⚡ electrical engineering

Deep Learning based Three-stage Solution for ISAC Beamforming Optimization

Dieses Paper schlägt ein auf Deep Learning basierendes dreistufiges Framework für die ISAC-Beamforming-Optimierung vor, das die Summenkommunikationsrate unter Leistungs- und Sensorikbeschränkungen maximiert, indem es sequenziell Kanalmerkmale extrahiert, Beampattern mittels Reinforcement Learning optimiert und Beamforming-Vektoren durch Supervised Learning rekonstruiert, wobei es letztlich durch den Fokus auf die Beampattern-Optimierung die Baseline-Methoden übertrifft.

Ursprüngliche Autoren: Qian Gao, Ruikang Zhong, Yuanwei Liu

Veröffentlicht 2026-01-29

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC0 1.0

Ursprüngliche Autoren: Qian Gao, Ruikang Zhong, Yuanwei Liu

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen geschäftigen Funkmast (die Basisstation) vor, der zwei Aufgaben gleichzeitig erledigen muss: mit Ihrem Telefon kommunizieren (Kommunikation) und die Umgebung nach beweglichen Objekten scannen (Sensorik), wie etwa Autos oder Drohnen. Dies wird als ISAC (Integrated Sensing and Communication) bezeichnet.

Das Problem ist, dass es unglaublich schwer ist, beide Aufgaben perfekt auszuführen. Der Mast muss genau entscheiden, wie er seine „Signalstrahlen“ (wie ein Scheinwerfer) ausrichtet, um klar mit Nutzern zu kommunizieren, während er gleichzeitig sicherstellen muss, dass das Radar-Echo stark genug ist, um Ziele zu erfassen. Wenn er schlecht zielt, wird das Gespräch verrauscht oder das Radar übersieht ein Auto.

Traditionell erfordert das Finden der perfekten Ausrichtung komplexe Mathematik, die langsamer und schwieriger wird, je mehr Nutzer oder Antennen man hinzufügt. Die Autoren dieser Arbeit schlagen einen neuen, klügeren Weg vor, dies mithilfe von Deep Learning zu lösen, aufgeteilt in einen dreistufigen Prozess.

So funktioniert ihre Lösung, erklärt mit Alltagsanalogien:

Der Drei-Stufen-„Küchenchef“-Ansatz

Anstatt zu versuchen, das ganze Gericht (das endgültige Signal) in einem einzigen, riesigen und chaotischen Schritt zuzubereiten, unterteilen sie den Prozess in drei spezialisierte Stationen.

Stufe 1: Der „Zusammenfasser“ (Unüberwachtes Lernen)

Das Problem: Der Mast erhält eine gewaltige Menge an Rohdaten über die Umgebung (Channel State Information oder CSI). Es ist, als würde ein Koch ein 500-seitiges Buch erhalten, das das Wetter, die Zutaten und die Stimmung der Kunden beschreibt. Das ist zu viel, um es schnell zu verarbeiten.
Die Lösung: Das erste Modul ist ein Autoencoder (eine Art KI). Denken Sie an einen superschnellen Bibliothekar, der dieses 500-seitige Buch liest und eine einseitige Zusammenfassung schreibt, die nur die wichtigsten Details erfasst.
Das Ergebnis: Das System verfügt nun über ein kompaktes, leicht verständliches „Spickzettel“ der Umgebung, anstatt über einen Berg aus Rohdaten zu verfügen.

Stufe 2: Der „Architekt“ (Reinforcement Learning)

Das Problem: Nun muss das System entscheiden, wohin die Strahlen gerichtet werden sollen. Wenn es versucht, die exakten Einstellungen für jeden einzelnen Antennendraht direkt zu berechnen, ist das so, als würde man versuchen, ein Gebäude zu entwerfen, indem man die Farbe jedes einzelnen Ziegels im Detail festlegt. Das ist zu kompliziert und schwer zu erlernen.
Die Lösung: Das zweite Modul nutzt Reinforcement Learning (eine KI, die durch Versuch und Irrtum lernt). Anstatt sich um die Ziegel (die einzelnen Antennen) zu kümfen, agiert diese KI wie ein Architekt, der den Bauplan (das Beampattern) entwirft.
Die Analogie: Dem Architekten ist es egal, welche Schrauben verwendet werden; er zeichnet einfach die Form des Gebäudes. Er entscheidet: „Ich möchte einen starken Strahl nach Norden für das Radar und einen breiten Strahl nach Osten für die Telefone.“
Warum es besser ist: Es ist viel einfacher für die KI, zu lernen, wie man einen guten Bauplan zeichnet, als zu lernen, wie man jede einzelne Antenne verkabelt. Dies macht den Lernprozess schneller und stabiler.

