即使 5G 無(wú)線網(wǎng)絡(luò)正在全球范圍內(nèi)安裝和使用，學(xué)術(shù)界和工業(yè)界的研究人員已經(jīng)開始為 6G 定義 愿景和關(guān)鍵技術(shù) 。雖然沒(méi)有人知道 6G 將是什么，但一個(gè)反復(fù)出現(xiàn)的愿景是， 6G 必須能夠以前所未有的規(guī)模創(chuàng)建數(shù)字雙胞胎和分布式機(jī)器學(xué)習(xí)（ ML ）應(yīng)用程序。 6G 研究需要新的工具。

支撐 6G 愿景的一些關(guān)鍵技術(shù)是被稱為太赫茲波段的高頻通信。在這個(gè)波段，更多的光譜是按數(shù)量級(jí)提供的。技術(shù)示例包括：

可重構(gòu)智能表面（ RIS ），用于控制電磁波的反射方式并實(shí)現(xiàn)最佳覆蓋。

集成傳感和通信（ ISAC ）將 6G 網(wǎng)絡(luò)轉(zhuǎn)化為傳感器，為自動(dòng)駕駛汽車、道路安全、機(jī)器人和物流提供了許多令人興奮的應(yīng)用。

機(jī)器學(xué)習(xí)有望在整個(gè) 6G 協(xié)議棧中發(fā)揮決定性作用，這可能會(huì)徹底改變我們?cè)O(shè)計(jì)和標(biāo)準(zhǔn)化通信系統(tǒng)的方式。

應(yīng)對(duì)這些革命性技術(shù)的研究挑戰(zhàn)需要新一代工具來(lái)實(shí)現(xiàn)突破，這些突破將定義 6G 時(shí)代的通信。原因如下：

許多 6G 技術(shù)需要模擬特定環(huán)境，例如工廠或小區(qū)，物理位置、無(wú)線信道脈沖響應(yīng)和視覺(jué)輸入之間具有空間一致性的對(duì)應(yīng)關(guān)系。目前，這只能通過(guò)昂貴的測(cè)量活動(dòng)或基于場(chǎng)景渲染和光線跟蹤組合的高效模擬來(lái)實(shí)現(xiàn)。

隨著機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)變得越來(lái)越重要，研究人員將從帶有本地 ML 集成和自動(dòng)梯度計(jì)算的鏈接級(jí)模擬器中受益匪淺。

6G 仿真需要前所未有的建模精度和規(guī)模。 ML 增強(qiáng)算法的全部潛力只能通過(guò)基于物理的模擬來(lái)實(shí)現(xiàn)，這些模擬以過(guò)去不可能的細(xì)節(jié)水平來(lái)解釋現(xiàn)實(shí)。

介紹 NVIDIA Sionna

為了滿足這些需求， NVIDIA 開發(fā)了 Sionna ，這是一個(gè) GPU 加速的開源庫(kù)，用于鏈路級(jí)模擬。

Sionna 能夠快速原型化復(fù)雜的通信系統(tǒng)架構(gòu)。這是世界上第一個(gè)能夠在物理層使用神經(jīng)網(wǎng)絡(luò)的框架，并且不需要為數(shù)據(jù)生成、培訓(xùn)和性能評(píng)估使用單獨(dú)的工具鏈。

Sionna 實(shí)施了一系列經(jīng)過(guò)仔細(xì)測(cè)試的最先進(jìn)算法，可用于基準(zhǔn)測(cè)試和端到端性能評(píng)估。這可以讓你專注于你的研究，使它更具影響力和可復(fù)制性，同時(shí)你花更少的時(shí)間實(shí)現(xiàn)你專業(yè)領(lǐng)域之外的組件。

Sionna 是用 Python 寫成的，基于 TensorFlow 和 Keras 。所有組件都以 Keras 層的形式實(shí)現(xiàn)，這使您可以通過(guò)與構(gòu)建神經(jīng)網(wǎng)絡(luò)相同的方式連接所需的層來(lái)構(gòu)建復(fù)雜的系統(tǒng)架構(gòu)。

除了少數(shù)例外，所有組件都是可微的，因此梯度可以在整個(gè)系統(tǒng)中反向傳播。這是系統(tǒng)優(yōu)化和機(jī)器學(xué)習(xí)的關(guān)鍵因素，尤其是神經(jīng)網(wǎng)絡(luò)的集成。

NVIDIA GPU acceleration 提供了幾個(gè)數(shù)量級(jí)的更快模擬，并可擴(kuò)展到大型多 GPU 設(shè)置，從而實(shí)現(xiàn)此類系統(tǒng)的交互式探索。如果沒(méi)有 GPU 可用，那么 Sionna 甚至可以在 CPU 上運(yùn)行，盡管速度較慢。

