Jadwal Sholat

Memuat jadwal sholat…

Editorial Ilmu Komputer & AI

Open AccessOA2023

Machine Learning untuk Optimasi Skala Besar pada Jaringan Nirkabel 6G

Survei ini meninjau pendekatan machine learning untuk optimasi skala besar pada jaringan nirkabel 6G, mencakup algorithm unrolling, learning to branch-and-bound, graph neural networks, deep reinforcement learning, end-to-end learning, dan wireless federated learning. Survei ini menyoroti kinerja yang lebih unggul, efisiensi komputasi, skalabilitas, dan generalisabilitas dibandingkan metode klasik.
Yan-Dong Shi; Li-Xiang Lian; Yuan-Ming Shi; Zixin Wang; Yong Zhou; Liqun Fu; Lin Bai; Jun Zhang; Wei Zhang· IEEE Communications Surveys and Tutorials· 2023· DOI 10.1109/COMST.2023.3300664

Masalah inti

Sistem nirkabel generasi keenam (6G) diharapkan memungkinkan pergeseran paradigma dari “connected things” menjadi “connected intelligence,” yang dicirikan oleh kepadatan ultra-tinggi, heterogenitas dinamis skala besar, kebutuhan fungsional yang beragam, dan kemampuan machine learning. Evolusi ini menciptakan kebutuhan yang terus tumbuh akan algoritma cerdas yang sangat efisien. Algoritma berbasis optimasi klasik umumnya memerlukan model matematis yang presisi untuk data link dan mengalami kinerja yang buruk serta biaya komputasi yang tinggi dalam aplikasi 6G yang realistis. Berdasarkan domain knowledge (misalnya, model optimasi dan alat teoretis), machine learning (ML) muncul sebagai metodologi yang menjanjikan untuk banyak masalah optimasi skala besar yang kompleks di 6G karena kinerjanya yang unggul, efisiensi komputasi, skalabilitas, dan generalisabilitas. Makalah ini secara sistematis meninjau teknik “learning to optimize” yang representatif di berbagai domain 6G dengan mengidentifikasi fitur inheren dari masalah optimasi yang mendasarinya dan menyelidiki kerangka kerja ML yang dirancang khusus dari perspektif optimasi.

Inovasi

Tinjauan ini mencakup enam kerangka kerja optimasi berbasis ML yang utama:

1. **Algorithm unrolling**: Menguraikan algoritma optimasi iteratif menjadi lapisan neural network.
2. **Learning to branch-and-bound**: Menggunakan ML untuk meningkatkan keputusan percabangan dalam metode branch-and-bound.
3. **Graph neural networks untuk optimasi terstruktur**: Memanfaatkan struktur graph untuk masalah dengan data relasional.
4. **Deep reinforcement learning untuk optimasi stokastik**: Menangani stokastisitas melalui agen RL.
5. **End-to-end learning untuk optimasi semantik**: Memetakan input secara langsung ke solusi optimasi.
6. **Wireless federated learning untuk optimasi terdistribusi**: Memungkinkan pelatihan terdistribusi di seluruh perangkat nirkabel.

Teknik-teknik ini mampu menangani masalah skala besar yang menantang dalam berbagai aplikasi nirkabel yang krusial. Makalah ini membahas desain neural network, alat teoretis, isu implementasi, tantangan, dan arah penelitian masa depan untuk mendukung penerapan praktis di jaringan 6G.

Pendahuluan
Sistem nirkabel generasi keenam (6G) diharapkan memungkinkan pergeseran paradigma dari “connected things” menjadi “connected intelligence,” yang dicirikan oleh kepadatan ultra-tinggi, heterogenitas dinamis skala besar, kebutuhan fungsional yang beragam, dan kemampuan machine learning. Evolusi ini menciptakan kebutuhan yang terus tumbuh akan algoritma cerdas yang sangat efisien. Algoritma berbasis optimasi klasik umumnya memerlukan model matematis yang presisi untuk data link dan mengalami kinerja yang buruk serta biaya komputasi yang tinggi dalam aplikasi 6G yang realistis. Berdasarkan domain knowledge (misalnya, model optimasi dan alat teoretis), machine learning (ML) muncul sebagai metodologi yang menjanjikan untuk banyak masalah optimasi skala besar yang kompleks di 6G karena kinerjanya yang unggul, efisiensi komputasi, skalabilitas, dan generalisabilitas. Makalah ini secara sistematis meninjau teknik “learning to optimize” yang representatif di berbagai domain 6G dengan mengidentifikasi fitur inheren dari masalah optimasi yang mendasarinya dan menyelidiki kerangka kerja ML yang dirancang khusus dari perspektif optimasi.

Mengapa penting

Makalah ini memberikan panduan yang berwawasan untuk mengembangkan teknik ML lanjutan di jaringan 6G. Makalah ini menekankan pentingnya desain neural network, alat teoretis untuk berbagai metode ML, dan pertimbangan implementasi. Tantangan dan arah penelitian masa depan dibahas untuk memfasilitasi penggunaan praktis model ML di jaringan nirkabel 6G. Survei ini menggarisbawahi potensi ML untuk mengatasi keterbatasan metode optimasi klasik, terutama dalam skenario dengan kompleksitas tinggi dan heterogenitas dinamis.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…