“NVIDIA Sionna Araştırma Kiti ile AI-Native 6G Araştırmalarını Güçlendirme”

Kablosuz iletişim araştırmaları, harika fikirler ve hesaplama gücüyle doludur. Ancak, araştırmacıların simüle edebileceği ile inşa edip test edebileceği arasında bir temel kopukluk bulunmaktadır. Makine öğrenimi gibi yan alanlar, açık framework’ler ve hızlandırılmış donanımlar sayesinde gelişme kaydederken, birçok devrimci fikir, cephe altyapısı ile ilgili zorluklar nedeniyle hayata geçirilemiyor.

NVIDIA Sionna: 6G Araştırmalarını Demokratikleştirmek

NVIDIA, bu engeli erken fark etti ve NVIDIA Sionna‘yı bir açık kaynak kütüphanesi olarak başlattı; bu kütüphane, 6G araştırmaları için GPU hızlandırması kullanmaktadır. Şu anda 540’tan fazla bilimsel yayın, Sionna’ya atıfta bulunmakta ve kaynak kodu 200,000’den fazla indirilmiştir. Bu başarının ardında, kapsamlı belgeler, ders kitabı kalitesinde öğreticiler ve Python’da kolay kurulum yer almaktadır:

pip install sionna

Sionna, kendi GPU’su olmayan araştırmacılar ve geliştiriciler için bile hızlı prototiplemeyi erişilebilir hale getirdi. Ancak, karmaşık simülasyonların sınırlamaları vardır. Kanal koşullarını modelleyebilirsiniz, ancak gerçek dünyadaki radyo frekansı (RF) yayılımının, donanım bozulmalarının, komşu hücrelerden gelen girişimin veya gerçek dünya ağ trafiğinin ortaya çıkan davranışlarını tam olarak yakalayamazsınız. Yenilik yapmak için, dağıtmak, test etmek ve gerçek dünya verileri toplamak gerekir.

NVIDIA Sionna Araştırma Kiti: AI-Tabanlı 6G Laboratuvarı

Sionna Araştırma Kiti, kablosuz araştırma ve geliştirme için gerçek zamanlı, hızlandırılmış ve tamamen açık bir platformdur. NVIDIA DGX Spark üzerinde çalışır ve gerçek zamanlı olarak çalışan bir yazılım tanımlı radyo (SDR) ve 5G çekirdek ağı sunan OpenAirInterface (OAI) temel alınarak kurulmuştur.

DGX Spark’ınızı hazırlayın, ilk simülasyonunuzu çalıştırmak için beş adımda hazırsınız:

git clone https://github.com/NVlabs/sionna-rk.git && cd sionna-rk 
make prepare-system 
sudo reboot 
make sionna-rk 
./scripts/start_system.sh rfsim_arm64

Sionna Araştırma Kiti, sadece bir testte değil, hızlandırılmış AI, makine öğrenimi, sinyal işleme algoritmaları ve ışın izleme‘yi bir arada sunan açık bir platformdur. Sabit işlevli hızlandırıcılar kullanılmamaktadır. Tüm telekomünikasyon yazılım yığını incelenebilir, değiştirilebilir ve katmanlar arasında hızlandırılabilir.

Fiziksel katman işlemelerinden MAC zamanlamasına, çekirdek ağ yönlendirmesine kadar sistemin tamamı deneyler için açıktır, RAN Akıllı Kontrolörleri (RIC) dahi dahil edilmiştir. Bunu, altyapınıza tam kök erişimi olan kablosuz bir sistem olarak düşünebilirsiniz.

An image of the Sionna Research Kit. — *Şekil 1: Sionna Araştırma Kiti*

Sionna Araştırma Kiti Eğitici Notları

En büyük projeler bile tek bir kod satırı ile başlar ve bu genellikle en zor olanıdır. Sionna Araştırma Kiti, kendi yenilikleriniz için bu ilk satırları kalıp olarak sunan kapsamlı bir dizi eğitimle birlikte gelir.

Fiziksel katmanın nasıl hızlandırılabileceğini GPU hızlandırmalı LDPC çözümü kullanarak öğreneceksiniz. Gerçek dünya veri edinimi eğitiminde, Sionna Araştırma Kiti’ni kullanarak gerçek dünya 5G sinyallerini nasıl yakalayabileceğinizi ve kaydedebileceğinizi göreceksiniz. Ardından, Bir Sinir Demapper’ın Entegrasyonu eğitimi, bir sinir ağı tabanlı demapper’ın eğitimini ve bunu 5G yığınına NVIDIA TensorRT kullanarak entegrasyonunu kapsar. Son olarak, Yazılım Tanımlı Uçtan Uca 5G Ağı eğitimi, yazılım tanımlı kullanıcı ekipmanı (UE) kullanarak tüm uçtan uca sistemi simüle etmenize olanak tanır ve yeni, standart uyumlu olmayan algoritmalar ve protokoller keşfedebilirsiniz.