Sionna 提供了豐富的 documentation 和一系列教程，使其易于入門。

Sinna 的第一個(gè)版本具有以下主要功能：

5G LDPC 、 5G 極性碼和卷積碼、速率匹配、 CRC 、交織器、擾碼器

各種解碼器： BP 變體、 SC 、 SCL 、 SCL-CRC 、維特比

QAM 和定制調(diào)制方案

3GPP 38.901 信道模型（ TDL 、 CDL 、 RMa 、 UMa 、 Umi ）、瑞利、 AWGN

正交頻分復(fù)用

MIMO 信道估計(jì)、均衡和預(yù)編碼

Sionna 是根據(jù) Apache 2.0 許可證發(fā)布的，我們歡迎外部各方的貢獻(xiàn)。

你好，Sionna！

下面的代碼示例顯示了一個(gè)“你好，世界！”模擬使用 16QAM 調(diào)制在 AWGN 信道上傳輸一批 LDPC 碼字的示例。本例顯示了如何實(shí)例化 Sionna 層，并將其應(yīng)用于先前定義的張量。編碼風(fēng)格遵循 Keras 的 functional API 。您可以在 Google Collaboratory 上的 Jupyter notebook 中直接打開此示例。即使 5G 無(wú)線網(wǎng)絡(luò)正在全球范圍內(nèi)安裝和使用，學(xué)術(shù)界和工業(yè)界的研究人員已經(jīng)開始為 6G 定義 愿景和關(guān)鍵技術(shù) 。雖然沒(méi)有人知道 6G 將是什么，但一個(gè)反復(fù)出現(xiàn)的愿景是， 6G 必須能夠以前所未有的規(guī)模創(chuàng)建數(shù)字雙胞胎和分布式機(jī)器學(xué)習(xí)（ ML ）應(yīng)用程序。 6G 研究需要新的工具。

支撐 6G 愿景的一些關(guān)鍵技術(shù)是被稱為太赫茲波段的高頻通信。在這個(gè)波段，更多的光譜是按數(shù)量級(jí)提供的。技術(shù)示例包括：

可重構(gòu)智能表面（ RIS ），用于控制電磁波的反射方式并實(shí)現(xiàn)最佳覆蓋。

集成傳感和通信（ ISAC ）將 6G 網(wǎng)絡(luò)轉(zhuǎn)化為傳感器，為自動(dòng)駕駛汽車、道路安全、機(jī)器人和物流提供了許多令人興奮的應(yīng)用。

機(jī)器學(xué)習(xí)有望在整個(gè) 6G 協(xié)議棧中發(fā)揮決定性作用，這可能會(huì)徹底改變我們?cè)O(shè)計(jì)和標(biāo)準(zhǔn)化通信系統(tǒng)的方式。

應(yīng)對(duì)這些革命性技術(shù)的研究挑戰(zhàn)需要新一代工具來(lái)實(shí)現(xiàn)突破，這些突破將定義 6G 時(shí)代的通信。原因如下：

許多 6G 技術(shù)需要模擬特定環(huán)境，例如工廠或小區(qū)，物理位置、無(wú)線信道脈沖響應(yīng)和視覺(jué)輸入之間具有空間一致性的對(duì)應(yīng)關(guān)系。目前，這只能通過(guò)昂貴的測(cè)量活動(dòng)或基于場(chǎng)景渲染和光線跟蹤組合的高效模擬來(lái)實(shí)現(xiàn)。

隨著機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)變得越來(lái)越重要，研究人員將從帶有本地 ML 集成和自動(dòng)梯度計(jì)算的鏈接級(jí)模擬器中受益匪淺。

6G 仿真需要前所未有的建模精度和規(guī)模。 ML 增強(qiáng)算法的全部潛力只能通過(guò)基于物理的模擬來(lái)實(shí)現(xiàn)，這些模擬以過(guò)去不可能的細(xì)節(jié)水平來(lái)解釋現(xiàn)實(shí)。

介紹 NVIDIA Sionna

為了滿足這些需求， NVIDIA 開發(fā)了 Sionna ，這是一個(gè) GPU 加速的開源庫(kù)，用于鏈路級(jí)模擬。

Sionna 能夠快速原型化復(fù)雜的通信系統(tǒng)架構(gòu)。這是世界上第一個(gè)能夠在物理層使用神經(jīng)網(wǎng)絡(luò)的框架，并且不需要為數(shù)據(jù)生成、培訓(xùn)和性能評(píng)估使用單獨(dú)的工具鏈。

Sionna 實(shí)施了一系列經(jīng)過(guò)仔細(xì)測(cè)試的最先進(jìn)算法，可用于基準(zhǔn)測(cè)試和端到端性能評(píng)估。這可以讓你專注于你的研究，使它更具影響力和可復(fù)制性，同時(shí)你花更少的時(shí)間實(shí)現(xiàn)你專業(yè)領(lǐng)域之外的組件。

Sionna 是用 Python 寫成的，基于 TensorFlow 和 Keras 。所有組件都以 Keras 層的形式實(shí)現(xiàn)，這使您可以通過(guò)與構(gòu)建神經(jīng)網(wǎng)絡(luò)相同的方式連接所需的層來(lái)構(gòu)建復(fù)雜的系統(tǒng)架構(gòu)。

