Cet article étudie les techniques de compression basées sur l'IA pour la transmission de signaux de grande dimension sous des contraintes strictes de bande passante et de latence sur la liaison fronthaul des systèmes sans fil. Les stratégies conventionnelles telles que la détection compressée, la quantification scalaire et les pipelines de codecs fixes reposent sur des informations préalables limitées, souffrent d'une dégradation rapide des performances à des taux de compression élevés et sont difficiles à adapter sur différents canaux et environnements de déploiement. Dans cet article, nous étudions les techniques de compression basées sur l'IA et analysons deux approches représentatives de haute compression : le retour CSI via l'apprentissage de bout en bout, l'optimisation du précodage au niveau des blocs de ressources (RB) et la combinaison de compression. Sur la base de ces connaissances, nous proposons une stratégie de compression fronthaul adaptée aux architectures acellulaires, visant des taux de compression élevés, une perte de performance contrôlable, une adaptation du débit au niveau des RB et une inférence à faible latence, adaptée à la transmission centralisée et coopérative dans les réseaux de nouvelle génération.
