AI ネイティブ RAN と NVIDIA AI Aerial でスペクトル効率を最大化

無線通信においてスペクトルは最も価値ある資産の一つです。過去 30 年間で、米国の通信事業者は無線スペクトルの取得に 2,400 億ドル以上を投じてきました。

無線アクセスネットワーク（RAN）システムの目標は、可能な限り最大のスペクトル効率（ビット/秒/ヘルツ）を引き出すことです。これにより、より多くの容量が確保され、パケットの損失が減ってネットワークの回復力が高まり、サイトごとの経済性も向上します。

事業者が既存のスペクトルからより大きな価値を引き出そうとする中、Massive MIMO（Multiple-input, multiple-output）は、容量を増やし、ユーザーへのサービス効率を高める重要な手法として注目されています。

Massive MIMO はスペクトル効率において革命的な飛躍をもたらすと期待されてきました。しかし、実際の現場での展開では、業界はまだ技術が理論的に達成できるレベルには達しておらず、膨大な容量が未利用のままになっています。その根本原因はシステム全体の課題にあります。ネットワークがユーザーの位置を正確に追跡できず、信号が重なり干渉を引き起こし、同時にデータを送信するための効率的なユーザーペアリングができないのです。

業界はこれらの課題を「計算リソース制約」の視点から捉えてきました。計算資源を希少なものとして扱い、複雑なアルゴリズムを CPU の性能や予算という厳しい制限に合わせるために妥協を強いられている状況です。

NVIDIA AI Aerial は、このパラダイムを変えています。並列計算の活用により、既存の電力予算内で動作する際のボトルネックはもはや演算能力ではありません。AI ネイティブで高度に並列化されたアーキテクチャを採用することで、「同じ計算リソースにどうやって更多を詰め込むか」という問いから脱却できます。代わりに問うべきは、「スペクトル効率を最大化するために、スタック全体を通じてアルゴリズムをどのように再設計するか」です。

この「アルゴリズムファースト」のアプローチにより、ネットワークはついに、大規模 MIMO の性能格差を埋めるために必要な複雑な追跡およびペアリングモデルを実行できるようになります。

本稿では、RAN における GPU アクセラレーションのメリットと、AI ネイティブ RAN がどのようにして大規模 MIMO の性能格差を解消するかを解説します。また、実環境での展開においてさらなるスペクトル効率を実現するために設計された、新しいクラスの Layer 1 および Layer 2 アルゴリズムを NVIDIA AI Aerial が可能にする仕組みについても紹介します。

GPU アクセラレーションがスペクトル効率に寄与する理由

現代の RAN パイプラインは、数学的に密度の高いアルゴリズムタスクで構成されており、それぞれが極めて特定の計算特性を持っています。より広範な組み合わせ空間を評価するスケジューラ、豊富な観測データから学習するチャネル推定器、あるいはユーザー間で協調して適応するビームフォーマーなどを導入することで、スループットやユーザアプリケーションのサービス品質を向上させることが可能です。

表 1 は、最も影響度の高い RAN ワークロード、その計算特性、そして効果的に実行するために GPU アクセラレーションがなぜ必要とされるのかを示した内訳です。

表 1：RAN ワークロードにおける GPU の価値

以下のセクションでは、ビームフォーミングとリンク適応という 2 つのワークロードをレビューし、GPU がどのように新たなスペクトル効率の向上をもたらすかを探ります。

ビームフォーミング

ビームフォーミングの品質は、ネットワークがチャネル情報をどれだけ効果的に利用可能なスループットに変換できるかを決定します。従来の手法は有効ですが、計算リソースの制約に妥協した結果、簡略化されたモデルに依存せざるを得ません。システムが高アンテナ数や高密度な MU-MIMO 運用に移行するにつれ、これらの簡略化により信号対干渉雑音比（SINR）が低下し、実現されるスループットも減少します。

機械学習（ML）ベースのビームフォーミング重み生成は、より豊富なチャネル情報を用いて重みを決定することでこの課題を解決しますが、計算負荷は劇的に増加します。NVIDIA の分析によると、64T64R MU-MIMO シナリオで 16 ユーザー、ユーザーあたり 2 レイヤー（各ユーザーの SNR は [0-20] dB の範囲でランダムに割り当て）という条件下では、AI ビームフォーミングは従来の正則化ゼロフォース（rZF）よりもはるかに多くの FLOPs を必要とします。しかし、この計算リソースの増加により、従来のゼロフォースビームフォーミングアルゴリズムと比較して 32 レイヤーで最大 1.62 倍のスループット向上というスペクトル効率の獲得が可能になります。

