Artificial Intelligence-Driven Optimization of Intelligent Reflecting Surfaces for Energy-Efficient 6G Communication Systems

De wereld staat aan de vooravond van een draadloze revolutie. De netwerken die momenteel onze smartphones voeden en onze steden verbinden, bereiken hun grenzen en worstelen met het verwerken van het enorme volume aan gegevens dat wordt gevraagd door holografische gesprekken, autonome voertuigen en enorme sensorennetwerken. Ingenieurs kijken naar de zesde generatie draadloze technologie, bekend als 6G, om dit op te lossen. Het bouwen van snellere netwerken is echter niet genoeg; ze moeten ook groen zijn. De energie die nodig is om deze massieve systemen van stroom te voorzien, is een groeiende zorg, en de hardware die nodig is om signalen te verzenden op de hoge frequenties die vereist zijn voor 6G, is duur en energieverslindend. Om deze kloof te overbruggen, wenden onderzoekers zich tot een concept dat bijna als sciencefiction klinkt, maar geworteld is in solide natuurkunde: het intelligente reflecterende oppervlak. Stel je een muur of een plafond voor dat bedekt is met duizenden piepkleine, programmeerbare tegels. In tegen tegenstelling tot een traditionele radiotoren die signalen in alle richtingen uitstraalt, kunnen deze oppervlakken een signaal opvangen en het voorzichtig in de richting van een specifieke gebruiker sturen, zoals een spiegel die een lichtstraal geleidt. Dit maakt sterkere verbindingen mogelijk zonder dat er meer vermogen nodig is. De uitdaging is echter dat deze oppervlakken zoveel kleine tegels hebben dat het bepalen van de exacte hoek van elk element in realtime een wiskundige nachtmerrie is voor traditionele computers.

In een recente studie hebben onderzoekers van het Dr N G P Institute of Technology in India dit specifieke probleem aangepakt. Ze stelden een eenvoudige vraag: kan kunstmatige intelligentie leren om deze slimme oppervlakken beter en sneller te besturen dan de complexe wiskundige formules die momenteel worden gebruikt? Het team richtte zich op een systeem waarbij een basisstation met meerdere antennes gegevens naar verschillende gebruikers stuurt, waarbij gebruik wordt gemaakt van een groot intelligent reflecterend oppervlak om het signaal hen te laten bereiken. In hun simulaties stelden ze een scenario op met vier antennes bij het basisstation en twee gebruikers, terwijl het reflecterende oppervlak was uitgerust met maximaal 128 kleine elementen. Het doel was om de hoeveelheid verzonden gegevens per eenheid verbruikte energie te maximaliseren, een metriek die bekend staat als energie-efficiëntie. De onderzoekers vergeleken hun nieuwe aanpak met drie andere methoden: een systeem zonder reflecterend oppervlak, een systeem waarbij het oppervlak werd gebruikt maar de instellingen willekeurig werden gekozen, en een systeem dat een traditionele, stapsgewijze wiskundige optimalisatietechniek gebruikt genaamd alternerende optimalisatie.

De onderzoekers ontdekten dat de traditionele wiskundige methoden, hoewel effectief in het vinden van goede oplossingen, te traag en rekenintensief waren voor de dynamische, fractie-van-een-seconde beslissingen die vereist zijn in toekomstige netwerken. Deze methoden moesten voortdurend de beste instellingen herberekenen voor elke kleine verandering in de omgeving, een proces dat te veel tijd en rekenkracht kostte. Om dit op te lossen, trainde het team een deep reinforcement learning agent, een type kunstmatige intelligentie dat leert door middel van vallen en opstaan. De AI fungeerde als een controller die de huidige staat van de draadloze omgeving observeerde — zoals signaalsterkte en de locaties van gebruikers — en vervolgens besliste hoe de faseverschuivingen van de reflecterende oppervlaktelementen moesten worden aangepast om de verbinding te verbeteren. In plaats van elke keer een complexe vergelijking op te lossen wanneer een signaal veranderde, keek de getrainde AI simpelweg naar de situatie en voorspelde direct de beste configuratie, omdat het de patronen had geleerd uit duizenden eerdere simulaties.

De resultaten van de simulaties waren duidelijk. Het door AI gestuurde systeem presteerde consequent beter dan de andere methoden wat betreft energie-efficiëntie. Het slaagde erin om meer gegevens te verzenden met minder vermogen dan het systeem zonder reflecterend oppervlak en de willekeurige configuratie. Wanneer het werd vergeleken met de traditionele methode van alternerende optimalisatie, behaalde de door AI gestuurde aanpak de hoogste energie-efficiëntie over het geteste bereik van het zendvermogen, waarbij het qua totale snelheid (sum rate) nauw aansloot bij de prestaties van de traditionele methode, maar een superieure aanpasbaarheid bood. De AI was bijzonder effectief in het omgaan met het grote aantal reflecterende elementen, waarbij het opschaalde naar 128 tegels zonder de prestatiedaling die andere methoden vaak teistert. Bovendien toonde de studie aan dat de AI snel kon adapteren aan veranderende omstandigheden, een cruciale functie voor een netwerk waar gebruikers constant in beweging zijn. Terwijl de traditionele methode vele iteraties nodig had om tot een oplossing te komen, kon het AI-model, eenmaal getraind, de beslissing in één enkele stap nemen. Dit verminderde de tijd die nodig was om beslissingen te nemen aanzienlijk, waardoor het veel geschikter is voor real-time toepassingen. De studie merkte ook op dat het voorgestelde systeem minder stroom verbruikte voor zijn interne circuits en de reflecterende elementen zelf, wat de algehele efficiëntie verder verhoogde.

De onderzoekers concludeerden dat hun aanpak een praktisch pad biedt voor het bouwen van duurzame 6G-netwerken. Door het zware rekenwerk te verplaatsen naar een offline trainingsfase, kan het systeem tijdens daadwerkelijk gebruik een lichte voetafdruk hebben. De simulaties suggereerden dat deze methode de algehele prestaties met ongeveer 60 procent kan verbeteren vergeleken met bestaande systemen, specif_