شركة تشاينا موبايل تطرح بنية CIS-RAN للجيل السادس: تقليل بيانات التدريب بنسبة 36% إلى 50%

أخبار ar.wedoany.com، طرح فريق معهد أبحاث شركة تشاينا موبايل بنية CIS-RAN الموجهة للجيل السادس (6G)، والتي ترتكز على خصائص التعاون والذكاء والتوجيه الخدمي. يتكون الفريق من وانغ شياو يون (مجموعة تشاينا موبايل) ولي نان، وسون تشي، ووانغ يانغ، ويي يان وي، ووانغ سين، وشو شياو فاي، ولي نا، وجين جينغ (معهد أبحاث تشاينا موبايل). وقد تم تطوير هذه البنية على أساس بنية C-RAN التي طُرحت في عام 2010، مع توسيع نطاق التعاون وإدخال آليات الذكاء الداخلي وفتح القدرات، بهدف تلبية المتطلبات الصارمة لسيناريوهات الجيل السادس مثل القيادة الذاتية، والأتمتة الصناعية، والتوأم الرقمي، والواقع الممتد، والتي تتطلب إنتاجية فائقة، وزمن وصول فائق الانخفاض، وموثوقية عالية للغاية، واتصالاً هائلاً.

حللت الدراسة أولاً المتطلبات التي تواجه شبكة الوصول الراديوي للجيل السادس والقيود التي تعاني منها البنى الحالية. وبناءً على ذلك، تقترح بنية CIS-RAN التي تتضمن وحدات RRU محسّنة، ووحدات BBU، ووحدة ذكاء مركزية جديدة لشبكة RAN، مع تحديد التغييرات الرئيسية في الوظائف والواجهات. تشمل التقنيات التمكينية الخمس: جمع البيانات غير المتجانسة، والمعالجة التعاونية المدفوعة بالمهام، والتوزيع الهرمي للذكاء، وضمان خدمات الذكاء الاصطناعي فائقة الانخفاض في زمن الوصول، والكشف الموحد لقدرات شبكة RAN. من خلال المحاكاة والتجارب النموذجية، أثبتت الدراسة فعالية البنية من منظورين: AI4RAN وRAN4AI. ففي جانب AI4RAN، تم استخدام مثال التنبؤ بالتداخل في الوصلة الصاعدة لإظهار مزايا الذكاء التعاوني في كفاءة التعلم والإنتاجية الإجمالية للنظام. وفي جانب RAN4AI، تم التحقق من أداء البنية في تقديم خدمات الذكاء الاصطناعي فائقة الانخفاض في زمن الوصول وكشف القدرات من خلال خدمة نموذجية للكشف البصري بالذكاء الاصطناعي في البيئات الداخلية والخارجية.

للتحقق من صحة بنية CIS-RAN، صممت الدراسة تجارب من بعدين: الذكاء التعاوني والخدمات منخفضة زمن الوصول، وحققت تحسينات كبيرة في الأداء.

تناولت الحالة الأولى بيئة التداخل الديناميكي في سيناريوهات نموذجية للجيل السادس (ركوب الدراجات، والمصنع، والمكتب)، وقارنت آلية التدريب المسبق المركزي مع الضبط المحلي (CPLF) المفعلة في CIS-RAN بآلية التدريب المحلي التقليدي لوحدة BBU واحدة (SLT). أظهرت النتائج أنه، مقارنة بإعادة التدريب المخصصة لكل سيناريو، تحتاج آلية CPLF إلى كمية بيانات تدريب أقل بنسبة تتراوح بين 36% و50% في جانب BBU، وينخفض الوقت المستغرق في تحديث النموذج بنسبة تتراوح بين 71% و78% تقريباً. أظهرت آلية CPLF سرعة تقارب أسرع في الخطأ ومستوى خطأ تنبؤي مستقر أقل في جميع السيناريوهات. فيما يتعلق بمتوسط إنتاجية الوصلة الصاعدة للمستخدم (UE)، حققت كل من CPLF وSLT تحسناً بنسبة تتراوح بين 9% و18% مقارنة بالخط الأساسي غير المعتمد على الذكاء الاصطناعي، لكن CPLF خفضت بشكل كبير تكاليف التدريب، محققة توازناً بين الأداء والكفاءة.

الحالة الثانية اعتمدت على نظام نموذجي لنشر خدمة الكشف البصري بالذكاء الاصطناعي في صالة خدمة تابعة لشركة تشاينا موبايل (داخلي) وفي حقل لتربية السرطانات (خارجي)، شملت عد الأشخاص، وكشف التسلل، والتعرف على السلوك غير الطبيعي. مقارنة بالحل التقليدي الذي يعيد توجيه حركة المرور عبر UPF إلى MEC، يتم إكمال استدلال الذكاء الاصطناعي مباشرة في جانب BBU ضمن بنية CIS-RAN، حيث كان متوسط زمن الوصول من طرف إلى طرف في السيناريوهات الداخلية والخارجية أقل من 20 مللي ثانية، بينما كان حوالي 60 مللي ثانية في البنية التقليدية. حققت هذه البنية حلقة مغلقة ومترابطة بإحكام للإدراك-القرار-الفعل، مما يضع الأساس للتطبيقات الحساسة لزمن الوصول الحتمي مثل الذكاء المجسد.