EN

|

ES

La red 5G, ondas milimétricas y redes neuronales

(Foto: Adobe Stock)

Por Diego Fernando Carrera y Leyre Azpilicueta

Las redes 5G están siendo desplegadas en muchos países y sus primeras impresiones no suelen cumplir la expectativa de los usuarios quienes esperan además de mayores velocidades de conexión, una cobertura más amplia y aplicaciones que aprovechen las ventajas de esta nueva generación de redes móviles. Sin embargo, 5G de ultra banda ancha (UWB, por sus siglas en inglés), que utiliza la banda de frecuencias de ondas milimétricas ha impresionado por las velocidades de transferencia de datos que se pueden lograr alcanzar, velocidades que están incluso por encima de 2 Gbps.

De acuerdo con el análisis técnico de Gartner sobre tecnologías de infraestructura móvil 2020, las comunicaciones en la banda de ondas milimétricas podrían tardar entre dos y cinco años en convertirse en una tecnología convencional utilizada por los usuarios finales. Esto se debe al rango limitado de cobertura, que requiere un despliegue denso de equipos de radio, lo que resulta en una alta inversión para los proveedores de servicios móviles.

Las antenas MIMO

Las grandes pérdidas de potencia que sufre la señal en la banda de frecuencia entre 28 GHz y 300 GHz, donde la longitud de onda varía entre 10 mm y 1 mm, respectivamente, ha dado paso al desarrollo de tecnologías que ayudan a obtener un enlace de comunicación a estas frecuencias, como el arreglo masivo de antenas Multiple-input Multiple-output (MIMO masivo), con el cual es posible direccionar con precisión las señales de radio desde la estación base (BS, por sus siglas en inglés) hasta los usuarios, tal como se muestra en la figura 1. Los arreglos de antenas MIMO masivo han sido indispensables para lograr una transmisión de datos en la banda de ondas milimétricas.

Debido a la alta pérdida de potencia que sufre la señal de ondas milimétricas, es una tarea difícil detectar la información que se ha transmitido desde el usuario deseado. Por esto se ha desarrollado la formación de haces (beamforming), una técnica que permite concentrar la señal en un haz de radiación bastante angosto. Con esto la pérdida de potencia que experimenta la señal a altas frecuencias es aliviada con la ganancia que adquiere al ser dirigida la radiación hacia el dispositivo deseado.

Figura 1. Direccionamiento de la señal de radio (beamforming) desde un radio de ondas milimétricas hasta el usuario deseado (intended UE).

En el escenario de la figura 1 se puede observar una celda de cobertura móvil en ondas milimétricas. Entre la estación base o BS (cruz roja) y los usuarios (círculos azules) debe establecerse un enlace con beamforming. En este ejemplo, entre el usuario deseado y la BS existe un beamforming con línea de vista, es decir no existe obstáculo alguno entre los dos extremos de la señal.

Aunque con beamforming se puede lograr establecer comunicación, estos enlaces poseen una buena cobertura cuando existe línea de vista (sin obstáculos) entre la BS y el usuario. Sin embargo, en la realidad no siempre sucede esto.

La mayor parte del tiempo el usuario experimentará una baja cobertura y por ende una baja potencia de la señal cuando no exista línea de vista entre la BS y el dispositivo móvil (usuario).

Esto se debe a que los obstáculos en el entorno dificultan la comunicación. La señal de ondas milimétricas tiene una muy baja capacidad de pasar a través de obstáculos como una pared u otro material, pese a que esta señal es capaz de rebotar con facilidad sobre diferentes materiales. Es por estas razones que este tipo de tecnología es costosa, debido a que es necesario que los proveedores de servicios móviles desplieguen una mayor cantidad de BS en un área determinada, aumentando así la inversión necesaria para el gasto de capital (CAPEX, por sus siglas en inglés) y el gasto operacional (OPEX, por sus siglas en inglés). Los proveedores también requieren obtener una mayor rentabilidad de sus inversiones para así poder desplegar más equipos y tener una mayor cobertura de señal 5G UWB en un área determinada.

Desde el punto de vista del operador, lo que se desea es una mayor cobertura de la BS para así aumentar la distancia de sitio entre celdas (ISD, por sus siglas en inglés), ya que, a mayor distancia entre celdas, se requieren menos BSs y por ende los gastos de CAPEX y OPEX se reducen.

¿Cuál es la cobertura de una estación base o BS?

Varios estudios han determinado que una BS de ondas milimétricas puede llegar a cubrir una distancia (ISD) de 1000 metros, aunque esto solo se cumple para el enlace de comunicaciones de bajada (DL, por sus siglas en inglés), es decir que esta distancia es posible cuando la BS transmite hacia los usuarios, no cuando los usuarios transmiten a la BS.

