Introduction: L'aube de la communication intelligente sans fil

La prochaine frontière de la technologie sans fil – 6G – n'est pas seulement une mise à niveau progressive de 5G. Elle représente un changement fondamental vers un tissu de communication pleinement intelligent, omniprésent et sensible. Bien que la 5G se concentre sur le haut débit mobile amélioré, les communications massives de type machine et les liaisons ultra-fiables à faible latence, la 6G vise à fusionner la communication avec la détection, l'imagerie, la localisation, et même la prise de décisions autonome.

Les techniques traditionnelles de traitement des signaux, ancrées dans l'algèbre linéaire et la modélisation stochastique, atteignent des limites fondamentales face aux distorsions non linéaires, aux conditions dynamiques des canaux et aux vastes espaces de paramètres des systèmes 6G. Les réseaux neuraux, inspirés par la structure du cerveau humain, offrent une nouvelle façon de modéliser et de manipuler les signaux. Ils apprennent à obtenir des représentations optimales directement à partir de données, s'adaptant aux changements environnementaux et découvrant des modèles analytiques qui manquent.

Comprendre le traitement des signaux par réseau neuronal

Les réseaux neuraux sont des systèmes de calcul composés de couches de nœuds interconnectés (neurons), chacun effectuant une somme pondérée suivie d'une fonction d'activation non linéaire. En adaptant ces poids par une formation sur des données marquées ou non, le réseau apprend à cartographier les entrées vers les sorties souhaitées. Dans le traitement des signaux, les entrées peuvent être des échantillons bruts du domaine du temps, des représentations du domaine de la fréquence ou des fonctions de plus haut ordre extraites des canaux sans fil.

Plusieurs architectures de réseau neuronal se sont révélées particulièrement efficaces pour le traitement des signaux dans les communications sans fil :

  • Réseaux entièrement connectés (denses):[ Utilisés pour des tâches de régression ou de classification simples, comme la détection de symboles dans les canaux plats de décoloration ou l'attribution de puissance dans les systèmes à petite échelle.
  • Réseaux neuronaux convolutionnels (RCN):[ Excel pour saisir les modèles locaux dans les grilles de fréquences temporelles. Ils sont largement utilisés pour la classification des signaux RF, la reconnaissance automatique de la modulation et la détection comprimée de canaux clairs.
  • Réseaux neuronaux récurrents (RNN) et Mémoire à court terme longue (LSTM):[ Conçus pour des données séquentielles, ces réseaux modélisent les dépendances temporelles dans les canaux de fading, traçant les réponses impulsionnelles variables dans le temps pour une égalisation et une prédiction précises.
  • Transformateurs et mécanismes d'attention:[ Originaire du traitement du langage naturel, les transformateurs ont été adaptés pour capter les dépendances à longue distance dans les matrices de canaux à haute dimension et peuvent traiter conjointement plusieurs dimensions spatiales et temporelles, ce qui les rend aptes au précodage massif du MIMO.
  • Codeurs automatiques:[ Cadres non supervisés pour l'apprentissage de bout en bout des systèmes de communication, où l'encodeur de l'émetteur et le décodeur du récepteur sont formés conjointement pour minimiser les erreurs, optimiser efficacement la modulation et le codage sans conceptions explicites à la main.

Le principal avantage du traitement de signaux par réseau neuronal est sa capacité à fonctionner directement sur des données brutes ou légèrement prétraitées, réduisant ainsi le besoin d'extraction de fonctions artisanales. De plus, une fois entraîné, l'inférence peut être extrêmement rapide – en particulier sur du matériel spécialisé – permettant une adaptation en temps réel à des échelles de microsecondes.

Le rôle des réseaux neuronaux dans la 6G

Dans les réseaux 6G, le traitement des signaux par réseau neuronal devrait permettre de surmonter plusieurs goulets d'étranglement critiques en matière de performance.

Efficacité accrue du spectre

Le spectre est une ressource finie, et 6G fonctionnera probablement dans des bandes allant des fréquences de sous-6 GHz aux fréquences de sous-THz (p. ex., 7-24 GHz et plus de 100 GHz). Ces bandes supérieures offrent de grandes bandes de spectre, mais souffrent de pertes de trajectoires, d'ombres et d'absorption atmosphérique graves. Les réseaux neuraux peuvent optimiser dynamiquement l'utilisation du spectre en apprenant les caractéristiques statistiques de l'interférence et de la charge de trafic.

En apprenant les cartes entre les estimations des canaux et les vecteurs de formage analogique/numérique, les réseaux neuronaux peuvent approximativement les matrices de précodage optimales avec des frais généraux beaucoup plus bas que les algorithmes itératifs. Cela devient critique dans les systèmes sub-THz où le nombre d'antennes peut dépasser des milliers, rendant les résolveurs linéaires conventionnels basés sur l'algèbre impossibles.

Amélioration de la qualité des signaux

Les récepteurs réseau neuronaux peuvent effectuer conjointement l'estimation des canaux, la péréquation et la détection des symboles, apprendre à compenser ces déficiences de bout en bout. Par exemple, un détecteur d'apprentissage profond formé sur les déficiences matérielles réelles peut surperformer le détecteur de probabilité maximale dans des conditions réalistes, fournissant des taux d'erreur de bits plus faibles. De même, les décodeurs neuraux – tels que ceux basés sur la propagation de croyances via les réseaux neuronaux graphes – offrent des performances de correction des erreurs presque optimales tout en étant très parallélisants.

