Datenfunknetz mit Adaptivhardware und KI-Optimierung zur Reduktion des Energieverbrauches (DAKORE-GreenICT); Teilvorhaben: Effiziente KI-fähige Basisbandplattform (DAKORE-BB)

Abstract

Im Teilvorhaben "Effiziente KI fähige Basisbandplattform (DAKORE BB)" wurde eine modulare und echtzeitfähige Plattform zur Untersuchung energieeffizienter Basisbandverfahren für zukünftige 5G und 6G Kommunikationssysteme entwickelt. Ziel war es, durch den Einsatz künstlicher Intelligenz sowie durch die adaptive Nutzung heterogener Hardwareplattformen den Energieverbrauch insbesondere in der physikalischen Übertragungsschicht signifikant zu reduzieren. Im Zentrum der Arbeiten stand die Konzeption und Implementierung einer offenen, erweiterbaren Prototyping Plattform, die ein vollständiges Ende zu Ende Kommunikationssystem bestehend aus Basisstation, Endgerät und Core Netzwerk abbildet. Die Architektur basiert auf OpenAirInterface [1] und ermöglicht durch klar definierte Schnittstellen die Integration zusätzlicher Komponenten sowie die gezielte Erweiterung um KI basierte Verfahren. Ein wesentliches Merkmal der Plattform ist die enge Verzahnung von Signalverarbeitung und Energieerfassung, wodurch eine detaillierte Analyse des Energieverbrauchs im Gesamtsystem unter realistischen Bedingungen möglich wird. Ein Schwerpunkt der Arbeiten lag auf der Entwicklung und Integration KI basierter Signalverarbeitungsverfahren. Hierbei wurde insbesondere ein neuronaler Empfangsalgorithmus [3] in das Basisbandsystem integriert, der klassische Signalverarbeitungsblöcke durch ein Convolutional Neural Network ersetzt. Die Ergebnisse zeigen, dass durch diesen Ansatz bei vergleichbarer Übertragungsqualität eine Reduktion des erforderlichen Signal Rausch Abstands erreicht werden kann, was ein erhebliches Potenzial zur Verringerung der Sendeleistung und damit zur Energieeinsparung im Funkzugangsnetz darstellt. Neben der algorithmischen Entwicklung wurde die Abbildung der Signalverarbeitung auf unterschiedliche Hardwareplattformen intensiv untersucht. Dabei konnte gezeigt werden, dass durch eine anwendungsabhängige Partitionierung der Verarbeitung auf CPU , GPU und FPGA basierte Systeme eine Verbesserung der Energieeffizienz erzielt werden kann. Ergänzend wurden Verfahren zur Reduktion der Modellkomplexität, insbesondere durch Quantisierung von KI Modellen, entwickelt und bewertet. Im Rahmen des Projekts wurde außerdem eine Infrastruktur zur Erfassung realer Funkdaten aufgebaut, die die Generierung hochwertiger Datensätze für Training und Validierung von KI Modellen ermöglicht. Dies verbessert die Übertragbarkeit der entwickelten Verfahren auf reale Einsatzszenarien und erhöht deren Robustheit gegenüber praktischen Einflüssen. Die entwickelten Ansätze wurden abschließend in einem integrierten Demonstrator zusammengeführt und unter realitätsnahen Bedingungen validiert. Dabei wurden verschiedene Betriebsmodi und Systemkonfigurationen untersucht sowie die Leistungsaufnahme zentraler Komponenten, einschließlich externer HF Subsysteme, experimentell erfasst. Dies ermöglicht eine konsistente Bewertung der Wechselwirkungen zwischen Funkleistung, algorithmischem Verhalten und Energieverbrauch. Die erzielten Ergebnisse zeigen, dass die Kombination aus KI basierter Signalverarbeitung, flexibler Systemarchitektur und detaillierter Energieanalyse einen vielversprechenden Ansatz zur Steigerung der Energieeffizienz zukünftiger Kommunikationssysteme darstellt. Gleichzeitig wurde mit der entwickelten Plattform eine nachhaltige Forschungsinfrastruktur geschaffen, die die Untersuchung zukünftiger 6G Schlüsseltechnologien unterstützt und eine Grundlage für weiterführende Forschung, Kooperationen sowie die wissenschaftliche Verbreitung der Ergebnisse bietet.