5G/6G und IoTDie Zukunft
5G/6G und IoTDie Zukunft ist KI-nativHerausforderungen und Chancen für 6GDie Integration Künstlicher Intelligenz bietet Chancen für zahlreiche Aspekte des Mobilfunks wie Netzbetriebund Netzwerk-Management, die Dienstbereitstellung und die Entwicklung neuer Edge-Dienste.Bereits heute kommen in bestehenden 5G-Netzen erste KI-Modelle zum Einsatz. Die 6G-Standards befinden sichnoch in der Entwicklung und werden voraussichtlich ab 2028 verfügbar sein – mit künstlicher Intelligenz alsintegralem Bestandteil der zukünftigen Infrastruktur und Dienste.In 5G-Netzen übt KI vor allemeine unterstützende Funktion zurOptimierung der Performance inausgewählten Anwendungsfällenaus. Mit 6G beginnt die „KInative“Ära. Künstliche Intelligenzwird bei 6G eine zentraleRolle in Netzwerkprotokollen,der Signalverarbeitung und derSystemoptimierung spielen.Autor:Francesco RossettoSignal Processing andWireless CommunicationSpecialistRohde & Schwarzwww.rohde-schwarz.com/deKI-native LuftschnittstelleDie Entwicklung einer KInativenLuftschnittstelle fürkünftige 6G-Netze ist bereitsangelaufen. In der Signalverarbeitungskettewerden herkömmlicheFunktionsblöcke zunächstdurch trainierte Machine-Learning-Modelle ergänzt undzu einem späteren Zeitpunktvollständig ersetzt. Beispielsweisekönnen Aufgaben wieKanalschätzung, Kanalentzerrungund Demapping in einemeinzigen trainierten ML-Modellkombiniert werden, einem sogenanntenneuronalen Empfänger.Solche neuronalen Empfängerbieten zahlreiche Vorteile,etwa im Hinblick auf diePerformance des Funksystemsin dynamischen und schnellveränderlichen Umgebungen.Wenn sich Netzteilnehmer mithoher Geschwindigkeit bewegen,werden Kanalschätzungenschnell obsolet, und die Interpolationzwischen Pilotsignalenführt zu Schätz fehlern. KonventionelleAnsätze zur Reduzierungdieser Fehler führen zudem zueinem Overhead, da verschiedenePilotsignalmuster verwendetwerden, die dem ResourceGrid, dem Zeit-Frequenz-Ressourcenraster,zuzuweisen sind.Darunter leidet die Spektrumeffizienz.Neuronale Empfänger,die das Zeit verhalten desFunkkanals erlernen, könnendie Schätzfehler reduzieren undperformen in solchen Situationenbesser.HerausforderungenEs soll aber nicht verschwiegenwerden, dass der Einsatzvon KI/ML vor zahlreichen Herausforderungensteht – nichtnur im Zusammenhang mitneuronalen Empfängern, wodie Performance im Vergleichzu konventionellen Algorithmennoch hitzig debattiert wird,neben Fragen der Echtzeitleistung,des Stromverbrauchs undder Energieeffizienz. Zu den allgemeinenHerausforderungengehören die Entwicklung undeffiziente Einführung der KI-Modelle, die Implementierungvon Updates, die Versionskontrolle,die Überwachung derPerformance und die Integrationneuer Daten und Szenarien.Auch für die Messtechnik ergebensich wichtige Implikationen.Einzigartiges Know-how prädestiniertRohde & Schwarz füreine maßgebliche Rolle auf diesemGebiet. Die herkömmlichendeterministischen Testmethoden,die aus 5G- und 5G-Advanced-Szenarienbekannt sind,werden einer KI-nativen Luftschnittstellenicht gerecht. NeueStrategien sind gefragt, die derprobabilistischen Entscheidungsfindungdurch künstlicheIntelligenz, der Variabilität derTrainingsdaten und möglichemDaten-Drift im Laufe der ZeitRechnung tragen. Es zeichnetsich bereits ab, dass Test- undValidierungsverfahren künftigflexibler und anpassungsfähigergestaltet werden müssen. UmRobustheit und Zuverlässigkeitzu gewährleisten, wird der Einsatzsowohl realer Daten als auchsimulationsbasierter Verfahrenerforderlich sein.16 hf-praxis 11/2025
