L’uso dell’AI nei test RF  

L'intelligenza artificiale (AI) è essenziale per consentire test a RF (radiofrequenza) efficienti e accessibili su dispositivi wireless avanzati e su reti dinamiche e automatizzate

Le tecnologie 6G, 5G Advanced, IoT e radio cognitive sono considerate fondamentali per il futuro delle reti wireless. Gli operatori di rete sfruttano l'intelligenza artificiale per il coordinamento, con l'obiettivo di creare reti completamente automatizzate e dinamiche, capaci di adattarsi in tempo reale all'ambiente circostante.

Questo crea un panorama wireless complesso, in cui la scarsità di risorse disponibili nello spettro elettromagnetico e la necessità di velocità di trasmissione dati sempre più elevate rappresentano questioni critiche. In tale contesto, interferenze complesse, propagazione multipath e variazioni di segnale pongono sfide significative ai metodi tradizionali di caratterizzazione del segnale.

In questo ambiente complesso, l'intelligenza artificiale è in grado di gestire ampi set di dati e per identificare modelli e anomalie molto più rapidamente rispetto ai metodi convenzionali. È particolarmente utile per individuare e caratterizzare le fonti di interferenza e i segnali RF in ambienti wireless dinamici. L'AI può anche essere utilizzata per ottimizzare i flussi di test, automatizzare le procedure, ridurre i tempi di inattività attraverso la manutenzione predittiva e accelerare la scrittura degli script di test. L'intelligenza artificiale è essenziale per consentire test RF efficienti e accessibili di dispositivi wireless avanzati e reti dinamiche e automatizzate.

Perché utilizzare l'intelligenza artificiale nei test RF?

Già al giorno d’oggi, i test sull’hardware generano enormi quantità di dati, destinati ad aumentare con l'evoluzione dei front-end a radiofrequenza utilizzati per gestire dispositivi ad alta velocità di trasmissione dati e bassa latenza in ambienti dinamici. In questo contesto, l'analisi e la caratterizzazione dei segnali RF complessi rivestono un'importanza fondamentale. Nelle reti avanzate 5G e 6G, la sensoristica a radiofrequenza svolgerà un ruolo chiave, utilizzando i segnali RF dell’ambiente circostante per estrarre informazioni sulla rete e sui canali di comunicazione. Il rilevamento RF consentirà alla rete di essere “consapevole” del proprio ambiente e di “rispondere” automaticamente alle condizioni mutevoli. L'intelligenza artificiale verrà utilizzata in questo contesto per individuare anomalie e caratterizzare i dati in modo più rapido e accurato.
L'intelligenza artificiale è ideale per rilevare i segnali e caratterizzarli attraverso tecniche di machine learning. L'integrazione dell'intelligenza artificiale con l'hardware consente ai sistemi di test di migliorare parallelamente alle reti wireless in continua evoluzione, senza i limiti tradizionali. Questo approccio ottimizza l'utilizzo e l'efficienza dell'hardware sottostante per gestire un ambiente RF in continua evoluzione, in particolare in termini di analisi e caratterizzazione dei segnali

Gli algoritmi di intelligenza artificiale vengono in genere eseguiti su apparecchiature di test o su una piattaforma di calcolo separata. Ad esempio, Anritsu ha integrato le tecnologie di machine learning sviluppate da DeepSig nel suo analizzatore di spettro MS2090A Field Master Pro e nella centralina di monitoraggio MS27201A Remote Spectrum Monitoring (RSM). Ciò consente di superare le capacità degli attuali sistemi di monitoraggio. DeepSig AI permette al sistema di test di rilevare e classificare i segnali analizzando contemporaneamente l'ambiente elettromagnetico per fornire un'analisi contestuale e facilitare il processo decisionale.

