KI-Algorithmen in der Messtechnik Verbessertes 6G-Empfängerdesign basiert auf Machine Learning

Anbieter zum Thema

Rohde & Schwarz GmbH & Co. KG

Bürklin GmbH & Co. KG

CSA Group Bayern GmbH

Syslogic GmbH

Die Nokia Bell Labs und Rohde & Schwarz haben gemeinsam einen KI-gestützten 6G-Empfänger entwickelt. Mithilfe von Machine Learning wird eine Signalverzerrungskompensation erreicht, wodurch sich die Uplink-Reichweite um 10 bis 25 % erhöht. Dadurch ergeben sich Verbesserungen bei Durchsatz und Energieeffizienz.

Die Entwicklung von 6G-Netzen steht vor erheblichen technischen Herausforderungen, insbesondere durch die geplante Nutzung höherer Frequenzbereiche, die zu verstärkten Pfadverlusten und damit zu Abdeckungslimitierungen führen. Nokia Bell Labs und Rohde & Schwarz haben einen Ansitz entwickelt, der Machine-Learning basiert und die physikalischen Begrenzungen durch eine clevere Signalverarbeitung direkt im Empfänger kompensiert.

Das Kernprinzip basiert auf KI-Algorithmen, die Signalverzerrungen in Echtzeit identifizieren und kompensieren können. Dabei führt das System adaptive Filterung basierend auf den aktuellen Kanalcharakteristiken durch und optimiert gleichzeitig Rauschunterdrückung und Symbolentscheidung. Diese Signalrekonstruktion ermöglicht es, die spektrale Effizienz erheblich zu verbessern und die verfügbare Bandbreite besser auszunutzen.

Ein komplexer Testaufbau

Für die Validierung haben die Entwickler einen komplexen Testaufbau gebaut. Der Vektorsignalgenerator R&S SMW200A erzeugt realistische Uplink-Signale und emuliert verschiedene Kanalbedingungen. Die eigentliche KI-Verarbeitung erfolgt durch den neu eingeführten FSWX Signal- und Spektrumanalysator von Rohde & Schwarz, der die AI-Inferenz für den Nokia-Empfänger durchführt. Diese Konfiguration ermöglicht es, 6G-Übertragungsbedingungen realitätsnah nachzubilden und die Algorithmen unter praxisnahen Bedingungen zu testen.

Die Messergebnisse zeigen die Leistungsverbesserungen: Die Uplink-Distanz konnte gegenüber konventionellen Empfängern um 10 bis 25 % gesteigert werden. Bemerkenswert ist dabei, dass die KI-Technologie gleichzeitig mehrere Parameter optimiert und neben der Reichweitensteigerung auch Durchsatz und Energieeffizienz verbessert. Das führt zu einem Mehrfachnutzen, der für kommerzielle Implementierungen von entscheidender Bedeutung ist.

Neue Anforderungen und Möglichkeiten

Aus Entwicklersicht ergeben sich durch diese Technologie neue Anforderungen und Möglichkeiten. Die KI-Inferenz muss in Echtzeit im Empfänger-Frontend implementiert werden, was spezielle Überlegungen bezüglich Rechenleistung und Latenz in der Signalverarbeitung erfordert. Entwickler müssen ein sorgfältiges Balancing zwischen Algorithmus-Komplexität und Energieverbrauch finden, insbesondere für mobile Anwendungen. Gleichzeitig eröffnen sich neue Möglichkeiten für Software-definierte Funktionalitäten und adaptive Systeme.

Die Algorithmus-Entwicklung selbst stellt besondere Herausforderungen dar. Die Lernverfahren müssen sich adaptiv an verschiedene Kanalbedingungen anpassen können und gleichzeitig robust gegenüber sich ändernden Umgebungsbedingungen sein. Die Entwicklung einer effizienten Training- und Inferenz-Pipeline für Produktionsumgebungen erfordert sorgfältige Optimierung zwischen Genauigkeit und Rechenaufwand.

In bestehende 5G-Infrastrukturen integrieren

Besonders interessant für Systementwickler ist die Tatsache, dass diese Technologie es ermöglicht, 6G-Netze auf bestehenden 5G-Standorten aufzubauen. Das reduziert die Anforderungen an zusätzliche Zelldichte durch die verbesserte Empfängerleistung und kann somit Rollout-Kosten erheblich senken. Die Entwicklung erfolgt bereits in der Pre-Standard-Phase, was Entwicklern die Möglichkeit gibt, frühzeitig Erfahrungen zu sammeln und Kompatibilitätsaspekte zu berücksichtigen.

Technische Herausforderungen bleiben dennoch bestehen. Das Latenz-Management ist kritisch, da die KI-Verarbeitung innerhalb der strikten 6G-Latenz-Budgets erfolgen muss. Für mobile Endgeräte müssen die ML-Algorithmen hinsichtlich Energieeffizienz optimiert werden, ohne die Leistungsfähigkeit zu beeinträchtigen. Die Standardisierungsaktivitäten werden maßgeblich beeinflussen, wie sich diese Technologie in der Praxis durchsetzen wird. (heh)

Turbo für 6G

Neuronaler Empfänger übernimmt Aufgaben der Signalverarbeitung

Signal- und Spektrumanalyse

Neue Architektur verspricht höhere Messgeschwindigkeit und einfache Testaufbauten

(ID:50622446)