Các công cụ mã nguồn mở của NVIDIA hỗ trợ giới nghiên cứu phát triển mạng 6G thế hệ mới

Cách đây một năm, NVIDIA đã mở mã nguồn phần mềm không dây Aerial, bổ sung vào Sionna cùng bộ công cụ mã nguồn mở mở rộng nhằm thúc đẩy tiến trình phát triển mạng 6G thế hệ tiếp theo. Các công cụ này mang lại cho giới nghiên cứu nền tảng để thử nghiệm ý tưởng, so sánh kết quả và kế thừa các công trình nghiên cứu của nhau, qua đó kết nối quá trình mô phỏng và huấn luyện AI với các thử nghiệm thực tế trên hệ thống không dây truyền qua sóng vô tuyến (over-the-air). Hiện nay, các nhà nghiên cứu và phát triển đang sử dụng những công cụ này để xây dựng các mạng lưới sẵn sàng cho chuẩn 6G với khả năng vượt trội hơn việc truyền dữ liệu đơn thuần: tiếp nhận tín hiệu hiệu quả hơn, duy trì kết nối cho robot và các hệ thống tự hành tại những thời điểm then chốt, đồng thời thích ứng theo thời gian thực khi thiết bị di chuyển. Trong năm qua, mức độ ứng dụng phần mềm NVIDIA AI Aerial và NVIDIA Sionna của các nhà phát triển trên toàn cầu đã tăng gấp 10 lần, trong khi các công cụ 5G/6G mã nguồn mở của NVIDIA đã vượt mốc 1 triệu lượt tải xuống. Hơn 8.000 viện nghiên cứu và cơ sở học thuật trên toàn thế giới hiện đang sử dụng các nền tảng này. Các dự án đang triển khai hiện nay phác họa bức tranh toàn cảnh về mạng lưới viễn thông trong tương lai. Mỗi dự án giải quyết một thách thức riêng biệt, song tựu trung đều hướng tới tham vọng lớn hơn: xây dựng mạng 6G tích hợp AI gốc (AI-native) cung cấp khả năng kết nối, tính toán và cảm biến trên một nền tảng hội tụ được định nghĩa bằng phần mềm cho hàng tỷ người dùng, máy móc và tác tử (agents). Mạng lưới giúp robot phản ứng nhanh hơn Một robot khi gắp vật thể cần phải hiểu rõ môi trường xung quanh và hành động trước khi môi trường đó thay đổi. Khi hệ thống AI điều khiển quyết định này vận hành trên một máy chủ lân cận hoặc trên nền tảng điện toán đám mây, kết nối không dây sẽ trở thành một phần của thời gian phản hồi. Các nhà nghiên cứu đang tìm hiểu một phương pháp hiệu quả hơn mang tên truyền thông ngữ nghĩa định hướng mục tiêu (goal-oriented semantic communications). Thay vì gửi toàn bộ hình ảnh, robot chỉ truyền tải các mô tả cô đọng về vật thể, vị trí và mối tương quan giữa chúng. Việc truyền đúng lượng thông tin cần thiết giúp robot phản ứng nhanh hơn, đặc biệt trong các môi trường biến động như nơi làm việc và kho bãi. Tại Đại học King’s College London, các nhà nghiên cứu đã kết nối một cánh tay robot gắn camera với bộ vi xử lý NVIDIA Jetson AGX Orin chạy phần mềm NVIDIA Sionna – nền tảng hỗ trợ cả mạng 5G định nghĩa bằng phần mềm và xử lý AI tại biên. Trong các thử nghiệm đóng gói hoa quả và xếp khối hộp có cài cắm lỗi kỹ thuật có chủ đích, phương pháp này đã giúp giảm tới 52,6% thời gian hoàn thành nhiệm vụ của robot và nâng cao tỷ lệ thành công so với phương thức truyền hình ảnh định kỳ. Bên cạnh việc phản hồi nhanh hơn và giảm tải chi phí xử lý, hệ thống này còn cho thấy khả năng phục hồi tốt hơn: phát hiện các vật thể bị rơi, tự phục hồi sau các thao tác bất thành, và đối với các cấu hình sử dụng bản sao kỹ thuật số (digital twin), hệ thống có thể kiểm tra trước các chuyển động dự kiến để phòng ngừa va chạm tiềm ẩn trước khi thực hiện. Mạng lưới tự học để thu nhận tín hiệu tốt hơn Đối với một lính cứu hỏa đang tiếp nhận hình ảnh trực tiếp từ thiết bị bay không người lái (drone) hay một đội cứu nạn đang tìm kiếm người mất tích, những hình ảnh kịp thời đóng vai trò định hướng cho các quyết định khẩn cấp. Tuy nhiên, hiện tượng nhiễu sóng và điều kiện vô tuyến thay đổi liên tục có thể khiến tín hiệu không dây trở nên khó giải mã hơn, dẫn