GAN-DDPG steigert 6G‑Ressourcenallokation um bis zu 25 %

Die nächste Generation des Mobilfunknetzes, 6G, muss gleichzeitig Hochgeschwindigkeits‑Mobile‑Broadband‑Dienste (eMBB), massive Machine‑Type‑Communications (mMTC) und Ultra‑Reliable Low‑Latency Communications (URLLC) unterstützen. Dabei werden Datenraten von bis zu 1 Tbps, Millionen von Geräten pro Quadratkilometer und Latenzen von 0,1–1 ms gefordert.

Aktuelle Verfahren zur Ressourcenallokation stoßen an drei Grenzen: Erstens wird etwa 35 % der Bandbreite für redundante, semantisch unnütze Daten verschwendet; zweitens beschränken diskrete Aktionsquantisierungen die Flexibilität der Steuerung; drittens fehlt es an Trainingsvielfalt, was die Generalisierbarkeit einschränkt.

Um diese Schwächen zu überwinden, präsentiert die Studie das GAN‑DDPG‑Modell, das Generative Adversarial Networks (GAN) mit dem Deep Deterministic Policy Gradient (DDPG) kombiniert. Durch konditionale GANs werden realistische Verkehrsszenarien synthetisiert, während DDPG kontinuierliche Aktionsentscheidungen ermöglicht. Ein semantisch bewusster Belohnungsmechanismus optimiert die Ressourcenzuteilung. Simulationen zeigen signifikante Verbesserungen: 22 % mehr Effizienz bei URLLC, 20 % bei eMBB und 25 % bei mMTC, zusammen mit einer 18 %igen Latenzreduktion und 31 % weniger Paketverlusten – alle Ergebnisse mit p < 0,001 statistisch signifikant.