Kausale Strahlenauswahl reduziert Aufwand bei 6G mmWave-Initialzugriff um 94 %

In der nächsten Generation der Mobilfunknetze, dem 6G, wird die präzise und schnelle Ausrichtung der Strahlen bei mmWave‑MIMO-Systemen zum entscheidenden Erfolgsfaktor. Traditionelle Deep‑Learning‑Ansätze zur Strahlenanpassung vernachlässigen dabei häufig die zugrunde liegenden kausalen Zusammenhänge zwischen Messwerten und dem optimalen Strahl. Das führt zu schlechter Interpretierbarkeit, eingeschränkter Generalisierbarkeit und unnötigem Aufwand beim Strahlensweep.

Eine neue Studie präsentiert ein kausal‑bewusstes Deep‑Learning‑Framework, das die Entdeckung kausaler Beziehungen in den Daten integriert. Der Ansatz besteht aus zwei Stufen: Zuerst wird ein Bayessches Netzwerk erstellt, das die Abhängigkeiten zwischen den empfangenen Leistungswerten und dem besten Strahl erfasst. Anschließend nutzt das Netzwerk diese Struktur, um gezielt die für die Strahlenvorhersage relevanten Eingangsmerkmale auszuwählen.

Simulationen zeigen, dass die kausale Strahlenauswahl die gleiche Leistung wie herkömmliche Methoden erzielt, dabei die Zeit für die Eingabewahl um beeindruckende 94,4 % reduziert und den Strahlensweep‑Overhead um 59,4 % senkt. Damit bietet die neue Technik einen vielversprechenden Weg, die Effizienz und Zuverlässigkeit von 6G‑Netzen signifikant zu steigern.