Einleitung

Mit der 6G-Technologie steht die nächste Generation der drahtlosen Kommunikation in den Startlöchern, die eine noch nie dagewesene Geschwindigkeit, Kapazität und Latenzzeit bieten soll. Das Fundament für diese Technologie bilden 5G sowie neue Funktionen, die innovative Anwendungen und Dienste ermöglichen werden. 5G-Netze nutzen eine Kombination aus Sub-6-GHz- und Millimeterwellenfrequenzen sowie moderne Technologien wie Massive MIMO, Beamforming und Network Slicing, um hohe Geschwindigkeiten und extrem zuverlässige Kommunikation mit geringen Latenzzeiten zu erzielen. Gleichwohl steht 5G in einigen Bereichen noch vor Herausforderungen, wie z. B. Frequenzknappheit, Energieeffizienz und Abdeckung. Die 6G-Technologie zielt darauf ab, diese Herausforderungen zu überwinden und noch höhere Leistungsstandards zu erreichen.

Einigen Schätzungen zufolge wird 6G in der Lage sein, Terabit-Geschwindigkeiten, eine Latenz von 1 Mikrosekunde und eine weitaus höhere Kapazität als 5G zu bieten. Um dieses Ziel zu erreichen, wird 6G eine Reihe von Schlüsseltechnologien nutzen, z. B. höhere Frequenzbänder wie Terahertz und Sub-Terahertz, intelligente reflektierende Oberflächen, künstliche Intelligenz sowie neuartige Wellenformen und Physical-Layer-Techniken. Zudem wird 6G auch Satellitennetze und nicht terrestrische Plattformen nutzen, um eine flächendeckende Versorgung zu gewährleisten.

Auch wenn die Entwicklung von 6G noch in den Kinderschuhen steckt, haben internationale Organisationen und Wirtschaftsakteure bereits einige Meilensteine gesetzt. Im Rahmen des von der ITU ins Leben gerufenen IMT-2030-Vision-Projekts sollen die Anforderungen und der Umsetzungsplan für 6G definiert werden. Das 3GPP hat mit der Untersuchung von Systemen, die über 5G hinausgehen, begonnen und plant, den ersten Standard für 6G bis 2028 zu veröffentlichen. Darüber hinaus haben auch verschiedene Länder Forschungsinitiativen und Testumgebungen für 6G gestartet.

Die möglichen Anwendungen von 6G sind facettenreich und vielschichtig. Mit 6G werden auch neue Kommunikationsparadigmen entstehen, die wiederum neue Metriken und Parameter für die Servicequalität erfordern, um die Zufriedenheit der Nutzer und die Effizienz des Systems zu gewährleisten.

Angesichts der Komplexität der Markteinführung von 6G müssen Wissenschaftler und Mobilfunk-Ingenieure intensiv simulieren, testen und mit verschiedenen Software-Tools experimentieren. Programme wie MATLAB^® werden bei der Bewältigung der schwierigsten wissenschaftlichen Herausforderungen im Zusammenhang mit 6G unverzichtbar sein. Dieses Whitepaper behandelt einige der wichtigsten Tools, die bereits verfügbar sind, um mit dem Aufbau der nächsten Generation von Funktechnologie zu beginnen.

Anwendungsfälle und Anforderungen von 6G

Die Einführung von 5G ist weltweit in vollem Gange. Die kontinuierliche Konvergenz der physischen und der virtuellen Welt in vielen Bereichen wird jedoch die Leistungsanforderungen weiter erhöhen und 5G langfristig an seine Grenzen bringen. Daher müssen die drahtlosen Systeme der nächsten Generation (6G) eine noch nie dagewesene Servicequalität erreichen, die eine ganz neue Reihe von Anwendungen und Diensten bis 2030 und darüber hinaus ermöglicht.

Neben der Verbesserung bestehender 5G-Anwendungsfälle gehen einige Wissenschaftler davon aus, dass 6G besonders komplexe Anwendungen wie holografische Kommunikation, erweiterte virtuelle Realität (Extended Virtual Reality, XR), den massiven Einsatz von digitalen Zwillingen sowie das Internet der Dinge (Internet of Things, IoT) in extrem großem Maßstab bewältigen muss. Solche Anwendungsfälle werden enorme Datenmengen erzeugen, erfordern ultrahohe Bitraten an präzisen Orten und bieten eine Netzeffizienz, die der von 5G deutlich überlegen ist. Für derartige Anwendungen werden auch über 5G hinausgehende Intelligenzfunktionen erforderlich sein, die eine Entscheidungsfindung in Echtzeit bei großen Datenmengen ermöglichen.

