เพิ่มประสิทธิภาพการใช้คลื่นความถี่ให้ถึงขีดสุดด้วย AI-Native RAN และ NVIDIA AI Aerial

เพิ่มประสิทธิภาพการใช้คลื่นความถี่ให้ถึงขีดสุดด้วย AI-Native RAN และ NVIDIA AI Aerialคลื่นความถี่ถือเป็นทรัพย์สินที่มีค่าที่สุดอย่างหนึ่งในการสื่อสารไร้สาย ผู้ให้บริการโทรคมนาคมทั่วโลกต่างทุ่มเทงบประมาณมหาศาลเพื่อจัดซื้อคลื่นความถี่เหล่านี้ เป้าหมายสำคัญของระบบเครือข่ายวิทยุ (Radio Access Network: RAN) จึงเป็นการดึงประสิทธิภาพการใช้คลื่นความถี่ (Spectral Efficiency) หรือจำนวนบิตต่อวินาทีต่อเฮิรตซ์ (bits/second/Hertz) ออกมาให้ได้มากที่สุด ซึ่งจะส่งผลให้มีความจุเครือข่ายเพิ่มขึ้น ความเสถียรของเครือข่ายดีขึ้น ลดปัญหาการสูญหายของแพ็กเก็ต และเพิ่มความคุ้มค่าทางเศรษฐกิจต่อสถานีฐานเมื่อผู้ให้บริการมองหาวิธีเพิ่มมูลค่าจากคลื่นความถี่ที่มีอยู่ เทคโนโลยี Massive MIMO (Multiple-input, multiple-output) ได้กลายเป็นเครื่องมือสำคัญในการเพิ่มความจุและประสิทธิภาพการให้บริการแก่ผู้ใช้งานMassive MIMO เคยถูกคาดหวังว่าจะนำมาซึ่งการก้าวกระโดดครั้งใหญ่ในด้านประสิทธิภาพการใช้คลื่นความถี่ แต่ในทางปฏิบัติ การใช้งานจริงยังคงต่ำกว่าศักยภาพทางทฤษฎี ทำให้ความจุจำนวนมหาศาลยังคงถูกปล่อยทิ้งไป ปัญหาเหล่านี้มีสาเหตุหลักมาจากปัญหาในระดับระบบ เช่น เครือข่ายไม่สามารถติดตามตำแหน่งผู้ใช้งานได้อย่างแม่นยำ สัญญาณทับซ้อนกันจนเกิดสัญญาณรบกวน และระบบไม่สามารถจับคู่ผู้ใช้งานได้อย่างมีประสิทธิภาพสำหรับการส่งข้อมูลพร้อมกันก่อนหน้านี้ อุตสาหกรรมได้พิจารณาความท้าทายเหล่านี้ภายใต้มุมมองที่ว่า "ข้อจำกัดด้านการประมวลผล" (compute-constrained) โดยมองว่าการประมวลผลเป็นทรัพยากรที่ขาดแคลน ทำให้ต้องประนีประนอมเพื่อบีบอัดอัลกอริทึมที่ซับซ้อนให้เข้ากับข้อจำกัดด้านพลังงานและประสิทธิภาพของ CPUแต่ NVIDIA AI Aerial กำลังเปลี่ยนแปลงกระบวนทัศน์นี้ ด้วยการประมวลผลแบบขนาน (parallel computing) การประมวลผลจึงไม่ใช่คอขวดอีกต่อไปสำหรับระบบที่ต้องทำงานภายใต้งบประมาณพลังงานที่มีอยู่ การนำสถาปัตยกรรมที่เน้น AI เป็นหลัก (AI-native) และมีการประมวลผลแบบขนานสูงมาใช้ ทำให้เราไม่ต้องถามว่า "จะบีบอัดอะไรเพิ่มเข้าไปในหน่วยประมวลผลเดิมได้อย่างไร" แต่เราสามารถถามใหม่ว่า "เราจะคิดค้นอัลกอริทึมใหม่ทั่วทั้งสแต็กเพื่อเพิ่มประสิทธิภาพการใช้คลื่นความถี่ให้สูงสุดได้อย่างไร"แนวทาง "เน้นอัลกอริทึมเป็นหลัก" (algorithms-first) นี้ ช่วยให้เครือข่ายสามารถรันโมเดลที่ซับซ้อนสำหรับการติดตามและจับคู่ผู้ใช้งาน ซึ่งจำเป็นต่อการปิดช่องว่างประสิทธิภาพของ Massive MIMO ได้อย่างแท้จริงบทความนี้จะอธิบายถึงประโยชน์ของการเร่งความเร็วด้วย GPU ใน RAN และวิธีที่ AI-Native RAN ช่วยปิดช่องว่างประสิทธิภาพของ Massive MIMO พร้อมแสดงให้เห็นว่า NVIDIA AI Aerial ช่วยเปิดใช้งานอัลกอริทึม Layer 1 และ Layer 2 แบบใหม่ที่ออกแบบมาเพื่อปลดล็อกประสิทธิภาพการใช้คลื่นความถี่ที่สูงขึ้นในการใช้งานจริงทำไม GPU Acceleration จึงเป็นประโยชน์ต่อ Spectral Efficiencyไปป์ไลน์ของ RAN ในปัจจุบันประกอบด้วยงานอัลกอริทึมที่มีความหนาแน่นทางคณิตศาสตร์สูง โดยมีลักษณะการประมวลผลที่เฉพาะเจาะจง เช่น ตัวจัดตารางเวลา (scheduler) ที่ประเมินพื้นที่การรวมที่กว้างขึ้น ตัวประมาณค่าช่องสัญญาณ (channel estimator) ที่เรียนรู้จากข้อมูลที่สมบูรณ์ยิ่งขึ้น หรือตัวกำหนดทิศทางสัญญาณ (beamformer) ที่ปรับเปลี่ยนร่วมกันระหว่างผู้ใช้งาน ล้วนสามารถปรับปรุง Throughput และคุณภาพการให้บริการสำหรับแอปพลิเคชันของผู้ใช้งานได้การปรับปรุง Beamforming ด้วย AIคุณภาพของ Beamforming เป็นตัวกำหนดว่าเครือข่ายสามารถแปลงความรู้เกี่ยวกับช่องสัญญาณให้เป็น Throughput ที่ใช้งานได้จริงได้อย่างมีประสิทธิภาพเพียงใด วิธีการแบบดั้งเดิมมีประสิทธิภาพ แต่ถูกจำกัดด้วยการประนีประนอมด้านการคำนวณ โดยอาศัยโมเดลที่เรียบง่ายเพื่อให้เข้ากับงบประมาณที่จำกัด เมื่อระบบมีจำนวนเสาอากาศมากขึ้นและการทำงานแบบ MU-MIMO ที่หนาแน่นขึ้น การทำให้โมเดลง่ายขึ้นเหล่านี้ส่งผลให้ Signal-to-Interference-plus-Noise Ratio (SINR) ลดลงและ Throughput ที่ได้รับจริงต่ำลงการสร้างค่าน้ำหนัก Beamforming ด้วย Machine Learning (ML) ช่วยแก้ปัญหานี้ได้โดยใช้ข้อมูลช่องสัญญาณที่สมบูรณ์ยิ่งขึ้นสำหรับค่าน้ำหนัก แม้ว่าจะเพิ่มภาระการคำนวณอย่างมากก็ตาม การวิเคราะห์ของ NVIDIA แสดงให้เห็นว่าในสถานการณ์ MU-MIMO แบบ 64T64R ที่มีผู้ใช้งาน 16 ราย และ 2 เลเยอร์ต่อผู้ใช้งาน โดยมีการกำหนดค่า SNR แบบสุ่มในช่วง [0-20] dB การทำ AI Beamforming ต้องการ FLOPs มากกว่า Regularized Zero Forcing (rZF) แบบดั้งเดิมอย่างมีนัยสำคัญ แต่การเพิ่มขึ้นของการคำนวณนี้ให้ผลลัพธ์ด้านประสิทธิภาพการใช้คลื่นความถี่สูงขึ้นถึง 