KI-gesteuerte Spiegelarrays ohne Kanalzustandsinfo: 26 dB Gewinn

Ein neues Papier aus dem arXiv-Repository präsentiert einen innovativen Ansatz, um das langjährige Problem der Kanalzustandsinformation (CSI) bei Reconfigurable Intelligent Surfaces (RIS) zu umgehen. Durch den Einsatz von Multi-Agent Reinforcement Learning (MARL) wird die komplexe Kanalmodellierung durch reine räumliche Intelligenz ersetzt, sodass die Steuerung von mechanisch verstellbaren Metallspiegelarrays völlig CSI‑frei möglich wird.

Das vorgeschlagene System nutzt eine Centralized Training with Decentralized Execution (CTDE)-Architektur und Multi-Agent Proximal Policy Optimization (MAPPO). Dabei werden die hochdimensionalen mechanischen Einschränkungen der Spiegelarrays in einen kompakteren virtuellen Fokusraum abgebildet. Die dezentralen Agenten lernen kooperative Strahlfokussierungsstrategien, die ausschließlich auf den Koordinaten der Nutzer basieren, und können so dynamisch auf Bewegungen reagieren.

Simulationen mit hochpräziser Strahlverfolgung in dynamischen Nicht-LOS-Umgebungen zeigen, dass die MARL‑Lösung bis zu 26,86 dB besser abschneidet als statische flache Spiegel und sowohl einzelne Agenten als auch hardwarebeschränkte Deep‑RL‑Baselines in räumlicher Selektivität und zeitlicher Stabilität übertrifft. Die erlernten Politiken bleiben auch bei einer Lokalisierungsunschärfe von 1,0 m stabil, was ihre Einsatzresilienz unterstreicht.

Diese Ergebnisse demonstrieren, dass MARL‑gesteuerte räumliche Abstraktionen einen skalierbaren und hochpraktischen Weg eröffnen, um KI‑gestützte, kanalunabhängige Funkumgebungen zu realisieren. Der Ansatz verspricht, die Effizienz und Flexibilität moderner drahtloser Netzwerke erheblich zu steigern.