Интеграция глубокого обучения (Deep Learning) в телекоммуникационные системы пятого поколения — это не просто эволюция, а смена парадигмы. В новом выпуске The TWIML AI Podcast Джозеф Сориага (Joseph Soriaga), старший директор по технологиям в Qualcomm, рассказывает, как нейросети решают фундаментальные проблемы передачи данных, выходя за рамки классических алгоритмов и превращая обычные радиосигналы в инструмент точного сканирования пространства.
📡 Эволюция от теории кодирования к ИИ 0:13
Джозеф Сориага (Joseph Soriaga) начал свой путь в области беспроводной связи задолго до бума глубокого обучения, специализируясь на теории информации и помехоустойчивом кодировании . По его мнению, между современным ИИ и классической теорией связи есть прямые параллели: в свое время инженеры использовали распространение веры (belief propagation), чтобы приблизиться к пределу Шеннона, подбирая правильные графические модели для конкретных задач .
В Qualcomm Сориага прошел путь от разработки модемов и базовых станций до внедрения стандартов 5G. Он отмечает, что переход к ИИ стал естественным ответом на усложнение систем:
- Миллиметровые волны: Использование высоких частот требует точной направленности луча.
- Сверхширокая полоса пропускания: Чем больше данных, тем сложнее ими управлять классическими методами.
- Низкая задержка: Требует мгновенной адаптации параметров сети к меняющейся среде .
По словам гостя, 5G-системы стали настолько сложными, что традиционные эвристики и абстракции перестали эффективно работать, открывая дорогу машинному обучению .
🧠 Нейронная аугментация и фильтр Калмана 8:41
Первая ключевая работа, обсуждаемая в подкасте, касается «нейронной аугментации» (network augmentation). В академической среде радиотехнические модели часто упрощают реальный мир для получения «чистых» математических результатов. Однако в реальности эти абстракции часто расходятся с практикой .
Джозеф Сориага (Joseph Soriaga) приводит в пример фильтр Калмана — оптимальный инструмент для отслеживания динамических систем (например, параметров канала связи при движении пользователя). Проблема классического подхода заключается в следующем:
- Для каждой скорости движения (эффект Доплера) фильтру нужны свои параметры.
- Инженерам приходится создавать «банк» фильтров для разных скоростей (например, от 0 до 500 км/ч).
- Разбиение на диапазоны (бины) всегда оказывается грубым и требует долгой ручной настройки .
Гиперсетевой фильтр Калмана (Hypernet Kalman Filter)
Вместо того чтобы полностью заменять фильтр Калмана нейросетью (например, LSTM или RNN), команда предложила гибридный подход. Они используют рекуррентную нейросеть (RNN) в качестве «гиперсети», которая на лету подбирает оптимальные параметры для классического фильтра Калмана .
Основные преимущества системы, по данным Сориаги:
- Сквозное обучение (End-to-end): Модель обучается напрямую на данных, без необходимости ручной настройки «бинов» скоростей.
- Обобщающая способность: В отличие от чистой LSTM, которая деградировала при изменении плотности пилотных сигналов (сигналов для калибровки канала) или уровня шума, гиперсетевой фильтр показал высокую надежность в незнакомых условиях .
- Физические ограничения: Использование Калмана внутри системы работает как «защитный барьер», не давая ИИ принимать абсурдные решения, выходящие за рамки физики процесса .
🏘️ RF-сенсинг: Использование радиоволн как локатора 28:24
Второй прорыв связан с использованием 5G не для передачи данных, а для восприятия окружающей среды (RF Sensing). Каждое препятствие — человек, стена или движущийся объект — вносит искажения в радиосигнал. Сориага утверждает: то, что для связи является «деградацией», для сенсорики — ценный источник информации об окружающей среде .
Команда Qualcomm представила метод определения местоположения внутри помещений (positioning), который не требует сложной разметки данных. В классических системах нужно точно знать координаты пользователя в каждый момент обучения .
Инновации в обучении без учителя
Для масштабирования технологии были применены методы самообучения:
- Triplet Loss (Тройная потеря): Используется предположение, что если сигналы близки по времени, то они близки и в пространстве .
- Deep Cluster (Глубокая кластеризация): Помогает связать точки, которые близки географически, но разделены временем (например, если человек прошел круг и вернулся в ту же точку) .
- Слабая разметка (Weak Labeling): Модели сообщают лишь общие контуры комнаты или зоны (например, «пользователь в комнате А»).
Сориага утверждает, что такой подход с использованием слабой разметки позволил достичь точности в 1–2 метра, что сопоставимо с результатами систем, обученных на полностью размеченных данных .
🔮 Будущее: Интеллектуальные устройства и осведомленность 42:11
По прогнозу гостя, 5G и ИИ будут развиваться в тесной синергии. Мощные вычислительные блоки ИИ на мобильных устройствах позволят перенести задачи восприятия (perception) с облака непосредственно на терминал пользователя .
В будущем радиосвязь станет «осведомленной» (aware): устройство не будет слепо искать сигнал базовой станции. Благодаря RF-сенсингу оно будет «знать», где находятся лучшие отражатели, где блокировщики сигнала и в каком направлении выгоднее всего построить луч связи (beamforming) . Джозеф Сориага (Joseph Soriaga) подчеркивает, что глубокое обучение не просто улучшает 5G, оно делает беспроводную среду прозрачной и предсказуемой.
