Draadloze communicatie heeft lang vertrouwd op nauwkeurige wiskundige formules om te beschrijven hoe radiogolven door de lucht reizen, weerkaatsen tegen gebouwen en een ontvanger bereiken. Decennialang gebruikten ingenieurs deze vaste vergelijkingen om systemen te ontwerpen die de signaalsterkte konden schatten, berichten konden detecteren en netwerkverkeer konden beheren. Echter, naarmate netwerken evolueren naar de zesde generatie, of 6G, is de omgeving te complex geworden voor deze statische regels. De ether is nu gevuld met enorme aantallen antennes, ultra-dichte netwerken van apparaten en geïntegreerde sensorsystemen die veel taken tegelijkertijd moeten uitvoeren. In dit chaotische landschap hebben de oude methoden moeite om het bij te houden, omdat ze niet gemakkelijk kunnen aanpassen aan nieuwe omstandigheden zonder volledig herschreven te worden.

Om dit op te lossen, wenden onderzoekers zich tot een nieuwe aanpak, geïnspireerd door hoe kunstmatige intelligentie andere velden heeft getransformeerd. In plaats van voor elke specifieke taak een apart, gespecialiseerd computerprogramma te bouwen — zoals één programma alleen voor het vinden van een signaal en een ander alleen voor het lokaliseren van een apparaat — ontwikkelen wetenschappers een enkel, massaal model dat eerst de fundamentele aard van draadloze signalen leert begrijpen. Dit model wordt getraind op enorme hoeveelheden ruwe data om de algemene patronen van hoe radiogolven zich gedragen te begrijpen. Zodra het deze patronen begrijpt, kan het snel worden aangepast om vele verschillende taken uit te voeren, van het opschonen van een ruisig signaal tot het beheren van verkeer in een hele stad. Deze verschuiving belooft draadloze netwerken slimmer, efficiënter en in staat te maken om de diverse eisen van de toekomst aan te kunnen.

Een uitgebreid onderzoek gepubliceerd door onderzoekers van de United Arab Emirates University brengt de verspreide stukjes van dit opkomende veld samen om in kaart te brengen hoe deze "draadloze fundamentmodellen" (wireless foundation models) werken. De auteurs leggen uit dat hoewel het concept krachtig is, het huidige onderzoek gefragmenteerd is, waarbij verschillende teams verschillende methoden gebruiken en testen op verschillende data. Hun doel was om een verenigde gids te creëren die deze inspanningen organiseert en uitlegt hoe deze modellen worden gebouwd, hoe ze leren en waar ze kunnen worden toegepast. De survey beweert niet dat deze modellen perfect zijn of klaar zijn voor onmiddellijk commercieel gebruik; in plaats daarvan suggereert het dat ze een noodzakelijke evolutie vormen voor de volgende generatie netwerken, mits er enkele belangrijke hindernissen kunnen worden overwonnen.

De onderzoekers beschrijven een tweestaps-proces dat bepaalt hoe deze modellen functioneren. Eerst ondergaat het model een massale pre-trainingfase waarin het enorme hoeveelheden ongelabelde draadloze data bestudeert. Deze data omvat ruwe signaalmetingen, kanaalinformatie en omgevingsgegevens verzameld uit diverse bronnen. Tijdens deze fase gebruikt het model zelfgesuperviseerd leren (self-supervised learning), wat betekent dat het zichzelf onderwijst door te proberen ontbrekende stukken van de data in te vullen of door verschillende versies van hetzelfde signaal met elkaar te vergelijken. Het leert de onderliggende structuur van radiogolven te herkennen zonder dat een mens het hoeft te vertellen wat elk afzonderlijk datapunt betekent. Zodra dit algemene begrip is gevestigd, gaat het model een tweede fase in waarin het licht wordt aangepast, of "fine-tuned", om een specifieke taak uit te voeren. Deze aanpassing vereist zeer weinig nieuwe data en stelt hetzelfde kernmodel in staat om taken uit te voeren zoals het schatten van de kanaalkwaliteit, het detecteren van signalen of zelfs het lokaliseren van een apparaat, allemaal met één gedeelde fundering.