6G-Anwendungen können auf Grundlage der hohen Funktions- und Leistungsanforderungen in verschiedene Kategorien eingeteilt werden. Im Mittelpunkt dieses Whitepapers stehen vier Kategorien:

• Vernetzte robotische und autonome Systeme: Anwendungen, bei denen Systeme ihre Umgebung mithilfe von Sensoren wahrnehmen und mit dem Menschen auf natürliche Weise interagieren und Entscheidungen treffen können, die zur Durchführung einer Reihe von Aufgaben erforderlich sind oder diese unterstützen. Zu den Anwendungen gehören der kooperative Onlinebetrieb von Servicerobotern und digitale Zwillinge für die Fertigung.
• Multisensorische erweiterte Realität: Anwendung für komplexe Virtual Reality (VR) und Augmented Reality (AR), die hochgradig immersive, an die Umgebung angepasste Erfahrungen mit Haptik, Bild und Ton bietet. Zu den Anwendungen gehören Mixed-Reality Co-Design und Mixed-Reality Telepräsenz.
• Verteilte Sensorik und Kommunikation: Anwendungsfälle mit massiven Sensor- und Datenerfassungsnetzen. Zu den Anwendungen gehören unter anderem In-Body-Netze und immersive Smart Cities.
• Nachhaltige Entwicklung und inklusive Kommunikation: Die Anwendungsfälle in dieser Kategorie konzentrieren sich auf die Reduzierung von Ungleichheiten bei gleichzeitiger Realisierung der digitalen Integration durch die Gewährleistung des globalen Zugangs zu digitalen Diensten. Dazu gehören die Fernversorgung mit medizinischen Diensten, ein erweiterter digitaler Zugang und zusätzliche Bildungsressourcen in Gebieten, die bisher nur schwer mit drahtlosem Internet zu erreichen waren.

Ökosystem der 6G-Forschung

Obwohl die Standardisierungsarbeiten für 6G voraussichtlich nicht vor 2025 beginnen werden, wurden bereits mehrere Initiativen auf der ganzen Welt gestartet, um ein Konzept zu entwickeln, wie 6G aussehen wird. In diesem Whitepaper wird im Folgenden eine Auswahl von Initiativen und Aktivitäten weltweit vorgestellt, um einen Überblick über das 6G-Forschungsökosystem zu geben.

Auf internationaler Ebene hat der ITU Radiocommunication Sector (ITU-R) der International Telecommunication Union (ITU) eine Arbeitsgruppe (WP 5D) mit der Ausarbeitung einer Vision für die mobile Kommunikation nach 2030 in Form einer Empfehlung beauftragt.

In Nordamerika zielt die Next G Alliance darauf ab, die nordamerikanische Führung in der 6G-Forschung und -Entwicklung zu übernehmen.

Für Europa ist das Smart Networks and Services Joint Undertaking (SNS JU) federführend bei der Einführung von 6G. Darüber hinaus wurden mehrere von der EU finanzierte Pilotprojekte zur 6G-Forschung gestartet.

Auch in Asien wurden vor Kurzem mehrere Initiativen gestartet, um die 6G-Vision und die entsprechenden Technologien zu definieren.

Grundlegende Technologien

Unter den verschiedenen 6G-Initiativen auf der ganzen Welt gibt es einige gemeinsame Technologien, mit denen 6G-Konzepte in die Praxis umgesetzt werden sollen. Experten sind sich über diese Schlüsseltechnologien für 6G einig:

• Künstliche Intelligenz
• Gemeinsame Funk-Kommunikation und -Sensorik (Joint Communication and Sensing, JCAS)
• Rekonfigurierbare intelligente Oberflächen (Reconfigurable Intelligent Surfaces, RIS)
• Nicht terrestrische Netze (NTNs)
• Entwicklung der Physical-Layer
• Extreme Datenraten und höhere Frequenzen

In den folgenden Abschnitten wird in diesem Whitepaper auf die gemeinsamen Nenner eingegangen und Einblicke darin gegeben, wie Sie MATLAB zur Lösung der schwierigsten Forschungsfragen von 6G nutzen können.