1.62 เท่า ที่ 32 เลเยอร์ เมื่อเทียบกับอัลกอริทึม Zero-Forcing Beamforming แบบดั้งเดิมแม้ในจำนวนเลเยอร์ที่น้อยลง ML-Beamforming ก็ยังให้ Throughput ที่เพิ่มขึ้น 1.28 เท่าการประมวลผลด้วย GPU ช่วยให้สามารถสร้างค่าน้ำหนัก Beam คุณภาพสูงขึ้นในระดับและ Latency ที่จำเป็นสำหรับการใช้งาน RAN การทดสอบภาคสนามยืนยันถึงคุณค่านี้ SoftBank และ NVIDIA ได้รายงานผลการดำเนินงาน Massive MU-MIMO แบบ 16 เลเยอร์กลางแจ้งที่เสถียรบนแพลตฟอร์ม AI-RAN ที่ใช้ GPU การทดลองนี้ให้ประสิทธิภาพการใช้คลื่นความถี่สูงขึ้นประมาณ 3 เท่า เมื่อเทียบกับระบบพื้นฐานแบบ 4 เลเยอร์ทั่วไป คุณค่าของ GPU ไม่ใช่เพียงแค่การเร่งความเร็วเชิงนามธรรม แต่คือความสามารถในการรักษา Spatial Multiplexing ระดับสูงในระบบจริงการปรับปรุง Link Adaptation ด้วย DRLLink Adaptation เป็นฟังก์ชันควบคุมที่ซับซ้อนในระดับ MAC Scheduler ต้องเลือก Modulation and Coding Scheme (MCS) ซ้ำๆ เพื่อเพิ่ม Throughput สูงสุด ในขณะที่รักษา Block Error Rates (BLER) ให้อยู่ใกล้เป้าหมายสำหรับ QoS และเพิ่มประสิทธิภาพการใช้คลื่นความถี่สูงสุดภายใต้สภาวะการเคลื่อนที่และสัญญาณรบกวนที่เปลี่ยนแปลงไปรูปแบบ Link Adaptation แบบดั้งเดิม เช่น Outer-Loop Link Adaptation (OLLA) ที่ใช้งานใน Vector Engine บน CPU นั้นมีน้ำหนักเบา ตอบสนองต่อ Feedback ผ่านตรรกะที่กำหนดไว้ล่วงหน้าซึ่งสร้างขึ้นด้วยมือ ในขณะที่ Deep Reinforcement Learning (DRL) Link Adaptation เปลี่ยนแปลงสิ่งนี้โดยการเรียนรู้นโยบายการเลือก MCS โดยตรงจากพฤติกรรมวิทยุที่สังเกตได้เอเจนต์ DRL ใช้ประวัติ Channel Quality Indicator (CQI), Feedback ACK/NACK และการเปลี่ยนแปลงช่องสัญญาณระยะสั้น เพื่อปรับให้เข้ากับสภาวะเฉพาะของไซต์แบบเรียลไทม์ ผลการทดลองเบื้องต้นของ NVIDIA แสดงให้เห็นถึง Throughput ที่เพิ่มขึ้น 1.3 เท่า เมื่อเทียบกับ OLLA พื้นฐานที่ขอบเซลล์ เมื่อรวมกับการจับคู่ผู้ใช้งานตาม Channel Orthogonality คาดว่าจะมีการปรับปรุงเพิ่มเติมเมื่อ DRL-LA รวมกับอัลกอริทึมการจับคู่ MU-MIMO ที่ทันสมัยยิ่งขึ้นจุดเปลี่ยนทางเทคนิคคือการปรับขนาด Latency โมเดลขนาดเล็กที่ผ่านการกลั่นกรองสามารถทำงานบน CPU ที่มี Vector Engine ได้ แต่การเพิ่มประสิทธิภาพการใช้คลื่นความถี่สูงสุดต้องการโมเดลที่ใหญ่ขึ้นซึ่งจัดการกับสภาวะ MU-MIMO ที่สมบูรณ์ยิ่งขึ้นด้วย Batch Size ขนาดใหญ่ ในขณะที่รักษา BLER ให้อยู่ต่ำกว่าเป้าหมายอย่างเสถียรดังที่แสดงในรูปที่ 3 สถาปัตยกรรมที่ใช้ GPU ยังคงต่ำกว่างบประมาณอ้างอิงทั่วไปที่ประมาณ 30 μs ในช่วงผู้ใช้งานที่ทดสอบ แม้สำหรับโมเดลที่มีพารามิเตอร์ 396K ในทางตรงกันข้าม การใช้งานบน CPU แบบ Single-core จะเกินงบประมาณ Latency ตั้งแต่ผู้ใช้งานที่ถูกกำหนดเวลาคนแรก การประมวลผลบน CPU สามารถรองรับโมเดลที่มีความซับซ้อนต่ำเท่านั้น ในขณะที่การประมวลผลบน GPU ช่วยให้สามารถใช้โมเดลที่มีความจุสูงขึ้นซึ่งให้ผลการดำเนินงานที่ดีขึ้น Link Adaptation จะกลายเป็นคันโยกประสิทธิภาพการใช้คลื่นความถี่ที่แท้จริงก็ต่อเมื่อคุณภาพของนโยบายและ Latency ในการประมวลผลดีขึ้นพร้อมกันการศึกษาทางวิชาการล่าสุดก็พบผลลัพธ์เดียวกัน เช่น การประมาณค่าช่องสัญญาณ การปรับสภาพสัญญาณ และ Link Adaptation ที่ใช้ ML มีประสิทธิภาพเหนือกว่าระบบพื้นฐานแบบดั้งเดิมภายใต้สภาวะวิทยุที่ท้าทายปลดล็อก Spectral Efficiency ด้วย NVIDIA AI AerialNVIDIA AI Aerial ไม่เพียงแต่ช่วยเร่งความเร็วของเวิร์กโหลด RAN เท่านั้น แต่ยังเปิดใช้งานความสามารถของเครือข่ายใหม่ๆ อีกด้วย ความสามารถห้าประการต่อไปนี้ รวมถึงประสิทธิภาพการใช้คลื่นความถี่ที่เพิ่มขึ้น แสดงให้เห็นว่าแพลตฟอร์มนี้ช่วยยกระดับเครือข่ายไร้สายยุคถัดไปได้อย่างไร:ประสิทธิภาพที่เน้นอัลกอริทึมเป็นหลัก: แทนที่จะพึ่งพาฮิวริสติกส์ที่เรียบง่ายเพื่อให้เข้ากับงบประมาณ CPU ที่จำกัด AI Aerial ช่วยให้ผู้ให้บริการสามารถรันโมเดล Layer 1 และ Layer 2 ที่หนาแน่นทางคณิตศาสตร์และเน้น AI เป็นหลัก Aerial เปลี่ยนเป้าหมายการออกแบบจาก "อะไรที่พอดีกับ CPU?" ไปสู่ "อะไรที่จะเพิ่มประสิทธิภาพวิทยุสูงสุด?" โดยการประเมินพื้นที่การรวมขนาดใหญ่แบบเรียลไทม์การเติบโตของโมเดลโดยไม่ต้องออกแบบใหม่: เมื่อ AI เข้าใกล้ Waveform ทางกายภาพมากขึ้น โมเดลสำหรับการประมาณค่าช่องสัญญาณ การปรับสภาพ และการปรับเปลี่ยนจะเติบโตขึ้น ASIC แบบตายตัวจะตรึงอัลกอริทึมไว้ในซิลิคอน แต่ Headroom การประมวลผล Tensor ที่ตั้งโปรแกรมได้ของ GPU ช่วยให้อัลกอริทึม AI สามารถอยู่ที่แกนกลางของ RAN ได้ AI Aerial รองรับการเติบโตของซอฟต์แวร์แทนที่จะบังคับให้มีการแบ่งพาร์ติชันฮาร์ดแวร์ใหม่ทุกครั้งที่อัลกอริทึมเปลี่ยนแปลงการปรับขนาดและการประสานงาน: