Physics-Guided Multi-Modal Artificial Intelligence Framework for Joint Antenna Optimisation and Channel State Information Prediction in 6G Integrated Sensing and Communication Systems

De volgende generatie draadloze netwerken belooft een wereld waarin data beweegt met snelheden die aanvoelen als instantaan en waarin miljoenen apparaten kunnen verbinden in een enkele vierkante kilometer zonder te vertragen. Om dit te bereiken, stappen ingenieurs over naar veel hogere frequenties, specifiek rond de 28 gigahertz, wat het mogelijk maakt om enorme hoeveelheden informatie te dragen. Deze hoge frequenties gedragen zich echter anders dan de signalen die we vandaag de dag gebruiken; ze worden gemakkelijk geblokkeerd door gebouwen en veranderen snel wanneer mensen bewegen. Om deze netwerken te laten werken, moeten basisstations gebruikmaken van massieve arrays van antennes, soms met meer dan honderd individuele elementen, en moeten ze constant voorspellen hoe het signaal door de lucht zal reizen. Deze voorspelling is moeilijk omdat de omgeving chaotisch is en het tijdsvenster om het signaal correct te krijgen ongelooflijk kort is. Als het systeem niet de toekomstige route van het signaal nauwkeurig kan raden, faalt de verbinding of vertraagt deze, wat waardevolle energie en bandbreedte verspilt.

Een team van onderzoekers heeft een nieuwe manier voorgesteld om dit probleem op te lossen door drie verschillende taken te combineren in één intelligent systeem. In plaats van het ontwerp van de antennes, de voorspelling van het signaalpad en het waarnemen van de omgeving als afzonderlijke taken te behandelen, hebben zij een framework gecreëerd dat alle drie tegelijkertijd leert. Deze aanpak, die zij een physics-guided multi-modal artificial intelligence framework noemen, gebruikt een combinatie van radar-sensing en geavanceerde machine learning om de fysieke wereld beter te begrijpen dan eerdere methoden. De onderzoekers simuleerden een basisstation met 128 antennes werkend op 28 gigahertz in een drukke stedelijke omgeving. Ze ontdekten dat door het systeem realtime gegevens te voeden over de locatie en snelheid van objecten in de omgeving, de AI het signaalpad met veel grotere nauwkeurigheid kon voorspellen dan systemen die alleen naar historische signaalgegevens keken.

De kern van dit nieuwe systeem berust op een slimme taakverdeling tussen verschillende soorten kunstmatige intelligentie. Eerst scant een radarsensor het gebied om een kaart van scatterers te maken, oftewel objecten zoals auto's of gebouwen die radiogolven reflecteren. Deze sensor meet hoe ver deze objecten verwijderd zijn en hoe snel ze bewegen. Deze informatie wordt vervolgens gevoed aan een neuraal netwerk dat fungeert als een brug, die de fysieke kaart van de omgeving vertaalt naar een formaat dat de rest van het systeem kan begrijpen. Tegelijkertijd kijkt een ander deel van het systeem naar de geschiedenis van het signaal om te zien hoe het zich in het verleden heeft gedragen. Het framework fuseert deze twee informatiestromen — de fysieke kaart van de omgeving en de historische signaalgegevens — met behulp van een mechanisme dat het systeem in staat stelt zich op de meest relevante details te concentreren. Deze fusie stelt het systeem in staat om de toekomstige staat van het signaal met hoge precisie te voorspellen, zelfs wanneer gebruikers met hoge snelheden bewegen.

Een cruciale innovatie in dit werk is hoe het systeem omgaat met het fysieke ontwerp van de antenne-array zelf. In traditionele ontwerpen behandelen ingenieurs elk antenne-element vaak als een onafhankelijke eenheid, maar in werkelijkheid interfereren ze met elkaar wanneer antennes dicht bij elkaar gepakt zijn. Deze interferentie, bekend als wederzijdse koppeling (mutual coupling), kan het signaal verstoren en de prestaties verminderen. De onderzoekers pakten dit aan door de antenne-array te modelleren als een verbonden graaf, waarbij elke antenne een knoop (node) is en de fysieke afstand tussen hen bepaalt hoe sterk ze elkaar beïnvloeden. Dit model respecteert de wetten van de fysica, waardoor de kunstmatige intelligentie begrijpt dat twee antennes die zeer dicht bij elkaar geplaatst zijn, sterker zullen interageren dan antennes die verder uit elkaar staan. Door deze fysieke kennis direct in het leerproces in te bedden, kan het systeem de antenneconfiguratie veel sneller en effectiever optimaliseren dan methoden die deze interacties negeren.

De resultaten uit de simulaties tonen aan dat deze geïntegreerde aanpak aanzienlijke verbeteringen biedt ten opzichte van bestaande methoden. Wanneer getest in een gesimuleerde stedelijke omgeving met een bandbreedte van 400 megahertz, verminderde het nieuwe framework de fout in het voorspellen van het signaalpad met een substantiële marge vergeleken met standaardtechnieken. Specifiek bereikte het een nauwkeurigheidsniveau waardoor het systeem veel minder pilot-signalen kon gebruiken, oftewel de testberichten die worden verzonden om de verbinding te controleren. In de simulaties had het systeem slechts 38 procent van de bandbreedte nodig voor deze pilot-signalen, terwijl conventionele methoden bijna de volledige bandbreedte aan deze taak moesten wijden. Deze reductie maakt een enorme hoeveelheid capaciteit vrij voor daadwerkelijke datatransmissie, wat de snelheid en efficiëntie van het netwerk effectief verhoogt.

