Leistungsoptimierung auf Basis von Soft Actor Critic für IRS-unterstützte Cognitive-Radio-Systeme

Schlauere Funkwellen für eine überfüllte drahtlose Welt

Unsere Telefone, Sensoren und Smart‑Homes konkurrieren um dieselbe unsichtbare Ressource: die Radiowellen. Mit der Zunahme vernetzter Geräte wird es immer wichtiger, aus begrenztem Spektrum mehr Leistung herauszuholen. Dieses Papier untersucht einen neuen Ansatz, um die Datenraten von Nutzern mit niedriger Priorität zu steigern, ohne diejenigen mit hoher Priorität zu beeinträchtigen, indem „intelligente Wände“, die Radiowellen lenken, mit einer KI‑Lernmethode kombiniert werden, die dem Netzwerk beibringt, sich selbst zu konfigurieren.

Teilen ohne die Nachbarn zu übertönen

Moderne drahtlose Systeme verwenden häufig ein Modell mit „primären“ und „sekundären“ Nutzern. Primäre Nutzer, etwa lizenzierte Dienste, haben Priorität auf bestimmten Frequenzen. Sekundäre Nutzer dürfen dieselben Kanäle nur dann wiederverwenden, wenn sie die verursachte Interferenz strikt begrenzen. Dies ist die Kernidee des Cognitive Radio: Radios, die ihre Umgebung erfassen und sich anpassen, damit das Spektrum effizienter genutzt wird. Die Herausforderung besteht darin, sekundären Nutzern gute Datenraten zu ermöglichen, während sie für primäre Nutzer nahezu unsichtbar bleiben. Traditionelle Ansätze verlassen sich allein auf clevere Signalverarbeitung an der Basisstation, was schnell komplex wird, wenn Netze dichter werden und mehr Antennen hinzukommen.

Signale mit intelligenten reflektierenden Oberflächen lenken

Die Autoren fügen dem Konzept ein mächtiges neues Werkzeug hinzu: intelligente reflektierende Oberflächen (IRS). Dabei handelt es sich um dünne Paneele, die aus vielen winzigen passiven Elementen bestehen und einstellen können, wie sie eintreffende Radiowellen reflektieren — wie eine Wand aus steuerbaren Spiegeln für Funksignale. Durch sorgfältige Wahl des Reflexionsmusters kann die Oberfläche Energie zum beabsichtigten sekundären Nutzer lenken und von primären Empfängern wegsteuern, wodurch die Leistung verbessert wird, ohne zusätzliche Sendeleistung aufzuwenden. Das Papier analysiert ein System, in dem eine Basisstation mit vielen Antennen sekundäre Nutzer bedient, während mehrere reflektierende Paneele helfen, die Signalpfade in der Umgebung zu formen, unter realistischen Millimeterwellen‑Ausbreitungsbedingungen.

Dem Netzwerk beibringen, sich selbst abzustimmen

Die beste Kombination aus Basisstationsstrahlmustern, Sendeleistung und Millionen winziger Reflexionskonfigurationen zu finden, ist ein unübersichtliches mathematisches Problem. Klassische Optimierungsverfahren, wie Blockkoordinatenabstieg, gehen es an, indem sie zwischen Gruppen von Variablen alternieren. Diese Verfahren funktionieren, werden aber langsam und unhandlich, wenn die Oberflächen größer werden oder sich die Umgebung ändert. Stattdessen formulieren die Autoren die Aufgabe als Lernproblem für einen Deep‑Reinforcement‑Learning‑Agenten mit dem Soft Actor‑Critic (SAC) Algorithmus. In diesem Setup beobachtet der Agent die aktuellen Kanalbedingungen, vergangene Reflexionsphasen und die Sendeleistung und schlägt dann neue Reflexionseinstellungen vor. Er erhält eine Belohnung, die hauptsächlich auf der erreichten Datenrate des sekundären Nutzers basiert, solange die Interferenz für primäre Nutzer unter einem erlaubten Schwellenwert bleibt. Über viele simulierte Interaktionen lernt der Agent eine Policy, die Beobachtungen direkt in nahezu optimale Konfigurationen übersetzt.

Ergebnisse in Simulation und Hardware

Durch umfangreiche Simulationen wird der SAC‑basierte Regler gegenüber einem traditionellen Blockkoordinatenabstiegs‑Benchmark in mehreren Aspekten verglichen: erreichbare Datenrate für sekundäre Nutzer, Einfluss der Anzahl reflektierender Elemente und Paneele, Leistungsgrenzen und Interferenzauflagen. Die gelernte Policy erreicht durchgängig gleich hohe oder höhere Datenraten als der Benchmark, insbesondere wenn die intelligenten Oberflächen viele Elemente haben, und benötigt nach dem Training deutlich weniger iterative Berechnungen. Die Studie bewertet auch die Laufzeit: Bei kleinen Oberflächen können klassische Methoden etwas schneller sein, doch mit wachsender Systemgröße skaliert der lernbasierte Ansatz besser. Zur Unterstützung praktischer Einsatzszenarien entwerfen, fertigen und testen die Autoren ein 16‑Elemente‑Basisstationsantennenarray, das von 3 bis 7 GHz arbeitet. Messungen zeigen gute Anpassung, geringe Korrelation zwischen den Antennen und eine Strahlungseffizienz von rund 90 %, was bestätigt, dass die Hardwareplattform anspruchsvollen Multi‑Antenne‑Betrieb unterstützen kann.

Was das für zukünftige drahtlose Netze bedeutet

Anschaulich zeigt diese Arbeit, wie die Kombination aus intelligenten reflektierenden Paneelen und einem Lernalgorithmus es Geräten mit niedrigerer Priorität ermöglicht, das Spektrum aggressiver zu teilen, ohne Dienste mit höherer Priorität zu stören. Anstelle handgefertigter Formeln lernt das Netzwerk, seine Signale selbst zu zielen und zu formen — selbst in komplexen Umgebungen und mit vielen steuerbaren Elementen. Wenn sich drahtlose Systeme über 5G hinaus weiterentwickeln, könnten Ansätze wie dieser helfen, höhere Datenraten, bessere Abdeckung und effizientere Nutzung knapper Frequenzressourcen zu liefern, während die Interferenz unter Kontrolle bleibt.

Zitation: Ghallab, R., Abdrabo, A. & Elashry, I. Soft actor critic-based performance optimization for IRS-aided cognitive radio systems. Sci Rep 16, 14283 (2026). https://doi.org/10.1038/s41598-026-49465-4

Schlüsselwörter: Cognitive Radio, Intelligente reflektierende Oberflächen, Tiefes verstärkendes Lernen, Drahtloses Spektrumsharing, Soft Actor Critic