5-2023

5G/6G und IoT onen

5G/6G und IoT onen verfügbar und ermöglichen kostengünstige Implementierungen, die für die 5G-Entwicklung geeignet sind, insbesondere für die Implementierung von O-RAN O-RU-Lösungen. Dazu gehören Bauteile aus der RadioVerse-Familie sowie HF- Verstärker, Taktrückgewinnung/ Synchronisierung und Power- over-Ethernet/Point-of-Load- Regelung. Diese hochintegrierten Komponenten sind bereit für die Implementierung von 5G Klein-, Makrozellen-, Mikrozellen- und Massive MIMO- Applikationen. Bild 13: Alternative Sendersignalkette mit Strom versorgt wird, zu keinen Problemen. Eine mögliche PoE-Lösung ist in Bild 11 skizziert. Sie umfasst den PoE-Brücken-Controller LT4321, der die Verwendung von MOS-Transistoren als ideale Dioden anstelle von Gleichrichtern ermöglicht bei wesentlich besserem Wirkungsgrad. Es schließt sich der LT4295 an, ein 802.3bt-konformer Stromversorgungsbaustein. Darauf können dann noch geeignete lokale Regler folgen. Neben den PoE-Wandlernbausteinen sind viele weitere Bausteine zur Unterstützung eines Kleinzellen-Referenz-Designs verfügbar. Dazu gehören Eckpfeiler wie die ADP5054-Familie, die speziell für die Stromversorgung von ADI-Transceivern entwickelt wurde, sowie für viele andere Abwärtswandler und LDO-Regler mit geringerem Rauschen, wie in Bild 12 dargestellt. Optionen Einer der großen Vorteile dieser Funkarchitektur ist die Flexibilität, die sie im Hinblick auf die Erfüllung einer Reihe von Marktanforderungen bietet. Diese Architektur ist für eine Reihe von Anwendungen optimiert, darunter sowohl FDD als auch TDD. Sie ist gleichermaßen leistungsfähig im unteren, mittleren und höheren Band und eignet sich gut für Kleinzellen- und Massive-MIMO-Plattformen. Sowohl bei den Sender- als auch bei den Empfängerschaltungen können viele verschiedene Kompromisse eingegangen werden, um Kosten, Größe, Gewicht und Leistung zu optimieren. Während sich diese Merkmale auf höhere Leistung und Integration konzentrierte, ist es möglich, einige einfache Kompromisse zugunsten der Kosten mit einer etwas anderen Auswahl zu treffen. Beispielsweise benötigen einige PAs mit geringer Leistung keinen Treiberverstärker. Da die HF-Leistung bei vielen Kleinzellenanwendungen gering ist, kann der Zirkulator durch einen einfachen TR-Schalter ersetzt werden. Wenn nur Leistung für einen lokalen Bereich erforderlich ist, kann der zweistufige LNA durch einen einfachen einstufigen LNA ersetzt werden. Das Ergebnis ist eine kostengünstigere Option, die dennoch eine gute Funkperformance bietet. Ein Beispiel zeigt Bild 13. Schlussfolgerung Die hier vorgestellten Komponenten der 5G-Technologie sind für Kommunikationsapplikati­ In Kombination mit einer geeigneten PHY und Software, die in einem FPGA, eASIC oder ASIC bereitgestellt wird, kann eine vollständige O-RU-Lösung entwickelt werden, wie in Bild 14 dargestellt. Quellen [1] ftp://ftp.3gpp.org/specs/ latest/Rel-15/38_series/ [2] O-RAN Alliance [3] “O-RAN: Towards an Open and Smart RAN.” O-RAN Alliance, Oktober 2018 [4] Brad Brannon: “Where Zero-IF Wins: 50% Smaller PCB Footprint at 1/3 the Cost.” Analog Dialogue, Vol. 50, No. 3, September 2016 [5] Specifications. O-RAN Alliance ◄ Bauteil # Anzahl TDD 70:30 Typ. Aufnahme (4T4R) Mid-range FPGA SoC 1 ~15 W ADRV9xxx 1 ~5 W ADRF5545A 2 0,6 W AD9545 1 0,7 W AD9528 1 1,4 W PA-Treiberverstärker 4 1,2 W Verschiedenes 1 2 W Total 14 26...29 W Tabelle 2: Budget der Leistungsaufnahme Bild 14: 5G-Prototypenplattform, konfigurierbar für HF-Frontends Bauteil # Anzahl TDD 70:30 Typ. Aufnahme (4T4R) PA (24 dBm/Antenne) 4 ~2.5 W PA (37 dBm/Antenne) 4 ~47 W Tabelle 3: Leistungsaufnahme Sender 28 hf-praxis 5/2023

