Bereits heute nutzen viele Netzbetreiber und Anbieter KI und Machine Learning in ihren Netzen. Bislang gibt es jedoch keine Unterstützung von Wireless-Standards, wie KI und Machine Learning eingesetzt werden sollten. Das führt zu vielen Interoperabilitätsproblemen zwischen den Geräteherstellern und zu einem Standard, der nicht für die KI/ML-Technologie optimiert ist.
Eine der wichtigsten Möglichkeiten zur Verbesserung der Funkleistung ist die Bereitstellung und Nutzung genauer Kanalzustandsinformationen (Channel State Information, CSI) – oder der bekannten Kanaleigenschaften und -bedingungen der Kommunikationsverbindung. CSI wird in Echtzeit in einem drahtlosen System verwendet, um die Übertragungen so gut wie möglich an die aktuellen Kanalbedingungen anzupassen, mit dem Ziel, die beste Leistung zu erhalten. Das ist eine entscheidende Komponente, um eine zuverlässige Kommunikation mit hohen Datenraten und Mehrantennensystemen zu erreichen.
KI-Algorithmen komprimieren Informationen
Traditionell ist die Berechnung und Meldung einer genauen CSI rechen- und ressourcenintensiv, was sie zu einem guten Kandidaten für die Integration von KI und ML in das Netz macht. Daher haben Forscher der UMA ein KI/ML-Modell für Verbesserungen des CSI-Feedbacks entwickelt.
„Wir reduzieren die Informationen, die über die Luft gesendet werden müssen, um eine genaue CSI von den Nutzergeräten zur Basisstation zu erhalten“, sagt Mari Carmen Aguayo, Professorin an der Universidad de Málaga und Leiterin des Instituts für Telekommunikationsforschung (TELMA). „Dazu setzen wir KI-Algorithmen ein, die die Informationen auf sehr kleine Mengen komprimieren können und nur das Minimum an Informationen senden, das für eine optimale Leistung erforderlich ist.“
Um zu validieren, dass das ML-Modell eine bessere Leistung als die herkömmliche digitale Signalverarbeitung (DSP) für CSI-Feedback erbringt, steuerte Keysight eine digitale Zwillingsplattform bei, die Leistung des Modells unter realen Bedingungen emuliert. Durch den Aufbau einer Schnittstellenschicht, die mit dem Modellierungstool PathWave System Design (SystemVue) von Keysight verbunden ist, konnten die UMA-Forscher das Modell unter einer Vielzahl von Fading-Profilen und anderen Testbedingungen evaluieren.
Technologie in der Branche einführen
Durch diese neue Schnittstelle kann nun jeder KI/ML-Algorithmus, der die gängigsten KI/ML-APIs und -Frameworks unterstützt, in Keysight SystemVue importiert und von der gesamten Branche genutzt werden. Um diesen Prozess zu unterstützen, arbeiten Keysight und UMA zusammen, um diese Neuheit in das 3GPP-RAN-1-Standardisierungsgremium einzubringen.
„Gemeinsam freuen wir uns darauf, in den verschiedenen Bereichen, die 3GPP erforscht, Fortschritte zu machen“, sagte Javier Campos, R&D Engineer bei Keysight. „Wir arbeiten an einer besseren Nutzbarkeit und an besseren Messungen, damit wir die nötigen Erkenntnisse gewinnen, um diese neue Technologie in der Branche einzuführen.“
