[論文レビュー] Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework

Xiang Chen, Zhiheng Guo+6 more|arXiv (Cornell University)|Oct 26, 2023

IoT and Edge/Fog Computing被引用数 4

ひとこと要約

本稿は、タスク指向型で意図に配慮したAIサービスを実現するためのクラウド・エッジ・エンド連携を可能にする、基盤モデルに基づく6GネイティブAIフレームワークを提案する。事前学習済み基盤モデル（PFM）と統一されたプロンプト設計を活用することで、無線リソース割り当ての効率的オーケストレーションを実現し、マルチアクセス環境下で最小限の計算オーバーヘッドでQoSを向上させ、最適化されたリソース消費で最大合計スループットを達成した。

ABSTRACT

Future wireless communication networks are in a position to move beyond data-centric, device-oriented connectivity and offer intelligent, immersive experiences based on multi-agent collaboration, especially in the context of the thriving development of pre-trained foundation models (PFM) and the evolving vision of 6G native artificial intelligence (AI). Therefore, redefining modes of collaboration between devices and agents, and constructing native intelligence libraries become critically important in 6G. In this paper, we analyze the challenges of achieving 6G native AI from the perspectives of data, AI models, and operational paradigm. Then, we propose a 6G native AI framework based on foundation models, provide an integration method for the expert knowledge, present the customization for two kinds of PFM, and outline a novel operational paradigm for the native AI framework. As a practical use case, we apply this framework for orchestration, achieving the maximum sum rate within a cell-free massive MIMO system, and presenting preliminary evaluation results. Finally, we outline research directions for achieving native AI in 6G.

研究の動機と目的

• 既存の6GにおけるAI統合の限界、特にタスク特化型モデルの一般化の欠如とエッジにおける大規模言語モデルのスケーラビリティの問題を解決すること。
• クラウド、エッジ、エンドデバイスにまたがるマルチモーダルでタスク指向型のAIサービスを支援する基盤モデルベースのフレームワークを構築すること。
• 統一されたプロンプトシステムと協調推論を活用し、6Gネットワークにおける効率的で意図に配慮したAIオーケストレーションを可能にすること。
• 無線リソース管理に向けたフレームワークの実用的実装を開発し、合計スループットと計算効率の向上を実証すること。
• 将来の6GネイティブAIシステムにおける評価、プロンプト設計、標準化の分野における未解決の研究課題を同定すること。

提案手法

• 事前学習済み基盤モデル（PFM）に基づく6GネイティブAIフレームワークを提案し、クラウド、エッジ、エンドデバイスにまたがるデータ、知能、ネットワーク連携を統合する。
• ユーザーの意図を解釈し、適切なAIアルゴリズムにマッピングするための統一されたプロンプト設計を用いた、意図に配慮したPFMのカスタマイズアプローチを導入する。
• ユーザーの意図とQoS要件に基づき、AIモデルの動的選択とオーケストレーションを可能にするタスク指向型AIツールキットを開発する。
• PFMを中央に配置し、エッジおよびエンドデバイスで軽量なファインチューニングを実施するクラウド・エッジ・エンド連携パラダイムを採用し、計算負荷を低減する。
• エキスパート知識ライブラリにおけるデータ効率の向上と伝送オーバーヘッドの低減を図るため、意味的通信の原則を活用する。
• マルチアクセス環境下で、PFMを用いてアルゴリズム選択とリソース割り当てをガイドする無線合計スループット最大化タスクにフレームワークを適用する。

実験結果

リサーチクエスチョン

• RQ1 6Gネットワークにおいて、意図に配慮したタスク指向型AIサービスを効果的にサポートするためには、基盤モデルをどのようにカスタマイズすればよいか。
• RQ2 6Gネットワークにおいて、クラウド、エッジ、エンドデバイスにまたがる効率的で低遅延のAI推論を実現するための協働アーキテクチャは何か。
• RQ3 多様で異種の6Gタスクを処理しつつ、整合性とセキュリティを確保するための統一されたプロンプトシステムをどのように設計すればよいか。
• RQ4 複雑で多目的な6Gシナリオにおける意図に配慮したPFMの性能を評価するのに適した評価指標は何か。
• RQ5 オープンソースAI標準と従来の無線通信プロトコルをどのように調和させれば、6GネイティブAIシステムにおける相互運用性を確保できるか。

主な発見

• 提案されたフレームワークは、ユーザーの意図に基づき動的にAIアルゴリズムをオーケストレーションすることで、マルチアクセス無線環境下で最大合計スループットを達成した。
• 意図に配慮したPFMは、評価結果により、高品質なQoSを維持しながら計算リソース消費を低減した。
• フレームワークは、効果的なタスク選択とリソース割り当てを実現し、シミュレーションベースの評価により性能向上が検証された。
• 統一されたプロンプトシステムの活用により、多様な6Gタスクにわたる正確な意図認識と効率的なオーケストレーションが可能になった。
• 予備的な結果から、リアルタイムで適応可能なネットワーク最適化を実現するためのPFMを用いたクラウド・エッジ・エンド連携の実現可能性が確認された。
• 本研究では、将来の6GネイティブAI展開に向けた評価、プロンプトの整合性、標準化分野における重要な未解決課題が同定された。