5G/6G und IoT Auf dem Weg zu 6G: KI/ML-basierter neuronaler Empfänger Während die Forschung zu den Technologiekomponenten für den künftigen 6G-Mobilfunkstandard bereits in vollem Gange ist, rückt auch die Möglichkeit einer KI-nativen Luftschnittstelle für 6G in den Fokus. Rohde & Schwarz geht in Zusammenarbeit mit NVIDIA einen Schritt über reine Simulationen hinaus und legt die Grundlagen für die Einbindung von künstlicher Intelligenz und maschinellem Lernen (KI/ML) in die zukünftige 6G-Technologie. Auf dem MWC in Barcelona präsentierten die Unternehmen die branchenweit erste Hardware-in-the-Loop-Demonstration eines neuronalen Empfängers und verdeutlichen damit, welche Leistungssteigerungen sich durch den Einsatz trainierter ML-Modelle gegenüber herkömmlicher Signalverarbeitung erzielen lassen. Dabei erfolgte die erste Demonstration der Leistungsfähigkeit eines neuronalen Empfängers in einem 5G-NR-Uplink- MU-MIMO-Szenario – eine Blaupause für eine mögliche 6G-Bitübertragungsschicht. Der Aufbau kombiniert Highend- Testlösungen zur Signalerzeugung und -analyse von Rohde & Schwarz mit der NVIDIA Sionna GPU-beschleunigten Open- Source-Bibliothek für Simulationen auf Verbindungsebene. Rohde & Schwarz GmbH & Co. KG www.rohde-schwarz.com Das Konzept eines neuronalen Empfängers sieht vor, dass die Signalverarbeitungsblöcke der Bitübertragungsschicht eines Funkkommunikationssystems durch trainierte maschinelle Lernmodelle ersetzt werden. Wissenschaftler, führende Forschungsinstitute und Branchenexperten auf der ganzen Welt erwarten, dass ein künftiger 6G-Standard KI/ML für Signalverarbeitungsaufgaben wie Kanalschätzung, Kanalentzerrung und Demapping nutzen wird. Heutige Simulationen legen nahe, dass ein solcher neuronaler Empfänger die Verbindungsqualität erhöhen und den Durchsatz im Vergleich zu den bereits leistungsstarken deterministischen Software-Algorithmen, die in 5G NR verwendet werden, weiter steigern kann. Um solche Machine-Learning- Modelle zu trainieren, werden natürlich entsprechende Datensätze benötigt. Oft sind die erforderlichen Datensätze jedoch nur begrenzt oder überhaupt nicht verfügbar. Beim derzeitigen Stand der frühen 6G-Forschung stellt die Verwendung messtechnischer Hilfsmittel zur Erzeugung verschiedener Datensätze mit unterschiedlichen Signalkonfigurationen eine praktikable Alternative dar, um die ML- Modelle für Signalverarbeitungsaufgaben zu trainieren. In dem am Rohde & Schwarz- Stand gezeigten KI/ML-basierten Aufbau auf Basis eines neuronalen Empfängers emuliert der R&S SMW200A Vektorsignalgenerator zwei Benutzer, die ein 80 MHz breites Signal in Uplink-Richtung mit einer MIMO-2x2-Signalkonfiguration übertragen. Jeder Benutzer wird unabhängig mit Fading belegt, und Rauschen wird angewendet, um realistische Funkkanalbedingungen zu simulieren. Als Empfänger fungiert der R&S MSR4 Universal-Satellitenempfänger, der über seine vier phasenkohärenten Empfangskanäle das mit einer Trägerfrequenz von 3 GHz übertragene Signal erfasst. Anschließend stellt er die Daten über seine Echtzeit- Streaming-Schnittstelle einem Server zur Verfügung. Dort wird das Signal mithilfe des R&S Server-Based Testing-(SBT)- Frameworks einschließlich der Micro-Services der R&S VSE Vector Signal Explorer (VSE) Software vorverarbeitet. Die VSE-Signalanalyse-Software synchronisiert das Signal und führt eine schnelle Fourier- Transformation (FFT) durch. Dieser FFT-transformierte Datensatz dient als Eingabe für den mit NVIDIA Sionna realisierten neuronalen Empfänger. NVIDIA Sionna ist eine GPUbeschleunigte Open-Source- Bibliothek für Simulationen auf Verbindungsebene. Sie ermöglicht ein schnelles Prototyping komplexer Kommunikationssystemarchitekturen und bietet native Unterstützung für die Integration von maschinellem Lernen in die 6G-Signalverarbeitung. Im Rahmen der Demonstration wird der trainierte neuronale Empfänger mit dem klassischen Konzept einer LMMSE-Empfängerarchitektur (Linear Minimum Mean Squared Error) verglichen, bei der traditionelle Signalverarbeitungstechniken auf Grundlage deterministisch entwickelter Software-Algorithmen zum Einsatz kommen. Diese bereits sehr leistungsfähigen Algorithmen sind in den heutigen 4Gund 5G-Mobilfunknetzen weit verbreitet. Andreas Pauly, Executive Vice President Test and Measurement bei Rohde & Schwarz, erklärt: „Die Signalverarbeitung im Mobilfunk mithilfe von maschinellen Lernalgorithmen ist ein hochaktuelles Thema in der Branche, das unter Kollegen oft kontrovers diskutiert wird. Wir freuen uns, mit einem Partner wie NVIDIA auf diesem Experimentierfeld zu arbeiten. Unsere Kooperation wird es Forschern und Branchenexperten ermöglichen, ihre Modelle mithilfe unserer führenden Testlösungen für die Signalerzeugung und -analyse datengesteuert zu validieren und in einem Hardware-in-the-Loop-Experiment zu testen.“ Ronnie Vasishta, Senior Vice President of Telecommunications bei NVIDIA, kommentiert: „Trainierte ML-Modelle eröffnen ein erhebliches Leistungspotential im Vergleich zur herkömmlichen Signalverarbeitung. Diese Hardware-inthe-Loop-Demonstration eines neuronalen Empfängers von Rohde & Schwarz und NVIDIA ist ein Meilenstein für die Branche und belegt den Nutzen von KI und maschinellem Lernen für die 6G-Technologie.“ ◄ hf-praxis 5/2023 29