KI: Hilfe zur Selbsthilfe für drahtlose Netzwerke
Das Internet der Dinge (IoT, Internet of Things) wurde als Begriff vor etwa 25 Jahren erstmals verwendet und beschreibt die vielen mit dem Internet verbundenen Geräte. Die Verwirklichung dieser Idee schreitet immer schneller voran. Inzwischen gibt es Milliarden dieser physischen Geräte, die Daten sammeln und austauschen. Daraus ergibt sich ein enormer Bedarf an hochleistungsfähigen Mobilfunknetzen, doch die Optimierung der Netzleistung ist mit herkömmlichen technischen Ansätzen kaum noch möglich. Um diese Probleme zu lösen, verfolgt das Projekt WINDMILL einen zweigleisigen Ansatz. Unterstützt über die Marie-Skłodowska-Curie-Maßnahmen hat das Projekt die Möglichkeiten der KI genutzt und eine neue Generation von Nachwuchsforschnden in ihrer Anwendung geschult.
Methoden des maschinellen Lernens für drahtlose Netzwerke der nächsten Generation
Maschinelles Lernen ist ein Teilgebiet der KI, das sich gut für die komplexe dynamische Netzoptimierung eignet. Mit den Algorithmen können Computersysteme iterativ aus Trainingsdaten lernen, auf dieser Grundlage ein Modell erstellen und dann Entscheidungen, Schlussfolgerungen oder Vorhersagen in Bezug auf neue Daten treffen, ohne dass sie ausdrücklich dafür programmiert werden. Laut Projektkoordinator Čedomir Stefanović von der Universität Aalborg ist „die analytische Modellierung unglaublich komplexer Mobilfunksysteme wie 5G und darüber hinaus oft unmöglich. Bisher konnten auf maschinellem Lernen basierende Tools erfolgreich auf verschiedene Herausforderungen in diesem Bereich angewendet werden.“ Dazu gehören: der Einsatz intelligenter Oberflächen (fortschrittliche Antennengruppen) für eine verbesserte Lokalisierung, die Erstellung von Funkkarten der Standorte von Nutzenden mit drahtloser Verbindung (sogenanntes „Channel Charting“) und die Gruppierung von Nutzenden in zellfreie Mehrantennen-Systeme (MIMO-Systeme) (Systeme, in denen es mehr Zugangspunkte als Nutzende gibt und jeder Zugangspunkt viele Antennen hat). Der drahtlose Zugang an jedem Ort und zu jeder Zeit erfordert eine optimale Nutzung der Zeit-, Frequenz- und Energieressourcen. Stefanović fährt fort: „WINDMILL untersuchte den Einsatz von Deep Reinforcement Learning – einem Teilbereich des maschinellen Lernens – für die Bereitstellung eines effizienten und fairen Zugangs zu einer großen Anzahl von Nutzenden (IoT-Netzwerke), neuronale Netze zur Verbesserung der spektralen Effizienz und lernbasierte Methoden für die Ressourcenzuweisung und -planung in WLAN-Netzwerken.“ Schließlich demonstrierte WINDMILL das Potenzial des robusten Bayes'schen Lernens bei der Bewältigung von Herausforderungen in der drahtlosen Kommunikation, die sich aus begrenzten Trainingsdaten und Modellinkonsistenzen ergeben – Situationen, in denen herkömmliche Algorithmen häufig versagen. Bayes'sches Lernen, ein statistischer Ansatz, bei dem ein Modell aktualisiert wird, wenn neue Erkenntnisse oder Daten eingehen, ist ein leistungsfähiges Mittel für verschiedene Aufgaben des maschinellen Lernens, insbesondere bei komplexen Problemen und unsicheren oder unvollständigen Daten. Die Ergebnisse von WINDMILL ebnen den Weg für den effektiven Einsatz des Bayes'schen Lernens in kritischen Anwendungen wie Lokalisierung und Spektrumerfassung, die voraussichtlich wichtige Komponenten künftiger 6G-Systeme sein werden.
Ein lebendiges Vermächtnis
Der Austausch von Wissen und Erfahrungen mit der wissenschaftlichen Gemeinschaft verstärkt die Wirkung und fördert die Innovation. Die Nachwuchsforschenden wurden darin geschult, Probleme, Lösungen, Theorie und Methoden des maschinellen Lernens für die Netzoptimierung in halbjährlichen Sitzungen und wöchentlichen Beiträgen, Blogs und kurzen Forschungsartikeln zu präsentieren. Stefanović erklärt: „Die Knowledge Sharing Platform wurde zu einem Sandkasten für ihre Neugierde im Rahmen ihrer Projektthemen und als junge Forschende.“ Er fügt hinzu: „Für mich war das wichtigste Ergebnis die Ausbildung einer Kohorte junger und talentierter Forschender, die nun bereit sind, neue Generationen von drahtlosen Systemen zu entwerfen und zu entwickeln, die die Möglichkeiten der KI nutzen.“
6G und darüber hinaus
Stefanović kommentier abschließend: „Die Ergebnisse von WINDMILL sind für 5G- und 6G-Netze direkt relevant. Wir haben auch bahnbrechende Ergebnisse zum autonomen Lernen von Kommunikationsprotokollen durch Netzwerkgeräte mithilfe von Verstärkungslernen gezeigt. Stellen Sie sich vor, dass Netzwerkgeräte mit minimalem Eingreifen von Menschen lernen können, effizient zu kommunizieren!“ Die Nachfrage nach zuverlässiger und leistungsstarker drahtloser Kommunikation steigt. WINDMILL konnte aufzeigen, was KI für unsere drahtlose Konnektivität leisten kann, und eine neue Kohorte von Forschenden vorbereitet, die die Fackel in die Zukunft tragen wird.
Schlüsselbegriffe
WINDMILL, drahtlos, maschinelles Lernen, 5G, 6G, IoT, Internet der Dinge, Lokalisierung, neuronale Netze, Verstärkungslernen, KI, künstliche Intelligenz, Mobilfunknetzwerke, Bayes'sches Lernen
