Tekoäly ja erityisesti generatiivinen tekoäly on lyönyt vahvasti läpi eri sektoreilla viimeisen vuoden aikana. Nyt Anritsu ja DeepSig tuovat tekoälyn ja koneoppimismallit langattomiin verkkoihin spektrintunnistuksen muodossa.
Koneoppimisella, erityisesti syväoppimisella, on kaksi pääroolia langattomien viestintäjärjestelmien parantamisessa. Ensinnäkin se auttaa monitoroimaan todellisia vaikutuksia ja käyttäytymistä langattomissa järjestelmissä tarkemmin, mikä mahdollistaa paremman optimoinnin todellisia olosuhteita varten. Toiseksi koneoppimismalleja käytetään suoraan ratkaisemaan ongelmia, kuten signaalin lähetys, vastaanotto ja virheiden korjaus.
Amerikkalainen DeepSig perustettiin kehittämään ohjelmistoratkaisuja näihin molempiin ongelmiin. Syy on yksinkertainen: radiospektri on arvokas resurssi, jota on hallittava, jaettava ja käytettävä optimaalisesti langattomissa verkoissa.
Ongelmat vaikeutuvat edelleen 6G:n myötä. Uudet radiotaajuudet ovat yhä harvinaisempia, ja uusien spektrinjakotekniikoiden kehittämiseen kiinnitetään entistä enemmän huomiota. Perinteiset RF-tunnistustekniikat kohtaavat rajoituksia dynaamisesti muuttuvissa langattomissa ympäristöissä, ja vaaditaan kehittyneempää valvontaa ja signaalin karakterisointia.
Anritsu vastaa mittauslaitevalmistajan tähän haasteeseen tekemällä yhteistyötä Deepsigin kanssa. Tuloksena on ratkaisu, joka yhdistää kannettavan MS2090A-spektrianalysaattorin ominaisuudet DeepSigin signaalintunnistus- ja luokitusohjelmistoon, joka perustuu sen patentoituihin tekoälyn syväoppimisalgoritmeihin.
Dataohjatun lähestymistavan ansiosta Anritsu voi nopeasti sisällyttää uusia radiosignaalimalleja osaksi omia analysaattoreitaan DeepSigin ML-koulutustyökalujen avulla. Kiinnostavat RF-signaalit erilaisista uusista lähteistä, kuten droneista ja IoT-laitteista, voidaan oppia nopeasti ja tarkasti päivissä kuukausien sijaan. Nämä kehittyneet tekniikat muodostavat myös perustan 6G:n tekoälyn RF-tunnistukselle.
Yhtiöt demoavat ratkaisuaan Mobile World Congress -messuilla Barcelonassa.