KI am Rande optimiert 5G mmWave-Netze

von: Peter A. Rabbeni

KI berührt unser Leben auf vielfältige Weise. Während einige KI-gestützte Anwendungen unübersehbar sind, wie die zunehmend beliebten sprachgesteuerten intelligenten digitalen Assistenten Amazon Echo und Google Home, sind andere weniger offensichtlich. Aber sie sind keineswegs weniger wichtig.

So sind beispielsweise KI-Techniken für die erfolgreiche Einführung der 5G-Mobilfunkkommunikation von entscheidender Bedeutung. 5G ist der sich entwickelnde Standard für ultraschnelle drahtlose Kommunikationssysteme und -netze mit ultrahoher Bandbreite und geringer Latenz, deren Fähigkeiten und Leistung die der bestehenden Technologien übertreffen werden.

Eine Leistung auf 5G-Niveau ist kein Luxus, sondern eine Fähigkeit, die die Welt aufgrund der explodierenden Verbreitung drahtlos verbundener Geräte dringend benötigt. Eine erdrückende Datenmenge droht die bestehenden Systeme zu überwältigen, und die Menge der Daten, die abgerufen, übertragen, gespeichert und verarbeitet werden müssen, wächst schnell.

5G wird für die bevorstehende Datenexplosion benötigt

Schätzungen zufolge versenden Nutzer weltweit jede Minute 18 Millionen Textnachrichten und 187 Millionen E-Mails, schauen 4,3 Millionen YouTube-Videos an und stellen 3,7 Millionen Google-Suchanfragen. Analysten sagen voraus, dass sich die Zahl der vernetzten Geräte in der Produktion zwischen 2017 und 2020 verdoppeln wird. Insgesamt wird sich der Internetverkehr bis 2021 auf 3,3 Zettabyte pro Jahr belaufen, wobei 63 % dieses Datenverkehrs auf Wi-Fi- und Mobilgeräte entfallen (ein Zettabyte ist um 12 Größenordnungen größer als ein Gigabyte oder 1021 Byte).

Die neuen 5G-Netze werden benötigt, um all diese Daten zu verarbeiten. Die neuen Netze werden in mehreren Phasen eingeführt, wobei die ersten Implementierungen die bereits vorhandene 4G-LTE- und unlizenzierte Zugangsinfrastruktur nutzen. Während diese anfänglichen Systeme der Phase 1 jedoch Anwendungen im Sub-6-GHz-Bereich und Spitzendatenraten von mehr als 10 GBit/s unterstützen werden, wird es in Phase 2 erst richtig interessant.

In Phase 2 werden Millimeterwellensysteme (mmWave) eingesetzt, die Anwendungen ermöglichen, die extrem niedrige Latenzzeiten, hohe Sicherheit und sehr hohe Datenraten am Zellenrand erfordern. (Der "Rand" bezieht sich auf den Punkt, an dem ein Gerät mit einem Netz verbunden ist. Wenn ein Gerät mehr Datenverarbeitung und -speicherung am Rande des Netzes durchführen kann - d. h., ohne dass Daten über das Netz zur Cloud oder zu einem Rechenzentrum hin- und hergeschickt werden müssen -, dann kann es schneller reagieren und es wird Platz im Netz frei).

KI und 5G sind perfekte Partner

KI-Funktionen sind der Schlüssel zum Edge Computing, da sie eine effektivere Steuerung von Netzen, Zellen und Geräten ermöglichen. Ohne sie könnten viele 5G-Anwendungen, die auf Edge Computing angewiesen sind, nicht implementiert werden, würden nicht gut funktionieren oder wären zu teuer in der Bereitstellung.

Ein Beispiel dafür ist das adaptive Beamforming, bei dem Signale von Phased-Array-Antennen so kombiniert werden, dass die Signalstärke in einer bestimmten Richtung erhöht wird. Dies ist für 5G-Anwendungen wichtig, denn während das verfügbare Spektrum im mmWellen-Frequenzbereich (30 GHz - 300 GHz) nahezu unbegrenzt ist, werden Signale in diesen Wellenlängen durch die Absorption in der Atmosphäre gedämpft, was ihre nutzbare Reichweite auf etwa 300 Meter begrenzt. Außerdem haben sie Schwierigkeiten, Gebäude und Laub zu durchdringen.

In der Vergangenheit wurden Systeme, die mmWave-Frequenzen nutzen, unter Berücksichtigung dieser Einschränkungen gebaut, was aber auch ihre Anwendung einschränkte. Die Steuerung adaptiver Antennengruppen mit Strahlformung, die für die mmWave-5G-Kommunikation verwendet werden, ist für die Optimierung ihres Betriebs und ihrer Leistung von entscheidender Bedeutung. Mit den Fortschritten bei den Halbleitern und der schnelleren digitalen Signalverarbeitung können daher Sensorsysteme in Kombination mit KI zu ihrer Steuerung eingesetzt werden. Dies wird zu dynamisch optimierten Basisstationen und Rechenressourcen führen, die sich besser an veränderte Nutzerbedürfnisse und Umgebungsbedingungen anpassen lassen. Ohne KI wäre dies sehr viel schwieriger zu erreichen.

Intelligente Überwachungskameras

Eine weitere Möglichkeit, wie KI Netzressourcen schont, ist ihre Rolle beim zunehmenden Einsatz "intelligenter" Überwachungskameras, die verschiedene Halbleitertechnologien nutzen. Im Jahr 2016 waren weltweit mehr als 120 Millionen IP-Kameras (Internet-Protokoll-Kameras) an Netzwerke angeschlossen, die für eine Vielzahl von Anwendungen genutzt werden.