Gerçek Zamanlı Dijital İkiz Ağ

Şekil 2, tek bir DGX Spark üzerinde neler gerçekleştirebileceğinizi gösteriyor. Tam bir baz istasyonunu dağıtıyoruz, ancak hava üzerinden yayılmak yerine (bu spektrum lisansları gerektirecektir) sinyali, gerçek zamanlı ışın izlemeye dayalı bir GPU hızlandırmalı kanal emülasyonu içerisine besliyoruz. NVIDIA RT Çekirdekleri, gerçekçi 3D ortamda fiziksel olarak doğru kanal dürtü yanıtlarını hesaplar. NVIDIA CUDA Çekirdekleri bunları temel bant sinyaline uygular ve aynı zamanda LDPC çözme işlemini de gerçekleştirir. Ayrıca, NVIDIA Tensor Çekirdekleri, PUSCH sinir alıcısını hızlandırır ve performansı değerlendirilir.

Ticari bir 5G modem kabloyla bağlanarak, fiziksel olarak gerçek dünya RF ortamlarına sadık kanalları deneyimler. Tüm veri akışı, gereksiz veri hareketini önlemek için birleşik sistem belleğini kullanır. Yaklaşık gerçek zamanlı RIC’de çalışan bir uygulama, sanal kullanıcılar gerçek zamanlı izleme performans metriklerini hareket ettirdikçe monitör eder. Böylece, bir RF çevresinin tam etkileşimli dijital ikizini elde edersiniz; bu, DGX Spark mimarisinin her bileşeninin tasarlandığı şekilde çalıştığı bir 6G laboratuvarıdır.

This image depicts a signal transmission system where a message from an information source passes through 5G user equipment, is processed via channel emulation with a ray traced channel impulse response, decoded by a neural receiver, and delivered to its destination. — *Şekil 2: NVIDIA DGX Spark üzerinde çalışan bir baz istasyonu, gerçek zamanlı ve gerçekçi ortamda hızlandırılmış bir sinir alıcısı ve kanal emülatörü ile entegre edilmiştir.*

Büyütme: Büyük Ölçekli Radyo Haritaları

Tek bir DGX Spark üzerinde geliştirdiğiniz sistem, aynı kod ve ışın izleme motoru ile NVIDIA DGX Cloud’a ölçeklenmeye hazırdır; fakat bu, çok daha fazla hesaplama gücü sunar. Tek bir DGX Spark, saniyeler içinde yüzlerce baz istasyonunu kapsayan detaylı radyo haritaları oluşturabilir; bu da yerel dağıtımlar için gerçek zamanlı ağ planlamasının mümkün olduğu anlamına gelir.

Kıtasal boyutta kapsama alanına ihtiyaç duyduğunuzda, bulut devreye girer. Amerika Birleşik Devletleri genelinde 5G kapsama alanını beş dakikadan daha kısa sürede simüle ettik; bu, 96 NVIDIA L40S GPU’da 35 trilyondan fazla ışın izleyerek yapılan bir süreçtir (Şekil 3). Bu, kablosuz ağların planlanması ve optimize edilmesi konusunda temel bir dönüşümü temsil eder; çünkü operatörler yeni spektrum tahsislerini değerlendirebilir, yoğun kentsel alanlarda milimetre dalga dağıtımlarını modelleyebilir ve fiziksel olarak doğruluğa sahip bir biçimde mevcut altyapıya uyumlu bir şekilde karasal olmayan ağları (uydu ve yüksek irtifa platformları) entegre edebilirler.

Küçük ortamları gerçek zamanlı simüle etme yeteneği, tek bir DGX Spark üzerinde başlayıp tüm ülkeleri etkili bir şekilde simüle edebilme kabiliyeti, gelecekteki kablosuz ağların dağıtımı açısından olanakları yeniden tanımlıyor.

This video shows a radio coverage map of the US, highlighting areas of strong signal density in bright blue-green, with major highways and cities forming an interconnected network. — *Şekil 3: DGX Spark üzerinde çalışıp DGX Cloud’a ölçeklenen radyo kapsama haritası simülasyonu; ABD’nin kapsama haritasını hesaplamak için kullanıldı.*

Atıf: Google Haritalar (GEBCO – Landsat / Copernicus, Vexcel Imaging US, Inc., IBCAO, Landsat / Copernicus – Airbus, LDEO-Columbia, NGA, NOAA, NSF, SIO, U.S. Navy), Cesium Ion, OpenStreetMap, Mapzen, OpenCelliD.

Daha Fazla Bilgi Edinin

NVIDIA AI Aerial portföyününü parçası olan Sionna Araştırma Kiti ile ilgili daha fazla bilgi edinmek için NVlabs/sionna-rk‘yı GitHub’da ziyaret edin ve eğitim notlarını kontrol edin. Bu platform, geliştiricilerin yapay zeka tabanlı RAN sistemleri oluşturmalarını, eğitmelerini, simüle etmelerini ve dağıtmalarını sağlayarak, prototip aşamasından üretim aşamasına daha hızlı geçmelerine yardımcı olmaktadır.