Künstliche Intelligenz in der Funkkommunikation
Wir befinden uns aktuell noch im Zeitalter der „schwachen“ künstlichen Intelligenz, einer Kategorie, die durch fünf Merkmale definiert ist:
1. Fähigkeit zu logischen Schlussfolgerungen, z. B. AlphaGo
2. Wahrnehmungsfähigkeit, z. B. Gesichtserkennung
3. Repräsentation von Wissen, z. B. Watson for Oncology von IBM
4. Sprachverarbeitungsfähigkeit, z. B. Apples Siri, Amazons Alexa
5. Planungs- und Navigationsfähigkeiten, z. B. selbstfahrende Autos
Demgegenüber erlaubt eine „starke“ KI Maschinen die Entwicklung von Fähigkeiten,die menschlicher Intelligenz gleichkommen oder sie sogar übertreffen (z. B. intelligente Roboter). Ein weiterer relevanter Faktor ist das maschinelle Lernen (ML)als eine Unterkategorie der künstlichen Intelligenz. ML kommt beispielsweise in Systemen zum Einsatz, die aus Datensätzen lernen,anstatt lediglich vorprogrammierte Anweisungen auszuführen. Dabei findet ein Lernprozess auf Grundlage mehrschichtiger künstlicher neuronaler Netze statt. Ein zukünftiges Funknetz könnte über eine KI-native Luftschnittstelle verfügen, sodass die angebundenen Funksysteme von der Umgebung und voneinander lernen können, indem sie trainierte neuronale Netzezur Anwendung bringen.
Neuronale Netze sind eine Ausprägung des maschinellen Lernens, die für die drahtlose Kommunikation von Bedeutung ist – wie die folgenden drei Beispiele neuronaler Netze deutlich machen:
1. Recurrent Neural Network (RNN): Bei rekurrenten bzw. rückgekoppelten neuronalen Netzen dient die Ausgabe des vorherigen Schritts als Eingabe für den aktuellen Schritt (z. B. Textverarbeitung). RNNs sind nützlich für die Vorhersage von Zeitreihen („Memory-Effekte“) und die Linearisierung analoger HF-Frontends sowie Antennensubsysteme durch digitale Vor- und Nachverzerrungsalgorithmen auf Basis von ML-Modellen.
2. Convolutional Neural Network (CNN): Vorwärtsgerichtete neuronale Netze mit bis zu 30 Schichten. CNNs verarbeiten strukturierte Datenarrays (ursprünglich z. B. für die Bildverarbeitung konzipiert) und stellen eine der derzeitigen Optionen zur Realisierung eines neuronalen Empfängers dar.
3. Konzept eines Autoencoders: ein spezieller Typ eines künstlichen neuronalen Netzes, das das unbeaufsichtigte Erlernen einer effizienten Datencodierung ermöglicht. Ziel ist es, das Netz darauf zu trainieren, unbedeutende Daten zu ignorieren. Autoencoder, beispielsweise umgesetzt als Transformatoren, werden zur Zeit als Mittel zur Komprimierung von Kanalzustands-Feedback-Informationen untersucht, die durch Messungen im Downlink erfasst und im Uplink zurückgesendet werden.