Deep Learning und KI

Künstliche Intelligenz (KI) wird bereits in der 5G-Technologie eingesetzt und für eine Vielzahl von Anwendungsfällen in der 6G-Forschung in Betracht gezogen. Ein KI-Workflow erfordert die Entwicklung tiefer neuronaler Netze und die Generierung großer Datenmengen für das Training solcher Netze, darunter auch die Unterstützung von Grafikkarten für effizientes Training – über all diese Möglichkeiten verfügt MATLAB. Zu den Anwendungsfällen gehören:

• Beamforming-Entwurf
• Adaptive Kanalabschätzung
• Datengesteuerte Kanaldekodierung
• Kompensation von Hardwarebeeinträchtigungen

In 3GPP Release 18 stehen drei KI-Bereiche besonders im Mittelpunkt:

• Rückkopplungskompression der Kanalzustandsinformationen (Channel State Information, CSI): Neuronale Netze könnten zur Komprimierung der vom Empfänger an den Sender zurückgesendeten CSI verwendet werden.
• Beam Management: Eine umfangreiche Suche nach allen Beam-Paaren in einem Massive-MIMO-System kann numerisch unmöglich werden. Eine Alternative ist der Einsatz von KI, um den Suchraum auf eine geringere Anzahl von Beam-Paaren zu reduzieren.
• Positionierung: Eine genaue Positionsbestimmung ermöglicht eine Vielzahl von Anwendungen, ist jedoch eine technische Herausforderung. KI hat das Potenzial, eben jene Positionierungsgenauigkeit zu erhöhen.

MATLAB für Deep Learning und KI

MATLAB unterstützt den gesamten Deep Learning/KI-Workflow – von der ersten Idee bis hin zu einem trainierten neuronalen Netzwerk, das auf einem Embedded Device läuft.

Von der Datenaufbereitung bis zur Bereitstellung: MATLAB-Toolboxen unterstützen Wissenschaftler während des gesamten Workflows.

Mit MATLAB und den zugehörigen Toolboxen können tiefe neuronale Netze für eine Vielzahl von Anwendungen entwickelt, trainiert, getestet und bereitgestellt werden. MATLAB wird mit einer großen Anzahl ausführbarer Demos in KI für drahtlose Anwendungen geliefert:

Gemeinsame Funk-Kommunikation und -Sensorik (Joint Communication and Sensing, JCAS)

Eines der potenziellen Merkmale künftiger 6G-Netze ist die Möglichkeit, das Funkspektrum sowohl für die Sensorik als auch für die Kommunikation zu nutzen. Ein neues Paradigma, bei dem die Funkhardware und -software sowohl Erfassungs- als auch Kommunikationsaufgaben übernehmen kann, ist die gemeinsame Kommunikation und Sensorik. Zu den möglichen Anwendungsfällen gehören die Verkehrsüberwachung und die Lokalisierung passiver Objekte, die Umweltüberwachung und die Erkennung menschlicher Aktivitäten/Präsenz sowie die Sturzerkennung und Blutzuckermessung.

Gemeinsame Kommunikation und Sensorik lässt sich in zwei Ansätze unterteilen:

• Das gleiche Funkspektrum wird für die Erkennung und die Kommunikation verwendet. Hierzu ist eine neue Signalverarbeitung für die Erfassung beim Empfänger erforderlich, die Kommunikationsfunktionen müssen jedoch nicht geändert werden. Die gemeinsame Nutzung des Spektrums durch Sensorik und Kommunikation stellt eine spannende Herausforderung dar, da bei der Gestaltung der Wellenform ein Kompromiss zwischen Erfassungsfähigkeit und Kommunikationsleistung gefunden werden muss. So könnte beispielsweise die Cramér-Rao-Untergrenze (CRLB) eine gültige Metrik für die Erkennung sein, während die Kapazität eine bessere Metrik für die Kommunikation darstellt.
• Verschiedene Teile des Funkspektrums werden für die Erkennung und Kommunikation genutzt. So könnte für die Erkennung spezielle Hardware verwendet werden. Bei diesem Ansatz geht es dann darum, wie die verfügbaren Funkressourcen zeitlich, frequenzbezogen und räumlich aufgeteilt werden können.

