Promuovere l'efficienza energetica del 5g con l'edge AI e la predistorsione digitale
Sebbene il 5G abbia trasformato il mondo e mantenuto le sue promesse di velocità, bassa latenza e connettività densa, presenta un costo nascosto: il consumo energetico. Secondo Ericsson, entro la fine del decennio ci saranno 6,7 miliardi di abbonati al 5G.1 Tuttavia, nonostante sia molto più efficiente nella trasmissione dei dati rispetto alle reti 4G, i maggiori volumi trasportati dal 5G comporteranno un consumo energetico da 4 a 5 volte superiore rispetto alle reti tradizionali.2
Il fulcro della sfida è il consumo energetico all'interno della Radio Access Network (RAN), dove viene consumata la maggior parte dell'energia, in particolare nello stadio di amplificazione di potenza (PA). La difficoltà di bilanciare l'efficienza energetica con la distorsione del segnale, una larghezza di banda operativa più ampia e variazioni di segnale più rapide significa che per gli sviluppatori di RAN sono richiesti nuovi livelli di flessibilità, intelligenza e ottimizzazione in tempo reale. In sostanza, le apparecchiature RAN devono diventare più adattabili.
Mentre il 5G si trova ad affrontare nuove pressioni per sistemi adattabili ed efficienti dal punto di vista energetico, i tecnici hanno iniziato a fare i conti con le nuove capacità offerte dall'intelligenza artificiale in rapida evoluzione. Oltre ai titoli sui grandi modelli linguistici, si stanno aprendo nuove opportunità per un processo decisionale localizzato nel mondo reale, applicando le capacità analitiche dell'AI ad applicazioni complesse in tempo reale. I tecnici radio hanno studiato come queste capacità possano essere applicate al consumo energetico della RAN e ne hanno intravisto un'opportunità.
Questa spinta all'integrazione dell'AI non poteva arrivare prima per gli operatori di telefonia mobile. Infatti, McKinsey ha rilevato che l'impatto del consumo energetico sui profitti degli operatori ha superato del 50% la crescita delle vendite.3 Allo stesso tempo, molti provider di comunicazioni mobili – Verizon, T-Mobile, Bharti Airtel, tra gli altri – si sono impegnati a raggiungere obiettivi Net Zero entro il 2050.
L'efficienza energetica è una preoccupazione di importanza cruciale, aggravata dalle reti dell'era 5G. Mentre i costi energetici delle reti 4G rappresentano già dal 20% al 25% del costo totale di proprietà della rete,4 la transizione al 5G alza significativamente la posta in gioco. Le implementazioni 5G ad alte prestazioni, soprattutto se integrate su infrastrutture 2G, 3G e 4G legacy, possono far aumentare la domanda di energia fino al 140% in alcuni scenari.2ù
Tre fattori che determinano l'aumento del consumo energetico nell'era 5G5:
Massive MIMO
Le stazioni base 5G M-MIMO 64×64 antenne, paragonabili a “lampadine” molto più grandi e luminose, consumeranno molta più energia rispetto alle attuali configurazioni MIMO 2×2 o 4×4. Per dare un’idea, una stazione base 5G richiede circa tre volte più energia di una 4G.
Più Siti
La capillarità della rete nell'era 5G con nuovi siti di macro e piccole celle nelle aree urbane contribuirà all'aumento del consumo energetico totale.
Crescita del traffico dati mobile
Il concetto di "Bit drives Watt" significa che una crescita del traffico dati mobile fino al 50% determina un aumento del consumo energetico, nonostante il 5G sia più efficiente dal punto di vista energetico in base al bit.
La sfida energetica del 5G
Al centro del consumo energetico del 5G c'è un delicato compromesso: i PA sono più efficienti dal punto di vista energetico quando vengono spinti al limite, ma la stessa modalità operativa distorce il segnale, causando problemi di conformità e prestazioni degradate. Per evitare questo problema, la maggior parte dei PA funziona in modalità backoff, sacrificando l'efficienza per mantenere la fedeltà del segnale.
Gli "effetti memoria" complicano ulteriormente il comportamento non lineare del PA. I PA contengono componenti che rispondono lentamente e "ricordano" gli input passati; quindi, la loro non linearità dipende dalla cronologia dei segnali che li hanno attraversati. La pre-distorsione digitale (DPD) risolve questi problemi.
Come funziona il DPD
Il DPD funziona distorcendo intenzionalmente il segnale nel modo opposto a quello che normalmente distorcerebbe il PA. Analogamente a come un sarto lascia spazio extra quando cuce un capo, sapendo che si restringerà dopo il lavaggio, il DPD pre-regola il segnale in modo che, quando passa attraverso il PA, le distorsioni si annullino a vicenda e la trasmissione rimanga pulita e precisa.