Le questioni relative allo spettro complicano i test RF

Ogni Paese o regione ha normative diverse in materia di utilizzo dello spettro. Tuttavia, esistono alcune bande RF che vengono utilizzate più o meno a livello globale, tra cui ISM, GSM 900, GSM 1800 e 2,4 GHz, 5 GHz e 6 GHz per Wi-Fi e LTE.
Gli Stati Uniti e la Cina hanno un unico organismo di regolamentazione che supervisiona i grandi mercati, il che consente agli operatori di soddisfare un gran numero di abbonati, finanziando così l'espansione e i progressi tecnologici.
D'altro canto, sebbene l'UE rappresenti un mercato enorme, essa ha autorità di regolamentazione in ciascuno Stato membro, il che comporta la necessità di un coordinamento transfrontaliero e, di conseguenza, un mercato altamente frammentato con molti operatori distinti e di dimensioni ridotte.

Sebbene il CEPT (European Conference of Postal and Telecommunications Administrations) svolga un ruolo importante nell'armonizzazione delle normative in materia di spettro radio in tutta Europa, le decisioni finali relative all'assegnazione dello spettro spettano ai singoli governi nazionali. Il mandato conferito al CEPT dalla Commissione europea comprende compiti quali l'identificazione delle bande di frequenza e delle condizioni di utilizzo dello spettro a sostegno delle politiche dell'unione, nonché lo sviluppo di requisiti tecnici per le nuove tecnologie come il 5G e il 6G.

A livello globale, l’ITU (International Telecommunication Union) e la WRC (World Radio Conference) facilitano il coordinamento internazionale delle radiofrequenze utilizzate per prevenire interferenze tra i sistemi radio. L'ITU promuove l'uso condiviso dello spettro elettromagnetico a livello globale e contribuisce allo sviluppo e al coordinamento degli standard tecnici mondiali.

Non solo lo spettro è una risorsa scarsa, ma il suo utilizzo è complesso e coinvolge sia organizzazioni nazionali che sovranazionali. Dal punto di vista dei test, l'intelligenza artificiale può aiutare a regolare le apparecchiature di prova per conformarsi a tutti questi standard, riconfigurando rapidamente i sistemi di test. Ciò è particolarmente rilevante con l'avanzare della tecnologia 5G a onde millimetriche e il progresso verso il 6G, con bande RF fino a sub-THz in fase di valutazione.

Rilevamento RF 6G e gestione dello spettro

Lo spettro elettromagnetico, soprattutto nel campo delle radiofrequenze, è una risorsa limitata e costosa che deve essere gestita, condivisa e utilizzata in modo ottimale nelle reti wireless, in particolare con l'avvento del 6G, dei droni e dei nuovi casi d'uso dell'IoT. Il machine learning può consentire ai sistemi di adattarsi ai nuovi segnali wireless e automatizzare le reti per rispondere in modo dinamico ai cambiamenti di carico e ai requisiti. Tuttavia, per raggiungere questo obiettivo, il rilevamento direttamente a radiofrequenza è essenziale per identificare e caratterizzare i segnali.

Ad esempio, per implementare la mitigazione delle interferenze, il bilanciamento del carico e l'adattamento alle interruzioni del servizio, le reti richiedono tali informazioni in tempo reale. Anche le tecnologie emergenti, come le tecniche di condivisione dello spettro, la RAN dinamica e le radio cognitive, dipendono dalla rilevazione continua a radiofrequenza per il loro funzionamento.

Gli algoritmi basati sull'intelligenza artificiale, che utilizzano tecniche di machine learning, sono in grado di analizzare, caratterizzare e classificare segnali radio complessi in modo più rapido e accurato rispetto ai metodi tradizionali di analisi manuale dello spettro. L'intelligenza artificiale consente il monitoraggio avanzato e la caratterizzazione dei segnali richiesti dal 6G e dalle tecniche emergenti, come la condivisione dinamica dello spettro. Inoltre, l'intelligenza artificiale è in grado di localizzare, identificare e caratterizzare le fonti di interferenza in modo significativamente più rapido e accurato. Può anche essere utilizzato per automatizzare tecniche di condivisione dello spettro basate su regole, utilizzando le informazioni fornite dal rilevamento RF all'interno dell'ambiente di rete. In pratica, le reti richiedono test integrati che utilizzano algoritmi di machine learning basati sull'intelligenza artificiale per implementare il rilevamento RF.

