Electronique Mag - Le journal de l'électronique.
- accueil .
- abonnement .
- newsletter .
Flux RSS . - soumissions .
- publicité .
- contacts
Flux RSS .
Les travaux sur la 6G restent aujourd’hui axés sur la recherche, mais cette dernière cédera la place au développement au cours des deux prochaines années. Le secteur s’est aligné sur le calendrier de la première norme applicable à la 6G, qui doit être achevée au plus tôt en mars 2029 ; il y a donc encore du chemin à parcourir. La liste des technologies habilitantes de la 6G qui avait beaucoup fait parler il y a quelques années a progressivement été écourtée. De la même manière, il est fortement possible que la liste des technologies les plus populaires de 2025 évoluera à mesure que la recherche, les premiers développements et les premiers essais prouveront et, dans certains cas, réfuteront la viabilité d’une technologie.
Voici la liste des technologies habilitantes de la 6G qui ont le vent en poupe en 2025.
Cette première partie portera sur les quelques technologies qui ont une forte probabilité de tenir leur rang :
La technologie sans fil repose avant tout sur la disponibilité du spectre. La croissance de la consommation de données et de la connectivité sans fil a entraîné et continuera d’entraîner une demande croissante de spectre. Pour un opérateur mobile, le scénario idéal (dans certains cas, le seul acceptable) est de disposer d’un usage exclusif du spectre dans ses zones géographiques d’opération, sur lequel il peut transmettre des niveaux de puissance radio suffisamment élevés pour maintenir un réseau à haute capacité et à haute fiabilité. L’augmentation de la demande de capacité a conduit à explorer la réaffectation du spectre radioélectrique entre 7 et 24 GHz, avec une attention particulière pour les fréquences entre 7 et 16 GHz. Ce spectre est utilisé de manière significative pour la radionavigation, la radiolocalisation et les applications satellitaires. Cette situation est compliquée par l’utilisation intensive et exclusive de cette bande par les agences fédérales du monde entier (en particulier pour la défense). En outre, ces fréquences plus élevées présentent une perte de propagation radio accrue par rapport aux fréquences comprises entre 3 et 5 GHz. Cette dernière est utilisée dans la 5G mais comporte ses propres défis technologiques en raison d’un affaiblissement plus important que les fréquences plus basses qui sont si largement utilisées dans la 4G (la plupart en dessous de 2,5 GHz). Pour que le sans-fil mobile fonctionne entre 7 et 16 GHz, il convient d’envisager sérieusement la manière dont une partie du spectre peut être partagée. Les mécanismes de partage impliquent à la fois des politiques et des technologies complexes, c’est pourquoi les deux font l’objet d’une attention particulière. Même si une partie de cette bande est réservée à l’usage exclusif du sans-fil commercial, la perte de propagation supplémentaire entraîne un travail technologique important. La solution la plus évidente au problème de la diminution du rapport signal/bruit au niveau du récepteur consiste à réduire la taille des cellules. Toutefois, cette solution n’est pas financièrement réalisable pour les opérateurs mobiles en raison des coûts d’acquisition des sites et du défi que représente l’ajout d’une interconnexion de liaison très dense à un plus grand nombre de cellules. Il est donc essentiel d’étudier comment surmonter ces problèmes avec des systèmes radio et d’antennes intégrés avancés (voir ci-dessous « MIMO de la prochaine génération »).
La forme d’IA connue sous le nom de Machine Learning (ML) est très populaire en raison de l’avènement de puissants modèles de grands langages (LLM) destinés au grand public. Mais les ingénieurs en télécommunications explorent des types de modèles très différents. Alors que les LLM sont formés à la réponse au langage humain à partir de vastes quantités d’échanges sur le web, le secteur de la téléphonie mobile sans fil développe l’IA pour optimiser les performances des réseaux, traiter les complexités de la gestion des faisceaux radio, optimiser la conception des circuits, faciliter des flux de trafic plus efficaces et réduire la consommation d’énergie globale. Rien de tout cela n’utilise des LLM, mais plutôt des modèles ML formés sur des données techniques provenant de réseaux, de circuits et même de données synthétisées à partir d’outils de simulation et d’émulation. Les principaux défis techniques sont liés à la nécessité de garantir un modèle fiable qui surpasse régulièrement les moyens conventionnels. Ils peuvent être résumés comme suit :
1. Comment développer, affiner et entraîner le modèle (cela nécessite de disposer de grandes quantités de données fiables pour les développeurs) ?
2. Comment valider que le modèle fonctionne dans la grande majorité des circonstances ?
La technologie MIMO (Multiple In/Multiple Out) a été développée pour tirer parti du fait que les ondes radio peuvent emprunter plusieurs chemins entre l’émetteur et le récepteur (par exemple, un chemin direct, un ou plusieurs chemins réfléchis). Avant la technologie MIMO, les trajets multiples posaient un problème pour les communications radio et provoquaient des « interférences par trajets multiples “ (certains se souviennent d’une “ image fantôme ” sur leur téléviseur lorsque le seul accès était un système de radiodiffusion à base d’antennes). La technologie MIMO dans le domaine des communications cellulaires en est maintenant à sa quatrième génération. Ses dernières manifestations ont été nécessaires pour surmonter l’augmentation des pertes dans le spectre de 3,5 GHz alloué à la 5G. L’approche fondamentale consiste à :
1. Utiliser de nombreux éléments d’antenne et un traitement numérique des signaux (DSP) complexe afin que les éléments d’antenne travaillent ensemble pour améliorer le rapport signal/bruit effectif au niveau du récepteur.
2. Mesurer en permanence l’état du canal radio entre l’émetteur et le récepteur (les canaux mobiles sans fil sont en constante évolution) afin que le DSP manipule en permanence la manière dont les multiples éléments d’antenne sont utilisés pour surmonter l’évolution constante du canal.
La migration vers 7-16 GHz tout en gardant la même taille de cellule (par exemple en gardant la même distance maximale entre l’émission et la réception qu’avec 3,5 GHz) implique encore plus de complexité technique dans le système MIMO : plus d’éléments d’antenne, et même distribués, et un DSP plus puissant. Il s’agit là d’un excellent moyen de tirer parti du ML, compte tenu de la complexité de ce qui est requis..
Le « Radio Access Network » (RAN) est le terme utilisé pour désigner le réseau de stations de base radio nécessaires pour assurer l’interface avec l’équipement utilisateur mobile (par exemple, les smartphones). Avant la 5G, le RAN était une architecture fermée, chaque grand fabricant d’équipements réseau ayant sa propre approche. Cependant, l’idée de virtualiser les parties numériques du RAN (entités logicielles fonctionnant sur des serveurs polyvalents haute performance) a poussé l’industrie à travailler pour normaliser la désagrégation résultante (unité radio, unité numérique, unité centralisée) et pour normaliser les interfaces entre ces composants architecturaux. Cette approche Open RAN a débouché sur de nouveaux concepts, notamment des contrôleurs intelligents de la fonctionnalité RAN (RAN Intelligent Controller ou RIC), dans lesquels la ML est déjà utilisée dans une certaine mesure. L’Open RAN (et d’autres normes ouvertes) est considéré par beaucoup comme une étape nécessaire pour la 6G et, par conséquent, d’autres travaux sont en cours pour faire avancer les concepts vers une nouvelle phase.