En el enlace de comunicación de subida (UL, por sus siglas en inglés), es decir la comunicación que existe cuando los usuarios transmiten hacia la BS, la distancia ISD se reduce a 250 metros. Este fenómeno se manifiesta porque en el DL, la BS puede transmitir las señales de ondas milimétricas con mayor potencia que cuando los usuarios transmiten hacia la BS. Esto se debe a que los usuarios utilizan dispositivos móviles que están limitados en potencia, debido a que funcionan con baterías. Este no es el caso para la BS que puede fácilmente transmitir una señal con una potencia 100 veces mayor a la potencia de transmisión de un dispositivo móvil. Debido a que las comunicaciones en ondas milimétricas se dan tanto en el UL como en el DL, no se puede llegar a cubrir una ISD de 1000 metros, ya que el UL restringe esta distancia a una cuarta parte de la cobertura del DL y no puede existir una comunicación móvil en un solo sentido, debe existir un enlace de UL y uno de DL.

La inteligencia artificial y 5G

Por otro lado, en los últimos años hemos visto grandes avances en técnicas de inteligencia artificial en muchas áreas que implican comunicaciones móviles. Muchas aplicaciones diseñadas con redes neuronales han sido exitosas y se emplean en su mayor parte en la optimización de la red 5G. Sin embargo, el mayor obstáculo para las ondas milimétricas se encuentra en el borde de la red, donde se requiere un procesamiento optimizado de las señales, para reducir la latencia y poder establecer un enlace de comunicación incluso con una baja potencia de la señal. El uso de redes neuronales en la capa física de las comunicaciones móviles también está limitado a la utilidad de su aplicación, ya que existen muchos algoritmos de procesamiento de señales que se desempeñan de manera óptima. Sin embargo, es necesario identificar cuales son los problemas adecuados para resolver con una estrategia de inteligencia artificial.

Para establecer un buen enlace de comunicación inalámbrica de ondas milimétricas es necesario tener una buena potencia de la señal y que los datos que se transmitan lleguen al receptor con la menor cantidad de errores. En una comunicación digital se transmiten y reciben unos y ceros, los dígitos binarios, con los que se procesa la información (voz, audio, video, hipertexto, etc.). Para que un enlace inalámbrico sea confiable se requiere que la tasa de datos, las secuencias de unos y ceros digitales, lleguen al receptor con una probabilidad de error de por lo menos 10e-6. Es decir que, al transmitir un millón de bits, tan sólo un bit sea detectado de manera errónea en el receptor. Está en una métrica que se tiene en muchos tipos de sistemas de comunicaciones inalámbricas. Para obtener esta tasa de error de bit (BER, por sus siglas en inglés) es necesario que la señal llegue al receptor con una potencia adecuada. Si la potencia de la señal es débil, la tasa BER aumenta y, por lo tanto, la comunicación se degrada hasta el punto en que no es posible detectar las señales. Es aquí donde las redes neuronales tienen un gran potencial.

Las redes neuronales tienen la capacidad de detectar las señales en ondas milimétricas incluso cuando estas sufren de una gran pérdida de potencia debido a los obstáculos y el tipo de materiales que existe en el entorno de un escenario móvil.

En un estudio realizado por investigadores del Grupo de Investigación de Enfoque Estratégico Telecomunicaciones para la Transformación Digital del Tecnológico de Monterrey, se ha analizado cómo aplicar un tipo de red neuronal conocido como Extreme Learning Machine (ELM, por sus siglas en inglés) al problema de capa física de comunicaciones de ondas milimétricas, que se relaciona con detectar las señales de ondas milimétricas incluso cuando la potencia con la que se recibe la señal es baja.

ELM es un tipo de red neuronal de una sola capa oculta que se puede utilizar para detectar señales sin la necesidad de entrenar esta red fuera de línea, como es el caso con los algoritmos de aprendizaje profundo (Deep Learning). El algoritmo de ELM se puede implementar en tiempo real en el enlace de comunicaciones y así se puede detectar las señales con una baja tasa de BER.

En este estudio diseñamos una red ELM para aumentar la distancia ISD y lograr tener una mayor cobertura móvil en la banda de frecuencias milimétricas. Nos concentramos en el UL, que es el enlace que está limitado a una distancia ISD de 250. Si se logra detectar los símbolos con una tasa baja de BER cuando la potencia de señal recibida en la BS es baja, en consecuencia, se podrá aumentar la distancia de cobertura de los radios de ondas milimétricas.

Análisis y simulaciones

Para este estudio se diseñó un algoritmo ELM para que se adecue al formato de comunicación móvil 5G UWB en la frecuencia de 28 GHz, como se muestra en la figura 2.

Figura 2. Red neuronal ELM diseñada para detectar señales de ondas milimétricas.

El receptor ELM se diseñó de manera que sea entrenado en línea (en tiempo real) con señales conocidas tanto por el usuario como por la BS, las señales que están representadas con flechas rojas en la figura 2. De esta manera la red neuronal aprende a detectar la señal de referencia (señal conocida en el receptor) y con esto está lista para detectar las señales de información, es decir señales que no conoce el receptor, las cuales están representadas por las flechas azules en la gráfica de la figura 2.