De survey identificeert verschillende manieren waarop deze modellen worden geconstrueerd, elk met zijn eigen sterke punten. De meest voorkomende aanpak maakt gebruik van een type architectuur die bekend staat als een Transformer, die uitstekend is in het spotten van langetermijnverbindingen in data, zoals hoe een signaal verandert over de tijd of over verschillende frequenties. Andere ontwerpen integreren direct bekende natuurwetten in de structuur van het model, wat ervoor zorgt dat de voorspellingen van de AI logisch zijn volgens het realistische gedrag van radiogolven. Er zijn ook modellen die naar het netwerk als geheel kijken, waarbij gebruikers en zendmasten als verbonden punten in een graaf worden behandeld om middelen effectiever te beheren. Hoewel de Transformer-gebaseerde modellen momenteel het veld leiden vanwege hun vermogen om uit enorme datasets te leren, merken de onderzoekers op dat toekomstige systemen waarschijnlijk deze verschillende benaderingen zullen combineren om een balans te vinden tussen kracht, snelheid en nauwkeurigheid.

Een belangrijke bevinding van de survey is het cruciale belang van data. In tegenstelling tot andere velden waar enorme publieke datasets bestaan, lijdt draadloze communicatie onder een tekort aan diverse, real-world data. Het verzamelen van echte radiosignalen is duur, tijdrovend en vaak beperkt door privacyzorgen. Als gevolg hiervan vertrouwen veel huidige modellen zwaar op data gegenereerd door computersimulaties. De auteurs wijzen erop dat hoewel deze simulaties nuttig zijn, ze de rommelige realiteit van de fysieke wereld niet perfect kunnen vangen. Dit creëert een kloof tussen wat het model leert in het laboratorium en hoe het presteert in een echte stad. De survey suggereert dat het overbruggen van deze kloof betere simulatietools en de creatie van gestandaardiseerde, grootschalige datasets vereist die echte metingen combineren met synthetische data.

De onderzoekers benadrukken ook dat deze modellen niet alleen bedoeld zijn voor het verbeteren van de signaalkwaliteit. Ze worden toegepast op een breed scala aan nieuwe toepassingen, waaronder geïntegreerde sensing en communicatie, waarbij dezelfde radiogolven worden gebruikt om zowel gegevens te verzenden als objecten zoals auto's of mensen te detecteren. De modellen worden ook getest voor semantische communicatie, een methode waarbij het systeem zich richt op het verzenden van de betekenis van een boodschap in plaats van elke individuele bit aan data, wat de hoeveelheid informatie die verzonden moet worden drastisch kan verminderen. De survey benadrukt echter dat deze toepassingen nog in de beginfase van ontwikkeling verkeren. De modellen tonen veelbelovende resultaten in simulaties en gecontroleerde tests, maar hun vermogen om te generaliseren naar volledig nieuwe omgevingen blijft een belangrijk gebied voor toekomstig onderzoek.

Ondanks het potentieel is de weg vooruit niet zonder obstakels. De survey wijst erop dat deze grote modellen enorme rekenkracht en geheugen vereisen, wat het moeilijk maakt om ze te draaien op de kleine, batterijgestuurde apparaten die het internet der dingen vormen. Er zijn ook zorgen over beveiliging en betrouwbaarheid. Omdat één model vele verschillende taken afhandelt, zou een fout of een aanval op het kernsysteem meerdere diensten tegelijk kunnen verstoren. Bovendien maakt het "black box"-karakter van deze modellen het moeilijk om precies te begrijpen waarom ze bepaalde beslissingen nemen, wat een probleem is voor veiligheidskritische toepassingen zoals autonoom rijden. De onderzoekers betogen dat voor deze modellen werkelijkheid te worden, de industrie betere manieren moet ontwikkelen om ze efficiënt, veilig en interpreteerbaar te maken.

Kijkend naar de toekomst schetsen de auteurs een routekaart voor het komende decennium. Op de korte termijn zal de focus liggen op het bouwen van betere datasets en het verfijnen van de trainingsmethoden. Op de middellange termijn kunnen we algemene modellen verwachten die meerdere taken tegelijkertijd kunnen afhandelen. Voor de lange termijn is de visie die van volledig autonome netwerken die zelfstandig kunnen leren en aanpassen, en die continu hun prestaties optimaliseren zonder menselijke tussenkomst. Deze evolutie vertegenwoordigt een fundamentele verschuiving van het bouwen van veel kleine, gespecialiseerde tools naar het creëren van één groot, intelligent systeem dat de draadloze wereld begrijpt. Hoewel de technologie nog volwassen wordt, concludeert de survey dat draadloze fundamentmodellen de meest veelbelovende weg zijn naar de intelligente, aanpasbare netwerken die vereist zijn voor het 6G-tijdperk.