Maailmanlaajuinen televiestintäteollisuus on uuden aikakauden kynnyksellä. Vaikka 5G-verkot laajenevat ja kehittyvät edelleen, tutkijat ja standardointielimet ovat jo perustamassa 6G.Langattoman viestinnän kuudennen sukupolven perustyötä. Odotettu saapumisaika on noin 2030, 6G lupaa toimittaa datan määrät terabitin ja sekunnin välillä, alimillisekunnittaisen latenssin ja kyvyn yhdistää miljardeja laitteita saumattomasti. Keskeinen tekijä näiden kunnianhimoisten tavoitteiden toteuttamiseksi ovat seuraavan sukupolven signaalinkäsittelyalgoritmit. Nämä algoritmit muodostavat moderneja langattomia järjestelmiä koskevan laskennallisen selkärangan, joka ohjaa signaalien siirtämistä, vastaanottamista ja tulkintaa yhä monimutkaisemmissa sähkömagneettisissa ympäristöissä.

Signaalinkäsittely on aina ollut kriittinen mahdollistaja langattoman teknologian kaikissa sukupolvissa. 2G:ssä yksinkertaiset täsmäytetyt suodattimet ja tasaajat riittävät. 3G toi mukanaan monikäyttäjän havaitsemisen ja CDMA-käsittelyn. 4G LTE toi OFDM- ja MIMO-vastaanottimet käyttöön. 5G työnsi eteenpäin massiivisella MIMO- ja säteenmuodostuksella. 6G tuo kuitenkin haasteita, jotka ylittävät perinteisten algoritmejen ominaisuudet. Seuraavan sukupolven algoritmien on oltava mukautuvia, datalähtöisiä ja toimivia reaaliajassa laaja-alaisten antennijärjestelmien välillä.

AI-Driven Adaptive Algorithms

Tekoäly ja koneoppiminen eivät ole vain parannuksia 6G:lle; ne ovat perustavia. Syvät hermoverkot voivat oppia kanavan käyttäytymistä raakadatasta, suoriutuvia mallipohjaisia lähestymistapoja epälineaarisissa, aika-vaihtelevissa ympäristöissä. AI-ohjattuja algoritmeja kehitetään kanavan estimointia, havaitsemista ja dekoodaamista varten, usein perinteisten Bayesialaisten arvioijien ja Viterbi-dekoodereiden korvaamista tai lisäämistä. Esimerkiksi autoenkoodaajaarkkitehtuurit voivat yhdessä optimoida lähettimen ja vastaanotinta huippuoppineena järjestelmänä. Vahvistus mahdollistaa mukautuvan resurssien kohdentamisen ja säteen valinnan ilman nimenomaista järjestelmämallintamista. Nämä tekoälytekniikka vaatii erikoislaitteita ja kevyttä verkkoarkkitehtuuria, jotta ne täyttävät 6G:n tiukat latenssivaatimukset.

Massive MIMO ja sen ulkopuolella

Massive MIMO (monisyöttöinen monituotos) oli keskeinen innovaatio 5G:ssä, jossa käytettiin satoja antenneja tukiasemalla. 6G:n mittakaava laajenee dramaattisesti tuhansiin tai jopa kymmeniin tuhansiin antennielementteihin suurten älykkäiden pintojen (LIS) tai uudelleenohjelmoitavien älykkäiden pintojen (RIS) muodossa. Signaalinkäsittelyalgoritmien on tehokkaasti käsiteltävä valtavaa laskentakuormaa, joka on säteenmuodostamista, esikoodaus ja kanavan arviointi tällaisissa suurissa rakenteissa. Tekniikoita, kuten hybridisäteenmuodostusta (analoginen digitaalinen) ja 1-bittistä kvantifiointia vastaanotinten, on tutkittava, jotta massiivinen MIMO (analoginen digitaalinen) ja 1-bittinen kvantifiointilaite vähentäisivät monimutkaisuutta suorituskyvyn ylläpitäessä.

