[논문 리뷰] AI-native Interconnect Framework for Integration of Large Language Model Technologies in 6G Systems

Sasu Tarkoma, Roberto Morabito외 1명|arXiv (Cornell University)|2023. 11. 10.

Ferroelectric and Negative Capacitance Devices인용 수 12

한 줄 요약

이 논문은 6G 네트워크에서 LLM과 GPT를 매끄럽게 통합하기 위한 AI 인터커넥트 프레임워크를 제안하여, 동적 선택, 프로비저닝 및 클라우드-엣지 인프라 전반의 조정을 가능하게 하며, 전통 ML과의 균형 및 감사 가능성을 보장합니다.

ABSTRACT

The evolution towards 6G architecture promises a transformative shift in communication networks, with artificial intelligence (AI) playing a pivotal role. This paper delves deep into the seamless integration of Large Language Models (LLMs) and Generalized Pretrained Transformers (GPT) within 6G systems. Their ability to grasp intent, strategize, and execute intricate commands will be pivotal in redefining network functionalities and interactions. Central to this is the AI Interconnect framework, intricately woven to facilitate AI-centric operations within the network. Building on the continuously evolving current state-of-the-art, we present a new architectural perspective for the upcoming generation of mobile networks. Here, LLMs and GPTs will collaboratively take center stage alongside traditional pre-generative AI and machine learning (ML) algorithms. This union promises a novel confluence of the old and new, melding tried-and-tested methods with transformative AI technologies. Along with providing a conceptual overview of this evolution, we delve into the nuances of practical applications arising from such an integration. Through this paper, we envisage a symbiotic integration where AI becomes the cornerstone of the next-generation communication paradigm, offering insights into the structural and functional facets of an AI-native 6G network.

연구 동기 및 목표

• AI 네이티브 기능을 갖춘 데이터 기반, 지식 중심의 6G 아키텍처 관점을 촉진한다.
• 네트워크에서 다수의 LLM/GPT 모델을 조정하기 위한 AI 인터커넥트 프레임워크를 정의한다.
• 클라우드에서 엣지까지 제어, 사용자 및 애플리케이션 평면을 아우르는 크로스-레이어 통합을 탐구한다.
• AI-enabled 6G에서의 감사, 안전 및 지속 가능성 등 실용적 고려사항을 다룬다.
• 네트워크 운영 최적화를 위해 LLM과 전통 ML 모델의 하이브리드 활용을 강조한다.

제안 방법

• AI 인터커넥트를 AI 추론 및 학습을 위한 요청/응답 및 pub/sub API를 갖춘 메시지 지향 플랫폼으로 도입한다.
• 장치에서 코어 네트워크에 이르는 크로스-레이어 클라우드-투-엣지 아키텍처 디자인(x-haul)을 제시한다.
• AI 선택, AI 배치, 작업 조정, 라우팅 및 감사 추적이 있는 안전장치를 설명한다.
• AI-지원 네트워크 내 모니터링, 계획 및 실행을 위한 가이드 모델로 MAPE-K와 ReAct를 활용한다.
• LLMs의 한계, 사람의 개입 필요성, 에너지/지속 가능성 고려사항을 논의한다.
• 실용적 구현을 위한 LLM과 전통 ML/AI 방법의 하이브리드 배치 접근법을 개략한다.

실험 결과

연구 질문

• RQ1 AI 네이티브 인터커넥트 프레임워크를 통해 LLMs/GPTs를 6G 네트워크에 어떻게 통합할 수 있는가?
• RQ2 6G에서 LLM/GPT 기능을 가능하게 하는 적절한 다층 아키텍처 관점(전략적, 논리적, 운영적, 구현)을 무엇인가?
• RQ3 AI-enabled 6G 상호 연결 및 오케스트레이션에 대한 거버넌스, 안전 및 감사 요구사항은 무엇인가?
• RQ4 성능, 투명성 및 실용성의 균형을 위해 LLMs를 전통 ML 모델과 어떻게 조정해야 하는가?
• RQ5 6G 시스템에서 LLM 배치의 에너지, 환경 및 지속 가능성 영향은 무엇이며 어떻게 완화할 수 있는가?

주요 결과

• 본 논문은 LLM과 GPT를 통합하기 위한 전사적 네 가지 계층의 6G 아키텍처(전략적, 논리적, 운영적, 구현)를 제시한다.
• AI 인터커넥트를 크로스-레이어, 클라우드-투-엣지 메시징 플랫폼으로 정의하여 AI 선택, 배치, 조정, 통신 및 감사 추적이 가능한 안전장치를 제공한다.
• 실용적이고 신뢰할 수 있는 네트워크 운영을 달성하기 위해 LLM이 전통 ML/AI 모델과 함께 작동하는 하이브리드 AI 접근을 촉진한다.
• 프롬프트 엔지니어링, ReAct 기반 에이전시, 사람의 개입 및 안전장치의 필요성과 같은 실용적 측면을 논의한다.
• 6G에서 LLM 배치의 거버넌스 고려사항, 신뢰성, 자원 제약 및 에너지/환경 영향 등을 강조한다.
• 멀티모달 LLM 및 컨트롤러를 포함한 6G 사용 사례 및 네트워크 구동자를 연결하는 LLM/GPT 능력에 대한 분류 체계를 제공한다.