Stufe 3: Der „Baumeister“ (Überwachtes Lernen)

Das Problem: Der Architekt hat einen perfekten Bauplan (das Beampattern) gezeichnet, aber die Baucrew (die eigentlichen Antennen) benötigt spezifische Anweisungen, wie sie diesen bauen soll. Sie können den Bauplan nicht einfach „erraten“; sie benötigen exakte Koordinaten.
Die Lösung: Das dritte Modul ist ein Netzwerk für überwachtes Lernen (Supervised Learning). Denken Sie an einen Meisterbaumeister, der tausende von Bauplänen studiert hat und genau weiß, welche Schrauben und Balken er verwenden muss, um diese zu bauen.
Das Ergebnis: Die KI nimmt den „Bauplan“ aus Stufe 2 und übersetzt ihn sofort in die spezifischen Einstellungen für jede einzelne Antenne.

Warum ist das besser als die alte Methode?

Das Papier vergleicht diesen neuen „Drei-Stufen“-Ansatz mit einer „Baseline“-Methode (die versucht, alles in einem Schritt zu erledigen, wie ein Koch, der versucht zu kochen, ohne ein Rezept zu haben).

Schnelleres Lernen: Durch das Zusammenfassen der Daten zuerst (Stufe 1) wird die KI nicht überfordert.
Klugere Entscheidungen: Durch die Konzentration auf den „Bauplan“ (Stufe 2) anstatt auf die winzigen Details lernt die KI die Form des Signals viel besser. Es ist vergleichbar damit, erst einen Kreis zu zeichnen, bevor man lernt, ein spezifisches Rad zu zeichnen.
Bessere Ergebnisse: Die Simulationen zeigten, dass dieser Team-Ansatz (Zusammenfasser + Architekt + Baumeister) eine höhere „Punktzahl“ (mehr übertragene Daten und besseres Sensing) erreichte als die alte Methode.

Zusammenfassend

Das Papier argumentiert, dass wir, um 6G-Netzwerke intelligent genug zu machen, damit sie gleichzeitig sprechen und sehen können, nicht einfach nur Rohdaten in einen Computer werfen sollten. Stattdessen sollten wir:

Die unordentlichen Daten zusammenfassen.
Die Form des Signals entwerfen (den Bauplan).
Die spezifischen Antenneneinstellungen basierend auf diesem Bauplan bauen.

Diese „Divide and Conquer“-Strategie (Teile und Herrsche) unter Verwendung von KI macht das System schneller, effizienter und besser in seiner Aufgabe.

Technisches Resümee: Deep-Learning-basierte dreistufige Lösung zur Optimierung des ISAC-Beamformings

1. Problemstellung

Die Arbeit adressiert die Herausforderung der Optimierung des Beamformings in einem Full-Duplex (FD) Integrated Sensing and Communication (ISAC) System. In diesem Szenario kommuniziert eine Basisstation (BS), die mit Uniform Linear Arrays (ULAs) ausgestattet ist, gleichzeitig mit mehreren Single-Antenna-Nutzern und führt Radarsensorik an mehreren Zielen unter Verwendung derselben Zeit-Frequenz-Ressourcen durch.

Das Kernziel besteht darin, die Summenkommunikationsrate aller Nutzer zu maximieren, während zwei kritische Nebenbedingungen eingehalten werden:

Sendeleistungsbeschränkung: Das gesamte Leistungsprodukt darf das maximale Limit ( $P_{max}$ ) nicht überschreiten.
Sensorikraten-Beschränkung: Jedes Ziel muss eine Mindestsensorikrate ( $\Gamma_{sen}^{req}$ ) erreichen, die als Stellvertreter für die Detektionswahrscheinlichkeit des Ziels dient.

Die Autoren identifizieren Einschränkungen bestehender Deep-Learning (DL)-Ansätze für das Beamforming. Die direkte Abbildung von Channel State Information (CSI) auf Beamforming-Vektoren leidet unter:

Hoher Dimensionalität: Der Optimierungsraum der Variablen wächst rapide mit der Anzahl der Antennen und Nutzer, was die Rechenkomplexität und die Schwierigkeit des Trainings erhöht.
Mangelnder Interpretierbarkeit: Die direkte Optimierung von Vektoren erschwert das Verständnis oder die Kontrolle des zugrunde liegenden Beamforming-Verhaltens (z. B. Richtcharakteristik und Interferenzmuster).
Komplexität: Traditionelle konvexe Optimierungsmethoden werden in hochdimensionalen, nicht-konvexen Szenarien rechentechnisch prohibitiv.