También se simuló un escenario móvil multi-usuario, con arreglos de antenas MIMO masivo, tal como se muestra en la figura 3. Estos arreglos de antenas cumplen con las especificaciones de radios de ondas milimétricas comerciales, como el radio Ericsson AIR 5121, el cual cuenta con un arreglo de 512 antenas y es capaz de generar ocho haces de radiación de manera simultánea, con esto la BS puede comunicarse al mismo tiempo con hasta 8 usuarios, dedicando subarreglos de 64 antenas que generan un beamforming individual por usuario.

Figura 3. Ericsson AIR 5121, radio comercial de ondas milimétricas (lado izquierdo). Simulación del arreglo de 512 antenas (lado derecho).

Existen dos algoritmos de detección de señales que se usan ampliamente en comunicaciones móviles, conocidos como receptor de combinación de relación máxima (MR, por sus siglas en inglés) y el receptor de error cuadrático medio mínimo (MMSE, por sus siglas en inglés). Estos dos receptores se han utilizado para ser comparados con el receptor ELM. La comparación realizada consiste en cuatro simulaciones con las que se analiza la tasa de BER de los diferentes receptores con diferentes potencias de señal. EL receptor MR es ampliamente utilizado en radios comerciales debido a la baja complejidad computacional que supone el uso de este método. Por otro lado, el receptor MMSE se desempeña de mejor manera que el receptor MR, aunque supone una alta carga computacional para el receptor.

Se establecieron cuatro niveles de potencia: Bajo, medio, normal y óptimo. Podemos visualizar a estos niveles de potencia como el número de barras de cobertura celular que se muestra en nuestros dispositivos móviles. Así el nivel bajo corresponde a una barra de cobertura. Dos, tres y cuatro barras corresponden a los niveles medio, normal y óptimo, respectivamente.

Figura 4. Tasas de error de bit con los receptores MR, MMSE y ELM con potencia: (a) Baja. (b) Media. (c) Normal. (d) Óptima.

En la figura 4 (a) se muestran las curvas de BER de los diferentes receptores comparados cuando la potencia de recepción de señal es bajo. Se observa que la ELM (línea azul) entrega la menor tasa de BER, aunque estos niveles de error de bit no llegan al nivel adecuado que corresponde a una tasa de error por debajo de 10e-6. En la figura 4 (b), podemos observar que con un poco más de potencia, el receptor basado en el algoritmo ELM cumple con el objetivo de obtener un BER por debajo de 10e-6, mientras que los receptores MR y MMSE aún presentan altas tasas de BER.

Según los datos de la figura 4 (c) y (d), para mantener una comunicación confiable con los receptores MR y MMSE en 5G UWB, se necesita una potencia de señal normal u óptima, que en términos técnicos equivale a una potencia isotrópica radiada equivalente (EIRP, por sus siglas en inglés) de 30 y 40 dBm, respectivamente.  Sin embargo, con una estrategia de red neuronal como ELM, con un nivel de potencia medio se puede obtener los mismos resultados que presentan los receptores MR y MMSE con potencia óptima, es decir con un EIRP de 20 dBm se puede obtener los mismos resultados, pero con una potencia se señal que es 100 veces menor a la que se tiene con un EIRP de 40 dBm.

El receptor basado en ELM no solo es capaz de detectar señales de ondas milimétricas con una menor tasa de error y menor potencia de señal, sino que también es un algoritmo que supone una menor carga computacional que el receptor MMSE, uno de los receptores más utilizados en comunicaciones inalámbricas, ya que el número de operaciones computacionales requeridas para detectar señales con el algoritmo ELM supone un 16% del número de operaciones que se requieren procesar con el receptor MMSE.

Estos resultados han mostrado que es posible aumentar la distancia de cobertura con señales de ondas milimétricas utilizando estrategias de inteligencia artificial, con las cuales se puede obtener mejores resultados que con algoritmos convencionales de procesamiento de señal.

En el Tec de Monterrey, Campus Monterrey, seguimos trabajando en este proyecto, y analizando las ventajas de utilizar algoritmos basados en inteligencia artificial y su impacto en el desempeño de redes inalámbricas. Este proyecto se enmarca en el nuevo Laboratorio de Radio Frecuencia del Grupo de Investigación en Telecomunicaciones para la Transformación Digital, del Tecnológico de Monterrey.

El autor:

Diego Fernando Carrera es doctor en Ciencias de Ingeniería por el Tecnológico de Monterrey. Sus intereses de investigación incluyen procesamiento estadístico de señales, estimación y detección de señales, 5G / 6G, sistemas MIMO masivo, ondas milimétricas y codificación de canales.

Referencias:

Carrera, D.F.; Zabala-Blanco, D.; Vargas-Rosales, C.; Azurdia-Meza, C.A. Extreme Learning Machine-Based Receiver  for  Multi-User  Massive  MIMO  Systems. IEEE  Communications  Letters 2020,  pp. 1–1. doi:10.1109/LCOMM.2020.3031195.

F. Carrera, C. Vargas-Rosales, N. M. Yungaicela-Naula and L. Azpilicueta, «Comparative Study of Artificial Neural Network Based Channel Equalization Methods for MmWave Communications,» in IEEE Access, doi: 10.1109/ACCESS.2021.3065337.

¿Te gustó este contenido? ¡Compártelo!