Mit zunehmender 5G- und 6G -Netzwerke versprechen sie eine Zukunft unglaublich schneller und zuverlässiger drahtloser Verbindungen. Eine Schlüsseltechnologie dahinter ist „Millimeter-Wave“ (MMWAVE), die sehr hochfrequente Radiowellen verwendet, um große Datenmengen zu übertragen. Um das Beste aus MMWAVE zu machen, verwenden Netzwerke große Gruppen von Antennen, die zusammenarbeiten, „MIMO mit mehreren Eingängen mit mehreren Eingängen“.
Die Verwaltung dieser komplexen Antennensysteme ist jedoch eine Herausforderung. Sie benötigen genaue Informationen über die drahtlosen Umgebungen zwischen der Basisstation (wie einem Zellturm) und Ihrem Gerät. Diese Informationen werden als „Channel State Information (CSI)“ bezeichnet. Das Problem ist, dass sich diese Signalbedingungen schnell ändern, insbesondere beim Umzug – in einem Auto, Zug oder sogar einer Drohne. Diese schnelle Veränderung, der „Kanalalterungseffekt“, kann zu Fehlern führen und Ihre Verbindung stören.
Aus dieser Sicht haben ein Forscherteam der Incheon National University unter der Leitung von Associate Professor Byungju eine neue KI-betriebene Lösung entwickelt. Ihre Methode, die als „transformatorgestützte parametrische CSI-Feedback“ bezeichnet wird, konzentriert sich auf wichtige Aspekte des Signals, anstatt alle detaillierten Informationen zu senden. Es konzentriert sich auf einige wichtige Informationen, einschließlich Winkel, Verzögerungen und Signalstärke. Durch die Konzentration auf diese Schlüsselparameter reduziert das System die Menge an Informationen, die an die Basisstation zurückgeschickt werden müssen, erheblich. Das Papier wurde am 16. Oktober 2024 online zur Verfügung gestellt und in Band 23, Ausgabe 12, Dezember 2024 des Journals veröffentlicht IEEE -Transaktionen zur drahtlosen Kommunikation.
„Um den schnell wachsenden Datenbedarf in drahtlosen Netzwerken der nächsten Generation zu befriedigen, ist es wichtig, die reichlich vorhandene Frequenzressource in den MMWAVE-Bändern zu nutzen. In Mmwave-Systemen macht die schnelle Benutzerbewegung diesen Kanal zu einem echten Problem“, erklärt Prof. Byungju Lee Lee .
Das Team nutzte künstliche Intelligenz (KI), insbesondere ein Transformatormodell, um Signalmuster zu analysieren und vorherzusagen. Im Gegensatz zu älteren Techniken wie CNNs können Transformatoren sowohl Kurz- als auch langfristige Muster in Signaländerungen verfolgen, wodurch Echtzeitanpassungen auch dann vorgenommen werden, wenn sich Benutzer schnell bewegen. Ein wesentlicher Aspekt ihres Ansatzes besteht darin, die wichtigsten Informationen – Winkel und Verzögerungen – beim Senden von Feedback an die Basisstation zu priorisieren. Dies liegt daran, dass diese Parameter den größten Einfluss auf die Qualität der Verbindung haben.
Tests zeigten, dass ihre Methode die Fehler signifikant reduzierte (über 3,5 dB niedrigerer Fehler als herkömmliche Methoden) und die Datenzuverlässigkeit verbesserte, gemessen nach Bit -Fehlerrate (BER). Die Lösung wurde auch in verschiedenen Szenarien getestet, von Fußgängern, die bei 3 km/h bis hin zu Fahrzeugen mit 60 km/h und sogar Hochgeschwindigkeitsumgebungen wie Autobahnen gingen. In allen Fällen übertraf die Methode traditionelle Ansätze.
Dieser Durchbruch kann Passagieren in Hochgeschwindigkeitszügen ununterbrochenes Internet zur Verfügung stellen, über Satelliten nahtlose Kommunikation in abgelegenen Bereichen ermöglichen und die Konnektivität während der Katastrophen verbessern, wenn herkömmliche Netzwerke möglicherweise ausfallen. Es ist auch bereit, aufkommende Technologien wie V2X-Kommunikation und maritime Netzwerke (Fahrzeug-zu-alles-Alles-zu-Alles-the-alles) zugute zukommen. „Unsere Methode sorgt für eine präzise Beamformung, mit der Signale nahtlos mit Geräten eine Verbindung herstellen können, selbst wenn Benutzer in Bewegung sind“, sagt Prof. Lee.
Diese innovative Methode setzt einen neuen Benchmark für die drahtlose Kommunikation und stellt die Zuverlässigkeit und Geschwindigkeit sicher, die für Netzwerke der nächsten Generation erforderlich ist.