La prossima evoluzione è chiara: un DPD più intelligente, abilitato dall'intelligenza artificiale.
Le attuali soluzioni DPD si basano su un approccio matematico, la linearizzazione di tipo Volterra, che modella il comportamento del PA. Tali modelli diventano esponenzialmente più complessi nelle trasmissioni 5G, richiedendo maggiori risorse di calcolo e di memoria. Questi requisiti richiedono aumenti significativi dell'area del chip e del consumo energetico, riducendo i guadagni di efficienza e il valore del DPD.
Un nuovo paradigma: DPD basato sul Machine Learning
Le tecniche emergenti sfruttano ora il machine learning (ML) per sostituire i rigidi modelli matematici del DPD tradizionale. Invece di calibrare manualmente gli algoritmi di correzione del segnale, i progettisti possono utilizzare reti neurali addestrate su dati di forme d'onda reali per modellare e correggere dinamicamente il comportamento non lineare dell'amplificatore di potenza (PA). Questi modelli possono essere ottimizzati tramite back-propagation e mappati direttamente nelle strutture hardware esistenti. Qui entra in gioco il ML-DPD.
I vantaggi del ML-DPD sono rivoluzionari. I tempi di ottimizzazione possono essere ridotti da giorni a ore. Le prestazioni del modello migliorano in una vasta gamma di condizioni del segnale. Il risparmio energetico diventa significativo, non teorico. Soprattutto, queste soluzioni possono adattarsi, imparando dalle condizioni in tempo reale ed evolvendosi con il cambiamento dell'hardware e degli ambienti.
DPD a medio termine
Sebbene le attuali tecniche DPD siano efficaci, l'evoluzione delle esigenze cellulari ne sta spingendo i limiti. Per gestire più dati a velocità più elevate, gli amplificatori di potenza devono operare su larghezze di banda più ampie, creando rapidi cambiamenti del segnale. Questi rapidi cambiamenti possono causare instabilità elettrica e distorsioni che rischiano di violare i limiti di emissione stabiliti dalla FCC.
Per risolvere questo problema, i ricercatori hanno sviluppato un nuovo modello basato su reti neurali che comprende e reagisce meglio a queste dinamiche di segnale.
Combinandolo con il modello DPD di tipo Volterra, alla frequenza di campionamento del sistema, è stato creato il DPD a medio termine (MT-DPD), concepito per compensare la distorsione causata dagli effetti di memoria del segnale che durano da 100 nanosecondi a 10 microsecondi. I primi test hanno mostrato una significativa riduzione della distorsione.7 Guardando al futuro, l'attenzione potrebbe spostarsi verso la mitigazione del charge trapping, un altro ostacolo alle prestazioni del GaN.
Soluzioni a lungo termine
Le sfide dei moderni PA vanno oltre la distorsione statica. Il traffico dinamico del 5G amplifica gli effetti della memoria a lungo termine, sin particolare a causa del charge trapping nei PA ad alta efficienza basati su GaN. Le soluzioni basate sull'intelligenza artificiale possono modellare anche questi fenomeni, estendendo la potenza del DPD a nuovi ambiti operativi.
Le reti neurali stratificate possono ora correggere e adattare simultaneamente la distorsione dovuta a non linearità immediate, transitori rapidi e deriva lenta dei segnali. Il risultato è un sistema unificato in grado di fornire un'elevata fedeltà del segnale mantenendo al contempo un'efficienza del PA ai massimi livelli in scenari operativi reali.7
DPD basato su ML: un futuro efficiente dal punto di vista energetico per gli operatori di telefonia mobile
ML-DPD risponde a una reale esigenza del settore: una maggiore efficienza delle stazioni base. Questo è fondamentale per gli operatori di telefonia mobile che hanno investito molto nell'infrastruttura 5G e devono ridurre i costi per migliorare la competitività. La capacità di trasmettere segnali a capacità ottimale, pur rimanendo conformi alle normative, è un vantaggio che ci consente di godere di una connessione mobile veloce.
L'ottimizzazione del segnale non è più solo una questione ingegneristica, ma un imperativo aziendale. ML-DPD offre una strada da percorrere per contenere il consumo energetico del 5G.
NOTE
1 Mobility Report. Ericsson, November 2024.
2 What Is 5G Energy Consumption? VIAVI.
3 The Growing Imperative of Energy Optimization for Telco Networks. McKinsey, 2024.
4 5G Energy Consumption: A Rapidly Changing Business Climate. STL Partners, 2021.
5 5G Era Mobile Network Cost Evolution. GSMA, 2019.
6 Energy Consumption Breakdown. GSMA, 2021.
7 ADI independent tests.
