KI‑Modell steuert Deep RL für Ressourcenallokation in NTN

Ein neues Forschungsprojekt zeigt, wie ein großes KI-Modell (LAM) Deep Reinforcement Learning (DRL) für die Ressourcenallokation in Nicht‑Terrestrischen Netzwerken (NTN) effektiv steuert. Dabei fungiert ein Large Language Model (LLM) als hochrangiger Koordinator, der textbasierte Anweisungen liefert, die die Belohnungsfunktion des DRL‑Agenten während des Trainings formen.

Die Experimente demonstrieren, dass das LAM‑DRL-System die herkömmliche DRL‑Ansätze deutlich übertrifft: In normalen Wetterbedingungen steigt die Durchsatzrate um 40 % und bei extremen Wetterlagen um 64 % im Vergleich zu heuristischen Verfahren. Zusätzlich verbessert sich die Fairness der Nutzerverteilung und die Ausfallwahrscheinlichkeit sinkt signifikant.

Die Ergebnisse unterstreichen das Potenzial von LLM‑gesteuertem Reinforcement Learning, komplexe Netzwerkressourcen effizienter zu verwalten und die Leistungsfähigkeit von NTN deutlich zu erhöhen.