AI-RAN: Nvidia Areial RAN -介紹

隨著 AI 在近年的興起, 

Nvidia 憑藉著其 CUDA 平台的平行計算能力, 在 AI 領域取得了大量的成功,

為了推展 CUDA 的應用, Nvidia 推出了一系列 Omniverse 的服務,

其基本的想法是: 隨著平行化運算晶片的發展, 算力將更加便宜,

此時, 對於 AI 模型的問題將不是算力限制, 而是訓練資料不足,

因此, Nvidia 希望透過 Omniverse 的數位雙生技術 (Digital Twins),

來提供訓練模型的大量訓練資料.

 

*Note: 可以參考黃仁勳於 Computex 的演說:

https://www.nvidia.com/en-us/events/computex/

在 Nvidia 為了通訊系統 (稱為 Aerial RAN) 的生態系中,

又可以分成三個不同的專案:

• Sionna: https://nvlabs.github.io/sionna/examples/Discover_Sionna.html
• Aerial Omniverse Digital Twin: https://docs.nvidia.com/aerial/aerial-dt/index.html
• Aerial CUDA-Accelerated RAN: https://docs.nvidia.com/aerial/cuda-accelerated-ran/index.html

在整體 AI-RAN 的架構中, 可以用下面這張圖來表示各分項的功能:

來自: https://developer.nvidia.com/blog/boosting-ai-driven-innovation-in-6g-with-the-ai-ran-alliance-3gpp-and-o-ran/

 在 Nvidia 的 AI-RAN 架構中, 區分成三個層級:

• Link-level: 模擬通道特性, 並分析網路的效能, 對應於 Sionna
• System-level: 包含 cuMAC, cuPHY 的模擬, 對應於 AODT
• End-to-End: 介接其他設備 (CU/DU/RU), 提供真實 5G 連線, 對應於 Aerial RAN  

在實作上, 其中的差異在於所含有的套件, 

我們借用 Aerial Omniverse Digital Twin (AODT) 的這張圖作為講解,

(雖然 AODT 真正實作架構有所不同...)

來自: http://www.zentek.com.cn/news/content/51

在上圖中, 我們可以看到三個部分:

• User Interface: 提供模擬顯示的介面, 為 AODT 獨有
• Physical Digital Twin: 以 Ray Tracing 模型, 模擬無線通道
• RAN Digital Twin: 主體為 cuMAC 和 cuPHY, 模擬基站的行為

以上三個部分構成了 AODT 的服務,

而 Sionna 則以 Physical Digital Twin 為主, 並透過 python 作為輸入輸出的介面

Aerial CUDA-Accelerated RAN (cuRAN) 則著重在 RAN Digital Twin 部分,

在輸出輸入的部分, 則是直接對接於實體的裝置.

接下來我們會用一系列文章, 分別介紹其中個專案的應用與限制.