KI in der Kommunikationstechnik
Künstliche Intelligenz (KI) begegnet uns im alltäglichen Leben mehr und mehr. Seit 2010 hat KI im Bereich der tiefen neuronalen Netze (NN) eine rasante Entwicklung genommen und konnte mehrere Durchbrüche verzeichnen. Spezielle Hard- und Software wie Grafikprozessoren (GPU) und automatische Differenzierungssysteme, Innovationen bei NN-Modellen und Fortschritte beim Training haben es möglich gemacht, Algorithmen zu entwickeln, die bei bestimmten Aufgaben die menschliche Leistung erreichen oder sogar übertreffen. Dazu gehören Bildverarbeitung (bspw. autonomes Fahren, medizinische Diagnostik) oder selbständig agierende KIs wie AlphaGO, welche Profispieler in diversen Spielen wie Schach oder Go besiegt haben. Dadurch ist KI auch in den Fokus der Öffentlichkeit gelangt.
Diese Erfolge mit KI sind Kommunikationsingenieuren nicht unbemerkt geblieben, sodass KI in der Nachrichtentechnik immer mehr an Bedeutung gewinnt. Klassischerweise werden Algorithmen basierend auf mathematischen Modellen der Umgebung gebildet. KI-Algorithmen hingegen brauchen kein Modell um ihre Umgebung zu erfassen, sie erlernen diese durch Daten. Im Kontext der Kommunikationstechnik wurden bspw. komplette Sender- und Empfängerstrukturen als ein NN erlernt. Die gewonnenen Erkenntnisse haben großes Interesse in der Nachrichtentechnik geweckt.
Daraufhin entstand in den folgenden Jahren eine Flut von Veröffentlichungen, welche die Anwendung von KI in vielen Bereichen der Nachrichtentechnik untersucht haben und dabei Vor- aber auch Nachteile zu Tage gefördert haben. Bei Nutzung der KI-Standardwerkzeuge gehört zu den Vorteilen, dass eine Adaption an unvorgesehene Imperfektionen des Modells mithilfe von Daten möglich ist; zu den Nachteilen ein erhöhter Bedarf an Daten und Rechenleistung, was die Latenz stark erhöhen kann. Der heutige Stand der Technik reicht von immer neuen KI-Algorithmendesigns bis zu einer hybriden Nutzung von KI und klassischen Algorithmen. Gerade die Kombination aus bereits bekannten Algorithmen mit zusätzlichen lernbaren Parametern hat hierbei gute Ergebnisse erzielt.
Ein prominentes Beispiel ist die Multiple Input Multiple Output (MIMO) Entzerrung, welche das Ziel hat, die überlagerten Sendesignale am Empfänger wiederherzustellen. Herkömmlicherweise wird bei dem Algorithmus ein Kompromiss erzielt, entweder gute Entzerrerqualität und hohe Rechenkomplexität oder schlechte Entzerrung und geringe Rechenkomplexität. Hier wurde mit hybriden KI-Algorithmen ein sehr guter Kompromiss erzielt, der eine gute Performance bei wenig Rechenkomplexität erreicht.
Die Zukunft im Bereich der KI wird spannend bleiben und bietet viel Potenzial. Wir [die Autoren des Blogartikels] persönlich denken, dass dieses Potenzial auch im Bereich der Nachrichtentechnik weiter ausgeschöpft werden und KI Einzug in neue Mobilfunkstandards finden wird. Dabei ist jedoch ein kluges Zuschneiden der KI-Ansätze auf das Kommunikationsproblem notwendig, sodass eine Verbesserung gegenüber bisherigen Standards erreicht werden kann.