NVIDIA’nın açık kaynak 6G araçlarıyla dört araştırma sonucu

NVIDIA, Aerial yazılımını açık kaynak yapmasının üzerinden geçen bir yılda NVIDIA Sionna ve AI Aerial’ın geliştirici kullanımının 10 kat arttığını, açık kaynak 5G/6G araçlarının 1 milyon indirmeyi aştığını açıkladı. Şirkete göre dünya genelinde 8.000’den fazla araştırma ve akademik kurum bu platformları kullanıyor. Duyuruda King’s College London, SoftBank, ETH Zurich, University of Leeds ve CTTC’nin bu araçlarla elde ettiği sonuçlar yer alıyor.

Kısaca NVIDIA Sionna nedir

NVIDIA Sionna, kablosuz haberleşme sistemlerini simüle etmek için geliştirilmiş, GPU ile hızlandırılan açık kaynak bir Python kütüphanesidir. Fiziksel katman bileşenlerini, radyo kanalı modellerini ve sinyal yayılımı için ray tracing’i kapsar. Araştırmacılar onu neural receiver gibi yapay zekâ tabanlı yöntemleri eğitmek ve test etmek için kullanır. MATLAB’ın haberleşme araçları bilinen bir alternatiftir.

NVIDIA Aerial nedir, ne işe yarar?

NVIDIA Aerial, 5G ve 6G radyo erişim ağının (RAN) sinyal işleme katmanını yazılım olarak NVIDIA GPU’larında çalıştırmaya yönelik bir platformdur. Araştırmacılar ve operatörler onu yazılım tanımlı baz istasyonu kurmak, yeni algoritmaları gerçek radyo donanımıyla denemek ve test ortamı oluşturmak için kullanır. OpenAirInterface açık kaynak bir alternatiftir.

6G araştırması artık bir GPU iş yükü

Haberdeki dört projenin ortak noktası hesaplama. Simülasyon, neural receiver eğitimi ve talep tahmini NVIDIA GPU’larında koşuyor.

Bir üniversitede veya ar-ge biriminde GPU sunucusu işletiyorsanız, 8.000 kurumluk bu kullanıcı tabanı size kaynak talebi olarak dönebilir. NVIDIA Sionna ile çalışan bir grup, önce sizden GPU kotası isteyecek.

Rakamları kendi baseline’ına göre okuyun

Her projenin karşılaştırma noktası farklı. Bunu bilmeden yüzdeleri yan yana koymak yanıltır.

• King’s College London: görev süresinde yüzde 52,6’ya varan kısalma, periyodik image gönderimine göre. Testlerde hatalar bilerek eklenmiş.
• SoftBank: yaklaşık yüzde 60’lık en yüksek uplink kazancı, interference içeren kontrollü testlerde ve klasik receiver’a göre. 15 ayarın hepsinde neural receiver önde.
• ETH Zurich: block error oranında üçte birden fazla düşüş, “selected pretrained versions” ile karşılaştırıldığında.
• Leeds: RAN güç tüketiminde yüzde 45,6 düşüş, tam güçte çalışan baseline’a göre.

Leeds’in rakamı en dikkatli okunması gereken rakam. Hiç uyumayan bir ağa göre ölçülen tasarruf, gerçek bir operatör ağındaki kazancı göstermez. NVIDIA’nın yazısı yalnızca özet veriyor; bir sonuca bütçe veya mimari kararı bağlayacaksanız projelerin kendi yayınlarını okuyun.

Leeds’in uyku mantığı autoscaler’a benziyor

Leeds sistemi talebi 10 dakika önceden tahmin ediyor. Bir base station’ı kapatmadan önce komşu istasyonların etkilenen cihazlara hizmet verip veremeyeceğini kontrol ediyor. Kapattıktan sonra da kapasiteyi geri açmayı gerektiren değişiklikleri izliyor.

Kubernetes cluster autoscaler’ı tanıyorsanız bu desen size tanıdık gelecek. Autoscaler da bir node’u kaldırmadan önce üzerindeki pod’ların başka node’lara sığıp sığmadığına bakıyor. Leeds’i ayıran şey tahmin: sistem olaya tepki vermek yerine 10 dakika sonrasını öngörerek karar veriyor.

Kararlar ayrıca bir digital twin üzerinde gerçek donanıma karşı doğrulanıyor. King’s College’daki robot kolu da planlanan hareketi, yapılandırmaya bağlı olarak, çalıştırmadan önce digital twin’de çarpışmaya karşı kontrol ediyor. İki proje de aynı şeyi yapıyor: geri dönüşü pahalı bir eylemden önce dry-run.

5G-LENA: üç saatten 10-20 dakikaya

CTTC, açık kaynak 5G-LENA simülatörüne ACAR üzerinde çalışan GPU hızlandırmalı radyo kanalı modellerini ekledi. Simülasyon süresi yaklaşık üç saatten 10-20 dakikaya indi. Aralık, entegrasyonun nasıl yapıldığına göre değişiyor.

Bu, “erken değerlendirme” aşamasında bir sonuç. Yine de altyapı açısından bir anlamı var. Üç saatlik bir iş gecelik batch kuyruğuna gider; 20 dakikalık iş gün içinde tekrar tekrar koşturulur. Bu süreyle simülasyonu bir pipeline’a bağlayıp her parametre değişikliğinde otomatik çalıştırmak mümkün hale geliyor.

CPU kuyruğunda bekleyen simülasyon işleriniz varsa GPU’ya taşımanın maliyetini bu oranla hesaplayın. Simüle edilen ağ büyüdükçe kanal hesabının yükü artıyor, bu yüzden hızlanma en çok büyük senaryolarda görülüyor.

NVIDIA Sionna ve Aerial öncesi hazırlık

Araçlar GitHub’da açık, fakat donanım tek üreticiye bağlı. Haberdeki her deney NVIDIA donanımında: Jetson AGX Orin, DGX Spark tabanlı taşınabilir “network-in-a-box” ve CUDA-Accelerated RAN. Aynı sonuçların başka üreticinin GPU’larında alınıp alınamayacağı belli değil.

Bir araştırma grubu NVIDIA Sionna için ortam istediğinde önce GPU’yu ve sürücü sürümünü doğrulayın:

nvidia-smi -L
nvidia-smi

Repo’ları kurum ağına almadan önce LICENSE dosyalarını okuyun. Duyuruda lisans türü geçmiyor, ticari bir proje için bu belirleyici olabilir.

King’s College örneği edge için bir tasarım fikri veriyor. Robot tam image yerine nesnelerin, konumlarının ve aralarındaki ilişkinin kısa bir tanımını gönderiyor. Ham log yerine yapılandırılmış event göndermeye benzer bir yaklaşım bu. Bağlantı gecikmesi kontrol döngüsünün içinde kalıyorsa, payload’ı küçültmek bant genişliğini artırmaktan daha hızlı sonuç verebilir.