Hajautetut oppimismenetelmät konetyyppisessä viestinnässä

Siirryttäessä 6G-aikaan älykkäät kaupungit ja älykkäät teollisuudenalat tukeutuvat yhä enemmän laitteisiin, jotka keskustelevat keskenään, kuten antureihin, koneisiin ja mittareihin. Näissä laitteissa on usein rajallinen akun kesto ja yksinkertaiset prosessorit, joten ne tarvitsevat tehokkaita tapoja kommunikoida.

Tässä tutkimuksessa tarkastellaan, miten tekoäly, erityisesti koneoppiminen, voi auttaa tekemään näistä järjestelmistä älykkäämpiä ja tehokkaampia. Yhtenä painopisteenä on menetelmä, jossa laitteet oppivat ympäristöstään ja kehittyvät ajan mittaan jopa ilman keskusohjainta. Toinen lupaava ajatus on yhdistetty oppiminen, jossa laitteet kouluttavat omia mallejaan paikallisesti ja jakavat vain tulokset, mikä suojaa yksityisyyttä ja säästää tietoja.

Mutta jopa näiden mallien jakaminen voi aiheuttaa paineita verkolle. Tämän korjaamiseksi tutkimuksessa tarkastellaan sellaisten erikoistekniikoiden käyttöä, joiden avulla useat laitteet voivat lähettää päivityksensä samaan aikaan, mikä säästää energiaa ja parantaa akun kestoa.

Tutkimuksen perimmäisenä tavoitteena on rakentaa uusia järjestelmiä, jotka parantavat verkon suorituskykyä ja varmistavat, että nämä laitteet voivat työskennellä älykkäämmin, nopeammin ja pidempään - kaikki ilman, että niiden akut tyhjenevät tai verkko kuormittuu.