เครือข่ายยุคถัดไปต้องการความครอบคลุมที่หนาแน่นและทับซ้อนกัน ซึ่งสร้างภาระการคำนวณมหาศาลสำหรับการติดตามสัญญาณรบกวนข้ามเซลล์ Scheduler บน CPU แบบดั้งเดิมประสบปัญหาในการปรับขนาด Latency ที่จำเป็นสำหรับการประสานงานในระดับนี้ AI Aerial จัดการสิ่งนี้ด้วย Bandwidth หน่วยความจำขนาดใหญ่และพื้นที่ข้อมูลที่ใช้ร่วมกันระหว่าง cuPHY และ cuMAC ซึ่งดำเนินการคำนวณแบบ Multi-cell ที่ซับซ้อนได้ทันทีเพื่อรองรับการใช้งาน MU-MIMO ลำดับสูงการผสานรวมการตรวจจับและการสื่อสาร (Integrated Sensing and Communications - ISAC): ISAC โดยพื้นฐานแล้วจะเปลี่ยนเครือข่ายวิทยุให้เป็นระบบเรดาร์ที่ครอบคลุมทุกที่ ซึ่งจะแนะนำเวิร์กโหลดที่ต้องการประมวลผลการสื่อสารมาตรฐานในขณะเดียวกันก็รันโมเดลการจำแนกประเภท Deep Learning ไปด้วย AI Aerial มีสถาปัตยกรรมแบบขนานที่ผสมผสานการสื่อสาร Throughput สูงเข้ากับการตรวจจับการสร้างรายได้จากโครงสร้างพื้นฐาน AI: โดยทั่วไปเครือข่ายโทรคมนาคมจะถูกจัดเตรียมไว้สำหรับการใช้งานสูงสุด ทำให้โครงสร้างพื้นฐานถูกใช้งานน้อยลงในช่วงนอกเวลาทำการ AI Aerial เปลี่ยนผลตอบแทนจากสินทรัพย์ด้วยการรองรับการจัดสรรเวิร์กโหลด 5G/6G และ AI แบบไดนามิกบน GPU เดียวกัน ผู้ให้บริการสามารถจัดสรรการประมวลผล GPU สำรองเพื่อรองรับแอปพลิเคชัน Edge Inference ที่สร้างรายได้ เปลี่ยนอุปกรณ์โทรคมนาคมเฉพาะทางให้เป็นโครงสร้างพื้นฐานที่สร้างรายได้สำหรับเศรษฐกิจ AI ในวงกว้างสถาปัตยกรรมแห่งยุค AIการเปลี่ยนไปสู่ AI-Native RAN คือเส้นทางสู่การปิดช่องว่างประสิทธิภาพของ Massive MIMO โดยให้ความฉลาดและพลังการประมวลผลแบบขนานแก่เครือข่าย เพื่อเปลี่ยนประสิทธิภาพการใช้คลื่นความถี่ตามทฤษฎีให้กลายเป็นผลลัพธ์ที่จับต้องได้จริงNVIDIA AI Aerial ถูกสร้างขึ้นเพื่อการเปลี่ยนแปลงนี้ ในฐานะแพลตฟอร์มการประมวลผลแบบเร่งความเร็วที่กำหนดโดยซอฟต์แวร์สำหรับ AI-Native RAN มันทำให้ปัญญาประดิษฐ์ Layer 1 และ Layer 2 ขั้นสูงสามารถใช้งานได้จริงในวงกว้าง ผลลัพธ์ที่ได้คือ RAN ที่มีความสามารถมากขึ้น ซึ่งช่วยให้ผู้ให้บริการสามารถดึงมูลค่าจากทุกเฮิรตซ์ออกมาได้มากขึ้น และเปิดประตูสู่โอกาสในการสร้างรายได้ใหม่ๆ ที่ขับเคลื่อนด้วย AINVIDIA กำลังทำงานร่วมhttps://developer.nvidia.com/blog/maximize-spectral-efficiency-with-ai-native-ran-and-nvidia-ai-aerial/