NVIDIA Aerial és Sionna: milliós letöltés a 6G-hez

Mi a hír?

Az NVIDIA blogbejegyzése szerint egy évvel ezelőtt nyílt forráskódúvá tette az Aerial vezeték nélküli szoftverét. Ez a Sionna mellett a 6G-fejlesztést célzó nyílt eszközkészlet része. A szimulációt, az AI-tanítást és a valódi over-the-air kísérleteket köti össze.

Az elmúlt évben az AI Aerial és a Sionna globális fejlesztői adopciója tízszeresére nőtt. A nyílt 5G/6G eszközök letöltése átlépte az 1 milliót. Több mint 8000 kutatói és egyetemi intézmény használja a platformokat.

Ez ugyanabba a nyílt NVIDIA-vonalba illeszkedik, mint a Cosmos 3 world sim modellek vagy a Nemotron 3.5 Transcribe ASR: a cég a kutatási stacket is nyitja, nem csak a nyelvi modelleket.

Hol futnak már kísérletek?

A King's College London kameraalapú robotkart kötött NVIDIA Jetson AGX Orinhoz, Sionnával. A cél a goal-oriented semantic communications: nem teljes képet küld a robot, hanem kompakt leírást a tárgyakról, pozíciókról és viszonyokról. Gyümölcscsomagolós és kockarakós kísérletekben, szándékosan bevezetett hibákkal a feladatidő akár 52,6%-kal csökkent a periodikus képküldéshez képest és javult a sikerarány is.

A SoftBank neurális vevőt épített az NVIDIA Aerial CUDA-Accelerated RAN (ACAR) rendszerébe és kereskedelmi 5G telefonnal tesztelte. Zavarás melletti kontrollált méréseken a neurális vevő mind a 15 beállításnál magasabb uplink átvitelt adott a hagyományos vevőnél. A maximális nyereség kb. 60% volt.

Az ETH Zürich az Aerial Testbeden helyi mérésekkel hangolta a neurális vevőket. A block error rate több mint egyharmaddal csökkent a kiválasztott előre tanított változatokhoz képest.

A University of Leeds 10 percre előre jelzi a hálózati terhelést és ez alapján dönt a bázisállomások alvó módjáról. Az ellenőrzés része, hogy a szomszédos aktív állomások tovább szolgálják-e az érintett eszközöket. A csapat NVIDIA DGX Spark alapú, hordozható 5G „network-in-a-box” megoldással és digitális ikerrel validált. Az eredmény: 45,6%-kal kisebb RAN energiafogyasztás a teljes teljesítményű baseline-hoz képest, a kapcsolatok megtartása mellett.

A katalán CTTC GPU-gyorsított rádiócsatorna-modelleket kötött az ACAR-ról a saját nyílt 5G-LENA szimulátorába. Egy korai értékelésben a futásidő kb. három óráról 10-20 percre csökkent, miközben a várt statisztikai viselkedés megmaradt.

Miért számít?

A 6G körüli vita gyakran hardverről és frekvenciákról szól. Itt viszont az látszik, hogy a nyílt szoftveres stack (szimuláció + RAN + élő kísérlet) már ma is mérhető robotikai, vevő- és energiaeredményeket ad.

Gyakorlati olvasat: ha 5G/6G vagy élő robotikai kapcsolattal kísérletezel, érdemes megnézni az Aerial és a Sionna GitHub-csomagjait. A fenti laborok ugyanazt a közös alapot használják, így az eredmények könnyebben összevethetők, mint a zárt, egyedi tesztek.