Aktivieren Sie Javascript und Browser-Cookies, um die Funktionen und die Leistung der Website zu verbessern.

Live chatten

Kontakt

Willkommen

Sie sind unterzeichnet als:

Mein Profil
Abmelden

Bitte bestätigen

Bestätigen Sie Ihr Land, um auf relevante Preise, Sonderangebote, Veranstaltungen und Kontaktinformationen.

Beginnen Sie Ihr Angebot mit der Auswahl eines Produkts Konfiguration auswählen

Wie simuliert man AI-gesteuerte Luftschnittstellen-PHY für die 6G-Forschung?

Angebot

Anwendungshinweis anzeigen

+ Systemdesign für die 6G-Forschung

Optimierung von 6G-Designs mit Echtzeit-Analyse des Kanalverhaltens

Die Entwicklung von 6G-Systemen der nächsten Generation erfordert eine Reaktion auf dynamische Kanal- und Netzverhaltensänderungen in Echtzeit. Die Software muss komplexe Wechselwirkungen im Kanalverhalten simulieren, wie z. B. fortschrittliche Modulation, Mobilität der Benutzergeräte und Kanalzustandsinformationen aus ultramassiven Multiple-Input / Multiple-Output. Die Simulation dieses Verhaltens mit integrierten Techniken der künstlichen Intelligenz (AI) und des maschinellen Lernens (ML) ist von entscheidender Bedeutung für die Modellierung der komplexen Modulationsformate auf höherer Ebene, die erforderlich sind, um die angestrebten Datenraten und Durchsätze zu erreichen.

Ingenieure für Kommunikationssysteme benötigen Software zur Designautomatisierung, die Trainingsdatensätze für Algorithmen neuronaler Netze erzeugt. Außerdem müssen sie trainierte Modelle in fortschrittliche 5G- und künftige 6G-Kommunikationssystemsimulationen einbinden. Forscher müssen das Verhalten verschiedener Komponenten und Systeme modellieren, Leistungskennzahlen analysieren und Entwürfe für bessere Funktionalität und Kosteneffizienz optimieren. Die Software muss Datensätze generieren und Modelle trainieren.

6G PHY Research Simulation Lösung

Der Aufbau von 6G-Systemen erfordert die Anpassung an Echtzeitänderungen im Kanal- und Netzwerkverhalten. Das Keysight System Design W4812B-Paket enthält AI- und ML-Beispiel-Workspaces für die 6G-Forschung. System Design demonstriert die Simulation von Channel State Information (CSI)-Rückmeldungen auf Link-Ebene, um den Durchsatz zu verbessern. Es speichert CSI-Feedback-Informationen ohne Komprimierung für AI-basiertes CSI-Feedback-Training. Für die AI-Kanalschätzung bewertet der Systementwurf die Leistung eines New Radio (NR)-Empfängermodells unter Verwendung eines vortrainierten neuronalen Netzwerkmodells und vergleicht es mit der konventionellen MMSE-Kanalschätzung (Minimum Mean Square Error). System Design generiert Trainingsdaten für ein neuronales Netzwerkmodell, das aus MMSE-Kanalschätzungsmustern lernen soll, um die konventionelle MMSE-Kanalschätzung im NR-Empfangsmodell zu ersetzen.

Angebot