Die drahtlose Kommunikation stützt sich seit langem auf präzise mathematische Formeln, um zu beschreiben, wie Radiowellen durch die Luft reisen, von Gebäuden abprallen und einen Empfänger erreichen. Jahrzehntelang nutzten Ingenieure diese festen Gleichungen, um Systeme zu entwerfen, die die Signalstärke schätzen, Nachrichten erkennen und den Netzwerkverkehr verwalten konnten. Doch während sich Netzwerke in Richtung der sechsten Generation, oder 6G, entwickeln, ist die Umgebung zu komplex für diese statischen Regeln geworden. Die Funkwellen sind nun gefüllt mit massiven Anzahlen von Antennen, ultra-dichten Netzwerken von Geräten und integrierten Sensorsystemen, die viele Aufgaben gleichzeitig erfüllen müssen. In dieser chaotischen Landschaft kommen die alten Methoden kaum noch mit, da sie sich nicht ohne vollständige Neuschreibung leicht an neue Bedingungen anpassen können.

Um dies zu lösen, wenden sich Forscher einem neuen Ansatz zu, der davon inspiriert ist, wie künstliche Intelligenz andere Bereiche transformiert hat. Anstatt für jede einzelne Aufgabe ein separates, spezialisiertes Computerprogramm zu erstellen – wie etwa ein Programm nur zur Signalsuche und ein anderes nur zur Lokalisierung eines Geräts – entwickeln Wissenschaftler ein einziges, massives Modell, das zuerst die grundlegende Natur drahtloser Signale lernt. Dieses Modell wird mit riesigen Mengen an Rohdaten trainiert, um die allgemeinen Muster zu verstehen, wie sich Radiowellen verhalten. Sobald es diese Muster verstanden hat, kann es schnell angepasst werden, um viele verschiedene Aufgaben zu erfüllen, vom Bereinigen eines verrauschten Signals bis hin zur Verwaltung des Verkehrs in einer ganzen Stadt. Dieser Wandel verspricht, drahtlose Netzwerke intelligenter, effizienter und fähiger zu machen, die vielfältigen Anforderungen der Zukunft zu bewältigen.

Eine umfassende Übersichtsarbeit, die von Forschern der Vereinigten Arabischen Emirate University veröffentlicht wurde, führt die verstreuten Teile dieses aufstrebenden Feldes zusammen, um abzubilden, wie diese „Wireless Foundation Models“ (drahtlose Fundamentmodelle) funktionieren. Die Autoren erklären, dass das Konzept zwar leistungsstark ist, die aktuelle Forschung jedoch fragmentiert ist, da verschiedene Teams unterschiedliche Methoden verwenden und auf unterschiedlichen Daten testen. Ihr Ziel war es, einen einheitlichen Leitfaden zu erstellen, der diese Bemühungen organisiert und erklärt, wie diese Modelle aufgebaut werden, wie sie lernen und wo sie eingesetzt werden können. Die Übersicht behauptet nicht, dass diese Modelle perfekt oder bereit für den sofortigen kommerziellen Einsatz sind; vielmehr legt sie nahe, dass sie eine notwendige Evolution für die nächste Generation von Netzwerken darstellen, sofern mehrere bedeutende Hürden überwunden werden können.

Die Forscher beschreiben einen zweistufigen Prozess, der definiert, wie diese Modelle funktionieren. Zuerst durchläuft das Modell eine massive Pre-Training-Phase, in der es riesige Mengen an unbeschrifteten drahtlosen Daten studiert. Diese Daten umfassen rohe Signalmessungen, Kanalinformationen und Umgebungswerte, die aus verschiedenen Quellen gesammelt wurden. Während dieser Phase nutzt das Modell selbstüberwachtes Lernen (Self-Supervised Learning), was bedeutet, dass es sich selbst lehrt, indem es versucht, fehlende Teile der Daten zu ergänzen oder indem es verschiedene Versionen dessenselben Signals miteinander vergleicht. Es lernt, die zugrunde liegende Struktur von Radiowellen zu erkennen, ohne dass ein Mensch ihm sagen muss, was jeder einzelne Datenpunkt bedeutet. Sobald dieses allgemeine Verständnis etabliert ist, tritt das Modell in eine zweite Phase ein, in der es leicht angepasst oder „feingetuned“ wird, um eine spezifische Aufgabe zu erfüllen. Diese Anpassung erfordert sehr wenig neue Daten und ermöglicht es demselben Kernmodell, Aufgaben wie die Schätzung der Kanalqualität, die Erkennung von Signalen oder sogar die Lokalisierung eines Geräts mit einem einzigen gemeinsamen Fundament zu bewältigen.

