Tiefergehend selbstverstärkendes Lernen zur Ausrichtung der Sender-/Empfänger-Strahlformung bei erstmaligem Verbindungsaufbau

• Antragsteller: Professor Dr.-Ing. Stephan ten Brink
• Fachliche Zuordnung: Kommunikationstechnik und -netze, Hochfrequenztechnik und photonische Systeme, Signalverarbeitung und maschinelles Lernen für die Informationstechnik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 560528105

Die herausfordernden Ausbreitungseigenschaften in Verbindung mit den restriktiven Hardwarebeschränkungen von drahtlosen Kommunikationssystemen, die im Millimeterwellen-Frequenzbereich betrieben werden, erfordern spezielle Erstzugriffstrategien (Strahlausrichtung, sog. beam alignment, BA) mit niedriger Latenz und hohem erreichbaren Strahlformungsgewinn. In letzter Zeit wurden mehrere vielversprechende, auf tiefgehendem Lernen (deep learning (DL)) basierende BA Strategien vorgeschlagen. Für eine große Zahl dieser Schematas wurde gezeigt, dass diese ihre konventionellen, nicht DL-basierten Gegenstücke in relevanten Leistungs-Metriken übertreffen. Die praktische Anwendbarkeit dieser Schematas ist jedoch durch Annahmen wie die Notwendingkeit von differenzierbaren Ende-zu-Ende trainierbaren System-Modellen, das Vorhandensein von detaillierten Informationen über den mmWave-Kanal und/oder spezifischen Hardware-Architekturen für das Training der Gewichte der neuronalen Netze eingeschränkt. Daher sind wir der Ansicht, dass der allgemeinere Ansatz des Trainings mittels eines tiefgehenden selbstverstärkenden Lernen-Frameworks (deep reinforcement learning (DRL)) dabei hilfreich sein könnte, viele dieser Einschränkungen zu überwinden. Neben der Erweiterung und Weiterentwicklung der jüngsten Entwicklungen im Bereich des DL-basierten BA planen wir deshalb in diesem Antrag insbesondere Möglichkeiten und Methoden für die Anwendung von Deep Reinforcement Learning für Beam Alignment zu untersuchen.

• DFG-Verfahren: Sachbeihilfen