論文の概要: NVIDIA AI Aerial: AI-Native Wireless Communications

• arxiv url: http://arxiv.org/abs/2510.01533v1
• Date: Thu, 02 Oct 2025 00:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.915159
• Title: NVIDIA AI Aerial: AI-Native Wireless Communications
• Title（参考訳）: NVIDIA AI Aerial:AI-Native Wireless Communications
• Authors: Kobi Cohen-Arazi, Michael Roe, Zhen Hu, Rohan Chavan, Anna Ptasznik, Joanna Lin, Joao Morais, Joseph Boccuzzi, Tommaso Balercia,
• Abstract要約: 6GはAIネイティブな無線システムへのパラダイムシフトをもたらす。 我々はPythonベースのアルゴリズムをGPU実行ブロブにコンパイルする堅牢なフレームワークを提案する。 我々は,Pythonで学習した畳み込みニューラルネットワーク(CNN)を用いて,PUSCH受信機におけるチャネル推定関数の実行の有効性を示す。
• 参考スコア（独自算出の注目度）: 1.199345934137053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 6G brings a paradigm shift towards AI-native wireless systems, necessitating the seamless integration of digital signal processing (DSP) and machine learning (ML) within the software stacks of cellular networks. This transformation brings the life cycle of modern networks closer to AI systems, where models and algorithms are iteratively trained, simulated, and deployed across adjacent environments. In this work, we propose a robust framework that compiles Python-based algorithms into GPU-runnable blobs. The result is a unified approach that ensures efficiency, flexibility, and the highest possible performance on NVIDIA GPUs. As an example of the capabilities of the framework, we demonstrate the efficacy of performing the channel estimation function in the PUSCH receiver through a convolutional neural network (CNN) trained in Python. This is done in a digital twin first, and subsequently in a real-time testbed. Our proposed methodology, realized in the NVIDIA AI Aerial platform, lays the foundation for scalable integration of AI/ML models into next-generation cellular systems, and is essential for realizing the vision of natively intelligent 6G networks.
• Abstract（参考訳）: 6GはAIネイティブな無線システムへのパラダイムシフトをもたらし、携帯電話ネットワークのソフトウェアスタック内にデジタル信号処理(DSP)と機械学習(ML)をシームレスに統合する必要がある。 この変革は、モデルとアルゴリズムが反復的にトレーニングされ、シミュレーションされ、隣の環境にまたがってデプロイされる、現代のネットワークのライフサイクルをAIシステムに近づける。 本研究では、PythonベースのアルゴリズムをGPU実行可能なブロブにコンパイルする堅牢なフレームワークを提案する。 その結果、NVIDIA GPU上での効率、柔軟性、最高のパフォーマンスを保証する統一的なアプローチが実現した。 フレームワークの機能の例として,Pythonで訓練された畳み込みニューラルネットワーク(CNN)を用いて,PUSCH受信機におけるチャネル推定関数の実行の有効性を示す。 これはまずデジタルツインで行われ、その後リアルタイムテストベッドで実行される。 提案手法はNVIDIA AI Aerialプラットフォームで実現され,次世代のセルシステムへのAI/MLモデルのスケーラブルな統合の基礎を築き,ネイティブなインテリジェントな6Gネットワークのビジョンの実現に不可欠である。

関連論文リスト

• Developing a Transferable Federated Network Intrusion Detection System [10.662159185662796]
  本稿では,ネットワークに接続されたデバイスに分散的に配置したディープラーニングによる侵入検知システムを提案する。 我々の目標は、既知の攻撃からの知識を用いて、未知の攻撃に対して、より優れたディープラーニングモデルを装備することである。 提案方式は, 高精度な局所検出率を維持しつつ, 転送性の向上に成功している。
  論文  参考訳（メタデータ） (2025-08-12T16:22:29Z)
• Adaptive Robotic Arm Control with a Spiking Recurrent Neural Network on a Digital Accelerator [41.60361484397962]
  本稿では,システムの概要と,Pynq ZUプラットフォーム上で使用するPythonフレームワークについて述べる。 シミュレーションされた精度は,毎秒380万イベントのピーク性能で維持されていることを示す。
  論文  参考訳（メタデータ） (2024-05-21T14:59:39Z)
• 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)
• Pathfinding Neural Cellular Automata [23.831530224401575]
  Pathfindingは、ロボットパス計画、トランスポートルーティング、ゲームプレイなど、幅広い複雑なAIタスクの重要なサブコンポーネントである。 我々は, Breadth-First Search (BFS) のモデル,すなわち最短経路探索のハンドコードと学習を行う。 本稿では、Depth-First Search(DFS)のニューラル実装を提案し、グラフの直径を計算するためのNAAを生成するために、ニューラルネットワークBFSと組み合わせる方法について概説する。 我々は,これらの手書きNCAに触発されたアーキテクチャ変更を実験し,グリッド迷路の直径問題を解くためにゼロからネットワークをトレーニングし,高い能力の一般化を示した。
  論文  参考訳（メタデータ） (2023-01-17T11:45:51Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Artificial Intelligence in Vehicular Wireless Networks: A Case Study Using ns-3 [18.54699818319184]
  無線ネットワーク最適化のためのAIアルゴリズムを実装可能なns-3シミュレーションフレームワークを提案する。 パイプラインは、(i)V2Xのための新しい幾何学ベースのモビリティ依存チャネルモデル、(ii)5G-NR準拠プロトコルスタックのすべての層、(iii)V2Xデータ伝送をシミュレートする新しいアプリケーションで構成される。
  論文  参考訳（メタデータ） (2022-03-10T16:20:54Z)
• CLAN: Continuous Learning using Asynchronous Neuroevolution on Commodity Edge Devices [3.812706195714961]
  我々は、NeuroEvolutionary(NE)学習と推論を実行するWiFiを介して通信するRaspberry Piのプロトタイプシステムを構築した。 本研究では,このような協調システムの性能を評価し,システムの異なる配置の計算/通信特性について詳述する。
  論文  参考訳（メタデータ） (2020-08-27T01:49:21Z)
• Binarizing MobileNet via Evolution-based Searching [66.94247681870125]
  そこで本稿では,MobileNet をバイナライズする際の構築と訓練を容易にするための進化的探索手法を提案する。 ワンショットアーキテクチャ検索フレームワークに着想を得て、グループ畳み込みのアイデアを操り、効率的な1ビット畳み込みニューラルネットワーク(CNN)を設計する。 我々の目標は、グループ畳み込みの最良の候補を探索することで、小さなが効率的なバイナリニューラルアーキテクチャを考案することである。
  論文  参考訳（メタデータ） (2020-05-13T13:25:51Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。