Una tecnologia fondamentale per il 6G, il Joint Communications and Sensing (JCAS), facilita l'integrazione delle funzioni di rilevamento nelle reti di comunicazione per affrontare la scarsità di spettro, soprattutto nelle frequenze sub-6 GHz fino a quelle THz, riducendo al contempo i costi hardware, abbassando il consumo energetico e garantendo un utilizzo efficiente dello spettro. Grazie alle loro capacità di beamforming spaziale e di modellazione delle forme d'onda, si prevede che le tecniche MIMO svolgeranno un ruolo importante nel fornire contemporaneamente capacità di comunicazione e precisione di rilevamento. La sfida consiste nel ridurre i costi e il consumo energetico associati alle MIMO. Tra le soluzioni emergenti figurano tecnologie quali le reti di accesso radio via cloud (C-RAN), i droni (UAV) e le RIS (superfici intelligenti riconfigurabili). Il JCAS mira, inoltre, a supportare la mobilità connessa e automatizzata, il monitoraggio sanitario a distanza, l'Industria 4.0 e i veicoli autonomi che non solo scambiano dati, ma dipendono anche da informazioni precise sull'ambiente circostante. Si prevede che il JCAS utilizzerà modelli classici di ottimizzazione dell'elaborazione del segnale insieme a tecniche avanzate di machine learning.

Ad esempio, le iniziative europee per la Next Generation Internet (NGI) e il partenariato europeo sulle reti e i servizi intelligenti (SNS) considerano il JCAS un'area di sviluppo chiave essenziale per la trasformazione digitale dell'Europa.

Collaborazione tra Anritsu e DeepSig

Anritsu sta introducendo funzionalità avanzate di intelligenza artificiale nei propri sistemi di test, sfruttando le consolidate tecnologie di machine learning di DeepSig per affrontare sfide complesse nei sistemi di comunicazione wireless. Le tecniche tradizionali di rilevamento RF incontrano difficoltà in ambienti wireless in rapida evoluzione, che richiedono un monitoraggio e una caratterizzazione dei segnali più sofisticati. Le capacità di machine learning di DeepSig risolvono questo problema, consentendo una caratterizzazione rapida ed efficiente dei segnali in tempo reale. Il machine learning è inoltre in grado di caratterizzare rapidamente nuovi segnali sconosciuti e rilevare le fonti di interferenza. L'uso dell'intelligenza artificiale consentirà ai clienti di migliorare le prestazioni della rete, ottimizzare l'utilizzo dello spettro e adattarsi in tempo reale alle mutevoli condizioni dello spettro elettromagnetico. Inoltre, tali sistemi di test saranno effettivamente a prova di futuro, poiché sono adattabili a nuovi ambienti con nuove fonti di segnale non definite attraverso l machine learning, come previsto con il 6G.

Conclusione

Gli ambienti wireless del futuro saranno altamente complessi e dinamici, guidati da IoT, droni, radio cognitive, reti AI adattive, tecniche avanzate di condivisione dello spettro e altre tecnologie emergenti. Questa complessità e automazione stanno alimentando la necessità di test RF basati sull'intelligenza artificiale. L'intelligenza artificiale servirà come strumento per ingegneri e tecnici per testare dispositivi wireless avanzati, gestire reti dinamiche, ottimizzare la condivisione dello spettro e implementare il rilevamento RF, che si basano tutti sull'identificazione e caratterizzazione del segnale in tempo reale. Niente di tutto ciò sarebbe possibile senza strumenti di intelligenza artificiale automatizzati e test RF con tecniche di machine learning.