Bovendien toonde het systeem het vermogen om de antenne-opstelling zelf te optimaliseren om de datastroom te maximaliseren. Met behulp van een reinforcement learning agent paste het framework de fysieke parameters van de antenne-array aan, zoals de afstand en oriëntatie van de elementen, om de beste configuratie voor de huidige omgeving te vinden. De simulaties toonden aan dat deze learning agent een bijna optimale antenne-opstelling kon vinden in slechts 420 iteraties, een proces dat aanzienlijk langer duurde voor traditionele optimalisatie-algoritmen. Deze snelheid is cruciaal omdat de omgeving snel verandert en het systeem snel moet adapteren om een sterke verbinding te behouden. De studie bevestigde ook dat het systeem goed werkt, zelfs wanneer gebruikers zich met snelheden tot 120 kilometer per uur verplaatsen, een scenario waarin oudere methoden vaak worstelen door de snelle veranderingen in het signaalpad.

De onderzoekers valideerden hun bevindingen via uitgebreide computersimulaties die de complexe fysica van radiogolven in interactie met een stedelijk landschap modelleerden. Ze gebruikten een gedetailleerd model van de stedelijke omgeving, inclus\n_bij de manier waarop signalen weerkaatsen tegen gebouwen en de specifieke kenmerken van de 28-gigahertz frequentie. De simulaties bevatten een Python-script dat automatisch antenneontwerpen kon genereren en deze door een commerciële elektromagnetische simulatiesoftware kon draaien om de resultaten te verifiëren. Deze automatisering stelde de onderzoekers in staat om duizenden verschillende antenneconfiguraties en trainingsscenario's te testen zonder menselijke tussenkomst, wat garandeerde dat de resultaten robuust en reproduceerbaar waren. De studie merkt expliciet op dat deze resultaten gebaseerd zijn op simulaties en dat toekomstig werk nodig zal zijn om het systeem op fysieke hardware, zoals field-programmable gate arrays, te testen om de prestaties in de echte wereld te bevestigen.

Ondanks de afhankelijkheid van simulatie, biedt de studie een duidelijk stappenplan voor hoe 6G-netwerken zouden kunnen evolueren. Door environmental sensing te combineren met antenneontwerp en signaalvoorspelling, pakt het framework de fundamentele uitdagingen van hoogfrequente communicatie aan. Het onderzoek suggereert dat de toekomst van draadloze netwerken niet alleen ligt in snellere processors of meer antennes, maar in systemen die de fysieke wereld om hen heen kunnen begrijpen en aanpassen. Het vermogen om het signaalgedrag te voorspellen met behulp van radar-data en om de antennegeometrie gelijktijdig te optimaliseren, vertegenwoordigt een verschuiving van statisch netwerkontwerp naar dynamische, intelligente adaptatie. Hoewel de huidige resultaten beperkt zijn tot de digitale wereld, bieden de gedemonstreerde principes een veelbelovend pad naar het realiseren van de ultra-snelle, lage-latentie verbindingen die de visie van 6G definiëren.

Het werk benadrukt ook het belang van het respecteren van natuurkundige wetten binnen kunstmatige intelligentie. Door het leerproces te sturen met de bekende regels van elektromagnetisme, voorkomt het systeem het aanleren van onmogelijke of inefficiënte oplossingen. Deze aanpak zorgt ervoor dat de AI niet alleen statistische patronen in data vindt, maar oplossingen ontdekt die fysiek realiseerbaar zijn. De studie toont aan dat wanneer AI geworteld is in de realiteit van hoe golven voortplanten en hoe antennes interageren, het complexe technische problemen kan oplossen met een niveau van efficiëntie dat pure data-gestuurde methoden niet kunnen evenaren. Deze synergie tussen fysica en kunstmatige intelligentie lijkt een sleutelcomponent te zijn voor de volgende sprong in draadloze technologie.

Uiteindelijk biedt dit onderzoek een blik op een toekomst waarin onze netwerken niet alleen passieve buizen voor data zijn, maar actieve deelnemers aan de omgeving. Ze nemen de wereld waar, voorspellen de toekomst en hervormen zichzelf om ervoor te zorgen dat informatie soepel stroomt. De simulaties suggereren dat een dergelijk systeem niet alleen mogelijk maar ook zeer effectief is, in staat om de snelheden en betrouwbaarheid te leveren die vereist zijn voor de volgende generatie connectiviteit. Naarmate de technologie van simulatie naar de realiteit beweegt, zal de integratie van sensing, voorspelling en optimalisatie waarschijnlijk de standaard worden voor hoe we de draadloze infrastructuur van morgen bouwen en onderhouden.