Maschinelles Lernen für Kommunikation mit Rekonfigurierbaren Intelligenten Oberflächen (ML4RIS)

• Antragsteller: Dr.-Ing. Bile Peng
• 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 566937681

Die rekonfigurierbare intelligente Oberfläche (RIS) ist eine vielversprechende Technologie für Kommunikationssysteme der nächsten Generation. Sie verändert passiv die Eigenschaften drahtloser Kanäle, um die Anforderungen fortgeschrittener Signalverarbeitungstechniken (z. B. Mehrfachzugriffstechniken) zu erfüllen. Mit einem richtig konfigurierten RIS können Durchsatz und Robustheit der drahtlosen Kommunikation erheblich verbessert werden. Um das Potenzial von RIS voll auszuschöpfen und in die Realität umzusetzen, schlagen wir einen RIS-Optimierungsansatz mit mehr als 1000 RIS-Elementen vor, ohne bekannte Kanalzustandsinformationen (CSI) vorauszusetzen und unter Berücksichtigung der Mobilität der Nutzer. Der vorgeschlagene Ansatz wird anhand eines RIS-Prototyps validiert und feinabgestimmt. Aufgrund der inhärenten Ungewissheit des Kanalzustands und der Benutzerbewegung ist der Zufall ein unvermeidlicher Bestandteil der RIS-Konfiguration. Die Robustheit der RIS-gestützten Kommunikation wird durch die explizite Berücksichtigung der oben genannten Zufälligkeiten optimiert. Zur Durchführung der oben genannten Optimierungen, die aufgrund ihrer hohen Komplexität nicht mit analytischen Methoden durchgeführt werden können, wird ein neuartiger Ansatz verfolgt, das so genannte problem-spezifische unüberwachte maschinelle Lernen (ML). Im Gegensatz zu überwachten Methoden sucht unser Ansatz autonom nach optimalen Lösungen ohne vorgegebene Labels, da die optimale RIS-Konfiguration häufig unbekannt ist. Darüber hinaus weichen wir von allgemeinem maschinellem Lernen ab und kombinieren Fachwissen aus der Kommunikationstechnologie mit ML. Im Mittelpunkt unserer Methodik steht die neuronale Netzarchitektur RISnet, die entsprechend der RIS-Eigenschaft entwickelt wurde. Unter Berücksichtigung der oben beschriebenen inhärenten Ungewissheit schlagen wir Randomness-aware machine learning (RAML) vor, welches die Schwierigkeit angeht, dass typische neuronale Netze nicht gut mit Zufälligkeiten umgehen können, da sowohl Eingabe als auch Ausgabe des neuronalen Netzes deterministische Zahlen und keine Verteilungen sind. RAML stellt einen Paradigmenwechsel bei den Optimierungsstrategien dar und zielt darauf ab, die erwartete Leistung oder Ausfallwahrscheinlichkeit unter stochastischen Bedingungen optimiert wird, einschließlich komplizierter nicht-parametrischer bedingter Verteilungen, wie z. B. möglicher zukünftiger Kanalbedingungen aufgrund von Benutzerbewegungen gegeben vergangener und aktueller Kanalbedingungen. Das Ergebnis des Projekts ermöglicht nicht nur eine robuste RIS-Konfiguration mit hoher Leistung in Echtzeit, sondern inspiriert auch die Optimierung anderer komplexer technischer Systeme mit einem hybriden Ansatz aus ML und auf Fachwissen basierenden Analysemethoden.

• DFG-Verfahren: Sachbeihilfen