Funknetz und künstliche Intelligenz

In der näheren Zukunft werden die Steuer-, Regel- und Optimierungsaufgaben in vielen Bereichen der Technik so komplex, dass herkömmliche Optimierungsansätze nicht mehr ausreichen, um sie zu bewältigen. Dies gilt insbesondere dann, wenn Echtzeitverarbeitung und eine hohe Anpassungsfähigkeit an sich ständig ändernde Randbedingungen gefordert werden. Diesen Herausforderungen kann mit künstlicher Intelligenz bzw. maschinellem Lernen begegnet werden.

Der neue Mobilfunkstandard 5G und seine potentiellen Nachfolger ergeben dafür ein breites Anwendungsfeld und folgerichtig gehört das maschinelle Lernen zu den Forschungsschwerpunkten in der Abteilung Drahtlose Kommunikation und Netze. Durch die Einführung neuartiger Forschungsansätze und die Kombination bisheriger Forschungsergebnisse mit dem maschinellen Lernen werden dabei innovative Lösungswege beschritten.

Beim maschinellen Lernen werden möglichst große Datenmengen mithilfe spezieller Methoden so ausgewertet, dass daraus die nötigen Schlüsse für zukünftige Entscheidungen gezogen werden können. Die Methoden dazu sind sehr vielfältig, aber generell gilt, dass, wer große Datenmengen zur Verfügung hat, im Vorteil ist. Dass die künstliche Intelligenz erst jetzt verstärkt ihren Weg in die Anwendung findet, liegt an der enormen dazu nötigen Rechenleistung. Für viele Anwendungen der künstlichen Intelligenz sind selbst heutige Computer-Prozessoren (CPU) zu langsam, was aber durch den Einsatz von sehr leistungsfähigen, grafik-basierenden Prozessoren (GPU) oftmals kompensiert werden kann.

Die Arbeiten zum Funkkanal, die mithilfe von maschinellem Lernen verbessert oder erst gelöst werden können, werden hier in drei Bereiche aufgeteilt. Da ist zuerst die Optimierung des Funknetzes zu nennen, das aufgrund seiner Größe und der damit verbundenen Datenflut besonders geeignet ist, um diese Aufgabe vorteilhaft mit Methoden des maschinellen Lernens zu lösen. Ferner sind es Methoden zur Optimierung der Datenübertragung zum Endgerät, die vorzugsweise im network layer ausgeführt werden, wenn es jedoch die Verarbeitungsgeschwindigkeit erfordert, auch im physical layer durchgeführt werden können.

Darüber hinaus werden allgemeine Betrachtungen und weitergehende Ansätze entwickelt, erforscht und untersucht. So wurden u. a. Störungen ausgewertet, um sie zum Lernen zu benutzen [1], [2], sogenannte deep neural networks (siehe Abbildung) mithilfe der Laplace Technik problemspezifisch entworfen [3], [4] und das verteilte Lernen (distributed learning) hinsichtlich verschiedener Kriterien intensiv untersucht [5], [6], [7], [8].

 

 

Die Forschungsaktivitäten bezüglich der sogenannten Zeitumkehr (time reversal) stehen derzeit im Fokus. Bei der Zeitumkehr wird das sich aus dem Fading ergebene Empfangsmuster in zeitlicher Umkehr als Abstrahlmuster verwendet, so dass die Anteile zeitgleich am anderen Empfänger ankommen. Bei genügendem Fading kann sich eine sehr leistungseffiziente Übertragung ergeben, die dabei noch mit einer relativ einfachen Hardware realisiert werden kann. Um das Potenzial aber abrufen zu können, ist eine schnelle Erfassung des Fading-Profils von essentieller Bedeutung und findet daher im physical layer statt.

Referenzen

[1] S. Limmer, J. Mohammadi, S. Stanczak, “A Simple Algorithm for Approximation by Nomographic Functions”, 53rd Annual Allerton Conference on Communication, Control, and Computing, 2015

[2] K. Ralinovski, M. Goldenbaum and S. Stanczak, Energy-efficient Classification for Anomaly Deteciton: The Wireless Channel as a Helper, IEEE ICC, 2016

[3] S. Limmer and S. Stanczak, "Optimal deep neural networks for sparse recovery via Laplace techniques," arXiv:1709.01112, Sep. 2017

[4] S. Limmer and S. Stanczak. A neural architecture for Bayesian compressive sensing over the simplex via Laplace techniques. IEEE Trans. on Signal Processing, 66(22):6002–6015, Nov. 2018

[5] R. L. G. Cavalcante, S. Stanczak, and I. Yamada, Cooperative Cognitive Radios with Diffusion Networks. IN: Mechanisms and Games for Dynamic Spectrum Allocation. Cambridge University Press, UK, 2014

[6] R. L. G. Cavalcante and S. Stanczak, "A distributed subgradient method for dynamic convex optimization problems under noisy information exchange,"IEEE Journal of Selected Topics in Signal Processing, vol. 7, no. 2, pp. 243-256, April 2013

[7] R. L. G. Cavalcante, A. Rogers, N. R. Jennings, and I. Yamada, "Distributed Asymptotic Minimization of Sequences of Convex Functions by a Broadcast Adaptive Subgradient Method," IEEE Journal of Selected Topics in Signal Processing, vol. 5, no. 4, pp. 739-753, Aug. 2011

[8] R. L. G. Cavalcante, I. Yamada, and B. Mulgrew, "An Adaptive Projected Subgradient Approach to Learning in Diffusion Networks,” IEEE Trans. Signal Processing,vol. 57, no. 7, pp. 2762-2774, July 2009