CD-Labor für Digitale Zwillinge mit integrierter KI für nachhaltigen Funkzugang

Dieses CD-Labor strebt nach der Schaffung einer Grundlage für den Einsatz auf künstlicher Intelligenz (KI) basierender Lern- und Aktualisierungsmethoden im Bereich drahtloser Netzwerke in verschiedensten Szenarien, wodurch Aspekte wie Effizienz, Nachhaltigkeit und Zuverlässigkeit profitieren sollen: Zu diesem Zweck werden sogenannte „Digitale Zwillinge“ (DT, „digital twins“) erarbeitet, welche stark unterschiedliche Umgebungen wie Züge, Industriegelände und dynamische Umgebungen samt zugehörigem Funkzugang und der jeweiligen Nutzer*innenpopulation im Zusammenspiel mit selbigem repräsentieren.

Mobilfunknetze sind seit geraumer Zeit aus Alltag und Berufsleben kaum mehr wegzudenken, auch kommen diese zunehmend im industriellen Umfeld zum Einsatz. Entsprechend können die Anforderungen an diese je nach Nutzer*in, Situation und Anwendungsfall höchst unterschiedlich sein: Bahnreisende wollen während ihrer Fahrt im voll besetzten Zug arbeiten, per Telefon oder Internet kommunizieren oder digitale Unterhaltungsangebote nutzen. Geschwindigkeit, Bauweise des Eisenbahnwaggons (Metall und Fenster-Materialien, welche die Ausbreitung des Signals erschweren) und Umgebung (wenn er etwa durch ländliche Gebiete mit geringer Netzabdeckung fährt) stellen große Herausforderungen für eine performante verlässliche Mobilfunkversorgung dar. Die Digitalisierung von industriellen Abläufen andererseits erfordert eine extrem hohe Zuverlässigkeit der Vernetzung von Maschinen in Echtzeit. Diese Anforderungen verlangen immer mehr Informationen aus dem Mobilfunknetz, es agiert damit auch als Sensor.

Die ersten Generationen des Mobilfunks konnten im laufenden Betrieb kaum differenzierte Benutzeranforderungen berücksichtigen. Erst mit dem 5G-Standard wurden Funktionen im Funknetz realisiert, die eine dynamische Ressourcenoptimierung erlauben und das sogenannte „Network Slicing“ ermöglichen. Die Herausforderung besteht nun darin, Methoden zur Realisierung besagter dynamischer Optimierung zu entwickeln, und in diesem CD-Labor wird die automatisierte Umsetzung selbiger durch einen modellbasierten Agenten angestrebt. Dieser muss stets den aktuellen Zustand der Funkschnittstelle sowie eine Vorhersage zukünftiger Lastprofile einbeziehen. Die erfolgreiche Umsetzung basiert somit auf digitalen Abbildungen der Realität – und hier kommen die titelgebenden digitalen Zwillinge ins Spiel, welche die Basis des datengetriebenen KI-Managements darstellen!

Solch ein DT ist als Abbildung eines physikalischen Prozesses oder Objekts in einer natürlichen Umgebung auf ein virtuelles Objekt zu verstehen und ermöglicht Validierung, Simulation oder Repräsentation dessen aktuellen oder zukünftigen Status. Ein Aufbau mittels traditionell rein datengetriebener Machine-Learning-Methoden wäre eine mögliche Lösung, würde aber durch ihren Bedarf an Trainingsdaten einen enormen Ressourcenbedarf erfordern. Doch indem das Team des CD-Labors die verschiedenen Aspekte des jeweiligen Netzwerks samt Umgebung und Benutzer*innen in Form interaktiver digitaler Zwillinge von Eisenbahnnetzen, Industriegeländen und dynamischen Umgebungen erarbeitet, die in ständigem Austausch miteinander wirken, kann Machine Learning ressourcenschonend in verschiedenen Szenarien zur Verbesserung der drahtlosen Konnektivität verwendet werden.