La réduction du bruit est un autre domaine où les réseaux neuronaux brillent. En exploitant des architectures convolutionnelles ou récurrentes, le réseau peut apprendre une représentation des sous-espaces signal et bruit, permettant un filtrage intelligent qui préserve l'intégrité du signal mieux que les filtres linéaires comme Wiener ou Kalman. Ceci est particulièrement important pour les schémas de modulation à haut ordre (par exemple, 1024-QAM) prévus pour 6G, où même de petites distorsions peuvent causer des erreurs de démodulation.

Traitement à faible latence

L'un des objectifs les plus ambitieux pour 6G est la capacité tactile d'Internet, où la latence de bout en bout doit être inférieure à 1 milliseconde pour des applications comme la chirurgie à distance, les essaims de drones autonomes et la rétroaction haptique. Les chaînes traditionnelles de traitement des signaux, qui impliquent des étapes successives d'estimation des canaux, d'égalisation, de décompression et de décodage, entraînent des retards importants.

Réseaux adaptatifs

6G fonctionnera dans des environnements très dynamiques, avec des utilisateurs mobiles, des réflecteurs et des conditions atmosphériques changeantes. La configuration manuelle des paramètres du réseau n'est pas réalisable à l'échelle. Le traitement des signaux en réseau neural permet d'auto-optimisation des réseaux qui apprennent et s'adaptent continuellement. Par exemple, un agent d'apprentissage en renforcement profond contrôlant l'allocation des ressources peut ajuster les niveaux de puissance, les schémas de modulation et les directions de faisceaux en fonction des performances observées sans intervention humaine.

Défis et orientations futures

Malgré ses immenses promesses, l'intégration du traitement de signaux en réseau neuronal en 6G se heurte à des obstacles considérables qu'il faut surmonter avant le déploiement commercial.

Données de formation et exigences informatiques

Les réseaux neuronaux nécessitent des ensembles de données importants, diversifiés et étiquetés pour la formation, qui sont rares dans les communications sans fil parce que les conditions des canaux varient considérablement d'un environnement à l'autre et à l'échelle du temps. La collecte de données réelles à des fréquences de 6G est coûteuse et prend du temps. Les chercheurs s'attaquent à cette question en produisant des données synthétiques à l'aide de simulations de traçage de rayons et de réseaux antagonistes générateurs (RAG) pour produire des réalisations réalistes de canaux.

Efficacité énergétique et accélérateurs de matériel

Pour rendre le traitement de signaux réseau neuronal viable pour 6G, le matériel doit être conçu pour fonctionner à une puissance ultra-faible à un débit élevé. Les processeurs de signaux numériques (PDD) et les processeurs à usage général sont insuffisants. Cela a stimulé le développement d'accélérateurs d'IA dédiés tels que les puces neuromorphes, les réseaux informatiques en mémoire et les processeurs photoniques. Ces solutions matérielles visent à exécuter l'inférence réseau neuronal avec consommation d'énergie sur l'ordre des picojoules par opération multi-accumulatrice, permettant ainsi une exploitation continue dans les stations de base et éventuellement dans les terminaux utilisateurs.

Sécurité et robustesse

Dans un contexte 6G, un attaquant pourrait injecter des signaux contradictoires qui trompent le détecteur neuronal du récepteur, causant des erreurs massives de paquets ou permettant même d'écouter les gens. Assurer la robustesse contre de telles attaques est un domaine de recherche actif, avec des techniques telles que la formation contradictoire, la validation des entrées et les méthodes d'ensemble. De plus, l'utilisation du traitement des signaux par réseau neuronal soulève des préoccupations en matière de confidentialité : si le réseau apprend à déduire la localisation ou l'activité de l'utilisateur à partir de l'information sur l'état du canal, il peut par inadvertance fuir des informations sensibles.

Normalisation et intégration

Pour que le traitement de signaux par réseau neuronal devienne une réalité en 6G, il doit être accepté par les organismes de normalisation tels que 3GPP et l'UIT. Il s'agit notamment de définir des interfaces ouvertes pour les modèles d'IA/ML, de définir des critères de performance et d'établir des procédures de certification. L'industrie est déjà en train de progresser dans cette direction : l'étude 3GPP sur l'IA/ML pour l'interface air NR (Sortie 18/19) a jeté les bases et des efforts similaires sont attendus pour 6G. Cependant, l'interopérabilité entre différents fournisseurs , les mises en œuvre de réseaux neuronaux seront critiques.

Recherche-développement

Les grandes entreprises de télécommunications, les consortiums universitaires et les fabricants de puces investissent massivement dans le traitement de signaux en réseau neuronal pour 6G. Par exemple, Qualcomm[ a décrit les architectures 6G qui intègrent l'apprentissage automatique à chaque couche de la pile de protocole, de la couche physique à la gestion du réseau. De même, Samsung développe des algorithmes d'estimation de canaux basés sur l'apprentissage profond et de formage de faisceaux pour les systèmes sub-THz, démontrant les gains de performance dans les prototypes de bancs d'essai.

Les cadres open-source tels que RadioML et la bibliothèque DeepWiVe fournissent des plateformes pour le partage de ensembles de données et de modèles, l'accélération de la reproductibilité et de la collaboration.Ces efforts sont essentiels pour déplacer le traitement de signaux en réseau neuronal des démonstrations de laboratoire aux solutions standardisées et déployables.

Conclusion

En permettant une efficacité accrue du spectre, une qualité améliorée du signal, un traitement à faible latence et une auto-optimisation adaptative, les réseaux neuronaux promettent de fournir les performances et l'intelligence extrêmes que 6G envisage. La voie à suivre n'est pas sans obstacles, y compris la rareté des données, les exigences informatiques, les contraintes énergétiques, les vulnérabilités en matière de sécurité et la nécessité de normaliser. Pourtant, les efforts combinés de l'industrie, du milieu universitaire et des organismes de normalisation construisent les ponts nécessaires pour surmonter ces défis.