Applications of artificial intelligence and machine learning to the physical layer of wireless communications

Künstliche Intelligenz und maschinelles Lernen (KI/ML) gehören zu den Schlüsseltechnologien für die nächste Generation der drahtlosen Kommunikation, die sechste Generation (6G). Das große Interesse an der Einführung von KI/ML in allen Schichten des Mobilfunknetzes wurde durch die Verfügbarkeit ausreichend großer Datensätze motiviert, die es KI/ML-Algorithmen ermöglichen, effektive Lösungen zu finden, insbesondere wenn kein genaues Modell oder keine bekannte Lösung für das betrachtete Problem vorhanden ist. Die Einbindung von KI/ML-Algorithmen in das drahtlose Netzwerk erfordert Änderungen im Design des Netzwerks sowie seiner Kommunikationsprotokolle. Daher haben Standardisierungsgremien wie das 3rd Generation Partnership Project (3GPP) und das Open Radio Access Network (O-RAN) damit begonnen über ein KI/ML-basiertes Radio Access Network (RAN) nachzudenken.

Angesichts dieser Situation leistet diese Dissertation einen Beitrag zur Entwicklung von KI/ML-Lösungen für die Kanalschätzung und Kanalvorhersage. Dies sind typische Aufgaben der physikalischen Schicht (PHY), die sich auf den Benutzerdurchsatz auswirken können, da die Auswahl der Vorverzerrer (oder Strahlformer) von der Erfassung der Kanalzustandsinformationen (CSI) abhängt. Da 6G darauf abzielt, die Datenrate für den Endbenutzer zu verbessern und gleichzeitig die Energieeffizienz des Netzwerks zu erhöhen, ist es wichtig, die Leistung von Funktionen der physikalischen Schicht wie Kanalschätzung und Kanalvorhersage zu verbessern. Das Hauptziel dieser Dissertation ist es, KI/ML-Algorithmen für diese Funktionen der physikalischen Schicht vorzuschlagen, die eine gleichwertige oder bessere Leistung als herkömmliche Optimierungsalgorithmen aufweisen, einschließlich einer reduzierten Rechenkomplexität oder Verarbeitungszeit. Darüber hinaus kombinieren wir auch traditionelle und KI/ML-Lösungen, um den leistungsstärksten Algorithmus für die ausgewählten Funktionen der physikalischen Schicht zu entwickeln. In dieser Dissertation wird in jedem Kapitel eine andere Lösung entsprechend dem gegebenen Szenario und den Bereitstellungseinschränkungen vorgeschlagen und bewertet. Aufgrund der Vielseitigkeit von KI/ML-Algorithmen lösen wir verschiedene Probleme mit demselben KI/ML-Algorithmus. Der Unterschied liegt in der Wahl des Eingabedatensatzes, der gewünschten Ausgabe und ihrer Trainingsverfahren. Daher wird in jedem Kapitel dieser Dissertation die Gestaltung der entsprechenden KI/ML-Lösungen im Detail erläutert.

Aufgrund des Erfolgs von bedingten Generativen Adversarial Networks (cGANs) im Bereich der Bildverarbeitung für Aufgaben wie Rauschunterdrückung und Interpolation (oder Inpainting) schlagen wir vor, cGANs in zwei verschiedenen Szenarien der Mobilkommunikation einzusetzen. Erstens wird ein cGAN für die Kanalschätzung mit einer Antennenanordnung verwendet, für die nur ein Teil der Antennenelemente für die Kanalschätzung berücksichtigt wurde. Daher reduziert das cGAN den Bedarf an aufwendigen Hochfrequenz (RF) Empfangsmodulen verglichen mit einem vollständig digitalen MIMO-System. Zweitens wird ein cGAN für die Kanalinterpolation innerhalb eines Ausbreitungsbereichs verwendet, unter Berücksichtigung der Position das engewünschten endgeräts (UE) und der Funkkanäle einiger seiner benachbarten UEs. Die Funkkanäle der benachbarten UEs sind Vorwissen für die cGANs, welches über untrainierte neuronale Netze (UNNs) basiert auf den übertragenen Pilotsequenzen erworben werden kann. Die UNNs führen eine Rauschunterdrückung der Kanalschätzungen auf der UE-Seite durch, und ihre Gewichte dienen dazu, die Datenmenge für die Übertragung der Kanalmessungen zu reduzieren. Dies ist aufgrund der geringen Komplexität der UNN-Architektur und ihrer Unterparametrisierung im Vergleich zur Übertragung aller nicht quantisierten Kanalkoeffizienten möglich. Daher ermöglicht die Kombination von cGANs und UNNs eine starke Komprimierung des Overheads für die Datenübertragung, da nach dem Training nur noch die Position des UEs an die Basisstation gesendet werden muss. Darüber hinaus hat der Erfolg von Long-Short Term Memory (LSTM) Neuronalen Netzen (NNs) bei Sequenz-zu-Sequenz-Übersetzungsaufgaben uns motiviert, diese für verschiedene Anwendungen einzusetzen. Wir verwenden LSTMs zur Rauschunterdrückung innerhalb eines Frameworks zur Schätzung der Mehrwegkomponenten (MPC)-Parameter sowie zur Kanalschätzung der quantisierten Signale aus niedrig aufgelösten RF-Empfängermodulen und zur Kanalvorhersage, um Kanalschätzfehler durch eine zeitverzögerte Vorverzerrung zu minimieren. Darüber hinaus kombinieren wir im Rahmen zur Schätzung der Mehrwegkomponenten (MPC)-Parameter Funktionsblöcke, die herkömmliche Algorithmen wie Unitary Tensor-ESPRIT verwenden, und KI/ML-Algorithmen, die die Genauigkeit der geschätzten Mehrwegkomponenten (MPC)-Parameter verbessern. Nach unseren Ergebnissen sind unsere vorgeschlagenen KI/ML-Algorithmen größtenteils robust gegenüber Rauschen und können die Komplexität sowie die Rechenzeit für die Ausführung der KI/ML-Modellinferenz reduzieren, was die Leistung eines zukünftigen Mobilfunksystems verbessern wird. Daher wird diese Dissertation die Grundlage für die Standardisierung einer KI/ML basierten physikalischen Schicht für 6G und darüber hinaus liefern.