Sreza_hs99
Member
هوش مصنوعی کلید باز کردن دسترسی بهینه، عملکرد و استفاده از منابع در سیستم‌های بیسیم است، زیرا پیچیدگی آن‌ها به طور فزاینده‌ای از قابلیت‌های مهندسی متعارف فراتر می‌رود.
اینترنت اشیا (IoT)، اصطلاحی که برای اولین بار تنها حدود 25 سال پیش استفاده شد و دستگاه های بسیاری را که به اینترنت متصل هستند توصیف می کند، به سرعت در حال تبدیل شدن به واقعیت است. اکنون میلیاردها دستگاه فیزیکی وجود دارد که داده‌ها را جمع‌آوری و به اشتراک می‌گذارند. این امر نیاز زیادی به شبکه‌های سلولی با کارایی بالا ایجاد می‌کند، اما بهینه‌سازی عملکرد شبکه با رویکردهای مهندسی سنتی تقریباً غیرممکن می‌شود.
برای رسیدگی به این مسائل، پروژه WINDMILL رویکردی دوگانه را در پیش گرفته است. این سیستم از قدرت هوش مصنوعی بهره برده و نسل جدیدی از محققان مرحله اولیه (ESR) را در کاربرد آن با پشتیبانی برنامه اقدامات ماری اسکلودوسکا-کوری آموزش داده است.
روش های یادگیری ماشین برای شبکه های بی سیم نسل بعدی
یادگیری ماشینی زیرشاخه ای از هوش مصنوعی است که برای بهینه سازی شبکه پویا پیچیده مناسب است. الگوریتم‌های آن سیستم‌های کامپیوتری را قادر می‌سازد تا به طور مکرر از داده‌های آموزشی یاد بگیرند، مدلی را بر اساس آن بسازند و سپس تصمیم‌گیری، استنتاج یا پیش‌بینی مربوط به داده‌های جدید را بدون برنامه‌ریزی صریح انجام دهند.
به گفته هماهنگ‌کننده پروژه، چدومیر استفانوویچ از دانشگاه آلبورگ، «مدل‌سازی تحلیلی سیستم‌های سلولی فوق‌العاده پیچیده مانند 5G و فراتر از 5G اغلب غیرممکن است. ابزارهای یادگیری ماشین با موفقیت در چندین چالش مرتبط به کار گرفته شدند." این موارد عبارتند از: استفاده از سطوح هوشمند (آرایه های آنتن پیشرفته) برای محلی سازی پیشرفته. ایجاد نقشه های رادیویی از مکان کاربران بی سیم (به اصطلاح نمودار کانال)؛ و خوشه‌بندی کاربران در سیستم‌های MIMO (سیستم‌هایی که در آن نقاط دسترسی بیشتر از کاربران وجود دارد و هر نقطه دسترسی آنتن‌های زیادی دارد).
دسترسی بی سیم در هر مکان و همه جا مستلزم استفاده بهینه از زمان، طیف و منابع انرژی است. استفانوویچ ادامه می‌دهد: «WINDMILL استفاده از یادگیری تقویتی عمیق - زیرشاخه‌ای از یادگیری ماشینی - را برای ارائه دسترسی کارآمد و منصفانه به تعداد زیادی از کاربران (شبکه‌های IoT)، شبکه‌های عصبی برای بهبود کارایی طیفی، و روش‌های مبتنی بر یادگیری برای منابع مورد بررسی قرار داد. تخصیص و زمان بندی در شبکه های وای فای.
در نهایت، WINDMILL پتانسیل یادگیری قوی بیزی را در رسیدگی به چالش‌های ارتباطات بیسیم ناشی از داده‌های آموزشی محدود و ناسازگاری‌های مدل نشان داد - شرایطی که الگوریتم‌های سنتی اغلب شکست می‌خورند. یادگیری بیزی، یک رویکرد آماری که یک مدل را با دریافت شواهد یا داده های جدید به روز می کند، ابزار قدرتمندی برای وظایف مختلف یادگیری ماشین، به ویژه مشکلات پیچیده و اطلاعات نامشخص یا ناقص است. نتایج WINDMILL راه را برای استفاده مؤثر از یادگیری بیزی در کاربردهای حیاتی مانند محلی‌سازی و سنجش طیف، که انتظار می‌رود اجزای حیاتی سیستم‌های 6G آینده باشند، هموار می‌کند.
