NVIDIA Sionna und Aerial: Open-Source-Tools für 5G/6G knacken 1 Million Downloads

NVIDIA hat am Donnerstag, dem 6. November 2026, bekannt gegeben, dass seine Open-Source-Tools für 5G und 6G mehr als 1 Million Downloads überschritten haben. Nach Angaben des Unternehmens hat sich die weltweite Nutzung der Software NVIDIA AI Aerial und NVIDIA Sionna im vergangenen Jahr verzehnfacht, und mehr als 8.000 Forschungs- und Hochschuleinrichtungen weltweit nutzen die Plattformen bereits.

Vor einem Jahr hat NVIDIA seine drahtlose Aerial-Software als Open Source veröffentlicht und damit NVIDIA Sionna und eine breitere Suite von Open-Source-Tools ergänzt, um die Entwicklung von 6G-Netzen der nächsten Generation zu beschleunigen. Gemeinsam geben sie Forschenden eine Grundlage, um Ideen zu testen, Ergebnisse zu vergleichen und auf der Arbeit anderer aufzubauen, und verbinden Simulation und KI-Training mit Experimenten an realen Funksystemen. NVIDIA Sionna, eine Open-Source-Bibliothek für die 6G-Forschung mit GPU-Beschleunigung, ist neben Aerial eine der Säulen dieses Ökosystems.

Das erklärte Ziel des Unternehmens ist es, KI-native 6G-Netze zu bauen, die Konnektivität, Rechenleistung und Sensorik über eine konvergente, softwaredefinierte Plattform für Milliarden von Menschen, Maschinen und Agenten bereitstellen.

Netze, die Robotern helfen, schneller zu reagieren

Wenn die KI, die die Bewegung eines Roboters steuert, auf einem nahen Server oder in der Cloud läuft, wird die Funkverbindung Teil der Reaktionszeit. Forschende untersuchen einen Ansatz namens zielorientierte semantische Kommunikation: Statt vollständiger Bilder übertragen Roboter kompakte Beschreibungen von Objekten, deren Positionen und Beziehungen.

Am King's College London verbanden Forschende einen Roboterarm mit Kamera mit einem NVIDIA Jetson AGX Orin, auf dem NVIDIA Sionna läuft und der sowohl ein softwaredefiniertes 5G-Netz als auch Edge-KI-Verarbeitung unterstützt. In Experimenten zum Verpacken von Obst und zum Stapeln von Würfeln mit absichtlich eingeführten Fehlern verkürzte der Ansatz die Aufgabendauer des Roboters um bis zu 52,6 % und verbesserte die Erfolgsquote im Vergleich zum Versand periodischer Bilder. Das System erwies sich zudem als widerstandsfähiger: Es erkannte heruntergefallene Objekte, erholte sich von fehlgeschlagenen Aktionen und prüfte in Konfigurationen mit digitalem Zwilling geplante Bewegungen vor der Ausführung auf mögliche Kollisionen.

Netze, die lernen, Signale besser zu empfangen

SoftBank demonstrierte dies, indem es einen neuronalen Empfänger in NVIDIA Aerial CUDA-Accelerated RAN integrierte und mit einem kommerziellen 5G-Smartphone testete. In kontrollierten Tests mit Interferenzen lieferte der neuronale Empfänger in allen 15 getesteten Einstellungen einen höheren Uplink-Durchsatz als ein herkömmlicher Empfänger, mit einem maximalen Gewinn von rund 60 %.

Eine weitere Möglichkeit, den Empfang zu verbessern, besteht darin, Empfänger über die Umgebungen zu lehren, in denen sie arbeiten. Mit dem NVIDIA Aerial Testbed fanden Forschende der ETH Zürich heraus, dass die Feinabstimmung neuronaler Empfänger anhand lokaler Messungen die Blockfehlerraten im Vergleich zu ausgewählten vortrainierten Versionen um mehr als ein Drittel senkte.

Netze, die lernen, wann sie Energie sparen

An der University of Leeds entwickelten Forschende ein System, das die Netznachfrage 10 Minuten im Voraus vorhersagt und diese Prognosen nutzt, um Entscheidungen zum Abschalten von Basisstationen zu steuern. Vor dem Abschalten prüft es, ob benachbarte aktive Stationen die betroffenen Geräte weiterhin versorgen können, und überwacht Änderungen, die eine Wiederherstellung der Kapazität erfordern.

Das Team testete seinen Ansatz mit einem tragbaren 5G-Netz im Network-in-a-Box-Format, angetrieben von einem NVIDIA DGX Spark, sowie einem digitalen Zwilling zur Validierung der Entscheidungen an realer Funkausrüstung. Das Ergebnis: eine Reduzierung des RAN-Stromverbrauchs um 45,6 % gegenüber einer Volllast-Basis bei gleichbleibender Gerätekonnektivität.

Schnellere Tests, bevor das Netz gebaut wird

Das Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) beschleunigt diesen Prozess, indem es GPU-beschleunigte Funkkanalmodelle, die auf Aerial CUDA-Accelerated RAN laufen, in den Open-Source-Netzsimulator 5G-LENA einbringt. In einer ersten Bewertung verkürzte der Ansatz die Simulationslaufzeit von etwa drei Stunden auf 10 bis 20 Minuten und bewahrte dabei das erwartete statistische Verhalten und die Netzleistung.

NVIDIA AI Aerial und NVIDIA Sionna sind auf GitHub verfügbar. NVIDIA hob außerdem hervor, dass Partner auf dem Brooklyn 6G Summit Demonstrationen mit der Technologie gezeigt haben.

Auch lesenswert: Qualcomm mostra protótipo 6G no CIIE em Xangai

Quellen

Bildnachweis: NVIDIA / NVIDIA Developer — Abbildung des Sionna Research Kit, NVIDIAs 6G-Forschungskit.

Transparenz: Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und mit öffentlichen Beiträgen auf X sowie Quellen aus dem Internet abgeglichen. Bitte prüfen Sie die Angaben stets anhand der Originalquellen.

Von Muse