Minimierung der Ausfallwahrscheinlichkeit und des Energieverbrauchs durch Deep‑Learning‑basierte Vorhersage in D2D mmWave‑Kommunikation

Warum die Shortcuts auf Ihrem Telefon wichtig sind

Wenn zwei nahe beieinander stehende Telefone direkt miteinander kommunizieren, anstatt alles über einen entfernten Sendemast zu leiten, werden Downloads schneller und Akkus schonen. Diese Art von Kurzschlussverbindung, genannt Device‑to‑Device‑Kommunikation, ist besonders attraktiv in den sehr hohen Funkfrequenzen der Millimeterwellen, die große Datenmengen transportieren können. Solche Verbindungen sind jedoch fragil: Wände, Menschen und sogar bewegte Objekte können die Signale unterbrechen, was zu plötzlichen Verbindungs‑„Ausfällen“ und Energieverschwendung führt. Dieses Papier untersucht, wie eine Mischung aus naturinspirierten Suchstrategien und gehirnähnlichen neuronalen Netzen solche Direktverbindungen sowohl zuverlässiger als auch energieeffizienter machen kann.

Direkte Kommunikation zwischen nahen Geräten

In den kommenden 5G‑ und Beyond‑5G‑Systemen werden Telefone, Sensoren und Fahrzeuge zunehmend direkt über kurze Distanzen miteinander kommunizieren. Das Umgehen der Basisstation reduziert Latenz, verringert Netzüberlastung und kann in Notfällen, wenn Infrastruktur beschädigt ist, entscheidend sein. Millimeterwellen‑Bänder bieten breite Frequenzbereiche für diesen Verkehr, bergen jedoch einen Nachteil: Signale schwächen sich schnell ab, werden leicht blockiert und unterliegen schwankenden Störungen. Ingenieure beschreiben das Risiko, dass ein Link unter ein nutzbares Qualitätsniveau fällt, als seine „Ausfallwahrscheinlichkeit“. Gleichzeitig verbraucht jede zusätzliche Sendeleistung Akkuenergie und belastet das Netzt. Die Herausforderung besteht darin, die Ausfallwahrscheinlichkeit gering zu halten und gleichzeitig die Energie zu minimieren, die jedes Gerät für die Kommunikation aufwendet.

Abbilden einer dichten Funkumgebung

Die Autoren erstellen zuerst ein mathematisches Modell einer geschäftigen Funkumgebung. Basisstationen, normale Mobilnutzer und spezialisierte Device‑to‑Device‑Paare werden über ein Gebiet verteilt, wobei realistische räumliche Muster natürliche Cluster benachbarter Geräte bilden. Innerhalb dieses Layouts untersuchen sie drei Beschreibungsweisen der Abdeckung: eine „kohärente“ Sicht, in der detaillierte Lage‑ und Kanalinformationen bekannt sind; eine „nicht‑kohärente“ Sicht, die nur längerfristige Statistiken verwendet; und eine „Einzel‑Cluster“-Sicht, die sich auf Interferenzen innerhalb einer Gruppe konzentriert. Für jeden Fall leiten sie Formeln ab, die Schlüsselgrößen wie das Signal‑zu‑Interferenz‑und‑Rausch‑Verhältnis mit der Wahrscheinlichkeit verknüpfen, dass ein Link über einem gewählten Qualitätsniveau bleibt. Diese Formeln dienen als Spielwiese, in der Optimierungs‑ und Lernmethoden nach besseren Sendeleistungs­einstellungen suchen können.

Lernen von Flamingos, Elchen und Spikes

Um Ausfälle zu reduzieren, stellt das Papier eine hybride Suchmethode namens Flamingo Elk Herd Optimization (FEHO) vor. Sie imitiert zwei Tierverhaltensweisen: Flamingos, die bei der Futtersuche große Bereiche erkunden, und Elche, die ihre Positionen innerhalb einer Herde feinabstimmen. Durch die Kombination von weitreichender Erkundung mit präziser lokaler Anpassung sucht FEHO nach Sendeleistungsniveaus für alle Gerätepaare, die gemeinsam die Wahrscheinlichkeit von Verbindungsabbrüchen minimieren. Parallel dazu wenden die Autoren ein Deep Spiking Neural Network (DSNN) an, um den Energieverbrauch zu adressieren. Statt mit glatten Signalen zu arbeiten, verarbeitet dieses Netz Informationen als Bursts oder Spikes, näher an der Funktionsweise biologischer Neuronen. Es beobachtet Ausfallmuster im Zeitverlauf und lernt eine intelligente Leistungsschwelle: ein Niveau, das die Abdeckung akzeptabel hält und gleichzeitig unnötig hohe Sendeleistung reduziert. Gemeinsam schlägt FEHO Kandidaten für Sendeleistungs­einstellungen vor und das DSNN liefert adaptive Schwellen, die reale Kanalbedingungen widerspiegeln.

Prüfung der neuen Methode

Das Team bewertet ihr kombiniertes Framework, bezeichnet als FEHO+DSNN, durch umfangreiche Computersimulationen unter zwei typischen Funk­szenarien: Rayleigh‑Kanäle, die stark gestreute Umgebungen ohne klare Sichtlinie modellieren, und Rician‑Kanäle, die einen dominanten direkten Pfad einbeziehen. Sie variieren die Benutzeranzahl und das Signal‑zu‑Rausch‑Verhältnis, um dichte städtische Einsätze nachzubilden. Im Vergleich zu mehreren aktuellen Techniken – darunter andere schwarmbasierte Optimierer, lernunterstützte Leistungssteuerung und caching‑basierte Verfahren – konvergiert der neue Ansatz konsistent schneller und erzielt bessere Kompromisse. In vielen Fällen reduziert er die durchschnittliche Sendeleistung um mehrere zehn Dezibel, während die Ausfallwahrscheinlichkeit auf dem Niveau oder unter der der konkurrierenden Methoden bleibt, und das bei Inferenzzeiten, die kurz genug für den Echtzeitbetrieb in Live‑Netzen sind.

Was das für zukünftige Funknetze bedeutet

Für Laien ist die Botschaft klar: Diese Arbeit zeigt, dass clevere Algorithmen es erlauben, dass nahe Geräte direkter, zuverlässiger und mit geringerem Akkuverbrauch kommunizieren können, selbst in den empfindlichen Millimeterwellenbändern. Durch die Kombination einer von Tierverhalten inspirierten Suchstrategie mit einem neuronalen Netz, das von spike‑ähnlichen Ereignissen lernt, entwerfen die Autoren ein System, das Verbindungserhalt und Energieeinsparung ausbalanciert. Ihre Ergebnisse legen nahe, dass zukünftige Telefone, Sensoren und sogar Fahrzeuge starke Kurzstreckenverbindungen aufrechterhalten können, ohne ständig mit maximaler Leistung zu senden. Da Funknetze dichter und komplexer werden, werden solche adaptiven, energie‑bewussten Strategien entscheidend sein, um unsere digitalen Gespräche glatt, schnell und nachhaltig zu halten.

Zitation: Bilal, N.M., Velmurugan, T. Minimization of outage probability and energy consumption by deep learning-based prediction in D2D mm wave communication. Sci Rep 16, 9006 (2026). https://doi.org/10.1038/s41598-025-34846-y

Schlüsselwörter: Device‑to‑Device‑Kommunikation, Millimeterwellen‑Netze, Ausfallwahrscheinlichkeit, energieeffizientes Drahtlos, tiefe spikende neuronale Netze