Verbesserte Funkleistung KI und maschinelles Lernen be­schleu­ni­gen 6G-Kommunikation

Anbieter zum Thema

Dell GmbH

Insider Research

Southern Tech GmbH

Keysight Technologies Deutschland GmbH

Mit dem Einsatz von künstlicher Intelligenz und Methoden des maschinellen Lernens soll die Kommunikation per 6G beschleunigt werden. Konkret geht es um die Kanalzustandsinformationen (CSI) und, wie die per Funk übertragenen Informationen minimiert werden können.

Eine verbesserte Funkleistung bei 6G versprechen sich die Experten von Keysight Technologies und der Universität Malaga. Dazu kommen künstliche Intelligenz und Methoden des maschinellen Lernens in drahtlosen 6G-Kommunikationssystemen zum Einsatz. Beide Partner haben eine Methode entwickelt, Algorithmen in Design- und Messtechnik-Tools zu importieren. Damit lässt sich die Leistung validieren.

Bereits heute nutzen viele Netzbetreiber und Anbieter KI und maschinelles Lernen in ihren Netzen. Bislang gibt es jedoch keine Unterstützung von Wireless-Standards für KI und maschinelles Lernen. Das führt zu zahlreichen Interoperabilitätsproblemen zwischen Geräteherstellern und zu einem Standard, der nicht für KI/ML optimiert ist.

Genaue Kanalzustandsinformation ist rechenintensiv

Eine der wichtigsten Möglichkeiten für eine bessere Funkleistung ist es, genaue Kanalzustandsinformationen (Channel State Information (CSI)) bereitzustellen und zu nutzen. Damit stehen die bekannten Kanaleigenschaften und -bedingungen der Kommunikationsverbindung bereit. CSI wird in Echtzeit in einem drahtlosen System verwendet, um die Übertragungen so gut wie möglich an die aktuellen Kanalbedingungen anzupassen, um die bestmögliche Leistung zu erzielen.

Mit dieser Komponente ist eine zuverlässige Kommunikation mit hohen Datenraten und Mehrantennensystemen möglich. Eine genaue CSI zu berechnen ist rechen- und ressourcenintensiv. Damit ist sie ein guter Kandidat für die Integration von KI und ML in das Netzwerk. Aus diesem Grund haben die Forscher der Universität Malaga ein KI/ML-Modell zur Verbesserung des CSI-Feedbacks entwickelt.

Um zu validieren, dass das ML-Modell eine bessere Leistung als die herkömmliche digitale Signalverarbeitung (DSP) für CSI-Feedback bietet, stellte Keysight eine digitale Zwillingsplattform zur Verfügung. Sie emuliert die Leistung des Modells unter realen Bedingungen. Über die Schnittstellenschicht, welche mit dem Modellierungstool PathWave System Design (SystemVue) von Keysight verbunden ist, ließ sich das Modell unter einer Vielzahl von Fading-Profilen und anderen Testbedingungen evaluieren.

KI/ML-Algorithmus ins SystemVue importieren

Dank dieser Schnittstelle kann jeder KI/ML-Algorithmus, der die gängigsten KI/ML-APIs und -Frameworks unterstützt, in Keysight SystemVue importiert und von der Branche genutzt werden. Sowohl Keysight als auch die Universität Malaga unterstützen den Prozess, damit dieser in das 3GPP RAN-1-Standardisierungsgremium eingebracht wird.

„Wir minimieren die Informationen, die über Funk übertragen werden müssen, um eine genaue CSI von den Endgeräten zur Basisstation zu erhalten“, sagt Mari Carmen Aguayo, Professorin an der Universidad de Málaga und Leiterin des Forschungsinstituts für Telekommunikation (TELMA). „Dazu verwenden wir Algorithmen der künstlichen Intelligenz, die in der Lage sind, die Informationen zu komprimieren und nur wenige Informationen zu senden, das für eine optimale Leistung erforderlich ist.“

Dieser Beitrag stammt von unserem Schwesterportal Elektronikpraxis.

(ID:49776587)