Ihre Arbeit, die sie in dem Forschungspapier »GNN-based Deep Reinforcement Learning with Adversarial Training for Robust Optimization of Modern Tactical Communication Systems« vorstellen, nutzt einen hybriden Ansatz des maschinellen Lernens, der auf Graph Neural Networks und Deep Reinforcement Learning basiert.

Zum Lösungsansatz erläutert Hauptautor und Doktorand Loevenich: »In unserer Forschung konzentrieren wir uns auf die Optimierung moderner taktischer Kommunikationssysteme in mobilen Ad-hoc-Netzwerken, die besonders in militärischen Kontexten von entscheidender Bedeutung sind. Wir adressieren zwei Hauptprobleme: die Vorhersage schnell wechselnder Netzwerkbedingungen, für die wir Graph Neuronale Netze (GNNs) einsetzen, und die dynamische Systemkonfiguration zur Sicherstellung einer robusten Kommunikation, die durch Deep Reinforcement Learning (DRL) verbessert wird. GNNs ermöglichen es uns, die komplexe Topologie und die sich dynamisch ändernden Zustände des Netzwerks effektiv zu modellieren und vorherzusagen, während DRL adaptive Strategien zur Optimierung der Netzwerkleistung unter diesen Bedingungen entwickelt.«

Verbesserte Robustheit durch feindliches Training

Ein wesentlicher Bestandteil der Arbeit sei die Implementierung von feindlichem Training, das die Robustheit und Sicherheit der entwickelten Modelle erheblich verbessert. Dieser Ansatz bereite das System darauf vor, Störungen und potenzielle Angriffe zu erkennen und effektiv zu bekämpfen. Loevenich: »Die am Fraunhofer FKIE im Rahmen meiner Doktorarbeit durchgeführten Forschungs- und Entwicklungsarbeiten, insbesondere die Entwicklung der DRL-Komponenten und die Integration des feindlichen Trainings, tragen maßgeblich zur Leistungsfähigkeit und Zuverlässigkeit taktischer Kommunikationssysteme bei und verbessern somit die operative Effektivität in militärischen Einsatzgebieten.«

Integration in unterschiedliche taktische Kommunikationsprodukte

Aktuell arbeiten die Wissenschaftler daran, die entwickelten Modelle in taktische Kommunikationsprodukte unterschiedlicher Modellgrößen und mit unterschiedlichen Hardwareanforderungen zu integrieren. »Eine zentrale Herausforderung liegt dabei in der Entwicklung einer ML-Pipeline, die sowohl online als auch offline eine zuverlässige Funktionsweise der Modelle gewährleistet«, erläutert Loevenich. »Dabei fokussieren wir uns darauf, wie verschiedene Instanzen dieser Modelle – die möglicherweise unterschiedliche Aufgaben erfüllen – effektiv Informationen austauschen können. Dies erfordert eine sorgfältige Abstimmung der Systemarchitektur und Algorithmen, um eine optimale Leistung und Kommunikation zwischen den Modellen und gleichzeitig die Anforderungen an die Hardwareeffizienz und die Anpassungsfähigkeit an verschiedene Einsatzszenarien sicherzustellen.«

Förderung von Innovationen im Verteidigungsbereich

Die Auslobung des »EDA Research, Technology, and Innovation Papers Awards« ist Teil der EDA-Strategie, sich weltweit im Bereich der Forschung und Entwicklung zu engagieren, um Zugang zu technologischen Trends zu erhalten und Spitzeninnovationen im Verteidigungsbereich zu fördern. Dr. Markus Antweiler, stellvertretender Institutsleiter des Fraunhofer FKIE: »Der Preis ist eine wichtige Anerkennung für die langjährigen Bemühungen des Wissenschaftlerteams, mit ihrer Forschungsarbeit Technologiegrenzen mit Verfahren der künstlichen Intelligenz zu überwinden und Fähigkeitslücken im Bereich der Sicherheit und Verteidigung zu schließen. Wir gratulieren herzlich.«