2. Methodik: Das dreistufige Framework

Um diese Einschränkungen zu überwinden, schlagen die Autoren eine dreistufige Lösung vor, die das Beamforming-Optimierungsproblem in drei distinkte Submodule zerlegt. Dieses Framework transformiert das Problem von der direkten Vektoroptimierung hin zu einem strukturierteren Prozess, der aus Merkmalsextraktion, Beampattern-Optimierung und Vektorrekonstruktion besteht.

Modul 1: Unsupervised Learning-basierte CSI-Merkmalsextraktion

Ziel: Komprimierung hochdimensionaler, variabler CSI-Daten in festdimensionale latente Merkmale unter Wahrung essenzieller Informationen.
Technik: Ein Autoencoder (AE) wird eingesetzt.
- Input: Der CSI-Datensatz umfasst Downlink-Kanäle ( $h_k$ ), Uplink-Kanäle ( $g_{l,t}$ ), Radar-Kanäle ( $g_{l,r}$ ) und residuelle Selbstinterferenz-Kanäle ( $H_{SI}$ ). Diese komplexen Matrizen werden vektorisiert und in Real- und Imaginärteile aufgeteilt, um einen reellen Eingangsvektor zu bilden.
- Prozess: Der Encoder bildet das hochdimensionale CSI auf einen niedrigdimensionalen latenten Merkmalsvektor ( $f$ ) ab. Der Decoder versucht, das ursprüngliche CSI aus $f$ zu rekonstruieren.
- Training: Das Netzwerk wird unüberwacht trainiert, indem der mittlere quadratische Fehler (MSE) zwischen dem ursprünglichen und dem rekonstruierten CSI minimiert wird.
- Verwendung: Während der Test-/Optimierungsphase wird nur der Encoder verwendet, um Merkmale aus neuen CSI-Eingaben zu extrahieren.

Modul 2: Reinforcement Learning (RL) basierte Beampattern-Optimierung

Ziel: Suche nach dem optimalen Beampattern (Leistungsverteilung über Winkel) basierend auf den extrahierten Merkmalen, anstatt direkt nach Beamforming-Vektoren zu suchen.
Technik: Ein Advantage Actor-Critic (A2C) Algorithmus wird verwendet.
- Zustand ( $s_t$ ): Besteht aus den extrahierten CSI-Merkmalen ( $f_t$ ) und der Summenkommunikationsrate des vorherigen Zeitschlitzes ( $R_{com}^{t-1}$ ).
- Aktion ( $a_t$ ): Anstatt komplexe Beamforming-Vektoren auszugeben, gibt der Agent Beampattern-Samples aus. Der Aktionsraum besteht aus $A$ $A$ diskreten Verstärkungswerten, die über den Winkelbereich (-90° bis 90°) für drei spezifische Beampattern gesampelt werden:
  1. Kommunikations-Beampattern ( $p_w$ )
  2. Sensorik-Beampattern ( $p_v$ )
  3. Empfangs-Beampattern ( $p_u$ )
- Belohnung ( $r$ ): Eine stückweise Funktion, die die Summe der Kommunikationsraten belohnt, falls sowohl die Kommunikations- als auch die Sensorikraten-Beschränkungen erfüllt sind. Sie weist 0 zu, wenn die Sensorik erfüllt ist, aber die Kommunikation nicht, und -1, wenn eine der Beschränkungen verletzt wird.
- Vorteil: Die Optimierung im Beampattern-Bereich reduziert die Größe des Aktionsraums (festgesetzt auf $A$ ) unabhängig von der Anzahl der Antennen oder Nutzer, was die Trainingsstabilität und Generalisierung verbessert.

Modul 3: Supervised Learning-basierte Beamforming-Rekonstruktion

Ziel: Rekonstruktion der tatsächlichen Sende- und Empfangs-Beamforming-Vektoren aus den vom RL-Agenten generierten optimierten Beampatterns.
Technik: Ein überwachtes Deep Neural Network (DNN) approximiert die Inverse Funktion $G^{-1}$ $G^{- 1}$ .
- Prozess: Da die analytische Inverse der Beampattern-zu-Vektor-Abbildung aufgrund der komplexen Response-Oberfläche nicht handhabbar ist, wird ein DNN trainiert, um diese Abbildung zu erlernen.
- Datensatz: Erzeugt durch das zufällige Erstellen von Beamforming-Vektoren, deren Normalisierung zur Einhaltung der Leistungsbeschränkungen, Berechnung der entsprechenden Beampatterns und Paarung als (Input: Beampattern, Output: Beamforming-Vektor).
- Verwendung: In der Testphase nimmt das vortrainierte Rekonstruktionsnetzwerk das Beampattern-Output des RL-Agenten entgegen und generiert instantan die entsprechenden Beamforming-Vektoren zur Implementierung.

