論文の概要: Toward a 6G AI-Native Air Interface

• arxiv url: http://arxiv.org/abs/2012.08285v2
• Date: Fri, 30 Apr 2021 09:21:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 05:09:53.007546
• Title: Toward a 6G AI-Native Air Interface
• Title（参考訳）: 6G AI-Native Air Interfaceに向けて
• Authors: Jakob Hoydis, Fay\c{c}al Ait Aoudia, Alvaro Valcarce, Harish Viswanathan
• Abstract要約: 6Gは大規模分散学習システムのニーズに応える必要がある。 AIが6G自体の設計において決定的な役割を果たすかどうかは定かではない。 この記事の目的は、部分的にAIによって設計された新しいエアインターフェースのビジョンを描くことです。
• 参考スコア（独自算出の注目度）: 18.29093977252384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Each generation of cellular communication systems is marked by a defining disruptive technology of its time, such as orthogonal frequency division multiplexing (OFDM) for 4G or Massive multiple-input multiple-output (MIMO) for 5G. Since artificial intelligence (AI) is the defining technology of our time, it is natural to ask what role it could play for 6G. While it is clear that 6G must cater to the needs of large distributed learning systems, it is less certain if AI will play a defining role in the design of 6G itself. The goal of this article is to paint a vision of a new air interface which is partially designed by AI to enable optimized communication schemes for any hardware, radio environment, and application.
• Abstract（参考訳）: 各世代のセル通信システムは、4gの直交周波数分割多重化 (ofdm) や5gの大規模多重入力多重出力 (mimo) といった、その時代の画期的な破壊的技術によって特徴づけられる。 人工知能(AI)は時代の決定技術であるため、それが6Gにどのような役割を果たすのかを尋ねるのは当然です。 6Gが大規模分散学習システムのニーズに適合する必要があることは明らかだが、AIが6G自体の設計において決定的な役割を果たすかどうかは定かではない。 本稿の目的は、任意のハードウェア、無線環境、アプリケーションに対して最適化された通信スキームを実現するために、AIによって部分的に設計された新しい空気インターフェースのビジョンを描くことである。

関連論文リスト

• Decentralized Multi-Party Multi-Network AI for Global Deployment of 6G Wireless Systems [31.754166695074353]
  本稿では、大規模にデプロイされた6GネットワークにAIを統合するための分散マルチパーティ・マルチネットワークAI(DMMAI)フレームワークを紹介する。 DMMAIは、さまざまなネットワークプラットフォームにわたるAI駆動コントロールを調和させ、自らを自律的に構成、監視、修復するネットワークを促進する。 弊社のアプローチでは、マルチネットワークオーケストレーションとAIコントロールの統合について検討し、6GネットワークにおけるAI駆動のコーディネーションのための標準フレームワークにおける重要なギャップを埋める。
  論文  参考訳（メタデータ） (2024-04-15T15:21:25Z)
• Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End Collaboration [56.330705072736166]
  基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。 実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile Networks [61.416494781759326]
  In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。 提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。 我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T13:41:15Z)
• Transformer-Empowered 6G Intelligent Networks: From Massive MIMO Processing to Semantic Communication [71.21459460829409]
  トランスフォーマーとして知られる新しいディープラーニングアーキテクチャを導入し、その6Gネットワーク設計への影響について論じる。 具体的には、6GネットワークにおけるMIMO(Multiple-input multiple-output)システムと様々な意味コミュニケーション問題に対するトランスフォーマーベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-08T03:22:20Z)
• Explainable AI for B5G/6G: Technical Aspects, Use Cases, and Research Challenges [4.7501565899812]
  研究者たちは、6Gの帯域幅、カバー範囲、信頼性、エネルギー効率、レイテンシーの低下を期待している。 このような6Gネットワークは、1秒ごとに行われる自動決定の過度な数につながります。 意思決定に対する制御を失うリスクは、高速なデータ集約型AI意思決定によって増大する可能性がある。
  論文  参考訳（メタデータ） (2021-12-09T04:46:31Z)
• Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and Applications [39.223546118441476]
  6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。 エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
  論文  参考訳（メタデータ） (2021-11-24T11:47:16Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• Federated Learning for 6G Communications: Challenges, Methods, and Future Directions [71.31783903289273]
  6Gとフェデレーション学習の統合を導入し、6Gのための潜在的なフェデレーション学習アプリケーションを提供する。 6G通信の文脈において,重要な技術的課題,それに対応するフェデレーション学習手法,および今後のフェデレーション学習研究のためのオープンな課題について述べる。
  論文  参考訳（メタデータ） (2020-06-04T15:17:19Z)
• Towards Ubiquitous AI in 6G with Federated Learning [43.318721658647014]
  Federated Learning(FL)は、異種および潜在的に大規模ネットワークにおけるデータ駆動型AIソリューションを可能にする、新興の分散AIソリューションである。 FLベースのネットワークアーキテクチャを提案し、6Gで期待される新しい課題に対処する可能性について論じる。
  論文  参考訳（メタデータ） (2020-04-26T13:05:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。