SoftBank’s new AI model boosts 5G speeds dramatically

• La IA basada en Transformer de SoftBank mejora el rendimiento de subida en un 30 % y reduce la latencia a menos de 0,34 ms en una implementación 5G en vivo.
• Las pruebas simuladas demuestran que el rendimiento de bajada mejora un 31 % para terminales en movimiento, lo que allana el camino hacia redes 5G-Advanced y preparadas para 6G más inteligentes y rápidas.

Qué sucedió: SoftBank presenta un modelo de IA basado en Transformer para RAN 5G en Japón

SoftBank Corp., con sede en Tokio, Japón, desarrolló una nueva arquitectura de IA para redes de acceso radio 5G. Utiliza un modelo Transformer de alto rendimiento para la interpolación de canales de subida. Una prueba inalámbrica 5G 3GPP en vivo mostró un aumento del rendimiento de subida de aproximadamente el 30 % en comparación con los métodos no basados en IA. Esto proviene de una ganancia del 8 % sobre el modelo CNN anterior de SoftBank más el impulso de referencia.

Ejecutaron el modelo en GPUs en un entorno en vivo por aire. El Transformer ofreció operación en tiempo real con latencia ultrabaja: 338 microsegundos en promedio. Eso es aproximadamente 0,338 ms y alrededor del 26 % más rápido que la versión CNN. Ver también: Ziggo Group nombra a sus líderes antes de su salida a bolsa en Ámsterdam en 2027.

SoftBank también realizó pruebas simuladas de bajada utilizando la predicción de la Señal de Referencia de Sondeo (SRS). El modelo Transformer aumentó el rendimiento hasta un 29 % para terminales que se mueven a 80 km/h y hasta un 31 % a 40 km/h, más del doble de la mejora lograda por el modelo MLP anterior. Ver también: Alejandro Estua.

Lea también: SoftBank adquiere Ampere por 6.5 mil millones de dólares
Lea también: SoftBank muestra innovaciones de AI RAN en el MWC

Por qué es importante

El nuevo diseño de SoftBank cumple con el difícil objetivo de procesamiento en tiempo real de menos de un milisegundo. Es ligero pero de alto rendimiento. Utiliza la autoatención para capturar amplias correlaciones temporales y de frecuencia en las señales inalámbricas. Evita normalizar las entradas para preservar los datos clave de la señal física. Eso ayuda a mantener su alto rendimiento. Ver también: Alejandro Manzo.

También es versátil. Con pequeños ajustes en la capa de salida, puede admitir tareas como estimación de canal, predicción de SRS y demodulación de señales. Eso significa menor tiempo y costo de desarrollo. Ver también: Alejandro Hernandez.

Ejecutar AI-RAN en GPUs permite a los operadores actualizar el rendimiento de la red con actualizaciones de software incluso después de implementar el hardware. Eso reduce el costo de capital y permite a los operadores adoptar fácilmente nuevos y mejores modelos de IA más adelante. Ver también: Alejandro Garza.

SoftBank planea acelerar la comercialización de esta tecnología. Esto podría ayudar a construir redes 5G-Advanced más inteligentes y rápidas, y sentar las bases para los sistemas 6G. Ver también: Alejandro Guerrero.