第125回コラム「次世代通信に伴うＡＩの使命」
2020年10月30日
張 晁逢 助教
IoTのおよびもたらす新たな革命
現在、IoTの普及率は情報社会の重要な指標である。 特に、COVID-19を伴って、医療用IoTデバイスの普及の重要性が大幅に高まっている。通常、IoTに適用する端末には、計算機能、通信機能、およびストレージ機能に関する一定的な標準がある。IoTは、人間とコンピュータの相互作用において重要な役割を果たす。 したがって、安定した互換性のあるIoT制御フレームワークは未来への挑戦の1つである。
3C （Communication，Computation and Caching）
3Cの概念は、ますます多くのIoTに関する研究、深く言えば通信（communication）、コンピューティング（computing）、および容量（caching）でも言及されている。 通信とは、デバイス間（D2D）およびデバイスと基地局間（D2B）の通信を指す。 5Gの普及に伴い、スペクトル利用率問題も、IoTフレームワークの重要な指標になっている。 コンピューティングとは、IoT端末の計算能力を指す。AIの普及により、顔認識や行動認識など、取得した情報を前処理必要のあるデバイスが増えている。軽量の計算タスクを前処理するために、ある程度の計算能力が必要です。 処理後、生データの特性を含む圧縮データがサーバーにアップロードされる。 容量とは、個々の設備ではなく、フレームワークの全体的なアクセスできる容量を指す。 例えば、ＣＣＮネットワーク（content centric network）では、人気のあるデータだけをローカル エリアに保存し、必要に応じて短距離配布することで、空からダウンロードより帯域幅の使用を削減する。 IoTシステムの指標、通信、計算、および容量、より合理的な調整により、次世代ネットワークのサービス提供率とユーザー体験を向上させることができる。
従来に基づくイノベーション
従来のネットワークの評価指標は、主に単一の指標に基づいていた。 たとえば、4G通信では、スループット、遅延応答、到着率などの最適化目標が一般的である。 特に、データ分析に基づくルーティングアルゴリズムは、通常、コグニティブネットワークとスペクトルリソースの現状を通じ、将来の傾向を予測する。更に、分散型システムが直面しているコンピューティング リソースの割り当ての問題は、デバイスや通信条件に応じてヒューリスティック アルゴリズムによってさらに最適化する必要がある。 同時に、ユーザー エクスペリエンス（ＱｏＥ）を向上させる不可欠な研究には、容量の問題、コンテンツの人気などの指標も含まれている。様々な指標に対して、従来の単一目標の最適化方式は、トレード・オフの問題になる（各目標間の取引）。 たとえば、分散型ＡＩ学習システムの性能を向上させるために、過剰な帯域幅を占有している。しかし、通信チャンネルのブロッキングの可能性も高くなる。 また、計算効率を高めるために、大量の生データが事前に保存され、エネルギー消費を増加させながら、大きなストレージ領域を消費する。 これらに対し、3Cの多様化指標に直面し、個々のデバイスのリソースをより効率的に利用するために、フレームワークを全体的に制御する技術力が必要である。
AIは、次世代通信に不可欠な技術である
DRL(deep reinforcement learning)スケジューリングアルゴリズムは、次世代ネットワーク資源管理に関する有用な解決法である。 このアルゴリズムは、現在のネットワーク状態を収得上動作し、3Cリソースを管理する。タスクを処理する場合、端末は、監視する周囲の状態に基づき、利用可能な設備の範囲で決定する。 AI 学習というのは、特定ネットワーク状態に対し、さまざまな割り当てで報酬スコアが一覧表示される (たとえば、エネルギー消費の削減やタスクの遅延に対する報酬スコアなど)。 DRLは、各ネットワーク状態から Q 値へのリストを提供できる。各Q値は、対応する仮のアクションの報酬を反映する。 もちろん、人間じゃないコンピュータの最善戦略は、自分で計算した最大Q値のアクションを行う。学習プロセスはオフラインで実行でき、訓練したニューラル ネットワークを各端末に配分すればいい。
結語
このソリューションは、本質的に複雑な問題を解決するために人間の思考を適合させる方法である。 中国語には【1枚の葉が目を遮って，泰山をも見られない】という成語もある。 弱点として、ニューラルネットワークは、人間と同様に、通常に周囲の利益と短期的な利益に基づいてのみ最適な選択を行う。 さまざまな独自の基準に基づいて評価し、より高いスコアのアクションを選択する。
ニューラル ネットワークは、確かにデータ ディメンションが大きくなる問題を解決できるが、端末およびクラウドの増加に伴い、連邦学習などの統合メカニズムの研究がより一層進めなければならない。