論文の概要: Leveraging AI and Intelligent Reflecting Surface for Energy-Efficient Communication in 6G IoT

• arxiv url: http://arxiv.org/abs/2012.14716v1
• Date: Tue, 29 Dec 2020 11:56:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 20:32:08.516556
• Title: Leveraging AI and Intelligent Reflecting Surface for Energy-Efficient Communication in 6G IoT
• Title（参考訳）: 6G IoTにおける高効率通信のためのAIとインテリジェント反射面の活用
• Authors: Qianqian Pan, Jun Wu, Xi Zheng, Jianhua Li, Shenghong Li, Athanasios V. Vasilakos
• Abstract要約: 人工知能(AI)とインテリジェント反射面(IRS)による6G IoTのための省エネルギー通信システムを提案する。 まず、IRS対応データ伝送やAIによるネットワークリソース管理メカニズムなど、スマートで効率的な通信アーキテクチャを設計します。 第3に,提案された最適化モデルを解決するために,深層強化学習(DRL)によるネットワークリソース制御と割り当ての手法を提案する。
• 参考スコア（独自算出の注目度）: 14.027983498089084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ever-increasing data traffic, various delay-sensitive services, and the massive deployment of energy-limited Internet of Things (IoT) devices have brought huge challenges to the current communication networks, motivating academia and industry to move to the sixth-generation (6G) network. With the powerful capability of data transmission and processing, 6G is considered as an enabler for IoT communication with low latency and energy cost. In this paper, we propose an artificial intelligence (AI) and intelligent reflecting surface (IRS) empowered energy-efficiency communication system for 6G IoT. First, we design a smart and efficient communication architecture including the IRS-aided data transmission and the AI-driven network resource management mechanisms. Second, an energy efficiency-maximizing model under given transmission latency for 6G IoT system is formulated, which jointly optimizes the settings of all communication participants, i.e. IoT transmission power, IRS-reflection phase shift, and BS detection matrix. Third, a deep reinforcement learning (DRL) empowered network resource control and allocation scheme is proposed to solve the formulated optimization model. Based on the network and channel status, the DRL-enabled scheme facilities the energy-efficiency and low-latency communication. Finally, experimental results verified the effectiveness of our proposed communication system for 6G IoT.
• Abstract（参考訳）: データトラフィックの増大、さまざまな遅延センシティブなサービス、エネルギー制限型のiot(internet of things)デバイスの大規模展開は、現在の通信ネットワークに大きな課題をもたらし、学界や業界が第6世代(6g)ネットワークに移行する動機となった。 データ転送と処理の強力な能力により、6Gは低レイテンシとエネルギーコストでIoT通信を実現する手段として考えられている。 本稿では,人工知能(AI)とインテリジェント反射面(IRS)による6G IoTのためのエネルギー効率通信システムを提案する。 まず、IRS支援データ伝送とAI駆動型ネットワークリソース管理機構を含む、スマートで効率的な通信アーキテクチャを設計する。 第2に、6G IoTシステムに対して所定の伝送遅延の下でエネルギー効率を最大化するモデルを定式化し、すべての通信参加者の設定を共同で最適化する。 iot伝送電力、irs反射位相シフト、およびbs検出マトリックス。 第3に、定式化最適化モデルを解決するために、ネットワークリソース制御とアロケーションスキームの強化学習(DRL)を提案する。 DRLは,ネットワークとチャネルの状態に基づいて,省エネ・低遅延通信を実現する。 最後に,提案する6g iot通信システムの有効性を実験的に検証した。

関連論文リスト

• Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
  Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。 我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。 具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
  論文  参考訳（メタデータ） (2024-08-26T14:28:51Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Optimization Design for Federated Learning in Heterogeneous 6G Networks [27.273745760946962]
  フェデレーテッド・ラーニング(FL)は、6GネットワークでユビキタスAIを実現するための重要な実現手段として期待されている。 6Gネットワークにおける有効かつ効率的なFL実装には、いくつかのシステムおよび統計的不均一性の課題がある。 本稿では,これらの課題に効果的に対処できる最適化手法について検討する。
  論文  参考訳（メタデータ） (2023-03-15T02:18:21Z)
• Federated Learning for Energy Constrained IoT devices: A systematic mapping study [0.0]
  Federated Machine Learning (Fed ML)は、グローバルモデルの協調トレーニングに使用される、新しい分散機械学習技術である。 Fed MLは、その機密性を保証する。ネットワークセキュリティの重要な側面であり、データに敏感なIoT(Internet of Things)のコンテキストで使用することができる。 ほとんどのIoTデバイスは特にエネルギーに制約があるため、効率的なトレーニングタスクと電力消費の最適化のためにFed MLプロセスを最適化する必要が生じる。
  論文  参考訳（メタデータ） (2023-01-09T23:30:32Z)
• 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)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
  私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
  論文  参考訳（メタデータ） (2020-11-26T06:42:36Z)

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。