DeepRx ist eine der erfolgreichsten Machine-Learning-Lösungen für die Prozesse im PHY-Layer und integriert einen wesentlichen Teil der Empfängerfunktionalität in ein einzelnes, trainiertes neuronales Netzwerk. Dies hat mehrere Anwendungsspezifische Weiterentwicklungen inspiriert, wie beispielsweise MIMO DeepRx und Hybrid DeepRx. Allerdings wurde DeepRx bisher noch nicht im Kontext von Non-Terrestrial Networks (NTN) untersucht.

Dieses Projekt erforscht die Anwendbarkeit von DeepRx für NTN, insbesondere für die Verarbeitung empfangener Signale auf Satelliten. Zunächst wird die Funktionalität von DeepRx auf theoretischer Ebene analysiert und mit den spezifischen Herausforderungen von NTN abgeglichen. Anschließend werden mit den Software-Frameworks OpenNTN und Sionna End-to-End-Simulationen von NTN-Systemen durchgeführt, um eine DeepRx-basierte Architektur zu entwickeln, die speziell für NTN-Szenarien optimiert ist. Darüber hinaus wird die neue Architektur mit Blick auf die begrenzten Ressourcen auf Satelliten so gestaltet, dass sie eine minimale Komplexität aufweist, ohne dabei an Leistungsfähigkeit einzubüßen.