論文の概要: A Wireless World Model for AI-Native 6G Networks

• arxiv url: http://arxiv.org/abs/2603.25216v1
• Date: Thu, 26 Mar 2026 09:16:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.208035
• Title: A Wireless World Model for AI-Native 6G Networks
• Title（参考訳）: AI-Native 6Gネットワークのための無線ワールドモデル
• Authors: Ziqi Chen, Yi Ren, Yixuan Huang, Qi Sun, Nan Li, Yuhong Huang, Chih-Lin I, Yifan Li, Liang Xia,
• Abstract要約: 本稿では,無線チャネルの進化を予測するマルチモーダル基盤フレームワークであるWireless World Model (WWM)を紹介する。 WWMは、目に見えない一般化環境、見えない一般化シナリオ、実世界の測定において顕著な性能を達成する。 これは物理を意識した6Gインテリジェンスを物理世界に適用する道を開くものだ。
• 参考スコア（独自算出の注目度）: 21.441941945355136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating AI into the physical layer is a cornerstone of 6G networks. However, current data-driven approaches struggle to generalize across dynamic environments because they lack an intrinsic understanding of electromagnetic wave propagation. We introduce the Wireless World Model (WWM), a multi-modal foundation framework predicting the spatiotemporal evolution of wireless channels by internalizing the causal relationship between 3D geometry and signal dynamics. Pre-trained on a massive ray-traced multi-modal dataset, WWM overcomes the data authenticity gap, further validated under real-world measurement data. Using a joint-embedding predictive architecture with a multi-modal mixture-of-experts Transformer, WWM fuses channel state information, 3D point clouds, and user trajectories into a unified representation. Across the five key downstream tasks supported by WWM, it achieves remarkable performance in seen environments, unseen generalization scenarios, and real-world measurements, consistently outperforming SOTA uni-modal foundation models and task-specific models. This paves the way for physics-aware 6G intelligence that adapts to the physical world.
• Abstract（参考訳）: AIを物理層に統合することは、6Gネットワークの基礎となる。 しかし、現在のデータ駆動型アプローチは、電磁波伝播の本質的な理解が欠けているため、動的環境をまたいだ一般化に苦慮している。 本稿では,3次元幾何学と信号力学の因果関係を内部化することにより,無線チャネルの時空間的進化を予測するマルチモーダル基盤フレームワークであるWireless World Model (WWM)を紹介する。 大量のレイトレーシングされたマルチモーダルデータセットで事前トレーニングされたWWMは、実際の測定データの下でさらに検証される、データの信頼性ギャップを克服する。 マルチモーダル・ミックス・オブ・エキスパート・トランスフォーマーを用いた共同埋め込み予測アーキテクチャを用いて、WWMはチャネル状態情報、3Dポイント・クラウド、ユーザ・トラジェクトリを統一表現に融合する。 WWMがサポートしている5つの重要な下流タスクの中で、目に見えない一般化シナリオ、実世界の測定において顕著なパフォーマンスを達成し、SOTAのユニモーダル基礎モデルやタスク固有のモデルより一貫して優れています。 これは物理を意識した6Gインテリジェンスを物理世界に適用する道を開くものだ。

関連論文リスト

• RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
  将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。 ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。 提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
  論文  参考訳（メタデータ） (2026-02-21T07:50:05Z)
• A Multi-Modal Foundational Model for Wireless Communication and Sensing [5.101849923596286]
  本研究は,物理層無線システムのタスク非依存・マルチモーダル基礎モデルを提案する。 異質なモダリティにまたがる移動可能で物理学を意識した表現を学習し、タスクや環境をまたいだ堅牢な一般化を可能にしている。 本評価は,タスク固有のベースラインと比較して,より優れた一般化,デプロイメントシフトに対する堅牢性,データ要求の削減を示す。
  論文  参考訳（メタデータ） (2026-02-03T21:03:23Z)
• 3D Dynamic Radio Map Prediction Using Vision Transformers for Low-Altitude Wireless Networks [52.73015408160948]
  低高度無線ネットワーク(LAWN)は無人航空機(UAV)の普及に伴い急速に拡大している 信頼性の高い接続性は、三次元(3D)モビリティ、時間変化によるユーザ密度、限られた電力予算のために、依然として重要な課題である。 本稿では,受信電力の進化を学習し,予測する3次元動的無線マップ(3D高度)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-24T11:47:17Z)
• Sensing and Understanding the World over Air: A Large Multimodal Model for Mobile Networks [59.23869884913339]
  無線ネイティブなマルチモーダル大モデル(WMLM)は、マルチモーダルデータによって物理世界を理解し、理解することができる。 我々は、GPTスタイルのWMLMモデルを構築し、それを現実世界の大規模データセット上で訓練し、無線信号をコントラスト学習のためのアンカーモダリティとして活用した。
  論文  参考訳（メタデータ） (2025-11-17T07:33:46Z)
• Dual-Mind World Models: A General Framework for Learning in Dynamic Wireless Networks [43.39205414684229]
  本稿では,mmWave V2Xネットワークのための新しい2次元世界モデルベース学習フレームワークを提案する。 認知心理学に触発されて提案されたデュアルミンド世界モデルは、パターン駆動型システム1コンポーネントと論理駆動型システム2コンポーネントを含んでいる。 シミュレーションの結果,提案した世界モデルはデータ効率を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-10-28T15:45:15Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• A Novel Compound AI Model for 6G Networks in 3D Continuum [0.0]
  本稿では,複雑なタスクを専門的かつ相互運用可能なモジュールに分解する,新しい三部構成のフレームワークを導入する,複合AIシステムの形式モデルを提案する。 我々は、クロスドメインリソースオーケストレーション、動的トポロジへの適応、異種環境における一貫性のあるAIサービス品質の維持など、3D連続体で動作する6Gネットワーク内の複合AIシステムで直面する重要な課題を特定します。
  論文  参考訳（メタデータ） (2025-04-30T11:28:33Z)
• 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)

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。