Kommunikationseffektiv decentraliserad intelligens i 6G-system” är ett projekt som finansieras av Vetenskapsrådet. Projektet utforskar de grundläggande gränserna för distribuerad inlärning och beslutsfattande samt att utveckla effektiva kommunikationsstrategier för 6G-nätverk.
Om projektet
Utvecklingen av 6G kommer att formas av mötet mellan avancerade kommunikationsteknologier och olika AI-drivna system. En växande del av nätverkstrafiken kommer att bestå av data som stödjer AI och maskininlärningsapplikationer, genererade av källor som autonoma fordon, drönarsvärmar, kameranätverk, förstärkt och virtuell verklighet samt grundmodeller. Denna trafik skiljer sig fundamentalt från den ljud-, video- och webtrafik som har dominerat tidigare generationer av trådlösa nätverk. Skillnaderna är tydliga inte bara i hastighet, volym och trafikmönster utan också i deras känslighet för fördröjningar och förluster. Massiva maskininlärningsuppgifter, såsom decentraliserad inlärning, edge computing och realtidsbeslutsfattande, kommer att kräva innovationer både på kommunikations- och AI-nivå för att fungera effektivt i stor skala.
För att möta dessa utmaningar kommer projektet att utforska de grundläggande gränserna för distribuerad inlärning och beslutsfattande, utveckla effektiva kommunikationsstrategier för 6G-nätverk samt designa maskininlärningsalgoritmer som kan hantera de nätverksimperfektioner som kommer att vara opraktiska att lösa på den fysiska nivån även i nästa generations nätverk.
Projektet har beviljats totalt 24 miljoner från Vetenskapsrådet och kommer att pågå 2025-2028. Ansvarig forskare är Erik G. Larsson (LiU) tillsammans med Mikael Johansson (KTH) och Mikael Skoglund (KTH).
Abstract in English
The evolution of 6G will be shaped by the convergence of advanced communication technologies and artificial intelligence (AI)-driven systems. A growing portion of network traffic will consist of data supporting AI and machine learning applications, generated by sources such as autonomous vehicles, drone swarms, camera networks, augmented and virtual reality, and foundation models. This traffic differs fundamentally from the audio, video, and web traffic that has dominated previous wireless generations. These differences are evident not only in the velocity, volume, and traffic patterns of data streams but also in their sensitivity to delays and losses. Massive machine-learning tasks, such as decentralized learning, edge computing, and real-time decision-making, will require innovations at both the communication and AI levels to operate efficiently at scale. To address these challenges, we will explore the fundamental limits of distributed learning and decision-making, develop efficient communication strategies for 6G networks, and design machine-learning algorithms capable of handling the network imperfections that will remain impractical to resolve at the physical layer also in next generation networks.