Una piastrella noiosa vuole risolvere il peggior problema delle connessioni ultra-veloci mmWave 5G per te.

      I ricercatori stanno utilizzando semplici superfici riflettenti stampate in 3D per deviare i segnali mmWave in ambienti interni difficili.

      

      

      

      

      

      

      

      

       Wuqiong Zhao, studente di dottorato presso UC San Diego e co-autore dello studio, tiene una piastrella riflettente.

      

      

       UC San Diego

      

      

      

       La tecnologia mmWave del 5G può offrire velocità wireless incredibilmente elevate, ma ha una fastidiosa debolezza: quei segnali non amano aggirare gli ostacoli. Muri, mobili, persone e persino il semplice spostamento di pochi piedi possono far sì che le connessioni mmWave si indeboliscano drasticamente. Ora, i ricercatori dell'Università della California San Diego stanno proponendo una soluzione sorprendentemente noiosa: piastrelle riflettenti economiche che semplicemente rimbalzano il segnale dove deve andare.

      Il problema del 5G davvero veloce

      Il mmWave si trova all'estremità delle frequenze più alte delle comunicazioni wireless e offre molta più larghezza di banda rispetto alle frequenze cellulari convenzionali. È questo che lo rende attraente per connessioni estremamente veloci, ma il compromesso è la propagazione. I segnali possono subire perdite di percorso significative e sono particolarmente vulnerabili agli ostacoli.

      Frederik Lipfert / Unsplash

      Come ci si aspetterebbe, ciò crea uno scenario frustrante all'interno degli edifici. Un telefono potrebbe avere un'eccellente connessione mmWave in un punto, solo per vedere il segnale crollare dopo che qualcuno passa tra esso e il punto di accesso. Risolvere questo problema normalmente significa aggiungere più punti di accesso, ripetitori alimentati o superfici intelligenti riconfigurabili sofisticate, tutte cose che aumentano i costi e la complessità. Fortunatamente, l'idea di UC San Diego è notevolmente più semplice: non generare un altro segnale, ma semplicemente deviare quello che è già presente.

      Incontra il rimbalzatore di segnali da $2

      I ricercatori hanno sviluppato metasuperfici passive, essenzialmente piastrelle riflettenti stampate in 3D progettate per deviare i segnali mmWave. Le piastrelle non necessitano di batterie, alimentatori, elettronica di controllo o coordinamento costante. Invece, più superfici economiche possono essere disposte attorno a un ambiente per guidare i segnali wireless verso aree che altrimenti sarebbero scarsamente coperte.

      Le leggere piastrelle stampate in 3D raddoppiano quasi le velocità medie dei dati mmWave indoor senza richiedere alimentazione o modifiche alla rete David Baillot / UC San Diego Jacobs School of Engineering

      Il team di UC San Diego chiama l'approccio FlowForm, e la sua ricerca suggerisce che reti di queste superfici passive economiche possono competere con approcci attivi più costosi. A circa $2 per piastrella, l'economia è particolarmente interessante: piuttosto che installare un altro pezzo complicato di hardware di rete ogni volta che un segnale colpisce un muro problematico, un edificio potrebbe potenzialmente utilizzare una collezione di riflettori quasi comicamente semplici.

      La soluzione noiosa potrebbe essere quella intelligente

      Naturalmente, ciò non significa che ogni torre 5G debba improvvisamente essere circondata da un muro di piastrelle lucide. La tecnologia è ancora in fase di ricerca, e il dispiegamento nel mondo reale comporterebbe capire quante superfici sono necessarie, dove dovrebbero essere posizionate e quanto bene funzionano in diversi ambienti.

      Ogni piastrella di 6×6 pollici contiene migliaia di piccoli elementi che deviano passivamente i segnali mmWave attorno agli ostacoli UC San Diego

      Ma l'idea sottostante è convincente perché affronta uno dei problemi più grandi del mmWave senza aggiungere un altro dispositivo affamato di energia alla rete. Man mano che i sistemi wireless si spingono verso frequenze sempre più elevate e connessioni più veloci, a volte la soluzione più intelligente non è un altro chip o antenna complicata. A volte, apparentemente, è un pezzo di plastica da $2 che dice a un segnale radio dove andare.

      

      

      

      

      

      

      

      

      

      

       Varun è un giornalista e redattore tecnologico esperto con oltre otto anni di esperienza nei media tecnologici per consumatori. Il suo lavoro spazia…

      

      

      

      

      

      

       L'assistente AI di Meta arriva finalmente su Mac, ma ha molto da recuperare

      

       Il nuovo assistente desktop può analizzare ciò che è visibile sullo schermo e accettare input vocali su macOS.

      

       Meta ha finalmente portato il suo assistente Meta AI su Mac con un'app desktop dedicata, offrendo agli utenti un altro chatbot AI da tenere aperto insieme a tutte quelle altre schede. L'app può analizzare una finestra condivisa, rispondere a domande su ciò che è sullo schermo, generare contenuti e accettare dettatura vocale su macOS.

      Meta AI può effettivamente vedere ciò che è sullo schermo

      

       Leggi di più

      

      

      

       L'AI potrebbe imparare da miliardi di immagini senza copiarne nessuna

      

       I ricercatori del MIT hanno identificato quello che chiamano "decadimento dell'attribuzione" nei grandi modelli generativi.

      

       Ecco una domanda scomoda per l'era dell'AI generativa: se un'AI crea un'immagine, qualcuno può effettivamente indicare le immagini specifiche che l'hanno influenzata? Un nuovo studio del Computer Science and Artificial Intelligence Laboratory del MIT suggerisce che, per modelli sufficientemente grandi, la risposta potrebbe spesso essere no. I ricercatori Dai e Gifford descrivono il fenomeno come "decadimento dell'attribuzione" nel loro documento ad accesso aperto, pubblicato oggi su Nature Communications. Si riferisce a come l'influenza di qualsiasi singolo pezzo di dati di addestramento diventa sempre più difficile da rilevare man mano che cresce la dimensione del dataset.

      Più grande è il dataset, più sfocata è l'attribuzione

      

       Leggi di più

      

      

      

       ChatGPT sta ottenendo una versione per adolescenti, e ho molte domande

      

       Che ti piaccia o no, ChatGPT è già ovunque. Le persone lo usano per ricercare argomenti complicati, migliorare la loro scrittura, apprendere nuove abilità, pianificare le loro vite e, nel mio caso, porre un numero imbarazzante di domande che avrei potuto scoprire da solo. Gli adolescenti non fanno eccezione. Infatti, OpenAI afferma che quasi nove adolescenti su dieci che usano ChatGPT si rivolgono a esso per imparare, trovare informazioni, sviluppare abilità o portare a termine le cose durante una settimana tipica. Quindi, piuttosto che fingere che gli studenti non useranno l'AI, OpenAI sta adottando un approccio diverso: dare loro una versione costruita specificamente per loro. L'azienda ha annunciato ChatGPT per adolescenti, una nuova esperienza per utenti tra i 13 e i 17 anni progettata attorno all'apprendimento, abitudini di utilizzo più sane e protezioni di sicurezza significativamente più forti. 

      ChatGPT vuole insegnare, non solo fornire la risposta

      

       Leggi di più