Umweltbewusstes Transfer‑RL reduziert Trainingszeit um 16‑fach bei 5G‑Beam‑Auswahl

Ein neues Verfahren aus dem Bereich der künstlichen Intelligenz verspricht, die Auswahl von Antennenstrahlen in 5G‑Netzwerken nachhaltig zu optimieren. Durch den Einsatz von Transfer Learning in Kombination mit Reinforcement Learning kann die Trainingszeit um das 16‑fache reduziert werden, was zu erheblichen Einsparungen bei Energie und Rechenleistung führt.

Traditionelle RL‑Modelle benötigen lange Trainingsphasen und hohe Rechenressourcen, besonders wenn sie in unterschiedlichen Umgebungen mit variierenden Ausbreitungseigenschaften eingesetzt werden. Das neue Konzept modelliert die Umgebung als Punktwolke, wobei jeder Punkt die Position von gNodeBs und umliegenden Scatterern repräsentiert. Durch die Berechnung der Chamfer‑Distanz zwischen Punktwolken lassen sich strukturell ähnliche Umgebungen schnell identifizieren.

Dadurch können vortrainierte Modelle für neue Standorte wiederverwendet werden, ohne dass ein vollständiges Retraining erforderlich ist. Diese Vorgehensweise senkt nicht nur den Energieverbrauch, sondern beschleunigt auch die Markteinführung von KI‑gesteuerten Kommunikationssystemen am Edge. Simulationen zeigen, dass die Leistung erhalten bleibt, während die Energieausgaben drastisch reduziert werden.

Das Verfahren trägt damit wesentlich zur Entwicklung von umweltfreundlicheren, skalierbaren und adaptiven 5G‑Netzwerken bei und unterstützt die Reduktion von CO₂‑Emissionen, die mit herkömmlichen Trainingsprozessen verbunden sind.