ML-basierte Optimierung von CSI-RS-Feedback

KI-gestützte Netzoptimierung

Kürzlich haben Rohde & Schwarz und Qualcomm Technologies die branchenweit erste Implementierung von „Cross-Node“-KI/ML demonstriert. Die Zusammenarbeit zweier unabhängig entwickelter Modelle führte in einem komplexen 5G-MIMO-Szenario zu einer Steigerung des Downlink-Durchsatzes um mehr als 50 %.

Zentrale Elemente

CSI-Feedback (Channel State Information) ist für Massive MIMO-Antennensysteme von entscheidender Bedeutung, da es eine präzise Strahlformung für Hochleistungsübertragungen ermöglicht. KI/ML sollen die Systemeffizienz steigern, den Overhead reduzieren und das Benutzererlebnis verbessern – sowohl bei 5G-Advanced als auch später 6G.

Allerdings erweist sich die Optimierung des CSI-Feedbacks mittels ML als besonders anspruchsvoll, aus mehreren Gründen. Erstens sind dafür zwei Modelle erforderlich – ein netzseitiges Modell und eines auf dem Teilnehmergerät. Die beiden Modelle werden daher von unterschiedlichen Anbietern entwickelt – müssen aber dennoch eng zusammenarbeiten. Die anbieterübergreifende Interoperabilität ist somit entscheidende Voraussetzung, um das volle Potenzial auszuschöpfen. ML-basiertes CSI-Feedback verdient besondere Aufmerksamkeit, da es derzeit das einzige knotenübergreifende (Cross-Node) oder „zweiseitige“ KI-Pilotszenario ist, das von 3GPP untersucht wird.

Zusammenarbeit der Modelle

Die Arbeit der beiden KI-/ML-Modelle lässt sich mit den Codierungs- und Decodierungsprozessen beim hochauflösenden Broadcasting vergleichen: Ein komplexes Bild wird mit entsprechenden Encodern und Decodern für die Übertragung in ein kleineres Datenpaket komprimiert und auf der anderen Seite der Übertragung wieder zusammengesetzt.

In diesem Fall entwickelte Rohde & Schwarz für seinen CMX500 5G One-Box-Signalisierungstester einen ML-gestützten Decoder – dieser emulierte die Netzwerkseite. Qualcomm Technologies steuerte dagegen einen gerätebasierten ML-gestützten Encoder bei. Die beiden Unternehmen verwendeten unterschiedliche Methoden zum Trainieren ihrer Modelle. Die Modelle wurden auf Kompatibilität trainiert, indem vordefinierte Referenzmodelle als Trainingsgrundlage genutzt wurden.

Nach dem Training der Modelle wurden diese gemeinsam in einem 5G-Advanced-Szenario mit 8×4 MIMO angewendet – unter Einsatz des CMX500, der das Szenario auf das Qualcomm-Testgerät übertrug. Das Smartphone-Modell führte die Berechnungen durch, komprimierte die Ergebnisse und sendete sie zurück an den CMX500. Das netzseitige Modell nutzte diese Daten dann, um das Beamforming im Downlink zu optimieren.