Die Übersicht identifiziert mehrere verschiedene Wege, wie diese Modelle konstruiert werden, wobei jeder seine eigenen Stärken hat. Der am weitesten verbreitete Ansatz nutzt eine Architektur, die als Transformer bekannt ist, welche exzellent darin ist, weitreichende Verbindungen in Daten zu entdecken, wie etwa die Art und Weise, wie sich ein Signal über die Zeit oder über verschiedene Frequenzen hinweg verändert. Andere Designs integrieren bekannte physikalische Gesetze direkt in die Struktur des Modells, um sicherzustellen, dass die Vorhersagen der KI dem realen Verhalten von Radiowellen entsprechen. Es gibt auch Modelle, die darauf ausgelegt sind, das Netzwerk als Ganzes zu betrachten, indem sie Nutzer und Funkmasten als verbundene Punkte in einem Graphen behandeln, um Ressourcen effektiver zu verwalten. Während die Transformer-basierten Modelle derzeit das Feld anführen, da sie in der Lage sind, aus riesigen Datensätzen zu lernen, merken die Forscher an, dass zukünftige Systeme wahrscheinlich diese verschiedenen Ansätze kombinieren werden, um ein Gleichgewicht zwischen Leistung, Geschwindigkeit und Genauigkeit zu finden.

Ein wesentliches Ergebnis der Übersichtsarbeit ist die kritische Bedeutung von Daten. Im Gegensatz zu anderen Bereichen, in denen massive öffentliche Datensätze existieren, leidet die drahtlose Kommunikation unter einem Mangel an vielfältigen, realen Daten. Das Sammeln echter Funksignale ist teuer, zeitaufwendig und oft durch Datenschutzbedenken begrenzt. Infolgedessen verlassen sich viele aktuelle Modelle stark auf Daten, die durch Computersimulationen generiert wurden. Die Autoren weisen darauf hin, dass diese Simulationen zwar nützlich sind, die unordentliche Realität der physischen Welt jedoch nicht perfekt erfassen können. Dies schafft eine Lücke zwischen dem, was das Modell im Labor lernt, und seiner Leistung in einer echten Stadt. Die Übersicht legt nahe, dass die Überbrückung dieser Lücke bessere Simulationswerkzeuge und die Erstellung standardisierter, groß angelegter Datensätze erfordert, die reale Messungen mit synthetischen Daten kombinieren.

Die Forscher heben auch hervor, dass diese Modelle nicht nur der Verbesserung der Signalqualität dienen. Sie werden für eine Vielzahl neuer Anwendungen eingesetzt, einschließlich integrierter Sensorik und Kommunikation (Integrated Sensing and Communication), bei der dieselben Radiowellen sowohl zur Übertragung von Daten als auch zur Detektion von Objekten wie Autos oder Menschen verwendet werden. Die Modelle werden auch für die semantische Kommunikation getestet, eine Methode, bei der das System sich darauf konzentriert, die Bedeutung einer Nachricht zu übertragen, anstatt jedes einzelne Bit an Daten, was die Menge der zu sendenden Informationen drastisch reduzieren könnte. Die Übersicht betont jedoch, dass diese Anwendungen sich noch in einem frühen Entwicklungsstadium befinden. Die Modelle zeigen vielversprechende Ergebnisse in Simulationen und kontrollierten Tests, aber ihre Fähigkeit, auf völlig neue Umgebungen zu generalisieren, bleibt ein zentrales Forschungsgebiet für die Zukunft.

Trotz des Potenzials ist der Weg nach vorn nicht ohne Hindernisse. Die Übersicht weist darauf hin, dass diese großen Modelle enorme Rechenleistung und Speicherplatz benötigen, was es schwierig macht, sie auf den kleinen, batteriebetriebenen Geräten auszuführen, die das Internet der Dinge bilden. Es gibt auch Bedenken hinsichtlich der Sicherheit und Zuverlässigkeit. Da ein einziges Modell viele verschiedene Aufgaben handhabt, könnte ein Fehler oder ein Angriff auf das Kernsystem mehrere Dienste gleichzeitig stören. Darüber hinaus macht die „Black Box“-Natur dieser Modelle es schwierig, genau zu verstehen, warum sie bestimmte Entscheidungen treffen, was ein Problem für sicherheitskritische Anwendungen wie das autonome Fahren darstellt. Die Forscher argumentieren, dass die Industrie, damit diese Modelle Realität werden, Wege entwickeln muss, um sie effizienter, sicherer und interpretierbarer zu machen.

Mit Blick auf die Zukunft skizzieren die Autoren eine Roadmap für das nächste Jahrzehnt. Mittelfristig wird der Fokus auf dem Aufbau besserer Datensätze und der Verfeinerung der Trainingsmethoden liegen. Mittelfristig können wir die Einführung von universellen Modellen erwarten, die mehrere Aufgaben gleichzeitig bewältigen können. Langfristig ist die Vision von vollautonomen Netzwerken, die lernen und sich selbstständig anpassen können, indem sie ihre Leistung ständig optimieren, ohne menschliches Eingreifen. Diese Entwicklung stellt einen fundamentalen Wandel dar: weg vom Bau vieler kleiner, spezialisierter Werkzeuge, hin zur Schaffung eines großen, intelligenten Systems, das die drahtlose Welt versteht. Obwohl die Technologie noch reif werden muss, kommt die Übersicht zu dem Schluss, dass drahtlose Fundamentmodelle der vielversprechendste Weg zu den intelligenten, anpassungsfähigen Netzwerken sind, die für die 6G-Ära erforderlich sind.