[논문 리뷰] 6G Networks: Beyond Shannon Towards Semantic and Goal-Oriented Communications

Emilio Calvanese Strinati, Sergio Barbarossa|arXiv (Cornell University)|2020. 11. 04.

Wireless Signal Modulation Classification인용 수 6

한 줄 요약

이 논문은 샤논의 전통적인 비트 신뢰성 모델에서 벗어나 6세대(6G) 네트워크의 패러다임 전환을 제안한다. 이는 지식 기반 기계학습을 활용해 의미상으로 관련성이 있는 정보만 전송하는 의미론적이고 목표 지향적인 통신으로의 전환을 의미한다. 의미, 추론, 목표를 통합함으로써 대역폭이나 에너지 소비를 늘리지 않으면서도 효율성, 지속 가능성, 내구성을 향상시킬 수 있으며, 더 스마트하고 맥락 인식 기반의 통신을 가능하게 한다.

ABSTRACT

The goal of this paper is to promote the idea that including semantic and goal-oriented aspects in future 6G networks can produce a significant leap forward in terms of system effectiveness and sustainability. Semantic communication goes beyond the common Shannon paradigm of guaranteeing the correct reception of each single transmitted packet, irrespective of the meaning conveyed by the packet. The idea is that, whenever communication occurs to convey meaning or to accomplish a goal, what really matters is the impact that the correct reception/interpretation of a packet is going to have on the goal accomplishment. Focusing on semantic and goal-oriented aspects, and possibly combining them, helps to identify the relevant information, i.e. the information strictly necessary to recover the meaning intended by the transmitter or to accomplish a goal. Combining knowledge representation and reasoning tools with machine learning algorithms paves the way to build semantic learning strategies enabling current machine learning algorithms to achieve better interpretation capabilities and contrast adversarial attacks. 6G semantic networks can bring semantic learning mechanisms at the edge of the network and, at the same time, semantic learning can help 6G networks to improve their efficiency and sustainability.

연구 동기 및 목표

• 샤논의 비트 중심 모델을 넘어서 자원 부족 문제를 해결하기 위해 무선 네트워크의 자원 부족 문제를 해결한다.
• 6G의 핵심 설계 원칙으로 의미론적이고 목표 지향적인 통신을 도입하여 시스템의 효과성과 지속 가능성을 향상시킨다.
• 표면적 상관관계에 의존하는 현재의 딥 러닝 모델의 한계를 극복한다.
• 공유 지식 기반과 맥락 인식 추론을 사용해 네트워크 노드가 전송된 정보에 대해 추론할 수 있도록 한다.
• 통신 효율성을 비트 오류율이 아닌 의미적 영향과 목표 달성도로 측정하는 프레임워크를 개발한다.

제안 방법

• 네트워크 노드에 지식 표현 및 추론(KRR) 시스템을 통합하여 전송된 데이터를 해석하고 맥락화한다.
• 기계학습과 연역적 추론을 조합하여 순수하게 귀납적 학습에서 하이브리드 귀납-연역적 학습 전략으로 전환한다.
• 언어 논리 요소를 통합한 의미론적 오토인코더를 사용해 의미적으로 관련성이 있는 정보만 압축하고 전송한다.
• 네트워크 엣지 간의 전이 학습과 지식 공유를 구현하여 모델의 일반화 능력을 향상시키고 중복을 줄인다.
• 사전 정의된 목표나 의도된 의미에 따라 정보의 중요도를 우선순위로 정하는 통신 프로토콜을 설계한다.
• 다중접근 엣지 컴퓨팅(MEC)을 활용해 네트워크 엣지에 의미론적 학습을 구현하여 저지연, 맥락 인식 처리를 가능하게 한다.

실험 결과

연구 질문

• RQ1 6G 네트워크는 어떻게 비트 전송이 아닌 의미론적 의미에 집중함으로써 더 높은 효율성과 지속 가능성을 달성할 수 있는가?
• RQ2 지식 표현 및 추론은 기계학습 모델이 통신 시스템에서 더 견고하고 해석 가능하게 만들기 위해 어떤 역할을 할 수 있는가?
• RQ3 목표 지향적 통신은 기존 방법에 비해 스펙트럼과 에너지 자원의 과도한 소비를 어떻게 줄일 수 있는가?
• RQ4 의미론적 학습 메커니즘은 어떻게 분산형 6G 네트워크 아키텍처에 통합되어 의사결정을 향상시키고 데이터 오버헤드를 줄일 수 있는가?
• RQ5 미래의 무선 네트워크에서 맥락 인식 기반, 의미 중심의 통신을 가능하게 하기 위한 아키텍처적 및 알고리즘적 요구사항은 무엇인가?

주요 결과

• 의미론적이고 목표 지향적인 통신은 의도된 의미나 목표에 관련된 정보만 집중적으로 전송함으로써 전송되는 데이터의 양을 크게 줄일 수 있다.
• 지식 표현을 기계학습과 통합함으로써 시스템은 맥락에 대해 추론할 수 있어 취약성과 악성 공격에 대한 저항력이 향상된다.
• 제안된 프레임워크는 의미적으로 유의미한 데이터만 전송하고 처리하므로 네트워크 자원의 더 효율적 사용이 가능해져 지속 가능성을 향상시킨다.
• 인간 인지에 영감을 받은 하이브리드 귀납-연역적 학습 전략은 순수 데이터 기반 접근 방식보다 더 신뢰성 있고 일반화 능력이 뛰어난 모델을 도출할 수 있다.
• 네트워크 엣지에서의 분산 의미론적 학습은 저지연, 맥락 인식 기반 의사결정을 가능하게 하며, 자율 주행 및 산업용 IoT와 같은 실시간 응용 분야에 매우 중요하다.
• 샤논의 기술적 문제에서 성과 문제(즉, 의사소통이 목표 달성에 미치는 영향)로의 전환은 오류 없는 전송을 넘어서 통신 네트워크의 성공 기준을 재정의한다.