在今年的世界移动通信大会（ MWC ）上， NVIDIA 展示了一款神经接收器 对于 5G 新无线电（ NR ）上行链路多用户 MIMO 场景，可以看作 可能的 6G 物理层架构的蓝图。
NVIDIA 首次展示了一种可训练的基于神经网络的接收器的研究原型，该接收器可以学习替换下一代节点 B 基站（ gNB ）中经典物理层的重要部分，而无需明确编程。
与我们的合作伙伴一起Rohde & Schwarz，我们在硬件在环设置中验证了具有完全 5G 兼容 RF 信号的神经接收器的功能和性能。根据传统基站算法的 3GPP 一致性测试场景，我们生成了在 2 . 14GHz 的载波频率下具有 80MHz 带宽的测试信号。
这篇文章将展示经过训练的接收器在模拟中的卓越性能 也可以通过在现实条件下的实际测量来验证。
什么是神经接收器？
为了从接收到的信号中重建发送的信息，经典接收机执行一系列信号处理步骤。在一个神经接收器，这些手工制作的信号处理块被神经网络所取代。特别是，只有一个神经网络取代了信道估计、均衡和解映射（图 1 ）。
NVIDIA 原型通过多用户 MIMO 组件扩展了神经接收器的概念，并实现了 5G NR 兼容性。
神经网络架构的一个具体重点是关于变化数量的用户和可配置数量的子载波的灵活性。这种灵活性是实现实际部署的关键因素。如果额外的用户加入或离开网络，或者如果分配的子载波或物理资源块（ PRB ）的数量改变，则所提出的体系结构不需要任何再训练。
神经网络架构本身是图神经网络（ GNN ）和卷积神经网络（ CNN ）层的组合。直观地说， GNN 为不同数量的用户提供了灵活性，因为它可以轻松地重新配置。因此，处理整个 5G 只需要 700K 可训练重量狭槽，是由时频 OFDM 网格中的数千个资源元素组成的整个时间/频率资源。
该体系结构设计允许接收机适应不同的系统配置。物理资源块的数量也是可变的。事实上，接收机被训练用于四个 PRB ，但是被评估用于 217 个 PRB 。
Sionna 支持 5G 新电台
为了 5G 和 beyond-5G 的快速原型设计以及此类系统的研究和培训， NVIDIA 开发了Sionna，一个 GPU 加速框架，用于完全可微分的链路级模拟。 NVIDIA 集成了一个专用5G NR要启用的模块5G NR–compliant PUSCH simulations开箱即用，只有几行代码。
至于任何其他 Sionna 组件，所提供的发射器和接收器块是可微分的，并且梯度可以通过 5G 收发器组件反向传播。
以下示例在几行代码中显示了符合 5G 的 PUSCH 模拟。
# Create a PUSCH configuration with default settings
pusch_config = PUSCHConfig()
# Instantiate a PUSCHTransmitter from the PUSCHConfig
pusch_transmitter = PUSCHTransmitter(pusch_config)
# Create a PUSCHReceiver using the PUSCHTransmitter
pusch_receiver = PUSCHReceiver(pusch_transmitter)
# AWGN channel
channel = AWGN()
# Simulate transmissions over the AWGN channel
batch_size = 16
no = 0.1 # Noise variance
x, b = pusch_transmitter(batch_size) # Generate transmit signal and info bits
y = channel([x, no]) # Simulate channel output
b_hat = pusch_receiver([x, no]) # Recover the info bits
# Compute BER
print("BER:", compute_ber(b, b_hat).numpy()))
硬件在环测试和验证
为了在硬件在环实验中测试这种神经接收器的性能， NVIDIA 与高级测试和测量解决方案供应商 Rohde & Schwarz 合作。
Rohde & Schwarz 将其 R & S SMW200A 矢量信号发生器与两个 R & S SGT100A 矢量信号发生器相结合，以创建具有 MIMO 2 × 4 配置的符合 5G NR 的上行链路信号。两个用户在相同的时间 – 频率资源上同时进行传输。在信道模拟器的帮助下模拟真实的信道条件，该信道模拟器将不同的衰落系数和噪声应用于用户的信号。
由此产生的四个射频信道连接到 R & S MSR4 多用途卫星接收机的四个相位相干输入。信号被捕获、下变频，然后被数字化。
所得 IQ 样本通过四个 10Gbit / s 以太网接口流式传输到基于服务器的测试（ SBT ）架构，用于进一步预处理，同时对 OFDM 信号执行快速傅立叶变换（ FFT ）和循环前缀去除。
FFT 后的数据最终被传输到配备有 NVIDIA RTX 4090 GPU 的 NVIDIA 工作站，该工作站执行训练后的神经接收器的推断，然后进行信道解码。
经过模拟培训，在现场验证
图 3 显示了不同接收器在传输块级别上的块错误率性能，也就是说，包括整个物理（ PHY ）层的影响。蓝点表示实际测量的结果，而实线则用Sionna 的内置通道模型.
所有系统都针对相同的场景和相同的输入数据进行评估，但针对不同的接收器实现。
- 完美的犯罪现场调查（灰色）：接收器处的完全已知信道状态信息（ CSI ）和最大似然检测。这显然是不现实的，但为实际系统所能达到的性能提供了一个下限。
- 最大可能性（橙色）：最大似然的近似值，可以获得很好的性能，但由于计算复杂度高而不实用。
- LS + 1 毫秒（蓝色）：具有线性最小均方误差（ LMMSE ）检测的最小二乘（ LS ）信道估计。由于其复杂性较低，因此可以将其视为一个实用的基线。
- 神经接收器（绿色）：神经接收器的性能接近最大似然，但计算复杂度显著降低。
该演示的关键成就之一是通过使用 R & S 测试和测量设备，在真实的硬件在环场景中验证 Sionna 的模拟。正如您所看到的，性能匹配得很好，在实际硬件上部署只会带来很小的性能下降。
为什么 Sionna 对这个实验如此重要？
如果以错误的方式进行训练，则神经接收器可能过度适应特定的信道实现。
为了避免这种影响，接收机使用基于Sionna’s 的内置通道模型这意味着在训练期间，神经接收器看到信道条件的许多独立变化，例如随机用户速度、不同的衰落分布和各种信噪比。
特别是，接收器已经在3GPP UMi 模型中随机模型参数对于每次训练迭代而改变。该过程避免了对特定信道条件的过拟合，并且所得到的神经接收器很好地推广到看不见的信道实现。
朝向 6G
除了纯粹的块错误率性能增益之外，我们的长期愿景是，这些接收器可以进行微调specific environment。我们考虑特定地点的特性，如预期的用户速度（与低速室内环境相比，靠近高速公路的部署）或感兴趣区域的预期最大延迟分布。因此，我们设想可以在低负载阶段对基站进行持续的再培训。即使在现场部署后，我们也可以通过简单地更新它们的权重来提高它们的性能。
更进一步，神经接收器可以被视为大量新物理层概念的推动者，例如AI/ML-based waveforms甚至semantic communications。虽然这项研究仍处于早期阶段，还有很多工作要做，但我们很高兴能够在物理层展示人工智能的潜力，它可能会成为 6G 通信系统不可或缺的一部分。
