具體來說，5G NR所帶來的技術挑戰如下：
．路徑遺失伴隨頻率增加(因為波長會隨頻率縮短)
．訊號衍射損耗伴隨頻率增加
．空氣介面與大氣遺失視頻率而定
．散射訊號隨頻率增加
．穿透損耗伴隨頻率增加
在3GPP TR38.901中呈現的通道模型是以3D通道特性為基準，並包括其他功能，如天線模型與更多的通道狀況。這些特色除頻率相關挑戰外，都會影響必須搭配5G NR傳輸使用的通道模型。這也表示通道狀態資訊(CSI)必須在實現適應性連結功能的過程中提供更大的彈性範圍。
5G NR中的關鍵需求之一是支援廣泛頻率，而大規模MIMO(Massive MIMO)技術則是解決相關挑戰的解答，並帶來運用通道特性和極寬頻帶的機會。另外，大規模MIMO技術也讓MU-MIMO的實現成為可能，並可增加整體系統資料傳輸速率。
儘管3GPP R14版本已可支援最多達32個連接埠的大規模MIMO，但在5G NR(即3GPP R15版本)中，大規模MIMO的連接埠數量將直接從32埠起跳，且未來版本預期將增加多達64個或更多天線。
5G的發展趨勢使得波束成型變成一種更複雜，卻又不可或缺的關鍵技術。內建人工智慧(AI)的處理器將有助於克服實現5G波束成型所帶來的挑戰。
5G波束成型須滿足眾多要求
為利用大規模MIMO天線，5G NR傳輸主要的改良之一就是波束成型計畫。視天線陣列架構而定(圖1)，系統必須能支援類比、混合與數位模式的波束成型。
不同的波束成型計畫需要進階的CSI機制才能掌握特定架構，在5G NR中採用的MU-MIMO法最多能讓12名共同排程使用者在相同的範圍中同時作業。
在5G NR中，除傳輸架構外，通道的狀態資訊也需要使用編碼簿搭配多重面板天線使用。gNodeB會要求下列UE指示，並當成CSI報告送回：
．通道品質指示(CQI)
．預編碼矩陣指示(PMI)
．CSI-RS資源指示(CRI)
．最強層指示(SLI)
．順位指示(RI)
．L1-RSRP
為掌握此複雜情況中的報告同時支援多天線特性，5G NR波束管理及5G NR CSI程序必須支援下列主要編碼簿類型：
I型：SU-MIMO CSI，包括下列項目：
單面板編碼簿：
．根據非預編碼CSI-RS為主的CSI報告
．支援單一使用者及多重使用者MIMO
．包含1-8MIMO層
．支援寬頻與次頻帶預編碼器選擇及共同成相
多面板編碼簿：
．根據非預編碼CSI-RS為主的CSI報告
．根據含面板間共同成相支援的單一CSI法
．支援最多四個天線面板
II型：MU-MIMO CSI，包括下列項目：
非預編碼CSI：
．根據預先定義的編碼簿屬於不同DFT波束的線性組合
．包含1-2MIMO層
．支援寬頻與次頻帶預編碼器選擇及共同成相
預編碼CSI：
．當各連接埠使用選取波束的線性組合成型時，UE會選擇連接埠組合
．包含1-2MIMO層
．支援寬頻與次頻帶預編碼器選擇及共同成相
總而言之，5G NR的連結使用程序必須支援廣泛的複雜CSI及波束管理流程。另外，因5G NR的時槽(Slot)更短，與前一版LTE相比，在UE中處理CSI報告的最大延遲會明顯減少。
AI處理器解決CSI報告挑戰
為了滿足5G NR所帶來的種種挑戰，特別是因導入大規模MIMO而產生的CSI報告難題，CEVA推出了名為PentaG的矽智財(IP)平台。
PentaG是業界第一個專為5G NR設計的IP平台，主要應用是3GPP 5G NR UE設備。該平台能滿足eMBB裝置所要求的極端性能、低延遲與嚴格功率消耗需求。PentaG架構包含特殊化純量及向量DSP處理器、協處理器、AI處理器、加速器、軟體和其他可高度配置與模組化架構中的必要IP區塊。圖2為PentaG IP平台與所屬AI處理器的高階架構。如需有關PentaG的詳細資訊，請參閱參考資料[7]。
屬於PentaG解決方案之一的AI處理器為一使用機器學習(Machine Learning, ML)的可完整編程及擴充處理器，經由神經網路(NN)實現進階波束成型技術與連結採用狀況(如5G NR、I型與II型所定義)。AI處理器會增加下載資料傳輸速率，並可確保最先進最大概似解碼(MLD)等化法的執行效能。