Viele davon sind so genannte "intelligente" Überwachungskameras. (In einem bemerkenswerten Fall konnte die Polizei dank intelligenter Überwachungstechnologie kürzlich einen gesuchten Mann in einer Menge von 60 000 Konzertbesuchern ausfindig machen ).

Ohne KI, die die Verarbeitung der meisten von einer Smart-Kamera erzeugten Daten ermöglicht, wären die Netze jedoch überlastet. Eine einzige hochauflösende IP-Smart-Kamera erzeugt einen Videostrom von 10 MB Daten (oder 30 Bildern) pro Sekunde. Multipliziert man dies mit den Millionen solcher Kameras, die in den letzten Jahren hinzugekommen sind, würde die allein für diese Anwendung erforderliche Netzwerkbandbreite über ein Petabyte pro Sekunde (1015) betragen ─ eindeutig unpraktisch.

KI als Retter in der Not

Außerdem wäre die Verarbeitung dieser Daten in der Cloud mit den derzeitigen Technologien enorm teuer. Die einzige wirkliche Lösung besteht darin, die Daten direkt vor Ort zu verarbeiten und dabei KI-Techniken zur Objekterkennung, Gestenerkennung und Klassifizierung einzusetzen und nur minimale Metadaten über das Netzwerk zu senden.

Man könnte meinen, dass dafür die fortschrittlichsten und modernsten Halbleitertechnologien erforderlich sind, aber tatsächlich kommen eine Reihe von Prozessen ins Spiel. GF bietet die branchenweit breiteste Palette an Technologielösungen für eine Reihe von 5G- und Edge-Connected-Anwendungen, darunter mmWave-Frontend-Module (FEMs), eigenständige oder integrierte mmWave-Transceiver und Basisband-Chips sowie leistungsstarke Anwendungsprozessoren für Mobilfunk und Netzwerke.

So sind beispielsweise die RF SOI-, SiGe- und FDX™ FD-SOI-Angebote von GF für Anwendungen in Frequenzbändern von unter 6 GHz bis zu mmWave ausgelegt. RF-SOI- und SiGe-Lösungen bieten eine optimale Kombination aus Leistung, Integration und Energieeffizienz für FEMs mit integrierten Schaltern, rauscharmen Verstärkern und Leistungsverstärkeranwendungen. Die Angebote von FDX eignen sich hervorragend für die nächste Generation von vernetzten Geräten, wie z. B. intelligente Kameras, die eine Technologie mit extrem niedrigem Stromverbrauch und integrierter Intelligenz und drahtloser Konnektivität erfordern.

Kunden können die Vorteile der Back-Gate-Body-Biasing-Fähigkeit von FDX nutzen, um die Leistung dynamisch zu erhöhen, wenn dies für die Bildverarbeitung, KI/Maschinelles Lernen oder die Kontrolle von Leckagen im Standby-Modus eines Systems erforderlich ist. Das FDX-Ökosystem von IP-Partnern umfasst optimierte IP für On-Chip-Power-Management, Funk-Subsysteme, Niederspannungs-SRAM, Instant-On-MRAM, eNVM und FPGA-Blöcke für die hochintegrierten flexiblen Systems-on-Chips (SoCs), die für KI-fähiges Edge Computing benötigt werden.

Vernetzte Intelligenz

Traditionell hat die Branche Netze nicht ganzheitlich, sondern auf Transaktionsbasis und unter den getrennten Gesichtspunkten von Berechnung, Speicherung und Datentransport betrachtet.

Wenn wir nun aber darüber nachdenken, dem Netz viele am Rande angeschlossene Geräte mit Sensorerfassungsfunktionen hinzuzufügen, erkennen wir den Wert der Schaffung von Netzen mit intelligenten Erfassungsfunktionen, deren Daten gesammelt werden können und als Grundlage für intelligente und zeitbasierte Entscheidungen dienen, die die vom Netz angebotenen Dienste verbessern und optimieren.

Das ist es, was wir unter vernetzter Intelligenz verstehen - die Fähigkeit, Informationen, die von mit dem Netz verbundenen Geräten/Sensoren gesammelt werden, zu erkennen, zu entscheiden und darauf zu reagieren, um das ultimative Benutzererlebnis zu schaffen.

Die Hinzufügung von KI-Engines zur Ergänzung dieses Ansatzes des "Erkennens, Entscheidens und Handelns" zur Netzwerkoptimierung kann einen sehr leistungsfähigen Rahmen für die optimale Nutzung der verfügbaren Netzwerkressourcen schaffen.

Dahinter steht die Erkenntnis, dass KI-fähige 5G-mmWave-Netze von den Fortschritten und Innovationen in der Halbleitertechnologie abhängen werden. Keine einzelne Technologielösung wird alle potenziellen Anwendungen bedienen können. Es wird eine Reihe von Technologien erforderlich sein, damit diese Anwendungen der nächsten Generation nahtlos zusammenarbeiten und ihr Potenzial voll ausschöpfen können.

GF arbeitet eng mit seinen Kunden zusammen, um deren Bedürfnisse in diesem Bereich zu verstehen, und ist mit seinem Portfolio, das für die Anforderungen von AI at the Edge optimiert ist, führend in der Branche.