• ИИ на базе Transformer от SoftBank повышает пропускную способность восходящего канала на 30 % и снижает задержку ниже 0,34 мс в реальном развёртывании 5G.
  • Имитационные испытания показали, что пропускная способность нисходящего канала для движущихся терминалов улучшается на 31 %, что открывает путь к более умным и быстрым сетям 5G-Advanced и готовности к 6G.

Что произошло: SoftBank представляет ИИ-модель на базе Transformer для 5G RAN в Японии

SoftBank Corp., базирующаяся в Токио, Япония, разработала новую ИИ-архитектуру для сетей радиодоступа 5G. В ней применяется высокопроизводительная модель Transformer для интерполяции восходящего канала. Натурное тестирование в беспроводной сети 3GPP 5G показало увеличение пропускной способности восходящего канала примерно на 30 % по сравнению с методами без ИИ. Прирост складывается из преимущества в 8 % над прежней свёрточной моделью (CNN) самой SoftBank и базового улучшения.

Модель запускали на GPU в реальной эфирной среде. Transformer работал в режиме реального времени со сверхнизкой задержкой: в среднем 338 микросекунд. Это примерно 0,338 мс и примерно на 26 % быстрее версии на CNN.

SoftBank также провела имитационные испытания нисходящего канала с прогнозированием зондирующего опорного сигнала (Sounding Reference Signal, SRS). Модель Transformer повысила пропускную способность до 29 % для терминалов, движущихся на скорости 80 км/ч, и до 31 % на скорости 40 км/ч — то есть более чем вдвое превысила улучшение, достигнутое прежней моделью MLP.

Также читайте:SoftBank приобретает Ampere за $6,5 млрд
Также читайте:SoftBank демонстрирует инновации AI RAN на MWC

Почему это важно

Новая разработка SoftBank укладывается в жёсткий норматив обработки в реальном времени — менее одной миллисекунды. Она лёгкая, но высокопроизводительная. Благодаря механизму самовнимания модель улавливает широкие временные и частотные корреляции в беспроводных сигналах. Она не нормализует входные данные, чтобы сохранить ключевую физическую информацию о сигнале. Это помогает держать производительность на высоком уровне.

Модель универсальна. Небольшие изменения выходного слоя позволяют использовать её для таких задач, как оценка канала, прогнозирование SRS и демодуляция сигнала. Это снижает время и стоимость разработки.

Запуск AI-RAN на GPU позволяет операторам повышать производительность сети за счёт обновлений ПО даже после развёртывания оборудования. Это сокращает капитальные затраты и позволяет операторам легко внедрять новые, более совершенные ИИ-модели в будущем.

SoftBank планирует ускорить коммерциализацию этой технологии. Это может помочь создать более умные и быстрые сети 5G-Advanced и заложить основу для систем 6G.