KI-gesteuerte dynamische Ressourcenallokation für ISAC-Systeme in 6G-Netzen: intelligentes Beamforming, Interferenzmanagement und Leistungszuweisung

Intelligentere Funknetze für den Alltag

Zukünftige 6G-Netze werden nicht nur unsere Telefone, Autos und Haushaltsgeräte verbinden — sie werden auch als feinabgestimmte Sensoren fungieren, die die Umgebung kontinuierlich abtasten. Dieser Artikel untersucht, wie künstliche Intelligenz diesen doppelt genutzten Netzen helfen kann, automatisch zu entscheiden, wohin sie ihre Signale richten, wie viel Leistung eingesetzt werden soll und wie Störungen vermieden werden können. Ziel ist es, drahtlose Verbindungen schneller und zuverlässiger zu machen und zugleich präzises Sensing für Anwendungen wie autonomes Fahren, intelligente Städte und Sicherheitsüberwachung zu ermöglichen.

Ein Netz fürs Sprechen und Wahrnehmen

Anstatt separate Systeme für Kommunikation und radarähnliches Sensing zu bauen, kombiniert Integrated Sensing and Communication (ISAC) beides in derselben Hardware und über dieselben Funkkanäle. Eine einzelne 6G-Basisstation nutzt viele kleine Antennen, um Signale zu senden, die gleichzeitig Daten zu Nutzern transportieren und von Objekten zurückprallen, um deren Position und Bewegung zu erfassen. Diese gemeinsame Nutzung verspricht eine bessere Spektrumausnutzung, geringere Kosten und neue Dienste, erzeugt aber auch Konflikte: Signale, die zur Kommunikation gedacht sind, können das Sensing stören, und Sensing-Signale können die Datenübertragung beeinträchtigen. In schnell wechselnden Umgebungen — Fahrzeuge mit hoher Geschwindigkeit, belebte Straßen oder schwankende Verkehrslasten — reichen alte »statische« Einstellungen nicht mehr aus.

Warum feste Regeln nicht ausreichen

Traditionelle Funksysteme stützen sich oft auf vordefinierte Regeln oder aufwendige mathematische Optimierungen, die langsam wechselnde Bedingungen und nahezu perfekte Kanalkenntnis voraussetzen. Bei ISAC muss die Basisstation ständig zwischen Strahlrichtungen, Leistungsniveaus und Frequenzzuweisungen jonglieren und gleichzeitig mit verschiedenen Interferenzarten umgehen: Echoeffekten der eigenen Signale, Konflikten zwischen Nutzern und Wechselwirkungen zwischen Sensing- und Kommunikationsverbindungen. Dieses Balanceakt wiederholt mit konventionellen Werkzeugen zu lösen, ist zu langsam und zu unflexibel für reale 6G-Szenarien, in denen sich Nutzer bewegen, die Nachfrage schwankt und Interferenzmuster sich von Moment zu Moment ändern.

Wie der KI-Controller lernt, sich anzupassen

Die Autoren schlagen einen KI-gesteuerten Controller auf Basis von Deep Reinforcement Learning vor. Der Controller beobachtet kontinuierlich den Zustand des Netzes: wie gut die Kanäle sind, wie schnell sich Nutzer bewegen, wie viel Interferenz vorhanden ist, wie genau das Sensing sein muss und wie viel Leistung verfügbar ist. In jedem Zeitpunkt trifft er Entscheidungen — wie die Strahlen geformt werden, wie Leistung zwischen Nutzern und Sensing-Aufgaben verteilt wird und wie Frequenzen zugewiesen werden. Nach jeder Entscheidung erhält das System eine Belohnung, die mehrere Ziele zugleich widerspiegelt: höhere Datenraten, bessere Sensing-Genauigkeit, geringerer Energieverbrauch und weniger Interferenz. Über viele simulierte Interaktionen hinweg entdeckt die KI Strategien, die diese Ziele besser ausbalancieren als feste Designs. Ist das Modell erst trainiert, kann die gelernte Strategie in Echtzeit mit moderatem Rechenaufwand angewendet werden.

Leistung in Straßen der Stadt und auf freien Flächen

Um den Ansatz zu testen, simulieren die Forscher drei typische 6G-Umgebungen: eine hochdynamische Stadtumgebung mit schnell fahrenden Fahrzeugen, eine dichte Smart-City mit vielen eng beieinanderliegenden Nutzern und ein ruhiges ländliches Gebiet mit wenigen Geräten, aber hohem Sensing-Bedarf. In allen drei Fällen erzielt das KI-gesteuerte System deutliche Verbesserungen. Es erhöht die gesamte datenübertragende Kapazität um bis zu etwa 45 % gegenüber klassischer Optimierung und um rund 50 % gegenüber statischen Strahlmustern, besonders wenn die Basisstation viele Antennen oder höhere Sendeleistung besitzt. Gleichzeitig konzentriert es die Energie stärker in den gewünschten Sensing-Richtungen, steigert den Gewinn des Strahlmusters und senkt die theoretischen Fehlergrenzen bei der Zielortung, was sich in präziserem Erfassen von Objekten und Umgebung niederschlägt.

Strom sparen und Signalmüll reduzieren

Die Vorteile reichen über Geschwindigkeit und Genauigkeit hinaus. Indem die KI lernt, wann und wo Leistung tatsächlich benötigt wird, kann die Methode eine gegebene Datenrate aufrechterhalten und gleichzeitig die Sendeleistung um etwa 40 % gegenüber traditionellen Lösungen reduzieren. Sie lernt auch, verschiedene Interferenzformen — Selbstinterferenz, Nutzer-zu-Nutzer-Konflikte und Kopplungen zwischen Sensing und Kommunikation — um bis zu etwa 50 % zu unterdrücken. Diese sauberere Signalumgebung verbessert sowohl die Funkverbindungen als auch die Sensing-Leistung, insbesondere in überfüllten oder schnell wechselnden Situationen. Die Autoren analysieren zudem die Rechenkosten und zeigen, dass die aufwendige Lernphase offline durchgeführt werden kann, während die Online-Entscheidungen schnell genug für strenge 6G-Zeitvorgaben sind.

Was das für zukünftige 6G-Systeme bedeutet

Für eine allgemeine Leserschaft lautet die zentrale Erkenntnis, dass die Arbeit zeigt, wie KI als Echtzeit-»Fluglotse« für Radiowellen in künftiger 6G-Infrastruktur fungieren kann. Anstatt sich auf feste Einstellungen zu verlassen, lernt das Netz, seine Strahlen zu steuern, Leistung zu teilen und gegenseitige Störungen zwischen Kommunikation und Sensing dynamisch zu vermeiden — alles in Echtzeit. Das Ergebnis ist ein flexibleres, energieeffizienteres und präziseres Funksystem, das selbstfahrende Autos, intelligente Fabriken und andere datenintensive, sicherheitskritische Anwendungen besser unterstützen kann. Die Studie legt nahe, dass eine solche KI-getriebene Ressourcenallokation zu einer Schlüsseltechnologie für die praktische Einführung von integriertem Sensing und Kommunikation in 6G werden könnte.

Zitation: Aman, M., Rehman, G.U., Zubair, M. et al. AI-driven dynamic resource allocation for ISAC systems in 6G networks: intelligent beamforming, interference management, and power allocation. Sci Rep 16, 12613 (2026). https://doi.org/10.1038/s41598-026-42247-y

Schlüsselwörter: 6G-Funk, integriertes Sensing und Kommunikation, tiefe verstärkende Lernverfahren, Beamforming, Interferenzmanagement