3. Wichtige Beiträge

Die Arbeit beansprucht folgende Beiträge:

Problemformulierung: Ein gemeinsames Optimierungsproblem wird für ein Full-Duplex ISAC-System formuliert, um die Summenkommunikationsrate unter Sensorikraten- und Leistungsbeschränkungen zu maximieren. Das Problem wird mittels Array-Response-Vektoren von der Beamforming-Vektor-Optimierung zur Beampattern-Optimierung transformiert.
Dreistufiges Framework: Design eines neuartigen Frameworks, das das Problem dekomponiert in:
- Unsupervised CSI-Merkmalsextraktion (mittels AE).
- RL-basierte Beampattern-Optimierung (mittels A2C).
- Supervised Beamforming-Rekonstruktion (mittels DNN).
Performance und Interpretierbarkeit: Der vorgeschlagene Lösungsansatz verbessert die Generalisierung durch Merkmalsextraktion, steigert die Trainingsstabilität durch Optimierung im Beampattern-Bereich und bietet eine bessere Interpretierbarkeit im Vergleich zur direkten Vektoroptimierung.

4. Numerische Ergebnisse

Simulationen wurden in einem Szenario mit $N_t = N_r = 4$ Antennen, $K=2$ Nutzern und $L=1$ Ziel durchgeführt. Die Ergebnisse heben hervor:

Merkmalsgröße: Eine latente Merkmalsgröße von 16 bot den besten Kompromiss zwischen Kompression und Performance. Kleinere Größen (z. B. 4) verursachten Informationsverlust, während größere Größen (z. B. 64) zu Overfitting oder langsamerer Konvergenz führten.
Beampattern-Auflösung: Eine Stichprobengröße von 720 Punkten lieferte die höchste Performance, wobei 360 Punkte ein gutes Gleichgewicht zwischen Konvergenzgeschwindigkeit und Belohnung boten.
Ablationsstudie:
- Fall 0 (Baseline): Direktes RL auf CSI zu Beamforming-Vektoren. Konvergierte nach etwa 170 Episoden mit einer Belohnung von ~800.
- Fall 1 (Nur Merkmalsextraktion): Konvergierte schneller (~130 Episoden) mit vergleichbarer Performance, was die Effizienz der Merkmalskompression beweist.
- Fall 2 (Nur Beampattern-Optimierung):[ Lernte langsamer, übertraf aber letztlich die Baseline (Belohnung >850), was validiert, dass Beampatterns intuitiver für RL-Agenten zu optimieren sind.
- Fall 3 (Vollständiges Drei-Stufen-Modell): Erreichte die beste Performance (Belohnung >900), indem die Effizienz der Merkmalsextraktion mit den strukturellen Vorteilen der Beampattern-Optimierung kombiniert wurde.

5. Bedeutung und Behauptungen

Die Arbeit kommt zu dem Schluss, dass die vorgeschlagene dreistufige Lösung bestehende RL-Algorithmen übertrifft, die direkt Beamforming-Vektoren optimieren. Die Signifikanz liegt im Wechsel von der Optimierung hochdimensionaler, nicht-interpretierbarer Vektoren hin zur Optimierung strukturierter, intuitiver Beampatterns. Durch die Entkopplung der Beampattern-Optimierung von der Generierung der Beamforming-Vektoren erreicht das Framework:

Reduzierte Komplexität: Niedrigere Dimensionalität im RL-Aktionsraum.
Verbesserte Stabilität: Stabilere Trainingsdynamik.
Interpretierbarkeit: Die intermediäre Beampattern-Repräsentation ermöglicht ein besseres Verständnis des räumlichen Filterverhaltens des Systems.

Die Autoren behaupten, dass dieser Ansatz besonders vorteilhaft ist, wenn die Anzahl der Antennen und Nutzer steigt, wo traditionelle konvexe Optimierung zu komplex und direktes DL-Mapping schwierig zu trainieren und zu interpretieren ist.