Artificial intelligence methods in wireless communications

Abstract

The application of artificial intelligence (AI) within wireless Communications is a transformative step forward in meeting the escalating complexity and requirements of modern network systems. This thesis investigates advanced AI and machine learning (ML) techniques designed to enhance the performance, efficiency, and adaptability of fifth-generation (5G) and beyond 5G (B5G) networks. The major areas of focus include visible light positioning (VLP), radio environment mapping (REM), and three-dimensional (3D) indoor localization, as well as accurate propagation modeling, essential for optimizing network planning and dynamic, real-time decision-making. Diverse ML models are rigorously assessed for their efficacy in addressing the sophisticated requirements posed by these wireless applications across heterogeneous and challenging environments. Aiming to improve model reliability and interpretability, this study also integrates explainable AI (XAI) methodologies. These XAI tools provide critical insights into model behavior, promoting transparency and fostering greater trust in AI-driven network solutions. Furthermore, evolutionary algorithms (EAs) are utilized for VLP systems and to optimize antenna designs, to achieve high gain and wide bandwidth for B5G and 6G applications. In parallel, deep learning (DL)-based beamforming techniques are explored, significantly enhancing connectivity and operational efficiency in high-frequency, high-mobility contexts, such as those encountered in massive multiple-input-multiple-output (MIMO) systems. These innovations enable low-complexity, scalable solutions that meet the stringent real-time demands of next-generation wireless infrastructure. Through a series of validations, the research confirms that AI-driven techniques can significantly reduce complexity and enhance the scalability of network operations, thus meeting the stringent requirements of next-generation wireless infrastructures. Furthermore, the findings elaborate on how the tailored application of various AI methodologies can be strategically deployed to address the challenges posed by next-generation wireless network requirements.

Η εφαρμογή της τεχνητής νοημοσύνης (artificial intelligence-AI) στις ασύρματες επικοινωνίες αποτελεί ένα σημαντικό βήμα για την αντιμετώπιση της κλιμακούμενης πολυπλοκότητας και των απαιτήσεων των σύγχρονων συστημάτων δικτύων. Η παρούσα διατριβή διερευνά προηγμένες τεχνικές AI και μηχανικής μάθησης (machine learning -ML) που αποσκοπούν στην ενίσχυση της απόδοση και της προσαρμοστικότητας των δικτύων πέμπτης γενιάς (5G) και beyond 5G (B5G). Οι κύριοι τομείς εστίασης περιλαμβάνουν τον εντοπισμό θέσης με ορατό φως (visible light positioning-VLP), τον τρισδιάστατο (3D) εντοπισμό σε εσωτερικά περιβάλλοντα, καθώς και την ακριβή μοντελοποίηση διάδοσης, που είναι απαραίτητη για τη βελτιστοποίηση του σχεδιασμού του δικτύου και τη δυναμική λήψη αποφάσεων σε πραγματικό χρόνο. Ποικίλα μοντέλα ML αξιολογούνται αυστηρά ως προς την αποτελεσματικότητά τους στην αντιμετώπιση των εξελιγμένων απαιτήσεων που θέτουν αυτές οι ασύρματες εφαρμογές σε ετερογενή και απαιτητικά περιβάλλοντα. Με στόχο τη βελτίωση της αξιοπιστίας και της ερμηνευσιμότητας του μοντέλου, η παρούσα μελέτη ενσωματώνει επίσης μεθοδολογίες επεξηγήσιμης τεχνητής νοημοσύνης (explainable AI - XAI). Αυτά τα εργαλεία παρέχουν κρίσιμες γνώσεις σχετικά με τη συμπεριφορά του μοντέλου, προωθώντας τη διαφάνεια και ενισχύοντας τη μεγαλύτερη εμπιστοσύνη στις λύσεις δικτύων που βασίζονται στην AI. Επιπλέον, χρησιμοποιούνται εξελικτικοί αλγόριθμοι για συστήματα VLP και για τη βελτιστοποίηση της σχεδίασης κεραιών, ώστε να επιτευχθεί υψηλή απολαβή και μεγάλο εύρος ζώνης για εφαρμογές B5G και έκτης γενιάς (sixth-generation - 6G). Παράλληλα, διερευνώνται τεχνικές διαμόρφωσης δέσμης βασισμένες στη βαθιά μάθηση (deep learning - DL), οι οποίες ενισχύουν σημαντικά τη συνδεσιμότητα και τη λειτουργική αποδοτικότητα σε περιβάλλοντα υψηλής συχνότητας και κινητικότητας, όπως αυτά που συναντώνται σε εκτενή συστήματα πολλαπλών εισόδων-πολλαπλών εξόδων (massive multiple-input multiple- output – massive MIMO). Αυτές οι καινοτόμες μέθοδοι επιτρέπουν λύσεις χαμηλής πολυπλοκότητας που ανταποκρίνονται στις αυστηρές απαιτήσεις πραγματικού χρόνου των ασύρματων υποδομών επόμενης γενιάς. Η διδακτορική έρευνα επιβεβαιώνει ότι οι μέθοδοι τεχνητής νοημοσύνης μπορούν να μειώσουν σημαντικά την πολυπλοκότητα και να ενισχύσουν την επεκτασιμότητα των λειτουργιών του δικτύου, ικανοποιώντας έτσι τις αυστηρές απαιτήσεις των ασύρματων υποδομών επόμενης γενιάς. Επιπλέον, τα αποτελέσματα δείχνουν τον τρόπο με τον οποίο η προσαρμοσμένη εφαρμογή διαφόρων μεθοδολογιών τεχνητής νοημοσύνης μπορεί να αναπτυχθεί στρατηγικά για την αντιμετώπιση των απαιτήσεων των ασύρματων δικτύων επόμενης γενιάς.