KI und ML für 6G-Netze

Künstliche Intelligenz und maschinelles Lernen für 6G

Obwohl künstliche Intelligenz einer der zehn zentralen Forschungsbereiche für 6G ist, kann das Thema nicht losgelöst von anderen Fragen behandelt werden. Es ist auch für alle anderen Bereiche relevant, beispielsweise zellfreies Massive MIMO, Vollduplex-Kommunikationsowie intelligente reflektierende Oberflächen. In 6G-Netzen lässt sich die Performance jeder dieser Technologien durch datengesteuerte, trainierte Systeme steigern, was positive Folgen für die Energieeffizienz und dementsprechend auch die Nachhaltigkeit hat. Der Einsatz trainierter Machine-Learning-Modellefür Signalverarbeitungsaufgaben wie Kanalschätzung, -entzerrungund Demappingermöglicht eine weitere Optimierung der Luftschnittstelle im Vergleich zu den heutigen 4G LTE- und 5G NR-Netzen.

Rohde & Schwarz unterstützt die Forschung in Europa, Asien und den USA und arbeitet als Partner in Projekten wie dem Leuchtturmprojekt 6G-Access, Network of Networks, Automation & Simplification (6G-ANNA). Dieses Projekt hat die Entwicklung eines Designs für 6G zum Ziel, das die Ende-zu-Ende-Architektur einschließt und die Interaktion zwischen Menschen, Technik und Umweltmittels neuer Sensoren und Algorithmen zur Erfassung menschlicher Bewegungen vereinfachen soll.

Ihre KI-Herausforderung bei 6G-Netzen

Zur Realisierung einer KI-nativen Luftschnittstelle für 6G-Netze müssen Blöcke in der Signalverarbeitungskette auf der Bitübertragungsschicht durch trainierte Machine-Learning-Modelle ersetzt werden. Der erste Schritt in diesem Prozess ist die Ersetzung einzelner Verarbeitungsblöcke, aber letztlich müssen logisch zusammenhängende Aufgaben in einem einzigen trainierten Machine-Learning-Modellkombiniert werden. Solche Aufgaben sind etwa Kanalschätzung, Kanalentzerrungund Demapping. Diese Vorgänge werden zusammengeführt und durch nur ein trainiertes ML-Modell ersetzt, das als neuronaler Empfängerbezeichnet wird.

Die Signalverarbeitung für die 6G-Luftschnittstellen ist jedoch lediglich ein Bereich, in dem maschinelles Lernen Vorteile bieten kann. Ein weiteres mögliches Anwendungsfeld stellt die Linearisierung von Leistungsverstärkern oder des gesamten HF-Frontends dar, das in den heutigen Mobilfunkgeräten und Basisstationen zum Einsatz kommt. Künstliche Intelligenz oder maschinelles Lernenkönnen bei 6G für die Luftschnittstellesowie das HF-Frontendin mehreren unterschiedlichen Phasen genutzt werden:

Phase 1: Zunächst können die heutigen deterministischen, algorithmischen Linearisierungsmodelle für Leistungsverstärker durch ML ersetzt werden. Die Forschung in diesem Bereich hat bereits im Jahr 2020 begonnen und wird vor allem von Universitäten vorangetrieben. Maßgebliche Branchenunternehmen haben aber ebenfalls relevante Studien durchgeführt. Dieser Prozess soll auch auf das gesamte HF-Frontend (= Antennensystem und Transceiver) angewendet werden.

Die Datenverfügbarkeit ist im Zusammenhang mit künstlicher Intelligenz und 6G immer ein Thema. Denn zum Trainieren eines neuronalen Netzes wird Zugriff auf entsprechende Datensätze benötigt. Das HF-Frontend wird in der Regel von einem einzigen Hersteller entwickelt. Das bedeutet, dass alle notwendigen Daten zum Trainieren neuronaler Netze in den Händen eines einzigen Herstellers liegen – was die Realisierung dieser Phase erleichtert.

Phase 2: In dieser Phase geht es um Empfängeraspekte, wobei das Konzept eines neuronalen Empfängers umgesetzt wird, indem Signalverarbeitungsblöcke wie Kanalschätzung, Kanalentzerrung und Demapping durch ein trainiertes ML-Modell ersetzt werden.

Phase 3: In dieser Phase beginnt die Ende-zu-Ende- oder E2E-Optimierung. ML soll eine gemeinsame Optimierung von Sende-, Empfangs- und Basisbandverarbeitung leisten. Das Endziel während dieser Phase ist die Anpassung der Übertragung an die zugrundeliegende Anwendung (Sprachanruf, Webbrowsen, XR usw.), das Bereitstellungsszenario und den Einfluss des Übertragungskanals, wobei die ML-Designs Teil der Bitübertragungs/MAC-Schicht sind (6G PHY/MAC). Ein erster Schritt in Richtung E2E-Lernen ist die Ersetzung des Modulationsmappers mit einer maßgeschneiderten, erlernten Konstellation, die perfekt an die Unvollkommenheiten des Senders und Empfängers sowie die Bedingungen des Funkkanals angepasst ist. Maßgeschneiderte Modulationen ermöglichen eine pilotlose Übertragung und verbessern so die Performance des Gesamtsystems weiter.

Solche hochadaptiven Implementierungen der Bitübertragungsschicht erfordern eine umfassende Verifizierungvor dem Einsatz im Feld. Für diese Verifizierung werden Modelle benötigt, die zuverlässig arbeiten – auch unter seltenen Bedingungen, die im Feld auftreten können. Allerdings sind trainierte KI/ML-Modelleimmer nur so gut wie die Trainingsdaten, mit denen sie gefüttert wurden. Hier wird das Lebenszyklusmanagement für die KI/ML-Modellewichtig (z. B. Modelltraining, -auswahl, austausch, -aktivierung und -überwachung), da mit einer häufigen Zusammenarbeit zwischen Teilnehmergeräten und Basisstationen/Netzwerken zu rechnen ist. Durch geeignete Tests und Messungen muss die fehlerfreie Interoperabilitätzwischen den von verschiedenen Herstellern gelieferten Komponenten verifiziert werden.