レイヤー数が少ない場合でも、ML ベースのビームフォーミングは 1.28 倍のスループット改善をもたらします。

表 2:64T64R MU-MIMO における複雑度とスループットの比較

図 1:ML ベースのビームフォーミングと rZF ビームフォーミングのスループット比較

GPU の計算能力は、RAN 導入に必要な規模とレイテンシの中で、高品質なビームウェイト生成を可能にします。これはフィールドでの検証結果とも直結しています。SoftBank と NVIDIA は最近、GPU ベースの AI-RAN プラットフォーム上で屋外環境における 16 レイヤーの大容量 MU-MIMO 動作が安定して実現されたことを報告しました。この試験では、従来の 4 レイヤーベースラインと比較して、スループット効率が約 3 倍に向上しています。GPU の価値は抽象的な加速ではなく、実際のシステムにおいて高次空間多重化を維持できる実用的な能力そのものです。

DRL リンク適応

リンク適応は、複雑な MAC レイヤの制御機能です。スケジューラは、QoS 目標に対してブロック誤り率（BLER）を一定に保ちつつ、変化する移動体環境や干渉条件の下でスループットとスペクトル効率を最大化するために、変調方式と符号化方式（MCS）の選択を繰り返し行う必要があります。

CPU のベクトルエンジンで実装される外ループリンク適応（OLLA）などの従来のリンク適応方式は、手作業で作成された事前定義ロジックを通じてフィードバックに応答するため軽量ですが、深層強化学習（DRL）を用いたリンク適応はこの構造を変えます。DRL は観測された無線挙動から直接 MCS 選択ポリシーを学習します。

DRL エージェントは、チャネル品質インジケーター（CQI）の履歴、ACK/NACK フィードバック、および短期間のチャネル変化を活用し、現場固有の条件にリアルタイムで適応します。初期の NVIDIA のエンジニアリング結果によると、チャネル直交性に基づくユーザペアリングと組み合わせることで、セルエッジにおいて従来の OLLA を上回る 1.3 倍のスループット向上が実現されています。さらに高度な MU-MIMO ペアリングアルゴリズムとの組み合わせにより、さらなる改善が見込まれています。

技術的な転換点は、レイテンシのスケーリングにあります。小型で圧縮されたモデルであれば、ベクトル演算ユニットを備えた CPU でも実行可能です。しかし、高いスペクトル効率の向上を実現するには、より大規模なモデルが必要であり、これは大量バッチ処理における複雑な MU-MIMO 環境に対応しつつ、目標値以下の安定した BLER（ブロック誤り率）を維持できるものでなければなりません。

図 3 に示す通り、GPU ベースのアーキテクチャでは、396K パラメータという比較的大きなモデルであっても、テストされたユーザー範囲全体で約 30 μs という一般的な参照予算を下回っています。一方、シングルコア CPU の実装では、最初にスケジューリングされるユーザーからすでにレイテンシ予算を超えてしまいます。CPU での推論は低複雑度のモデルにしか対応できませんが、GPU ならより高性能な大規模モデルを扱い、大きな性能向上をもたらすことが可能です。ポリシーの品質と推論レイテンシの両方が同時に改善されて初めて、リンク適応は真の意味でスペクトル効率を高めるレバーとして機能します。

研究による検証

最近の学術研究でも同様の結果が報告されています。機械学習に基づくチャネル推定や等化、そしてリンク適応は、厳しい無線環境において従来のベースラインを上回る性能を発揮することが確認されています。以下に、3 つの研究論文からの要約をまとめます：

表 3：AI ドライブ型 RAN アルゴリズムに関するエコシステムの見解

NVIDIA AI Aerial でスペクトル効率を最大化する

NVIDIA AI Aerial は、RAN ワークロードの高速化だけでなく、新たなネットワーク機能の実現も可能にします。以下に示す 5 つの機能（スペクトル効率の向上を含む）は、このプラットフォームが次世代ワイヤレスネットワークをどのように進化させるかを浮き彫りにしています。