MATLAB zur gemeinsamen Kommunikation und Sensorik (JCAS)

Durch die Kombination der Communications Toolbox™ und Radar Toolbox lassen sich Experimente zur gemeinsamen Kommunikation und Sensorik mühelos durchführen. Die Communications Toolbox enthält Bausteine zum Aufbau der Kommunikationssignalverarbeitungsketten, während die Radar Toolbox alle Lehrbuchalgorithmen enthält, die man für die Sensorik benötigt.

Die Positionierung und Lokalisierung sind zentrale Konzepte in vielen Sensorikanwendungen. MATLAB bietet viele ausführliche Beispiele für diese Bereiche. Ein System, das Kommunikation und Sensorik integriert, muss einen Kompromiss zwischen den beiden Arten von Wellenformen eingehen. Mit MATLAB können Sie diese Abwägung detailliert untersuchen. Die Erkennung von Mikro-Doppler-Signaturen ist eine Technik, die eine Vielzahl der untersuchten Anwendungsfälle mit gemeinsamer Kommunikation und Sensorik ermöglicht. Mit MATLAB können Sie die Klassifizierung von Mikro-Doppler-Signaturen untersuchen, beispielsweise mithilfe von Deep-Learning-Techniken.

Rekonfigurierbare intelligente Oberflächen (Reconfigurable Intelligent Surfaces, RIS)

Bei rekonfigurierbaren intelligenten Oberflächen (RIS) handelt es sich um neuartige Techniken, die eine Manipulation des drahtlosen Kanals ermöglichen, um eine äußerst zuverlässige Abdeckung und eine hervorragende Kommunikationsqualität zu gewährleisten. Ein klassisches drahtloses System betrachtet die Ausbreitungsumgebung als gegeben. Sein Ziel ist es also, die Kommunikationsleistung zu optimieren, indem es seine Übertragungsschemata und -parameter so anpasst, dass die Beeinträchtigungen des „gegebenen“ Kanals überwunden werden.

RIS sind ebene Flächen, die aus reflektierenden Elementen bestehen, die unabhängig und passiv die Phase des von ihnen reflektierten Signals beeinflussen können. Durch programmierbare Elemente kann RIS den drahtlosen Kanal neu konfigurieren, indem die Phasenverschiebungen einer großen Anzahl von Reflektorelementen auf einer Oberfläche oder einem Antennen-Array abgestimmt werden. Dadurch erhält das Kommunikationssystem eine aktive Kontrolle über die Eigenschaften der Funkumgebung und kann bestimmte Signalausbreitungsrichtungen eliminieren oder verbessern sowie Störungen unterdrücken.

Die Wissenschaftsgemeinschaft arbeitet bereits an einer Reihe von Herausforderungen und Forschungsproblemen, die angegangen werden müssen, um RIS von der Theorie in die Praxis zu bringen:

• Die Entwicklung von reflektierenden Oberflächen mit einer großen Anzahl von Elementen, um geeignete szenariospezifische Konfigurationen für steuerbare Elemente zeitnah zu finden und gleichzeitig den Signalisierungsaufwand zu minimieren
• Genaue Schätzung des drahtlosen Kanals zwischen RIS und Sendern oder Empfängern und CSI-Erfassung unter Berücksichtigung der großen Anzahl von reflektierenden Elementen und hochdynamischen Szenarien, wenn RIS auf UAVs montiert werden
• Entwicklung und Optimierung eines fehlerresistenten Beamforming unter Berücksichtigung der Mängel und Lücken der von RIS-Systemen erfassten CSI

MATLAB für rekonfigurierbare intelligente Oberflächen

Mithilfe der Phased Array System Toolbox™, der Antenna Toolbox™ und der Optimization Toolbox™ können Sie Streuflächen modellieren und entwickeln sowie deren Eigenschaften dynamisch verändern. Darüber hinaus bietet MATLAB folgende Möglichkeiten:

