A NVIDIA publicou no seu blogue um texto sobre o papel das suas ferramentas de código aberto na investigação em redes 6G. Segundo a empresa, há cerca de um ano abriu o código do software Aerial, que se juntou ao Sionna e a um conjunto mais amplo de ferramentas. O objetivo, descrito pelo próprio fabricante, é oferecer uma base comum para testar ideias, comparar resultados e construir sobre o trabalho de outros, ligando a simulação e o treino de inteligência artificial a experiências em sistemas sem fios reais.

O texto apresenta também números de adoção. Segundo a NVIDIA, a utilização global das plataformas AI Aerial e Sionna por programadores cresceu dez vezes no último ano, e as ferramentas abertas de 5G e 6G ultrapassaram um milhão de transferências. A empresa indica ainda que mais de 8000 instituições de investigação e académicas em todo o mundo utilizam estas plataformas. Trata-se de dados de adoção fornecidos pelo próprio fabricante, que medem a difusão das ferramentas e não a qualidade dos resultados obtidos com elas.

Um dos exemplos é o trabalho do King's College London, onde um braço robótico com câmara foi ligado a um NVIDIA Jetson AGX Orin a correr o Sionna. Em experiências de embalagem de fruta e empilhamento de cubos, com falhas introduzidas de propósito, a comunicação semântica orientada a objetivos, que envia descrições compactas em vez de imagens completas, reduziu o tempo de conclusão das tarefas até 52,6% e melhorou a taxa de sucesso face ao envio periódico de imagens. Os investigadores referem também maior capacidade de detetar objetos caídos e de recuperar de ações falhadas.

Na receção de sinal, a SoftBank integrou um recetor neuronal na plataforma NVIDIA Aerial CUDA-Accelerated RAN e testou-o com um smartphone 5G comercial. Segundo o relato, em 15 configurações de teste com interferência, o recetor neuronal ofereceu maior débito de subida do que um recetor convencional, com um ganho máximo de cerca de 60%. Investigadores da ETH Zurique afirmam, por sua vez, que ajustar recetores neuronais com medições locais reduziu a taxa de erro de blocos em mais de um terço face a versões pré-treinadas selecionadas.

Na eficiência energética, a Universidade de Leeds desenvolveu um sistema que prevê a procura de rede com 10 minutos de antecedência e usa essas previsões para decidir quando as estações base podem entrar em repouso. A equipa reportou uma redução de 45,6% no consumo de energia da rede de acesso de rádio face a uma linha de base a plena potência, mantendo a ligação dos dispositivos. O ensaio usou uma rede 5G portátil alimentada por um DGX Spark e um gémeo digital. Estes números são apresentados pelas equipas e pela empresa, e o texto não indica qualquer validação independente.

Porque importa

Para leitores em Portugal, o tema interessa porque a fonte associa estas ferramentas a cenários como robótica em armazéns, comunicações de emergência e gestão de energia em períodos de baixa procura. Para a investigação europeia, a disponibilidade aberta de software pode facilitar a comparação de experiências entre laboratórios, embora o texto não o demonstre. Os números apresentados vêm sobretudo do fabricante e de projetos individuais, pelo que o seu alcance real dependerá de estudos independentes e replicações.

Fontes

How NVIDIA Open Source Tools Are Helping Researchers Build Next-Generation 6G NetworksNVIDIA ↗