論文の概要: Edge Large AI Models: Revolutionizing 6G Networks
- arxiv url: http://arxiv.org/abs/2505.00321v1
- Date: Thu, 01 May 2025 05:44:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.238605
- Title: Edge Large AI Models: Revolutionizing 6G Networks
- Title（参考訳）: エッジ大型AIモデル - 6Gネットワークの革命
- Authors: Zixin Wang, Yuanming Shi, Yong Zhou, Jingyang Zhu, Khaled. B. Letaief,
- Abstract要約: 大規模な人工知能モデル(LAM)は、幅広い現実世界の問題を解決する人間のような能力を持っている。
edge LAMは、さまざまなリアルタイムインテリジェントサービスを6Gで提供可能にする技術として登場します。
- 参考スコア（独自算出の注目度）: 38.62140334987825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large artificial intelligence models (LAMs) possess human-like abilities to solve a wide range of real-world problems, exemplifying the potential of experts in various domains and modalities. By leveraging the communication and computation capabilities of geographically dispersed edge devices, edge LAM emerges as an enabling technology to empower the delivery of various real-time intelligent services in 6G. Unlike traditional edge artificial intelligence (AI) that primarily supports a single task using small models, edge LAM is featured by the need of the decomposition and distributed deployment of large models, and the ability to support highly generalized and diverse tasks. However, due to limited communication, computation, and storage resources over wireless networks, the vast number of trainable neurons and the substantial communication overhead pose a formidable hurdle to the practical deployment of edge LAMs. In this paper, we investigate the opportunities and challenges of edge LAMs from the perspectives of model decomposition and resource management. Specifically, we propose collaborative fine-tuning and full-parameter training frameworks, alongside a microservice-assisted inference architecture, to enhance the deployment of edge LAM over wireless networks. Additionally, we investigate the application of edge LAM in air-interface designs, focusing on channel prediction and beamforming. These innovative frameworks and applications offer valuable insights and solutions for advancing 6G technology.
- Abstract（参考訳）: 大規模な人工知能モデル(LAM)は、様々な領域やモダリティの専門家の可能性を実証し、幅広い現実世界の問題を解決する人間のような能力を持っている。
地理的に分散したエッジデバイスの通信と計算機能を活用することで、エッジAMは6Gでさまざまなリアルタイムインテリジェントサービスのデリバリを可能にする技術として登場します。
小さなモデルを使った単一タスクを主にサポートする従来のエッジ人工知能(AI)とは異なり、エッジLAMは大規模なモデルの分解と分散配置の必要性と、高度に一般化された多様なタスクをサポートする能力によって特徴付けられる。
しかし、無線ネットワーク上での通信、計算、記憶資源の制限により、膨大な数のトレーニング可能なニューロンとかなりの通信オーバーヘッドが、エッジAMの実践的な展開に重大なハードルとなる。
本稿では,モデル分解と資源管理の観点から,エッジLAMの機会と課題について考察する。
具体的には、マイクロサービスによる推論アーキテクチャとともに、協調的な微調整および全パラメータトレーニングフレームワークを提案し、無線ネットワーク上でのエッジLAMの展開を強化する。
さらに,空対面設計におけるエッジLAMの適用について検討し,チャネル予測とビームフォーミングに着目した。
これらの革新的なフレームワークとアプリケーションは、6G技術の進歩に価値ある洞察と解決策を提供します。
関連論文リスト
- Satellite Edge Artificial Intelligence with Large Models: Architectures and Technologies [43.24943201324192]
極度の気象予報、災害監視、戦場監視はリアルタイムのデータ処理を必要とする。
衛星エッジ大型AIモデル(LAM)は、トレーニング(微調整)と推論フェーズの両方を含む。
時間変化トポロジを持つ資源制約付き宇宙ネットワークにおけるLAM展開
論文 参考訳（メタデータ） (2025-04-02T12:25:57Z) - Federated Intelligence: When Large AI Models Meet Federated Fine-Tuning and Collaborative Reasoning at the Network Edge [10.848407787567519]
大規模人工知能(AI)モデルは、様々なアプリケーションシナリオにおいて顕著な能力を示す。
ネットワークエッジにデプロイすることは、データプライバシや計算リソース、レイテンシといった問題によって、重大な問題を引き起こす。
本稿では,資源制約のある無線ネットワークにおける大規模AIモデルの実装を容易にするための,ファインチューニングと協調推論技術について検討する。
論文 参考訳（メタデータ） (2025-03-27T11:56:36Z) - Large-Scale AI in Telecom: Charting the Roadmap for Innovation, Scalability, and Enhanced Digital Experiences [212.5544743797899]
大型通信モデル(LTM)は、現代の通信ネットワークが直面する複雑な課題に対処するために設計されたAIモデルである。
本稿は、LTMのアーキテクチャとデプロイメント戦略から、ネットワーク管理、リソース割り当て、最適化における彼らのアプリケーションまで、幅広いトピックについて論じる。
論文 参考訳（メタデータ） (2025-03-06T07:53:24Z) - Generative AI Agents with Large Language Model for Satellite Networks via a Mixture of Experts Transmission [74.10928850232717]
本稿では、モデル定式化のための生成人工知能(AI)エージェントを開発し、送信戦略の設計に専門家(MoE)の混合を適用した。
具体的には,大規模言語モデル(LLM)を活用して対話型モデリングパラダイムを構築する。
定式化問題の解法として, MoE-proximal Policy Optimization (PPO) アプローチを提案する。
論文 参考訳（メタデータ） (2024-04-14T03:44:54Z) - Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework [55.73948386625618]
データ、AIモデル、運用パラダイムの観点から、6GネイティブAIを達成する上での課題を分析します。
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、専門家の知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。
論文 参考訳（メタデータ） (2023-10-26T15:19:40Z) - Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。
本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
論文 参考訳（メタデータ） (2023-10-08T08:55:03Z) - Large Generative AI Models for Telecom: The Next Big Thing? [7.36678071967351]
大型のGenAIモデルは、自律的無線ネットワークの新しい時代を開くことを想定している。
本稿では,大規模なGenAIモデルをTelecomドメインに統合することで実現可能な機会を広げることを目的としている。
論文 参考訳（メタデータ） (2023-06-17T03:45:00Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳（メタデータ） (2022-05-08T06:21:33Z) - 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) - Artificial Intelligence for Satellite Communication: A Review [91.3755431537592]
この研究は、AI、その多様なサブフィールド、そして最先端のアルゴリズムの概要を提供する。
さまざまな衛星通信分野へのAIの適用は、ビームホッピング、アンチジャミング、ネットワークトラフィック予測、チャネルモデリング、テレメトリマイニング、電離圏シンチレーション検出、干渉管理、リモートセンシング、行動モデリング、スペースエアグラウンド統合、エネルギー管理など、優れた可能性を実証しています。
論文 参考訳（メタデータ） (2021-01-25T13:01:16Z) - Communication-Efficient Edge AI Inference Over Wireless Networks [33.1306043471745]
我々は、低レイテンシでエネルギー効率のよいAIサービスを提供するために、ネットワークエッジにモデル推論を効率的に配置する原則を提示する。
これには、低遅延デバイス分散モデル推論のための無線分散コンピューティングフレームワークと、エネルギー効率の良いエッジ協調モデル推論のための無線協調送信戦略が含まれる。
論文 参考訳（メタデータ） (2020-04-28T08:04:06Z)
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。