Kehittyneet säteilevät tekniikat

6G:n säteenmuodostuksen on toimittava eri taajuuksilla, sub-6 GHz:sta mmWaveen ja THz:n taajuusalueisiin. Sopeutuvan säteenmuodostuksen algoritmeja, jotka voivat seurata nopeasti liikkuvia käyttäjiä. Kuten suurnopeusjunissa tai matalan korkeustason lennokeissa. Langattoman säteenmuodostuksen, koodikirjaan perustuvien lähestymistapojen ja painetunnistuksen avulla voidaan nopeasti yhdistää säde ilman tyhjentävää etsintää. Lisäksi tutkitaan hajautettua säteenmuodostusta useiden eri liityntäpisteiden välillä, jotta voidaan tarjota saumaton kattavuus ja häiriönvaimennus. Näiden algoritmien on oltava kestäviä, jotta ne kanavoivat ikääntymisen ja laitteiston vajavaisuudet.

Datan ja antennin eksponentiaalinen kasvu tekee joitakin signaalinkäsittelyongelmia, joita klassisten tietokoneiden kanssa ei voida saada. Kvanttisignaalin käsittely tutkii kvanttialgoritmien käyttöä tehtäviin, kuten suurten lineaaristen järjestelmien ratkaisemiseen säteenmuodostajille, matriisin inversion suorittamiseen pienimmille neliöille arvioijille ja hakun nopeuttamiseen koodikirjojen kautta. Vaikka täysimittaiset kvanttitietokoneet ovat vielä vuosien päässä, hybridikvantti- ja kvantti-inspiroituja prosessorijärjestelmiä kehitetään lähiosiin. Esimerkiksi kvantti-annealaus voi ratkaista kombinatoriset optimointiongelmat resurssien jaossa nopeammin kuin klassinen heuristiikka.

Energiatehokas jalostus

Energiankulutus on kriittinen haaste 6G:lle, erityisesti akkukäyttöisillä laitteilla ja massiivisilla sensoriverkoilla. Seuraavan sukupolven signaalinkäsittelyalgoritmit on suunniteltu energiatietoisuuden avulla. Tähän sisältyy likimääräisten laskentatekniikoiden käyttö, kuten hermoverkkojen matalatarkkuusaritmetiikka ja tapahtumalähtöinen käsittely, joka aktivoi vain tarvittaessa. Algoritmiset lähestymistavat, kuten harva näytteenotto ja puristusaistin, vähentävät käsiteltävien tietojen määrää. Tehon mukautuva modulointi- ja koodausjärjestelmät yhdistettynä tehokkaisiin tasauslaitteisiin ja dekoodereihin, minimoivat energiajalanjälkeä ilman, että se uhraa läpimenoa.

Tekniset haasteet ja tutkimusrajat

Reaaliaikakäsittelyn rajoitteet

Ala-millisekunnin latenssitavoite 6G:lle asettaa tiukat reaaliaikaiset vaatimukset. Monet kehittyneet algoritmit, erityisesti syväoppimiseen perustuvat algoritmit, ovat erittäin tietokoneavusteisia. Tutkijat tutkivat laitteisto-ohjelmistojen yhteissuunnittelua, mukaan lukien FPGA-pohjaiset kiihdyttimet ja mukautetut ASIC-laitteet, jotta ne voisivat suorittaa päättelyn tiukoissa määräajoissa. Myös algoritmiset innovaatiot, kuten yksisävyinen oppiminen ja meta-oppiminen, vähentävät jatkuvan uudelleenkoulutuksen tarvetta. Edgelaskentaarkkitehtuurit, joissa käsittely jaetaan käyttäjän lähelle, voivat offload base station computations.

Vahvuus korkean mobiliteetin skenaarioissa

6G palvelee sovelluksia, kuten suurnopeusjuna (jopa 1000 km/h) ja lennokkiparvet. Kanavan arviointi tulee erittäin haastava nopean Doppler-vaihteen ja nopean haalistumisen vuoksi. Klassisia algoritmeja kuten Kalman-suodattimia yhdistetään syvään oppimiseen ennustinten ennakoimiseksi kanavavaihtelujen ennakoimiseksi. Pilottipohjaisen arvioinnin on oltava tehokasta, jotta vältetään liialliset yläpuolella olevat. Sokea kanava-arvio ja tensor-pohjaiset menetelmät saavat huomiota. Algoritmeja on myös voitava käyttää muiden käyttäjien ja ympäristön häiriöihin, kuten ilmakehän absorptioon THz-taajuuksilla.