اینترنت اشیا (IoT)، اصطلاحی که برای اولین بار تنها حدود 25 سال پیش استفاده شد و دستگاه های بسیاری را که به اینترنت متصل هستند توصیف می کند، به سرعت در حال تبدیل شدن به واقعیت است. اکنون میلیاردها دستگاه فیزیکی وجود دارد که داده‌ها را جمع‌آوری و به اشتراک می‌گذارند. این امر نیاز زیادی به شبکه‌های سلولی با کارایی بالا ایجاد می‌کند، اما بهینه‌سازی عملکرد شبکه با رویکردهای مهندسی سنتی تقریباً غیرممکن می‌شود.
برای رسیدگی به این مسائل، پروژه WINDMILL رویکردی دوگانه را در پیش گرفته است. این سیستم از قدرت هوش مصنوعی بهره برده و نسل جدیدی از محققان مرحله اولیه (ESR) را در کاربرد آن با پشتیبانی برنامه اقدامات ماری اسکلودوسکا-کوری آموزش داده است.
روش های یادگیری ماشین برای شبکه های بی سیم نسل بعدی
یادگیری ماشینی زیرشاخه ای از هوش مصنوعی است که برای بهینه سازی شبکه پویا پیچیده مناسب است. الگوریتم‌های آن سیستم‌های کامپیوتری را قادر می‌سازد تا به طور مکرر از داده‌های آموزشی یاد بگیرند، مدلی را بر اساس آن بسازند و سپس تصمیم‌گیری، استنتاج یا پیش‌بینی مربوط به داده‌های جدید را بدون برنامه‌ریزی صریح انجام دهند.
به گفته هماهنگ‌کننده پروژه، چدومیر استفانوویچ از دانشگاه آلبورگ، «مدل‌سازی تحلیلی سیستم‌های سلولی فوق‌العاده پیچیده مانند 5G و فراتر از 5G اغلب غیرممکن است. ابزارهای یادگیری ماشین با موفقیت در چندین چالش مرتبط به کار گرفته شدند." این موارد عبارتند از: استفاده از سطوح هوشمند (آرایه های آنتن پیشرفته) برای محلی سازی پیشرفته. ایجاد نقشه های رادیویی از مکان کاربران بی سیم (به اصطلاح نمودار کانال)؛ و خوشه‌بندی کاربران در سیستم‌های MIMO (سیستم‌هایی که در آن نقاط دسترسی بیشتر از کاربران وجود دارد و هر نقطه دسترسی آنتن‌های زیادی دارد).
دسترسی بی سیم در هر مکان و همه جا مستلزم استفاده بهینه از زمان، طیف و منابع انرژی است. استفانوویچ ادامه می‌دهد: «WINDMILL استفاده از یادگیری تقویتی عمیق - زیرشاخه‌ای از یادگیری ماشینی - را برای ارائه دسترسی کارآمد و منصفانه به تعداد زیادی از کاربران (شبکه‌های IoT)، شبکه‌های عصبی برای بهبود کارایی طیفی، و روش‌های مبتنی بر یادگیری برای منابع مورد بررسی قرار داد. تخصیص و زمان بندی در شبکه های وای فای.
در نهایت، WINDMILL پتانسیل یادگیری قوی بیزی را در رسیدگی به چالش‌های ارتباطات بیسیم ناشی از داده‌های آموزشی محدود و ناسازگاری‌های مدل نشان داد - شرایطی که الگوریتم‌های سنتی اغلب شکست می‌خورند. یادگیری بیزی، یک رویکرد آماری که یک مدل را با دریافت شواهد یا داده های جدید به روز می کند، ابزار قدرتمندی برای وظایف مختلف یادگیری ماشین، به ویژه مشکلات پیچیده و اطلاعات نامشخص یا ناقص است. نتایج WINDMILL راه را برای استفاده مؤثر از یادگیری بیزی در کاربردهای حیاتی مانند محلی‌سازی و سنجش طیف، که انتظار می‌رود اجزای حیاتی سیستم‌های 6G آینده باشند، هموار می‌کند.