đến sai sót và phải truyền lại, gây chậm trễ việc chuyển tải thông tin từ hiện trường. Các bộ thu tín hiệu AI (AI receivers) giải quyết thách thức này thông qua việc tự học cách khôi phục thông tin từ các tín hiệu nhận được một cách hiệu quả hơn. Khả năng thu nhận tín hiệu tốt hơn sẽ giúp lực lượng phản ứng nhanh duy trì tầm nhìn rõ ràng và cập nhật liên tục về hiện trường vụ cháy hoặc khu vực tìm kiếm. SoftBank đã chứng minh điều này bằng việc tích hợp một bộ thu nơ-ron (neural receiver) vào nền tảng NVIDIA Aerial CUDA-Accelerated RAN (ACAR) và thử nghiệm trên điện thoại thông minh 5G thương mại. Trong các thử nghiệm có kiểm soát với sự xuất hiện của nhiễu sóng, bộ thu nơ-ron mang lại thông lượng đường lên cao hơn so với bộ thu thông thường ở cả 15 thiết lập thử nghiệm, với mức cải thiện tối đa đạt khoảng 60%. Một phương pháp khác để nâng cao khả năng thu nhận tín hiệu là cung cấp dữ liệu môi trường hoạt động cho các bộ thu. Sử dụng nền tảng NVIDIA Aerial Testbed, các nhà nghiên cứu tại ETH Zurich nhận thấy việc tinh chỉnh các bộ thu nơ-ron bằng các phép đo tại chỗ đã giảm hơn một phần ba tỷ lệ lỗi khối so với các phiên bản tiền huấn luyện được lựa chọn. Mạng viễn thông tự học cách tiết kiệm điện năng Khi mạng 6G kết nối ngày càng nhiều thiết bị và hỗ trợ thêm nhiều ứng dụng AI, việc quản lý nhu cầu năng lượng sẽ trở nên cấp thiết. Chẳng hạn, một mạng lưới cần đủ dung lượng để phục vụ một sân vận động đông đúc, song nhu cầu sẽ thay đổi khi lượng khán giả rời đi. AI có thể hỗ trợ xác định thời điểm có thể tắt bớt công suất dư thừa — cũng như thời điểm cần kích hoạt trở lại — giúp các nhà khai thác giảm tiêu thụ điện mà không làm gián đoạn kết nối. Tại University of Leeds, các nhà nghiên cứu đã phát triển một hệ thống dự báo nhu cầu mạng trước 10 phút và sử dụng các dự báo này để đưa ra quyết định chuyển trạm gốc sang chế độ ngủ. Trước khi ngắt nguồn, hệ thống sẽ kiểm tra nhằm bảo đảm các trạm lân cận đang hoạt động có thể tiếp tục phục vụ các thiết bị chịu ảnh hưởng, đồng thời giám sát các biến động đòi hỏi phải khôi phục dung lượng. Nhóm nghiên cứu đã thử nghiệm phương pháp này thông qua giải pháp mạng 5G tích hợp trọn gói (network-in-a-box) di động vận hành trên nền tảng NVIDIA DGX Spark, kết hợp với một bản sao số (digital twin) để xác thực các quyết định trên thiết bị vô tuyến thực tế. Kết quả ghi nhận mức giảm 45,6% điện năng tiêu thụ của RAN so với mức vận hành tối đa ban đầu, trong khi vẫn duy trì ổn định kết nối cho thiết bị. Đẩy nhanh tốc độ thử nghiệm mạng trước khi xây dựng thực tế Trước khi triển khai một mạng lưới, các nhà nghiên cứu cần nắm rõ phương thức vận hành khi hàng trăm thiết bị cùng cạnh tranh kết nối hoặc khi tín hiệu vô tuyến gặp hiện tượng can nhiễu. Việc mô phỏng các điều kiện này giúp các đơn vị đánh giá thiết kế trước khi đầu tư trang thiết bị tốn kém và tiến hành thử nghiệm thực địa. Tuy nhiên, các mô phỏng sát thực tế có thể kéo dài nhiều giờ, làm hạn chế số lượng ý tưởng có thể khảo sát. Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) đang đẩy nhanh tiến trình này bằng cách đưa các mô hình kênh vô tuyến được tăng tốc bằng GPU, vận hành trên ACAR, vào trình mô phỏng mạng mã nguồn mở 5G-LENA của đơn vị. Các mô hình này tính toán đường truyền của tín hiệu vô tuyến giữa ăng-ten và thiết bị — một phép tính ngày càng đòi hỏi năng lực xử lý cao khi quy mô mạng mô phỏng mở rộng. Trong một đánh giá ban đầu, phương pháp này đã rút ngắn thời gian chạy mô phỏng từ khoảng ba giờ xuống còn 10-20 phút tùy theo mức độ tích hợp, trong khi vẫn duy trì được đặc tính thống kê và hiệu năng mạng theo dự kiến. Tốc độ mô phỏng nhanh hơn cho phép