除了少數(shù)例外，所有組件都是可微的，因此梯度可以在整個(gè)系統(tǒng)中反向傳播。這是系統(tǒng)優(yōu)化和機(jī)器學(xué)習(xí)的關(guān)鍵因素，尤其是神經(jīng)網(wǎng)絡(luò)的集成。

NVIDIA GPU acceleration 提供了幾個(gè)數(shù)量級(jí)的更快模擬，并可擴(kuò)展到大型多 GPU 設(shè)置，從而實(shí)現(xiàn)此類系統(tǒng)的交互式探索。如果沒(méi)有 GPU 可用，那么 Sionna 甚至可以在 CPU 上運(yùn)行，盡管速度較慢。

Sionna 提供了豐富的 documentation 和一系列教程，使其易于入門。

Sinna 的第一個(gè)版本具有以下主要功能：

5G LDPC 、 5G 極性碼和卷積碼、速率匹配、 CRC 、交織器、擾碼器

各種解碼器： BP 變體、 SC 、 SCL 、 SCL-CRC 、維特比

QAM 和定制調(diào)制方案

3GPP 38.901 信道模型（ TDL 、 CDL 、 RMa 、 UMa 、 Umi ）、瑞利、 AWGN

正交頻分復(fù)用

MIMO 信道估計(jì)、均衡和預(yù)編碼

Sionna 是根據(jù) Apache 2.0 許可證發(fā)布的，我們歡迎外部各方的貢獻(xiàn)。

你好，Sionna！

下面的代碼示例顯示了一個(gè)“你好，世界！”模擬使用 16QAM 調(diào)制在 AWGN 信道上傳輸一批 LDPC 碼字的示例。本例顯示了如何實(shí)例化 Sionna 層，并將其應(yīng)用于先前定義的張量。編碼風(fēng)格遵循 Keras 的 functional API 。您可以在 Google Collaboratory 上的 Jupyter notebook 中直接打開此示例。

batch_size = 1024
n = 1000 # codeword length
k = 500 # information bits per codeword
m = 4 # bits per symbol
snr = 10 # signal-to-noise ratio c = Constellation("qam",m,trainable=True)
b = BinarySource()([batch_size, k])
u = LDPC5GEncoder (k,n)(b)
x = Mapper (constellation=c)(u)
y = AWGN()([x,1/snr])
11r = Demapper("app", constellation=c)([y,1/snr])
b_hat = LDPC5GDecoder(LDPC5GEncoder (k, n))(11r)

Sionna 的一個(gè)關(guān)鍵優(yōu)勢(shì)是，組件可以進(jìn)行訓(xùn)練或由神經(jīng)網(wǎng)絡(luò)代替。 NVIDIA 使Constellation可訓(xùn)練，并用NeuralDemapper取代Demapper，后者只是通過(guò) Keras 定義的神經(jīng)網(wǎng)絡(luò)。

c = Constellation("qam",m,trainable=True)
b = BinarySource()([batch_size, k])
u = LDPC5GEncoder (k,n)(b)
x = Mapper (constellation=c)(u)
y = AWGN()([x,1/snr])
11r = NeuralDemapper()([y,1/snr])
b_hat = LDPC5GDecoder(LDPC5GEncoder (k, n))(11r)

在這種情況下，定義星座點(diǎn)的張量現(xiàn)在變成了一個(gè)可訓(xùn)練的 TensorFlow 變量，可以通過(guò) TensorFlow 自動(dòng)微分功能與NeuralDemapper的權(quán)重一起跟蹤。由于這些原因， SIONA 可以被視為一個(gè)可微鏈路級(jí)模擬器。

展望未來(lái)

很快， Sionna 將允許集成光線跟蹤來(lái)取代隨機(jī)通道模型，從而實(shí)現(xiàn)許多新的研究領(lǐng)域。超快射線追蹤是通信系統(tǒng)數(shù)字孿生的關(guān)鍵技術(shù)。例如，這使得建筑物的架構(gòu)和通信基礎(chǔ)設(shè)施的共同設(shè)計(jì)能夠?qū)崿F(xiàn)前所未有的吞吐量和可靠性。

圖 3 。從 Jupyter 筆記本電腦中訪問(wèn)硬件加速光線跟蹤功能

Sionna 利用計(jì)算（ NVIDIA CUDA 核）、 AI （ NVIDIA 張量核）和 NVIDIA GPU 的光線跟蹤核對(duì) 6G 系統(tǒng)進(jìn)行閃電般的模擬。

關(guān)于作者

Nathan Horrocks 是 NVIDIA Research 的內(nèi)容營(yíng)銷經(jīng)理。他重點(diǎn)強(qiáng)調(diào)了 NVIDIA 實(shí)驗(yàn)室在世界各地進(jìn)行的驚人研究。

審核編輯：郭婷