Teilprojekt: Erforschung effizienter Empfängerverfahren für die Funkkommunikation mit Methoden der Künstlichen Intelligenz |
![]() |
Die fortschreitende Digitalisierung führt zu einer rasant steigenden Anzahl vernetzter Geräte und erfordert moderne drahtlose Kommunikationssysteme, die sowohl leistungsstark wie auch ressourceneffizient sind. Verfahren der Künstlichen Intelligenz (KI) können hierzu einen wesentlichen Beitrag liefern und werden bereits auf den höheren Protokollschichten der 4G/5G-Systeme erfolgreich eingesetzt. Im Gegensatz hierzu konnten bislang für die physikalische Schicht (PHY) und für den Medienzugriff (MAC) unter idealisierten Annahmen gute und praktikable mathematisch-abstrakte Modelle genutzt werden, was die Entwicklung von effizienten Verfahren und Algorithmen ermöglichte; dadurch standen KI-Verfahren hier bisher weniger im Fokus. Die zunehmende Komplexität der Systeme mit einer immer höheren Geräteanzahl, die wachsenden Anforderungen an die Datenraten und Latenz sowie die Diversität der zu leistender Dienste (Breitband, sporadische/sehr zuverlässige Maschinenkommunikation, Notruf, Telemedizin, IoT etc.) führen die bisherigen modellbasierten Ansätze zum System- und Technologieentwurf jedoch an ihre Grenzen. Es erscheint daher unvermeidlich, dass neue Konzepte erforderlich sind.
Die zum Teil gegensätzlichen Anforderungen hinsichtlich Zuverlässigkeit, Übertragungsrate, Endgeräteanzahl pro Fläche, Latenz, verfügbare Radioressourcen, Energieeffizienz, Komplexität, und Hardware-Kosten erschweren zusehends die Umsetzung mit traditionellen Verfahren. Ist beispielsweise die mathematische Modellierung der Problemstellung nicht mehr möglich (Modell-Defizit) oder führt sie zu sehr komplexen Modellen (Algorithmen-Defizit), so stellen datengetriebene Verfahren des maschinellen Lernens (ML) einen vielver-sprechenden Ansatz zur Gewinnung eines Modellverständnisses bzw. zum System- und Technologieentwurf dar.
Im Rahmen von FunKI wird daher eine grundsätzliche Untersuchung KI-getriebener Technologien für Funkkommunikation verfolgt, die sich an der 5. Mobil-funkgeneration (5G) und deren Weiterentwicklung orientiert. Speziell werden Konzepte zum verbesserten Modellverständnis basierend auf Messkampagnen erarbeitet, KI-basierte Methoden zur Parameterschätzung entwickelt, die datengetriebene Optimierung von Sende- und Empfangsverfahren vorgenommen und KI-basiertes Training der Hardware-Implementierungen durchgeführt.
Das übergeordnete Ziel von FunKI ist die Entwicklung und Erprobung lern- und anpassungsfähiger Kom-munikationssysteme, die effizient und nachhaltig auf vorhandene Ressourcen zurückgreifen sowie auf den 5G-Systemspezifikationen und 5G-Anwendungen basieren. Hierzu werden ausgehend vom PHY- und MAC-Layer bis hin zur FPGA Hardware-Implementierung bzw. zum ASIC-Design die wesentlichen Kom-munikationskomponenten mit verschiedenen KI-Verfahren analysiert und optimiert. Die Eigenschaften bekannter KI-Verfahren werden problemspezifisch identifiziert und mögliche Einschränkungen bei ihrer Anwendbarkeit analysiert.
Das Ziel des Teilvorhabens besteht im dem Entwurf von sehr effizienten Empfängerverfahren für die Funkkommunikation mit Methoden des Maschinellen Lernens. Ausgehend von der theoretischen Konzeptentwicklung werden die Verfahren unter Einbeziehung von Implementierungsfragestellungen und 5G-spezfischen Systemparametern und Szenarien erforscht und mittels prototypischen Umsetzung demonstriert. Hierzu sollen zwei unterschiedliche Ansätze verfolgt werden.
Mit der Information Bottleneck Methode (IBM) steht ein sehr allgemeiner aus der Informationstheorie motivierter Ansatz zur Erlernen von Informationsverarbeitungsverfahren zur Verfügung. Diese Methode wurde bereits erfolgreich zur Optimierung von Quantisierern und zum Entwurf von diskreten Decodern angewendet bei denen die iterative Decodierung sehr effizient mit Hilfe erlernten Lookup-Tabellen (LUTs) umgesetzt wird. Ziel ist es, diesen Ansatz auf allgemeinere Codestrukturen zu erweitern und die Hardwarerealisierung gemeinsam mit den Projektpartnern zu durchzuführen. Dies ermöglicht die Analyse der Implementierungseffizienz und der entsprechenden nachrichtentechnischen Metriken unter Bedingungen realistischer Hardwareimplementierungen.
In einem zweiten Ansatz werden mit Hilfe von Maschinellen Lernverfahren Konzepte zur MIMO-Entzerrung und Kanaldecodierung erforscht. Insbesondere die effiziente Decodierung von kurzen Kanalcodes mit hoher Zuverlässigkeit stellt eine Herausforderung dar und soll sowohl mit erlernten Neuronalen Netzen wie auch mit durch die ML-basierte Adaption herkömmlicher Decodierverfahren adressiert werden. Die gemeinsame MIMO-Entzerrung und Kanaldecodierung ermöglicht prinzipiell eine Reduktion der Latenz aufgrund des sonst üblichen sequentiellen bzw. iterativen Verarbeitung. Ausgehend von hybriden Ansätzen bei denen NN-basierte Komponenten mit klassischen Algorithmen kombiniert werden, soll schrittweise eine gemeinsame NN-basierte Empfängerstruktur entwickelt, erlernt und unter Hinsichtlich Performanz-/Komplexitäts-Tradeoff analysiert werden.
Auf Basis der identifizierten 5G-Anwendungsfälle wird eine SDR-basierte 5G-Übertragungsstrecken aufgebaut und die KI-basierten Empfängerverfahren umgesetzt. Somit wird die Adaption der Verfahren an reale Übertragungssysteme und Szenarien ermöglicht und die Praxistauglichkeit von KI-basierten Übertragungssystemen nachgewiesen.
Projektwebseite https://www.funki.tech
Siehe auch BMBF https://www.forschung-it-sicherheit-kommunikationssysteme.de/projekte/funki