60%。

另一种改善接收效果的方法是让接收器了解其运行的环境。使用 NVIDIA Aerial Testbed,苏黎世联邦理工学院的研究人员发现,利用本地测量对神经接收器进行调优,与选定的预训练版本相比,块错误率降低了三分之一以上。

学会何时节省电力的网络

随着 6G 连接更多设备并支持更多 AI 应用,管理能源需求将变得越来越重要。

例如,一个网络可能需要足够的容量来服务拥挤的体育场,但当人群离开后需求就会变化。AI 可以帮助识别何时可以关闭备用容量——以及何时需要重新上线——从而使运营商能够在不中断连接的情况下减少电力消耗。

在利兹大学,研究人员开发了一个系统,可以提前 10 分钟预测网络需求,并利用这些预测来指导基站休眠决策。在断电之前,它会检查邻近的活跃基站能否继续服务受影响的设备,并监测是否需要恢复容量的变化。

该团队使用由 NVIDIA DGX Spark 驱动的便携式 5G“盒中网络”以及数字孪生来验证决策与真实无线设备的对比,测试了他们的方法。结果:研究人员报告称,相对于全功率基线,RAN 功耗降低了 45.6%,同时保持了设备连接。

可以在建成之前更快测试的网络

在部署网络之前,研究人员需要了解当数百台设备竞争连接或无线电信号遇到干扰时网络将如何表现。模拟这些条件有助于团队在投入昂贵的设备和现场试验之前评估设计。但逼真的模拟可能需要数小时,限制了研究人员可以探索的想法数量。

加泰罗尼亚电信技术中心(CTTC)正在加速这一过程,将运行在 ACAR 上的 GPU 加速无线信道模型引入 CTTC 的开源 5G-LENA 网络模拟器。这些模型计算无线信号在天线和设备之间的传播方式——随着模拟网络规模的增长,这项计算变得越来越苛刻。

在早期评估中,该方法将模拟运行时间从大约三小时缩短到 10-20 分钟(取决于集成方式),同时保持了预期的统计行为和网络性能。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →