論文の概要: Large AI Models for Wireless Physical Layer

• arxiv url: http://arxiv.org/abs/2508.02314v1
• Date: Mon, 04 Aug 2025 11:30:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.30958
• Title: Large AI Models for Wireless Physical Layer
• Title（参考訳）: 無線物理層のための大規模AIモデル
• Authors: Jiajia Guo, Yiming Cui, Shi Jin, Jun Zhang,
• Abstract要約: 大規模人工知能モデル(LAM)は、堅牢な一般化、マルチタスク処理、マルチモーダル機能を通じて、無線物理層技術を変換している。 本稿では、従来のAIベースのアプローチの限界に対処する物理層通信におけるLAMアプリケーションの最近の進歩についてレビューする。
• 参考スコア（独自算出の注目度）: 44.387744480376284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large artificial intelligence models (LAMs) are transforming wireless physical layer technologies through their robust generalization, multitask processing, and multimodal capabilities. This article reviews recent advancements in LAM applications for physical layer communications, addressing limitations of conventional AI-based approaches. LAM applications are classified into two strategies: leveraging pre-trained LAMs and developing native LAMs designed specifically for physical layer tasks. The motivations and key frameworks of these approaches are comprehensively examined through multiple use cases. Both strategies significantly improve performance and adaptability across diverse wireless scenarios. Future research directions, including efficient architectures, interpretability, standardized datasets, and collaboration between large and small models, are proposed to advance LAM-based physical layer solutions for next-generation communication systems.
• Abstract（参考訳）: 大規模人工知能モデル(LAM)は、堅牢な一般化、マルチタスク処理、マルチモーダル機能を通じて、無線物理層技術を変換している。 本稿では、従来のAIベースのアプローチの限界に対処する物理層通信におけるLAMアプリケーションの最近の進歩についてレビューする。 LAMアプリケーションは、事前訓練されたLAMを活用することと、物理層タスクに特化したネイティブなLAMを開発することの2つの戦略に分類される。 これらのアプローチのモチベーションと主要なフレームワークは、複数のユースケースを通じて包括的に検討されている。 どちらの戦略も、様々な無線シナリオにおけるパフォーマンスと適応性を大幅に改善する。 次世代通信システムにおいて,効率的なアーキテクチャ,解釈可能性,標準化されたデータセット,大規模モデルと小型モデル間の協調といった今後の研究方向性を,LAMベースの物理層ソリューションの進歩に向けて提案する。

関連論文リスト

• Large AI Model-Enabled Secure Communications in Low-Altitude Wireless Networks: Concepts, Perspectives and Case Study [92.15255222408636]
  低高度無線ネットワーク(LAWN)は、様々なアプリケーションをサポートすることにより、通信に革命をもたらす可能性がある。 LAWNにおけるセキュア通信のための大規模人工知能モデル(LAM)対応ソリューションについて検討する。 LAWNにおけるセキュア通信のためのLAMの実用的メリットを示すために,新しいLAMベースの最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-01T01:53:58Z)
• From Large AI Models to Agentic AI: A Tutorial on Future Intelligent Communications [57.38526350775472]
  このチュートリアルは、大規模人工知能モデル(LAM)とエージェントAI技術の原則、設計、応用に関する体系的な紹介を提供する。 我々は,6G通信の背景を概説し,LAMからエージェントAIへの技術的進化を概説し,チュートリアルのモチベーションと主な貢献を明らかにする。
  論文  参考訳（メタデータ） (2025-05-28T12:54:07Z)
• Towards a Foundation Model for Communication Systems [16.85529517183343]
  本研究では,コミュニケーションデータの基礎モデルに向けて一歩踏み出した。 本稿では,トークン化,位置埋め込み,マルチモーダリティ,可変特徴量,正規化など,重要な課題に対処する手法を提案する。 本研究では,送信ランク,選択したプリコーダ,ドップラー拡散,遅延プロファイルなど,複数の特徴を推定できることを実証的に実証する。
  論文  参考訳（メタデータ） (2025-05-20T16:52:11Z)
• Edge Large AI Models: Revolutionizing 6G Networks [38.62140334987825]
  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。
  論文  参考訳（メタデータ） (2025-05-01T05:44:00Z)
• Multi-Task Semantic Communications via Large Models [42.42961176008125]
  適応型モデル圧縮戦略とフェデレートされた分割微調整アプローチを含む,LAMベースのマルチタスクSemComアーキテクチャを提案する。 近年のローカルおよびグローバルな知識ベースを合成するために,検索拡張生成方式が実装されている。
  論文  参考訳（メタデータ） (2025-03-28T00:57:34Z)
• Inference Optimization of Foundation Models on AI Accelerators [68.24450520773688]
  トランスフォーマーアーキテクチャを備えた大規模言語モデル(LLM)を含む強力な基礎モデルは、ジェネレーティブAIの新たな時代を支えている。 モデルパラメータの数が数十億に達すると、実際のシナリオにおける推論コストと高いレイテンシーが排除される。 このチュートリアルでは、AIアクセラレータを用いた補完推論最適化テクニックに関する包括的な議論を行っている。
  論文  参考訳（メタデータ） (2024-07-12T09:24:34Z)
• 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)
• Multi-Agent Reinforcement Learning for Power Control in Wireless Networks via Adaptive Graphs [1.1861167902268832]
  多エージェント深部強化学習(MADRL)は、電力制御のような幅広い複雑な最適化問題に対処するための有望な手法として登場した。 本稿では,これらの課題を緩和する有効な手段として,分散エージェント間の通信誘導構造としてグラフを用いることを提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:25:40Z)
• Model-Based Machine Learning for Communications [110.47840878388453]
  モデルベースのアルゴリズムと機械学習をハイレベルな視点で組み合わせるための既存の戦略を見直します。 通信受信機の基本的なタスクの一つであるシンボル検出に注目する。
  論文  参考訳（メタデータ） (2021-01-12T19:55:34Z)

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。