• Modellierung von reflektierenden Oberflächen und Elemente mit einem umfangreichen Katalog von Elementen, darunter Dipol-, Monopol-, Patch-, Spiral-, Fraktal- und Horn-Antennen.
• Entwicklung von Optimierungsalgorithmen zur bestmöglichen Steuerung der verschiedenen Elemente der reflektierenden Oberflächen.
• Flexible Entwicklung von Antennen-Arrays wie lineare, rechteckige, kreisförmige, winkelgetreue Arrays und benutzerdefinierte Array-Designs, um den Designraum für RIS zu sondieren.
• Genaue Modellierung von 3D-Ausbreitungsumgebungen mithilfe von Ray Tracing zur Berechnung von Mehrwegeausbreitungspfaden unter Berücksichtigung der Permittivitäts- und Leitfähigkeitswerte gängiger Materialien laut ITU.
• Modellierung von MIMO-Kanälen mit Mehrwegeausbreitung und Streuung, um Reflexionen von mehreren Streuern in Richtung eines empfangenden Arrays zu modellieren. Das Modell berücksichtigt entfernungsabhängige Zeitverzögerung, Verstärkungsfaktoren, Dopplerverschiebung, Phasenänderung und atmosphärische Verluste durch Gase, Regen, Nebel und Wolken.

Nicht terrestrische Netze

MATLAB für nicht terrestrische Netze

Bestehende 5G-NTN-Verbindungsmodelle können als Ausgangspunkt für die Untersuchung der erforderlichen Verbesserungen und besseren Algorithmen für 6G verwendet werden. Mithilfe der 5G Toolbox™ und der Satellite Communication Toolbox verfügt MATLAB über alle Tools, um Ihre NTN-Forschung zu beschleunigen, damit Sie Folgendes tun können: 

• Flexibler Aufbau, Modellierung und Visualisierung kompletter Satellitenszenarien bestehend aus Satelliten, Konstellationen und Bodenstationen sowie deren Interaktionen.
• Durchführung einer Multidomain-Modellierung mit Satelliten und Luftfahrzeugen im selben Szenario.
• Modellierung von Multi-Hop-Satellitenverbindungen zwischen Bodenstationen und Durchführung von Zugangsanalysen zwischen Konstellationen und Bodenstationen.
• Modellierung der Dopplerfrequenz und der Latenzzeit zwischen Satelliten und Bodenstationen.
• Verwendung standardbasierter Satellitenausbreitungsmodelle zur Modellierung von Ausbreitungsverlusten und Kreuzpolarisation gemäß der Empfehlung ITU-R P.618 sowie des Land-Mobil-Satelliten-Kommunikationskanals gemäß der Empfehlung ITU-R P.681-11 Abschnitt 6.2.
• Untersuchung neuer Wellenformen, Modulationsschemata und Fehlerkorrekturtechniken mit einer extensiven Kommunikationsbibliothek von Funktionalitäten.
• Entwicklung, Modellierung und Prüfung von Systemen zum Beamforming für die Erfüllung der Anforderungen an die Strahlbreite von NTNs.
• Entwicklung von Antennen und Antennen-Arrays, die in der Lage sind, die für NTN typischen Anforderungen an Strahlbreite und Effizienz zu erfüllen.

Extreme Datenraten und höhere Frequenzen

Ein ehrgeiziges Ziel von 6G ist die Bereitstellung von Datenraten von bis zu Hunderten von Gbit/s. Mit den extrem hohen Datenraten sind zahlreiche neue Herausforderungen verbunden, von denen einige mit dem erhöhten Stromverbrauch und den höheren Trägerfrequenzen zusammenhängen:

• Um extreme Datenraten zu erreichen, ist eine Signalbandbreite in der Größenordnung von mehreren zehn GHz erforderlich, selbst wenn die spektrale Effizienz hoch ist. Das wiederum bedeutet, dass die Trägerfrequenz im oberen mmWave-Bereich (> 100 GHz) liegen muss. Die größte Herausforderung bei der Ausbreitung von HF ist die hohe Dämpfung bei höheren Frequenzen. Um diese Einschränkungen korrekt abzubilden, werden neue Kanäle für die oberen mmWave- und Sub-THz-Bänder benötigt. Die stochastische Modellierung solcher Kanalmodelle, wie sie für niedrigere Frequenzen üblich ist, stellt für höhere Frequenzbänder eine Herausforderung dar. Kanalmodelle auf der Grundlage von Raytracing haben bei 60 GHz vielversprechende Vorhersagefähigkeiten gezeigt – und ähnliche Fähigkeiten sind auch bei höheren Frequenzen zu erwarten. Raytracing-Modelle eignen sich besonders gut für das Beamforming, das eine zentrale Technik zur Überwindung des Reichweitenproblems ist.
• Bei Datenkonvertern steigt der Stromverbrauch ungefähr linear mit der Abtastfrequenz, aber exponentiell mit der Bitauflösung. Neue Herausforderungen, die sich aus dem erhöhten Stromverbrauch aufgrund höherer Bandbreiten ergeben, können eine Umgestaltung von Digital-Analog-Wandlern (DAC) und Analog-Digital-Wandlern (ADC) erforderlich machen, z. B. durch Verringerung der Bitauflösung.
• Die Datenraten werden viel höher sein als die Taktrate der DSP-Schaltkreise, was neuartige DSP-Algorithmen für die Verarbeitung massiv paralleler Datenströme erfordert.