5G/6G und IoTValidierungneuronaler EmpfängerGegenwärtig wird noch hauptsächlichmit Simulationen gearbeitet.Rohde & Schwarz hateine Partnerschaft mit Nvidiageschlossen, um einen mithilfedes offenen Software-FrameworksSionna des KI-Pioniersentwickelten und trainiertenneuronalen Empfänger zu validieren.Als Grundlage diente der5G New Radio-Standard. Derneuronale Empfänger wurdefür ein MU-MIMO-Szenario(Multiuser MIMO) in Uplink-Richtung trainiert, wobei zweiNetzteilnehmer emuliert wurden,die unterschiedlichen Funkkanalbedingungenausgesetztsind (unterschiedliche Dopplerfrequenzenund Delayspreads).Da die Informationen über dasModulationsverfahren (z.B.16QAM) und den verwendetenUnterträgerabstand (z.B.30 kHz) fest in die Gewichtungendes neuronalen Netzeseintrainiert sind, benötigt jedesModulationsverfahren und jederUnterträgerabstand ein eigenesModell. Die Performance dieserverschiedenen Modelle kannnun mit dem 6G-Testsystem vonRohde & Schwarz getestet werden,das die KI-Inferenz mit inHardware-in-the-Loop-Experimentengewonnenen Messdatenerlaubt. Die Integrationdes neuronalen Empfängersmarkiert einen wichtigen Meilensteinfür das Testsystem, daserstmals auf dem Mobile WorldCongress 2023 in Barcelona vorgestelltwurde.Verbesserung der EffizienzKI-basierte Signalverarbeitungwie der neuronale Empfängerwird voraussichtlich zunächst inInfrastrukturkomponenten wie6G-Basisstationen zum Einsatzkommen. Die Verbesserung derEffizienz stellt eines der zentralenForschungsanliegen dar, undbeim Training des neuronalenEmpfängers kann auch die Senderseitemiteinbezogen werden.Jüngste Fortschritte beim Empfängerund Testsystem ermöglichendie Nutzung eines sogenannten„pilotlosen Kommunikationsschemas“.Dies bedeutet,dass der Modulations-Mapperauf der TX-Seite in den Trainingsprozesseinbezogen wirdund eine spezielle Konstellationerlernt wird, die auf demerfahrenen Funkkanal und denbeispielsweise durch die analogeHF-Hardware verursachtenImpairments basiert. DieErweiterung des Modells führtzur Eliminierung der sonst notwendigenPilotsignale und mitder gewählten 5G-Signalkonfigurationsomit zu einer Steigerungder Spektrumeffizienzum 7%. Andere Studien legennahe, dass die Spektrumeffizienzsogar um 14% gesteigertwerden könnte – je nachdem,welches herkömmliche Pilotmusterals Basis für den Vergleichverwendet wird.Gleiche Performancebei weniger KomplexitätBei öffentlichen Demonstrationenund im Labor wurdender neuronale Empfänger mitdem R&S SMW200A Vektorsignalgeneratorund dem server-basiertenTest-FrameworkR&S Server-Based Testing mitden darin enthaltenen R&SVSE Vector Signal ExplorerMicro Services kombiniert. DieBewertung der Performance vonSingle-User- und Multi-UserMIMO-Implementierungenanhand von Kennzahlen wieder (Transport-)Blockfehlerratebei gegebenem Signal-Rausch-Verhältnis hat gezeigt, dassder neuronale Empfänger eineähnliche Performance erreichtwie leistungsfähige konventionelleAlgorithmen – z.B. Maximum-Likelihood-SchätzungmitK-Best-Detektion –, aber mitgeringerer Rechenkomplexität.AI-RAN Alliance als PrüfstandRohde & Schwarz ist kürzlichder AI-RAN Alliance beigetreten,die im Februar 2024von wichtigen Branchenunternehmenwie unserem KooperationspartnerNvidia, ARM,DeepSig, Ericsson, Microsoft,Nokia, Samsung, Softbank undT-Mobile sowie mehreren wissenschaftlichenEinrichtungengegründet wurde. Die Allianzkonzentriert sich auf kritischeAspekte der KI im 6G-Funkzugangsnetz(RAN) wie die Verbesserungder Spektrumeffizienzund eine effektivere Nutzung derInfrastruktur sowie die Implementierungvon KI-Dienstenam Netzwerkrand zur Steigerungder Betriebseffizienz undEntwicklung neuer Dienste fürMobilfunknutzer.hf-praxis 11/2025 17
