NSF與英特爾投資于無線專用機器學習邊緣研究

英特爾和美國國家科學基金會(NSF)宣布了對未來無線系統(tǒng)開發(fā)研究的聯(lián)合資助獲獎?wù)摺Ｔ?機器學習的無線網(wǎng)絡(luò)系統(tǒng) (MLWiNS)計劃是一個系列，以支持研究兩個伙伴之間的共同努力，可以加速創(chuàng)新，實現(xiàn)超密集的無線系統(tǒng)，而且能夠滿足吞吐量，時延和可靠性架構(gòu)的焦點最新未來應(yīng)用程序的要求。同時，該程序?qū)⑨槍o線邊緣網(wǎng)絡(luò)上的分布式機器學習計算進行研究，以實現(xiàn)廣泛的新應(yīng)用。

“自2015年以來，英特爾和NSF共同捐款超過3,000萬美元，以支持新興技術(shù)領(lǐng)域的科學和工程研究。MLWiNS是此次合作的下一步，它有望實現(xiàn)未來的無線系統(tǒng)，以滿足全球?qū)ζ占靶椭悄茉O(shè)備不斷增長的需求。”英特爾實驗室大學研究與合作總監(jiān)Gabriela Cruz Thompson說道。

隨著對高級連接服務(wù)和設(shè)備的需求的增長，未來的無線網(wǎng)絡(luò)將需要滿足這些應(yīng)用程序所要求的挑戰(zhàn)性的密度，延遲，吞吐量和安全性要求。機器學習顯示出管理此類網(wǎng)絡(luò)的規(guī)模和復雜性的巨大潛力-滿足容量和覆蓋范圍的需求，同時保持網(wǎng)絡(luò)用戶期望的嚴格和多樣化的服務(wù)質(zhì)量。同時，復雜的網(wǎng)絡(luò)和設(shè)備為機器學習服務(wù)和計算提供了機會，使其可以更靠近數(shù)據(jù)生成的地方進行部署，從而減輕了將數(shù)據(jù)移至云時的帶寬，隱私，延遲和可擴展性。

“ 5G和超越網(wǎng)絡(luò)需要支持吞吐量，密度和等待時間要求，這些要求比當前無線網(wǎng)絡(luò)所能支持的數(shù)量級高幾個數(shù)量級，并且它們還需要安全和節(jié)能，”計算機和網(wǎng)絡(luò)助理總監(jiān)Margaret Martonosi說。 NSF的信息科學與工程專業(yè)。“ MLWiNS計劃旨在激發(fā)可以幫助滿足這些要求的新穎的機器學習研究-今天宣布的獎項旨在將創(chuàng)新的機器學習技術(shù)應(yīng)用于未來的無線網(wǎng)絡(luò)設(shè)計，以實現(xiàn)這種進步和能力。”

英特爾和NSF將通過MLWiNS資助研究，目的是推動新的無線系統(tǒng)和體系結(jié)構(gòu)設(shè)計，提高稀疏頻譜資源的利用率并增強無線邊緣網(wǎng)絡(luò)上的分布式機器學習計算。獲獎?wù)邔⒃跈C器學習和無線網(wǎng)絡(luò)的多個領(lǐng)域進行研究。重點領(lǐng)域和項目示例包括：

無線網(wǎng)絡(luò)的強化學習： 弗吉尼亞大學和賓夕法尼亞州立大學的研究團隊將研究強化學習，以優(yōu)化無線網(wǎng)絡(luò)的運行，重點在于解決融合問題，利用知識轉(zhuǎn)移方法來減少必要的培訓數(shù)據(jù)量，并架起橋梁。通過情節(jié)方法在基于模型的增強學習與無模型的增強學習之間的差距。

邊緣計算的聯(lián)合學習：

北卡羅萊納大學夏洛特分校的研究人員將探索通過無線通信加快多跳聯(lián)合學習的方法，允許多組設(shè)備協(xié)作訓練共享的全局模型，同時將其數(shù)據(jù)保持本地和私有。與利用單跳無線通信的傳統(tǒng)聯(lián)合學習系統(tǒng)不同，多跳系統(tǒng)更新需要通過多個嘈雜且干擾豐富的無線鏈路，這可能導致更新速度變慢。研究人員旨在通過系統(tǒng)地解決通信延遲以及系統(tǒng)和數(shù)據(jù)異質(zhì)性的挑戰(zhàn)，開發(fā)一種具有保證的穩(wěn)定性，高精度和快速收斂速度的新型無線多跳聯(lián)合學習系統(tǒng)，以克服這一挑戰(zhàn)。

喬治亞理工學院的研究人員將分析和設(shè)計用于邊緣計算的聯(lián)合和協(xié)作機器學習培訓和推理方案，以提高無線網(wǎng)絡(luò)的效率為目標。該團隊將通過邊緣實時深度學習來應(yīng)對挑戰(zhàn)，包括有限和動態(tài)的無線通道帶寬，跨邊緣設(shè)備的數(shù)據(jù)分布不均勻以及設(shè)備上的資源限制。

南加州大學和加州大學伯克利分校的研究將集中于以編碼為中心的方法，以增強無線通信上的聯(lián)合學習。具體來說，研究人員將致力于解決以下挑戰(zhàn)：處理非獨立且分布均勻的數(shù)據(jù)以及無線邊緣的異構(gòu)資源，最大程度地降低用戶上傳帶寬的成本，同時強調(diào)從分布式數(shù)據(jù)中學習時的隱私和安全性問題。

跨多個邊緣設(shè)備的分布式培訓： 萊斯大學的研究人員將通過將大型集中式神經(jīng)網(wǎng)絡(luò)劃分為一組獨立的子網(wǎng)絡(luò)來進行培訓，這些子網(wǎng)絡(luò)可以在邊緣的不同設(shè)備上進行訓練。這可以減少訓練時間和復雜性，同時限制對模型準確性的影響。

利用信息論和機器學習來改善無線網(wǎng)絡(luò)性能： 麻省理工學院，弗吉尼亞理工學院和州立大學的研究團隊將合作探索深度神經(jīng)網(wǎng)絡(luò)的使用，以解決無線網(wǎng)絡(luò)的物理層問題。他們將利用信息理論工具來開發(fā)新算法，以更好地解決非線性失真問題，并放寬對無線網(wǎng)絡(luò)中遇到的噪聲和損傷的簡化假設(shè)。

從射頻簽名進行深度學習： 俄勒岡州立大學的研究人員將研究跨層技術(shù)，這些技術(shù)利用收發(fā)器硬件，無線射頻(RF)域知識和深度學習的組合功能來實現(xiàn)有效的無線設(shè)備分類。具體來說，重點將放在利用RF信號知識和收發(fā)器硬件損傷來開發(fā)有效的基于深度學習的設(shè)備分類技術(shù)，該技術(shù)可隨數(shù)量眾多的新興無線設(shè)備擴展，對設(shè)備簽名克隆和復制具有魯棒性，并且與設(shè)備無關(guān)。環(huán)境和系統(tǒng)失真。