MATLAB für extreme Datenraten und höhere Frequenzen

MATLAB verfügt über integrierte Funktionen zum Raytracing. Darüber hinaus verfügen die Tools über integrierte Funktionen zur Einbeziehung von Verlusten aufgrund von Regen, Geländediffraktion, Brechung durch die Atmosphäre, troposphärischer Streuung und atmosphärischer Absorption (siehe zum Beispiel CDL-Kanalmodellanpassung mit Raytracing und MIMO-OFDM-Kommunikationsverbindung im Innenbereich mit Raytracing)

Mit MATLAB lässt sich die Architektur von Datenkonvertern mit hoher Genauigkeit untersuchen und verändern.

MATLAB verfügt über vorgefertigte IP-Blöcke, die Daten parallel verarbeiten und damit eine effektive Datenrate erreichen, die viel höher ist als die Taktrate. Modelle in Simulink^®, die solche Blöcke verwenden, können auf FPGA-Plattformen bereitgestellt und in Echtzeit ausgeführt werden.

Entwicklung der Physical-Layer

Ein überarbeiteter Physical-Layer-Entwurf kann aus einer neuen Frame-Struktur, neuen Wellenformen und neuen Kanalcodierungstechniken bestehen. Die Entwicklung von Wellenformen für 6G bringt gleich mehrere Herausforderungen mit sich. Das verfügbare Link-Budget wird durch die Begrenzung der Spitzenausgangsleistung der PA bei höheren Frequenzen reduziert, wodurch Wellenformkandidaten mit geringen Hüllkurvenschwankungen bevorzugt werden. Bei extrem hohen Datenübertragungsraten dürfte die Analog-Digital-Wandlung der Hauptfaktor für den Stromverbrauch des Systems sein, was energieeffiziente Wellenformen begünstigt. Im Folgenden sind Beispiele für Wellenformen aufgeführt, die für 6G infrage kommen:

• CP-OFDM-Wellenformen bauen auf einer langen Tradition von 4G und 5G auf, haben aber den Nachteil, dass sie ein großes Verhältnis von Spitzenleistung zu mittlerer Leistung (Peak-to-Average Power Ratio, PAPR) aufweisen.
• Die Nulldurchgangsmodulation (Zero-Crossing Modulation, ZXM) erzielt eine hohe Energieeffizienz, indem sie die Amplitudenauflösung reduziert.
• DFTS-OFDM reduziert die PAPR im Vergleich zu CP-OFDM auf Kosten der zusätzlichen Signalverarbeitung.

MATLAB zur Physical-Layer-Entwicklung

Mit der Communications Toolbox und der 5G Toolbox können Sie verschiedene Technologien untersuchen, ausgehend von bestehenden 5G-Modellen und mithilfe verschiedener Kanalmodelle, um die Leistung in verschiedenen Frequenzbändern zu untersuchen.

Mit MATLAB lassen sich neue Codierungsverfahren ausloten, die zum Beispiel auf NR-LDPC- und Polar-Codes basieren.

Fazit

Die 6G-Mobilfunktechnologie bietet eine aufregende Zukunft für Ingenieure und Wissenschaftler. Im Laufe des nächsten Jahrzehnts werden die in diesem Whitepaper beschriebenen Anwendungsfälle und Technologien im Bereich der drahtlosen Kommunikation zunehmend an Bedeutung gewinnen.

Für diejenigen, die mehr über MATLAB und 6G erfahren möchten, empfehlen wir die folgenden nächsten Schritte und Ressourcen.