[논문 리뷰] Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework

Xiang Chen, Zhiheng Guo외 6명|arXiv (Cornell University)|2023. 10. 26.

IoT and Edge/Fog Computing인용 수 4

한 줄 요약

이 논문은 작업 중심, 의도 인식 AI 서비스를 위한 클라우드-에지-엔드 협업을 가능하게 하는 기초 모델 기반 6G 네이티브 AI 프레임워크를 제안한다. 사전 훈련된 기초 모델(PFM)과 통합된 프롬프트 설계를 활용하여 무선 자원 할당의 효율적 오케스트레이션을 달성하였으며, 다중 액세스 환경에서 최소한의 계산 오버헤드로 향상된 QoS를 보이며 최대 합산 속도를 달성하였다. 자원 소비를 최적화하였다.

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.

연구 동기 및 목표

• 기존 6G에서의 AI 통합의 한계, 특히 작업 특화 모델의 일반화 부족과 엣지에서의 대규모 언어 모델의 확장성 문제를 해결하기 위함.
• 클라우드, 에지, 엔드 디바이스 전역에서 다중 모odal, 작업 중심 AI 서비스를 지원하는 기초 모델 기반 프레임워크를 수립하기 위함.
• 통합된 프롬프트 시스템과 협업 추론을 통해 6G 네트워크에서 효율적이고 의도 인식 가능한 AI 오케스트레이션을 가능하게 하기 위함.
• 무선 자원 관리에 대한 실용적 구현을 개발하여 합산 속도 및 계산 효율성 향상을 입증하기 위함.
• 미래의 6G 네이티브 AI 시스템을 위한 평가, 프롬프트 설계, 표준화 분야에서의 열린 연구 과제를 규명하기 위함.

제안 방법

• 사전 훈련된 기초 모델(PFM)을 기반으로 한 6G 네이티브 AI 프레임워크를 제안하여 클라우드, 에지, 엔드 디바이스 전역에서 데이터, 지능, 네트워크 협업을 통합한다.
• 사용자 의도를 해석하고 적절한 AI 알고리즘으로 매핑하기 위해 통합된 프롬프트 설계를 사용한 의도 인식 PFM에 대한 맞춤형 접근 방식을 도입한다.
• 사용자 의도와 QoS 요구 사항에 기반해 AI 모델의 동적 선택 및 오케스트레이션을 가능하게 하는 작업 중심 AI 툴킷을 개발한다.
• PFM가 중심에 위치하고 엣지 및 엔드 디바이스에서 경량 미세조정을 수행하는 클라우드-에지-엔드 협업 파라다임을 활용하여 계산 부하를 감소시킨다.
• 전문 지식 라이브러리에서의 데이터 효율성 향상과 전송 오버헤드 감소를 위해 의미 기반 통신 원리를 활용한다.
• 다중 액세스 환경에서 무선 합산 속도 최적화 작업에 프레임워크를 적용하여 PFM를 활용해 알고리즘 선택 및 자원 할당을 안내한다.

실험 결과

연구 질문

• RQ1 어떻게 기초 모델을 효과적으로 맞춤화하여 6G 네트워크에서 의도 인식, 작업 중심 AI 서비스를 지원할 수 있는가?
• RQ2 6G에서 클라우드, 에지, 엔드 디바이스 전역에서 효율적이고 저지연의 AI 추론을 가능하게 하는 협업 아키텍처는 무엇인가?
• RQ3 다양하고 이질적인 6G 작업을 처리하면서도 강건성과 보안을 확보할 수 있는 통합된 프롬프트 시스템은 어떻게 설계할 수 있는가?
• RQ4 복잡하고 다목적인 6G 환경에서 의도 인식 PFM의 성능을 평가하기 위한 적절한 평가 지표는 무엇인가?
• RQ5 오픈소스 AI 표준은 기존의 무선 통신 프로토콜과 어떻게 조율되어야 하며, 6G 네이티브 AI 시스템의 상호 운용성을 보장할 수 있는가?

주요 결과

• 제안된 프레임워크는 사용자 의도에 기반해 AI 알고리즘을 동적으로 오케스트레이션함으로써 다중 액세스 무선 환경에서 최대 합산 속도를 달성하였다.
• 의도 인식 PFM는 평가 결과에 따르면 고성능 QoS를 유지하면서도 계산 자원 소비를 감소시켰다.
• 프레임워크는 효과적인 작업 선택 및 자원 할당을 보여주었으며, 시뮬레이션 기반 평가를 통해 성능 향상이 검증되었다.
• 통합된 프롬프트 시스템의 사용은 다양한 6G 작업 전반에서 정확한 의도 인식과 효율적인 오케스트레이션을 가능하게 하였다.
• 초기 결과는 실시간이고 적응 가능한 네트워크 최적화를 위한 PFM 기반 클라우드-에지-엔드 협업의 실현 가능성을 확인하였다.
• 연구는 향후 6G 네이티브 AI 구현을 위한 평가, 프롬프트 강건성, 표준화 분야에서의 핵심 열린 과제를 규명하였다.