Mit der kontinuierlichen Erhöhung der Trägerfrequenz und der weit verbreiteten Einführung von großen Antennenarrays wird die Strahlformung auf Basis analoger Phasenschieber zu einer der wegweisenden Technologien der nächsten Generation der drahtlosen Kommunikation. Zu diesem Zeitpunkt wird das Strahlmanagement eingesetzt, um das optimale Strahlpaar zwischen Basisstation und Nutzer mit der maximalen Empfangsleistung zu ermitteln und aufrechtzuerhalten, um einen zuverlässigen drahtlosen Kommunikationsdienst zu gewährleisten. Traditionelle Strahlmanagementmethoden basieren häufig auf umfangreicher Suche. Darüber hinaus können traditionelle mathematische Modelle die nichtlinearen inneren Zusammenhänge der Strahlen und die hochdimensionalen Merkmale der drahtlosen Umgebung nicht vollständig und genau beschreiben, was es erschwert, zufriedenstellende Strahlgewinnleistungen zu erzielen. In den letzten Jahren hat die tiefenlernunterstützte Strahlverwaltung dank der starken adaptiven Anpassungsfähigkeit des Deep Learnings sowohl national als auch international breite Aufmerksamkeit erhalten. Dieser Artikel fasst den Forschungsfortschritt im Bereich der tiefenlernunterstützten Strahlverwaltung zusammen und gibt einen Ausblick auf zukünftige Forschungsrichtungen. Zunächst werden typische Szenarien und potenzielle Vorteile der Anwendung von Deep Learning im Strahlmanagement erläutert; anschließend werden aus dem Raum-/Zeit-/Frequenzbereich die aktuellen Hauptforschungsrichtungen und repräsentativen Arbeiten diskutiert; abschließend werden zukünftige Forschungsherausforderungen und -chancen im Hinblick auf größere drahtlose Netzwerke, vielfältigere Strahlmanagementfunktionen und robustere Deep-Learning-Modelle erläutert.

Deep Learning; Strahlmanagement; Raumdomäne; Zeitdomäne; Frequenzdomäne