論文の概要: Learning at the Speed of Wireless: Online Real-Time Learning for
AI-Enabled MIMO in NextG
- arxiv url: http://arxiv.org/abs/2403.02651v1
- Date: Tue, 5 Mar 2024 04:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 16:08:59.858331
- Title: Learning at the Speed of Wireless: Online Real-Time Learning for
AI-Enabled MIMO in NextG
- Title（参考訳）: ワイヤレスのスピードで学ぶ:nextgにおけるai対応mimoのオンラインリアルタイム学習
- Authors: Jiarui Xu, Shashank Jere, Yifei Song, Yi-Hung Kao, Lizhong Zheng, and
Lingjia Liu
- Abstract要約: 人工知能(AI)と機械学習(ML)を空気インターフェースに統合することは、次世代(NextG)セルネットワークの重要な技術として想定されている。
エアインターフェースでは、Multiple-input multiple-output (MIMO)とその変種が重要なイネーブルである。
オンラインリアルタイムAI/MLベースのアプローチは、有望なパラダイムである。
- 参考スコア（独自算出の注目度）: 26.309695704086636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integration of artificial intelligence (AI) and machine learning (ML) into
the air interface has been envisioned as a key technology for next-generation
(NextG) cellular networks. At the air interface, multiple-input multiple-output
(MIMO) and its variants such as multi-user MIMO (MU-MIMO) and
massive/full-dimension MIMO have been key enablers across successive
generations of cellular networks with evolving complexity and design
challenges. Initiating active investigation into leveraging AI/ML tools to
address these challenges for MIMO becomes a critical step towards an AI-enabled
NextG air interface. At the NextG air interface, the underlying wireless
environment will be extremely dynamic with operation adaptations performed on a
sub-millisecond basis by MIMO operations such as MU-MIMO scheduling and
rank/link adaptation. Given the enormously large number of operation adaptation
possibilities, we contend that online real-time AI/ML-based approaches
constitute a promising paradigm. To this end, we outline the inherent
challenges and offer insights into the design of such online real-time
AI/ML-based solutions for MIMO operations. An online real-time AI/ML-based
method for MIMO-OFDM channel estimation is then presented, serving as a
potential roadmap for developing similar techniques across various MIMO
operations in NextG.
- Abstract（参考訳）: 人工知能(AI)と機械学習(ML)を空気インターフェースに統合することは、次世代(NextG)セルネットワークの重要な技術として想定されている。
空気インターフェースでは、マルチインプット・マルチアウトプット(MIMO)とマルチユーザMIMO(MU-MIMO)や大規模/フルディメンジョンMIMO(MIMO)が、複雑化と設計の難しさを生かした一連のセルネットワークにおいて重要な実現要因となっている。
AI/MLツールを活用してMIMOの課題に対処するための積極的な調査を開始することは、AI対応のNextGエアインターフェースへの重要なステップとなる。
NextGのエアインターフェースでは、MU-MIMOスケジューリングやランク/リンク適応といったMIMO操作によって、サブミリ秒単位の動作適応によって、基礎となる無線環境が極めてダイナミックになる。
膨大な数の運用適応可能性を考えると、オンラインリアルタイムAI/MLベースのアプローチは有望なパラダイムである、と私たちは主張する。
この目的のために、我々は本質的な課題を概説し、MIMO操作のためのオンラインリアルタイムAI/MLベースのソリューションの設計に関する洞察を提供する。
その後、MIMO-OFDMチャネル推定のためのオンラインリアルタイムAI/MLベースの方法が提示され、NextGの様々なMIMO操作にまたがる同様の技術を開発するための潜在的なロードマップとして機能する。
関連論文リスト
- Adapting MLOps for Diverse In-Network Intelligence in 6G Era: Challenges and Solutions [4.183643697928412]
機械学習操作(MLOps)は、これらの課題に取り組むための体系的なアプローチを提供する。
我々は、強化学習操作(RLOPS)、連合学習操作(FedOps)、生成AI操作(GenOps)の3つの運用パイプラインを定式化する。
これらのパイプラインは、さまざまな学習/推論機能をネットワークにシームレスに統合する基盤となる。
論文 参考訳（メタデータ） (2024-10-24T14:47:28Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - Multi-Stream Cellular Test-Time Adaptation of Real-Time Models Evolving in Dynamic Environments [53.79708667153109]
スマートオブジェクト、特に自動運転車は、限られたリソースのために重要なローカル計算の課題に直面している。
そこで本研究では,モデルがハエに適応し,動的環境をセルに分割する,新しいマルチストリームセルラーテスト時間適応方式を提案する。
我々は、位置と天候条件に基づいて定義された細胞を横断する自動運転車の文脈で、我々の方法論を検証する。
論文 参考訳（メタデータ） (2024-04-27T15:00:57Z) - Smart Pilot Assignment for IoT in Massive MIMO Systems: A Path Towards Scalable IoT Infrastructure [0.0]
M-MIMOは、インテリジェントなユーザスケジューリングを利用することで、ネットワーク効率を高め、ユーザエクスペリエンスを向上させる。
本稿では,IoTデバイス用に設計したユーザスケジューリング方式とパイロット割り当て方式を提案する。
M-MIMOシステムにおけるIoTデバイスのスケーラビリティ向上のために,ユーザクラスタリングに基づくパイロットアロケーション方式を利用する。
論文 参考訳（メタデータ） (2024-04-16T00:04:46Z) - Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。
本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。
本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
論文 参考訳（メタデータ） (2024-04-13T02:39:36Z) - NExT-GPT: Any-to-Any Multimodal LLM [75.5656492989924]
我々は,NExT-GPTという汎用的なMM-LLMシステムを提案する。
NExT-GPTは入力を知覚し、テキスト、画像、ビデオ、オーディオの任意の組み合わせで出力を生成することができる。
モーダリティ・スイッチング・インストラクション・チューニング(MosIT)を導入し,複雑なモーダリティ・セマンティック・理解とコンテンツ生成によってNExT-GPTが強化されたMosITの高品質なデータセットを手作業でキュレートする。
論文 参考訳（メタデータ） (2023-09-11T15:02:25Z) - MIMONet: Multi-Input Multi-Output On-Device Deep Learning [18.7954211839274]
近年の研究では、マルチ入出力シングルアウトプットディープニューラルネットワーク(DNN)が従来のシングルアウトプットシングルアウトプット(SISO)モデルより優れていることが示されている。
デバイス上でのマルチインプット・マルチアウトプット(MIMO)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-22T02:38:03Z) - AI-Empowered Hybrid MIMO Beamforming [85.48860461696417]
ハイブリッドマルチインプット・マルチアウトプット(MIMO)システムは、アナログおよびデジタルのビームフォーミングの一部を実装している。
近年、ハイブリッドビームフォーミング設計にデータ支援人工知能(AI)ツールを使うことへの関心が高まっている。
本稿では、リアルタイムハイブリッドビームフォーミング設計を改善するために、データを活用するための候補戦略についてレビューする。
論文 参考訳（メタデータ） (2023-03-03T06:04:20Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - Deep Learning for Massive MIMO Channel State Acquisition and Feedback [7.111650988432555]
大規模マルチインプット・マルチアウトプット(MIMO)システムは、5Gおよび次世代無線ネットワークにおける過度なスループット要求を実現する主要な手段である。
トレーニングプロセスによって取得される正確でタイムリーなチャネル状態情報(CSI)が必要である。
本稿では、CSI取得オーバーヘッドを減らし、複雑さを減らし、ニューラルネットワーク(NN)をトレーニングプロセスでどのように使用できるかを概説する。
論文 参考訳（メタデータ） (2020-02-17T13:16:34Z)
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。