連結性能抽象指標實現最佳配置
在5G NR的下載CSI回報程序中，需提供MIMO傳輸的喜好配置報告。UE必須選擇最佳MIMO配置參數，例如PMI、CQI等。
若要在所有大量可能的配置中選擇最佳配置，UE必須轉換MIMO通道條件(通常是多數參數的函數)為單一純量指標。此指標可在之後用於比較不同的MIMO參數配置，例如一組通道指標可與預先定義的臨界值比較，預測區塊錯誤率(BLER)是否如預期超過10%。
下列連結性能抽象概念指標是最常見的項目：
．指數有效訊噪比映射(EESM)：評估有效的訊噪比。
此指標適用於線性接收器，其中接收器性能由有效的訊噪比控制，而MIMO層間干擾則視為相同雜訊。
．每位元相互資訊(MIB)：評估接收器包含傳送位元對數概似率(LLR)資訊的平均數量，如公式1所示：
(公式1)
其中：
．M為QAM群集中的位元數。
．MIB值在範圍[0,1]中。
相較於EESM，MIB指標沒有確切的分析方程式。不過，有多個近似方法可供建議使用：
．在參考資料[5]中，用於MIB的確切方程式可衍生用於AWGN(無MIMO干擾)通道和BPSK/QPSK調變訊號。
如為更高的QAM群集與AWGN通道，建議使用近似方程式。
．在參考資料[6]中，建議使用近似方程式計算含兩層MIMO通道的MIB。
此方程式需仰賴特徵值知識及MIMO通道矩陣的條件數。不過對高度關聯的MIMO通道而言，此近似值可能不精準。
圖3展示MIB用於MIMO順位2通道的剖面。圖4為依MIB指標的連結性能抽象作用程序。
在此範例中，會出現下列狀況：
1.依UE的MIMO通道知識計算的各MIB指標次載波。
2.使用(簡易)算術平均法平均每頻帶所有MIB值，以取得平均MIB(MMIB)。
3.MMIB指標與預先定義的臨界值比較，判斷該通道上的BLER是否如預期超過10%。
4.選擇達到最高效率且BLER<10%的每代號CQI組合。
針對各頻帶及各MIMO預編碼器與順位假設重複此程序。
以AI協助5G NR CSI回報
神經網路廣泛用於多數工程專業領域，例如影像中的物件辨識、語音辨識、自然語言處理與其他相關領域。神經網路的極大成功主要源自於其打造效率運算結構的能力，可接受訓練執行分類及/或函數迴歸工作。
另一方面，神經網路可以藉由在觀察沒有描述最佳解決方案的分析公式時的範例，或是甚至沒有定義的最佳標準之時，用於解決最佳化的問題。且在訓練階段，神經網路將會學習範例中隱藏的資料模式。
經過訓練的神經網路可提供任何類型的CSI報告，如前文所述，在5G NR的CSI回報使用支援神經網路的AI處理器，可帶來下列優勢：
．彈性：在訓練階段期間，神經網路學習預測用於任何類型連結抽象指標的最佳MIMO配置參數。
神經網路訓練的資料集由PHY連結層蒙地卡羅(Monte-Carlo)模擬產生，這可讓神經網路針對任何類型的接收器進行調整。
．擴充性：預測的精準度可由調整神經網路規模的大小來實現，更複雜的神經網路將提供更出色的性能，但也會更耗電。
視情況而定，開發者可使用完整或部分連接的神經網路架構。自動在執行階段選擇最佳化耗電量最適合的神經網路類型。CEVA這項技術正在專利申請程序中。
CEVA的AI處理器神經網路可使用任何標準訓練工具箱來訓練，例如MATLAB NN工具箱或Google的TensorFlow。
性能模擬結果
由圖5與圖6可以看出，該二圖顯示了用CSI指標以及ESSM指標進行下行模擬可達到的平均傳輸速率。EESM指標的運算未使用AI處理器。
在這兩個案例中，近-ML解碼器被用在一個MIMO Rank 4通道。傳輸速率則是在中、高關聯性通道中按照3GPP規範36.101的定義進行量測。
兩種CSI報告演算法之間的性能差異，在更高的訊噪比(SNR)及更高關聯性通道中更為明顯。使用AI處理器搭配MIB指標的CSI，相對於EESM指標，可達到更明顯的傳輸速率提升。
(本文作者任職於CEVA)
