Sztuczna inteligencja: (samo)pomoc dla sieci bezprzewodowych
Użyty po raz pierwszy około 25 lat temu termin Internet rzeczy (ang. Internet of Things, IoT) początkowo był wyłącznie koncepcją opisującą wizję wielu urządzeń podłączonych do Internetu, jednak obecnie jesteśmy świadkami sytuacji, w której staje się rzeczywistością. Dziś na całym świecie istnieją miliardy fizycznych urządzeń, które zbierają i udostępniają dane. Stwarza to ogromne zapotrzebowanie na wysokowydajne sieci komórkowe, lecz optymalizacja ich wydajności oraz osiągów przy użyciu tradycyjnych metod inżynieryjnych staje się niemal niemożliwa. Nad rozwiązaniem tego problemu pracuje zespół projektu WINDMILL, w ramach którego badacze przyjęli dwutorowe podejście. Po pierwsze, uczestnicy wykorzystali możliwości sztucznej inteligencji, a ponadto przeszkolili nowe pokolenie naukowców na wczesnym etapie kariery w zakresie stosowania takich rozwiązań dzięki wsparciu działania „Maria Skłodowska-Curie”.
Metody uczenia maszynowego dla sieci bezprzewodowych nowej generacji
Uczenie maszynowe to jedna z dziedzin związanych ze sztuczną inteligencją i rozwiązanie, które doskonale sprawdza się w dynamicznej optymalizacji złożonych sieci. Algorytmy uczenia maszynowego umożliwiają systemom komputerowym iteracyjne uczenie się na podstawie danych treningowych, budowanie na ich podstawie modeli, a następnie podejmowanie decyzji, wnioskowanie lub przewidywanie związane z nowymi danymi bez konieczności programowania tych systemów w tym celu. Według koordynatora projektu Čedomira Stefanovicia z Uniwersytetu w Aalborgu „analityczne modelowanie niezwykle złożonych systemów sieci komórkowych, w tym sieci 5G oraz sieci następnych generacji, jest często niemożliwe. Narzędzia oparte na algorytmach uczenia maszynowego sprawdziły się jednak jako rozwiązanie szeregu powiązanych problemów”. Obejmują one między innymi wykorzystanie inteligentnych powierzchni (zaawansowanych układów antenowych) do usprawnienia lokalizowania, tworzenie map radiowych lokalizacji użytkowników (tzw. mapowanie kanałów) oraz grupowanie użytkowników w bezkomórkowych systemach wieloantenowych MIMO, czyli systemach, w których stosuje się więcej punktów dostępu niż użytkowników a każdy punkt ma wiele anten. Bezprzewodowy dostęp do sieci z dowolnego miejsca i w dowolnym momencie wymaga zoptymalizowanego wykorzystania czasu, pasma częstotliwości i zasobów energetycznych. Stefanović dodaje: „W ramach projektu WINDMILL zbadaliśmy wykorzystanie techniki uczenia głębokiego ze wzmocnieniem, będącej jedną z poddziedzin uczenia maszynowego, aby zapewnić sprawny i sprawiedliwy dostęp do sieci ogromnej liczbie użytkowników (sieci IoT). Zajęliśmy się także wykorzystaniem sieci neuronowych w celu poprawy sprawności wykorzystania pasma częstotliwości oraz opartych na uczeniu się metod alokacji zasobów i planowania w sieciach Wi-Fi”. Co więcej, zespół projektu WINDMILL wykazał również potencjał uczenia bayesowskiego w rozwiązywaniu wyzwań związanych z komunikacją bezprzewodową wynikających z ograniczeń w dostępie do danych treningowych i niespójności modelu – sytuacji, w których tradycyjne algorytmy często zawodzą. Uczenie bayesowskie, czyli podejście statystyczne, które aktualizuje model w miarę pozyskiwania nowych faktów lub danych, jest potężnym narzędziem, które może znaleźć zastosowanie w wielu obszarach, w których obecnie wykorzystujemy uczenie maszynowe, zwłaszcza w zakresie rozwiązywania złożonych problemów przy niepewnych lub niekompletnych informacjach. Rezultaty projektu WINDMILL stanowią podwaliny pod efektywne wykorzystania uczenia bayesowskiego w zastosowaniach krytycznych, takich jak ustalanie lokalizacji oraz analiza widma częstotliwości, które mają być kluczowymi elementami przyszłych rozwiązań 6G.
Żywa spuścizna
Dzielenie się wiedzą i doświadczeniem ze społecznością naukową zwiększa wpływ i wspomaga opracowywanie innowacyjnych rozwiązań. Badacze na wczesnym etapie kariery zostali przeszkoleni w zakresie przedstawiania problemów, rozwiązań, teorii i metod dotyczących stosowania uczenia maszynowego w optymalizacji sieci poprzez odbywające się dwa razy do roku spotkania oraz cotygodniowe wpisy, artykuły na blogach i krótkie artykuły naukowe. Jak wyjaśnia Stefanović: „https://ksp-windmill-itn.eu (Platforma wymiany wiedzy) stała się placem zabaw, na którym badacze mogli wykorzystać swoją ciekawość, pracować nad wybranymi przez siebie zagadnieniami i rozwijać się w roli młodych naukowców i naukowczyń”. Jak dodaje koordynator: „Wyszkolenie grupy młodych i utalentowanych badaczy, którzy są teraz gotowi do projektowania i rozwijania systemów bezprzewodowych nowych generacji wykorzystujących możliwości sztucznej inteligencji, jest dla mnie najważniejszym rezultatem projektu".
Technologia 6G i rozwiązania przyszłości
Stefanović podsumowuje: „Wyniki projektu WINDMILL są bezpośrednio związane z sieciami 5G i 6G. Zademonstrowaliśmy również pionierskie wyniki w zakresie autonomicznego uczenia się protokołów komunikacyjnych przez urządzenia sieciowe z wykorzystaniem techniki uczenia ze wzmocnieniem. Wyobraźmy sobie urządzenia sieciowe, które są w stanie nauczyć się wydajnej komunikacji przy minimalnym udziale inżynierów!” W związku ze wzrostem zapotrzebowania na niezawodną i wysokowydajną komunikację bezprzewodową, wyniki projektu WINDMILL są najlepszą demonstracją możliwości sztucznej inteligencji w obszarze łączności bezprzewodowej. Ważnym rezultatem projektu są też dziesiątki badaczy i badaczek, którzy zapewnią dalsze upowszechnianie tej wiedzy w przyszłości.
Słowa kluczowe
WINDMILL, sieć bezprzewodowa, uczenie maszynowe, 5G, 6G, IoT, lokalizowanie, sieci neuronowe, uczenie ze wzmocnieniem, sztuczna inteligencja, Internet rzeczy, IoT, sieci komórkowe, uczenie bayesowskie
