NVIDIA 開源工具助力 6G 網路創新：AI 驅動未來通訊

一年前，NVIDIA 開源了其 Aerial 無線軟體，與 Sionna 以及更廣泛的開源工具套件一同，加速次世代 6G 網路的開發。這些工具共同為研究人員提供了測試想法、比較結果和在彼此工作基礎上進一步發展的基礎，將模擬和 AI 訓練與真實無線系統的空中實驗連結起來。

如今，研究人員和開發者正利用這些工具，打造超越單純資料傳輸的 6G 就緒網路。這些網路能更有效地接收訊號，在關鍵時刻保持機器人和自主系統的連線，並隨著設備在世界中的移動即時調整。

過去一年，NVIDIA AI Aerial 和 NVIDIA Sionna 軟體的全球開發者採用率成長了十倍，而 NVIDIA 的開源 5G/6G 工具下載量已突破一百萬次。全球有超過 8,000 家研究和學術機構正在使用這些平台。

目前正在進行的專案，展示了未來網路可能樣貌。每個專案都解決了不同的挑戰，但共同指向一個更宏大的目標，即建立 AI 原生 6G 網路。這些網路將透過融合的軟體定義平台，為數十億人、機器和代理提供連線、運算和感測能力。

讓機器人反應更快的網路

機器人拾取物體時，需要理解周圍環境並在環境變化前採取行動。當驅動該決策的 AI 在附近的伺服器或雲端運行時，無線連線就成為反應時間的一部分。

研究人員正在探索一種更有效的方法，稱為「目標導向語義通訊」。機器人不再傳送完整的影像，而是傳輸物體、其位置和關係的簡潔描述。只傳輸所需資訊，能讓機器人更快地反應，尤其是在工作場所和倉庫等動態環境中。

在倫敦國王學院，研究人員將配備攝影機的機器手臂連接到運行 NVIDIA Sionna 的 NVIDIA Jetson AGX Orin 上，該平台支援軟體定義 5G 網路和邊緣 AI 處理。在刻意引入故障的水果包裝和方塊堆疊實驗中，與定期傳送影像相比，這種方法將機器人任務完成時間縮短了高達 52.6%，並提高了任務成功率。

除了更快的反應和更低的處理負擔，該系統也展現出更強的韌性，能偵測掉落的物體、從失敗的動作中恢復，並且在使用數位分身（digital twin）的配置中，在執行前檢查預定動作是否存在潛在碰撞。

學習更好地接收訊號的網路

對於接收即時無人機影像的消防員，或搜尋失蹤人員的救援隊而言，及時的影像有助於指導緊急決策。然而，干擾和不斷變化的無線電條件，可能使無線訊號更難解碼，導致錯誤和重傳，進而延遲現場資訊。

AI 接收器透過學習更有效地從傳入訊號中恢復資訊，來解決這個挑戰。更好的接收能力，可以幫助應變人員維持對火災現場或搜尋區域更清晰、更即時的視圖。

SoftBank 透過將神經網路接收器整合到 NVIDIA Aerial CUDA-Accelerated RAN (ACAR) 中，並使用商用 5G 智慧型手機進行測試，展示了這一點。在有干擾的受控測試中，該神經網路接收器在所有 15 種測試設定下，都比傳統接收器提供了更高的上行鏈路吞吐量，最大增益約為 60%。

另一種改善接收的方法是，讓接收器了解其運作的環境。ETH Zurich 的研究人員使用 NVIDIA Aerial Testbed 發現，透過局部測量來微調神經網路接收器，相較於選定的預訓練版本，區塊錯誤率降低了超過三分之一。

學習何時節省電力的網路

隨著 6G 連接更多設備並支援更多 AI 應用，管理能源需求將變得日益重要。

例如，網路可能需要足夠的容量來服務繁忙的體育場，但當人群離開時，需求就會改變。AI 可以幫助識別何時可以關閉閒置容量，以及何時需要重新上線，這樣營運商就能在不中斷連線的情況下減少用電。

在里茲大學，研究人員開發了一個系統，可以提前十分鐘預測網路需求，並利用這些預測來指導基地台的休眠決策。在關閉電源之前，它會檢查鄰近的活動基地台是否能繼續服務受影響的設備，並監控需要恢復容量的變化。

該團隊使用便攜式、由 NVIDIA DGX Spark 驅動的 5G「網路盒」以及數位分身來測試他們的方法，以驗證決策與真實無線設備的一致性。結果顯示，研究人員報告 RAN 功耗相對於全功率基準降低了 45.6%，同時保持了設備連線。

在建置前就能更快測試的網路

在部署網路之前，研究人員需要知道當數百個設備爭奪連線或無線電訊號遇到干擾時，網路將如何運作。模擬這些條件有助於團隊在投入昂貴設備和現場試驗之前評估設計。然而，現實的模擬可能需要數小時，限制了研究人員可以探索的想法數量。

加泰隆尼亞電信技術中心 (CTTC) 正透過將運行於 ACAR 上的 GPU 加速無線電通道模型，引入 CTTC 的開源 5G-LENA 網路模擬器來加速這一過程。這些模型計算無線訊號如何在天線和設備之間傳播，隨著模擬網路的擴大，這項計算的需求也越來越高。

在早期評估中，這種方法將模擬運行時間從大約三小時縮短到 10-20 分鐘，具體取決於整合方式，同時保留了預期的統計行為和網路性能。

更快的模擬讓研究人員能夠比較更多設計、調查更嚴苛的場景並更快地完善想法。隨著業界開發 6G，這可以縮短從提出創新到徹底評估網路設計的路徑，幫助團隊在實際部署之前建立更好的連線能力。

在華盛頓特區的 NVIDIA GTC 大會上，您可以參加 6G 開發者會議，研究人員和開發者將展示更多塑造未來無線網路的創新。

NVIDIA AI Aerial 和 NVIDIA Sionna 已在 GitHub 上提供。