MambaNet: KI-gestützte Kanalabschätzung für OFDM mit geringem Aufwand

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz präsentiert MambaNet, ein neuronales Netzwerk, das die Kanalabschätzung bei Orthogonal Frequency Division Multiplexing (OFDM) deutlich vereinfacht. Durch die Kombination einer maßgeschneiderten Mamba-Architektur mit einem selbstaufmerksamen Mechanismus kann das System große Subcarrier-Sets effizient verarbeiten und dabei lange Abhängigkeiten zwischen den Kanälen erfassen.

Im Gegensatz zu herkömmlichen Mamba-Designs nutzt MambaNet einen bidirektionalen, selektiven Scan, um die nicht kausale Natur der Kanalgewinne über die Subcarrier hinweg zu berücksichtigen. Dieser Ansatz verbessert die Genauigkeit der Abschätzung, ohne die Rechenkomplexität zu erhöhen. Im Vergleich zu transformerbasierten Netzwerken weist MambaNet zudem eine deutlich geringere Speicherbelastung auf.

Simulationen auf Basis des 3GPP TS 36.101-Standards zeigen, dass MambaNet die Leistung traditioneller neuronaler Netzwerke übertrifft, während es gleichzeitig die Anzahl der anpassbaren Parameter reduziert. Diese Fortschritte deuten darauf hin, dass MambaNet ein vielversprechender Ansatz für die nächste Generation von OFDM-Kommunikationssystemen sein könnte.