1. アルゴリズムファーストによる効率化

AI Aerial は、限られた CPU リソースに合わせるために単純なヒューリスティックに頼るのではなく、演算密度の高い AI ネイティブな Layer 1 および Layer 2 モデルを実行することをオペレーターに可能にします。これにより、「CPU に何が入るか」を基準とした設計から、「無線性能を最大化するには何か」へと設計の焦点がシフトし、膨大な組み合わせ空間をリアルタイムで評価できるようになります。

1. 再設計なしでのモデル成長

AI が物理波形に近づくにつれ、チャネル推定、等化、適応のためのモデルは拡大していきます。硬直的な ASIC はアルゴリズムをシリコンに固定してしまいますが、GPU が持つプログラマブルなテンソル計算の余力によって、AI を RAN の中核に据えることが可能になります。AI Aerial は、アルゴリズムの変更ごとに新たなハードウェア分割を迫るのではなく、ソフトウェア側でモデルの成長を受け入れます。

1. スケールと協調

次世代ネットワークでは、重なり合う高密度なカバレッジが必要となり、セル間干渉の追跡には膨大な計算負荷がかかります。従来の CPU スケジューラでは、このレベルの調整に必要なレイテンシのスケーリングに対応できません。AI Aerial は、cuPHY と cuMAC の間の広帯域メモリと共有データスペースを活用し、複雑なマルチセル演算を瞬時に実行することで、高次 MU-MIMO の実装を可能にします。

4. センシングと通信の統合

統合センシング・コミュニケーション（ISAC）は、本質的に無線ネットワークを至る所に配置されたレーダーシステムへと変えます。これにより、通常の通信処理と同時にディープラーニング分類モデルを実行するという新たな負荷が生じます。AI Aerial は、高スループットの通信とセンシングを融合させた並列アーキテクチャを提供します。

5. AI インフラの収益化

通信ネットワークは通常、ピーク時のトラフィックに対応するように設計されるため、オフピーク時にはインフラが著しく遊休状態となります。AI Aerial は、同じ GPU 上で 5G/6G と AI ワークロードを動的に割り当てることで、資産収益率（ROI）を変革します。事業者は余剰な GPU 計算リソースを再配置し、収益化可能なエッジ推論アプリケーションをホストできるようになります。これにより、専用の通信機器が広範な AI エコノミーにおける収益創出インフラへと生まれ変わります。

AI エラのアーキテクチャ

AI ネイティブな RAN への移行は、大規模 MIMO の性能格差を埋めるための道筋です。これによりネットワークに知能と並列計算能力がもたらされ、理論上のスペクトル効率を実際の利益へと変換できます。

NVIDIA AI Aerial はこの移行のために構築されました。AI ネイティブな RAN 向けのソフトウェア定義型・加速コンピューティングプラットフォームとして、大規模展開においても高度なレイヤー 1 およびレイヤー 2 の知能を現実的なものに変えます。その結果、より能力の高い RAN が実現し、オペレーターはすべてのヘルツからより多くの価値を引き出すことが可能になります。また、新しい AI ドライブ型の収益機会への扉も開かれます。

図 4. レガシーな RAN から AI 強化型 RAN、そして完全な AI ネイティブな RAN への進化

NVIDIA は、Nokia の anyRAN ソフトウェアと統合された AI-RAN プラットフォームを提供するため、Nokia などの業界リーダーと協力しています。これにより、オペレーターは 6G への進化を見据えた AI ネイティブな 5G-Advanced ネットワークをデプロイできます。NVIDIA ARC-Pro のようなプラットフォームがパフォーマンス、効率性、プログラマビリティを強化することで、オペレーターは完全に知能化されたソフトウェア定義型無線ネットワークへの移行を加速できます。

詳しくはこちら:

NVIDIA RTX Pro 4500 Blackwell Server Edition GPU を搭載した商用の Aerial RAN Computer (ARC)-Pro について詳しくは、こちらをご覧ください。

研究から商用展開まで、AI ネイティブネットワークを構築・シミュレーション・展開するための NVIDIA AI Aerial platform をご活用ください。

Nokia がどのように AI ネイティブな 5G-Advanced および 6G ネットワークを実現しているか、その事例をご覧ください。