Integrointi seuraavan sukupolven laitteistoon

Signaalinkäsittelyalgoritmit eivät voi kehittyä erillään; ne on kytkettävä tiiviisti taustalla olevaan radiotaajuuksiin ja digitaalisiin laitteisiin. Uusia kehitystoimia analogisista digitaalisiin muuntimiin (ADC), joissa on korkea resoluutio mutta alhainen teho, ja sekamuotoisessa prosessoinnissa, vaikuttavat algoritmin suunnitteluun. Esimerkiksi 1-bittiset ADC-laitteet vastaanottimessa vaativat erikoistuneita algoritmeja, jotka voivat palauttaa tietoja massiivisesta kvantitalisaation vääristymästä. Samoin grafeenin ja muiden nanomateriaalien käyttö THz-transseivereissä esittelee ainutlaatuisia epälineaarisia ominaisuuksia, jotka on mallinnettava ja kompensoitava algoritmisesti. Algoritmeja ja laitteistoa suunniteltaessa on kasvava tutkimusalue, joka johtaa usein yhteisoptimointiin.

Teollisuus ja akateemiset toimet

Lukuisat hankkeet ja organisaatiot tutkivat aktiivisesti 6G-signaalien käsittelyä. 3rd Generation Partnership Project (3GPP)[] on aloittanut opintovaiheensa 6G:lle, kun taas ITU-T[[]] on määritellyt näkö-dokumentteja. Euroopan unionin 3. IEEE Journal on Selected Areas in Communications[ julkaisee säännöllisesti erityiskysymyksiä 5G/6G-signaalinkäsittelyssä. Yritykset, kuten Qualcomm, Nokia, Ericsson ja Samsung kehittävät prototyyppialgoritmeja ja -siruja.

Tulevaisuuden näkymät: Hybridi-lähestymistapoja ja syväoppimista

Klassinen mallipohjainen algoritmi tarjoaa matemaattisia takeita ja tulkinnallisuutta, kun taas datalähtöinen menetelmä tarjoaa sopeutumiskyvyn ja erinomaisen suorituskyvyn tuntemattomissa skenaarioissa. Tulevaisuuden järjestelmät todennäköisesti yhdistävät molemmat . Esimerkiksi hermoverkkojen avulla luodaan aiempia Bayesialaisten arvioijien arviointeja tai vahvistuksen avulla oppimista perinteisten algoritmien parametrien viritykseen. Toinen lupaava suunta on perusmallien ja muuntajan arkkitehtuurien käyttö langattoman kanavan ennustamiseen ja säteenmuodostukseen koodin tuottamiseen. Nämä mallit edellyttävät massiivisia määriä koulutusdataa, jota voitaisiin tuottaa verkon digitaalisten kaksosten avulla. Lisäksi semanttinen ja päämäärälähtöinen signaalinkäsittely on kehittymässä, jossa vastaanotin vain poimii viestin merkityksen koko aaltomuodon sijaan, vähentää merkittävästi laskentakuormaa.

Kun 6G siirtyy konseptista todellisuuteen, seuraavan sukupolven signaalien käsittelyalgoritmien kehittäminen on ratkaiseva tekijä sen täyden potentiaalin saavuttamisessa. Haasteet ovat valtavat, mutta niin ovat mahdollisuudetkin. Tutkijat ja insinöörit ovat jo edelläkävijöitä algoritmeja, jotka tukevat 2030-luvun langattomia verkkoja ja sen jälkeenkin, jolloin sovellukset laajenevat todellisuudesta etäkirurgiaan, autonomisiin järjestelmiin ja kaiken internetiin. Matka teoriasta käytännön käyttöön edellyttää jatkuvaa yhteistyötä yliopistoissa, teollisuudessa ja standardointielimissä.

Lopuksi, kehitys signaalinkäsittely 6G on kiehtova risteysalueiden tekoäly, kvanttilaskenta, ja kehittynyt matematiikka. Algoritmeja kehitetään tänään eivät ole vain asteittain parannuksia; ne edustavat paradigman muutos miten ajattelemme ja toteuttaa langatonta viestintää. Kun nämä teknologiat kypsyvät, ne avaavat uusia rajoja yhteydet ja usher seuraavan aallon digitaalisen muutoksen.