Orizzonte 6G la nuova rubrica curata da Roberto Verdone, professore all’Università di Bologna, Professore Ordinario del DEI – Dipartimento di Ingegneria dell’Energia Elettrica e dell’Informazione, dell’Università di Bologna, e Direttore del WiLab, Laboratorio Nazionale di ricerca sulle comunicazioni wireless facente capo al Cnit, il Consorzio Nazionale Interuniversitario per le Telecomunicazioni. Spunti e suggestioni sul percorso di ricerca verso il 6G, il prossimo standard delle telecomunicazioni per alimentare l’interesse e la curiosità verso le Lauree STEM. Per consultare tutti gli articoli clicca qui.
Da tempo l’intelligenza artificiale (Artificial Intelligence, AI), con le tecniche di Machine Learning (ML, apprendimento automatico), è divenuta uno strumento utile in molteplici domini applicativi, dal riconoscimento delle immagini alla diagnostica medica. Spesso però gli esperti di AI ignorano quante e quali siano le applicazioni previste per questa tecnologia nello sviluppo delle future reti 6G. Invece, è necessario che le nuove generazioni di ingegneri delle telecomunicazioni dispongano di basi di learning e che gli esperti di AI si rivolgano al settore delle telecomunicazioni. Dove si applicherà l’AI in particolare nel 6G? A quali problemi dovrà offrire una soluzione?
Il 6G
Il 6G, come le precedenti generazioni, sarà costituito da dispositivi mobili e oggetti (things), stazioni radio base ed una infrastruttura di rete che collegherà i dispositivi al cloud ed Internet. L’AI svolgerà un ruolo fondamentale in ciascuno di questi segmenti, sia operando sui dati prodotti dai dispositivi, sia sui segnali scambiati tra i nodi di rete.
Partiamo dal lato applicativo e quindi dai dati prodotti dai dispositivi. L’utilizzo dell’AI per la loro analisi, quando i dati sono in enorme quantità (big data analytics) o da essi si voglia trarre una informazione non estraibile con tecniche euristiche, non è una novità introdotta con il 6G. Su questo fronte, l’automazione industriale, ad esempio, richiederà applicativi di predizione manutentiva che faranno ampio uso di tecniche di ML. Le auto connesse, con decine di sensori multimediali che produrranno enormi quantità di dati, si affideranno ad algoritmi ML per la loro analisi.
E la rete?
Come anticipato nel primo numero di questa rubrica, l’AI sarà al centro della rete 6G, nel senso che tutte le decisioni su come utilizzare le risorse di calcolo e di comunicazione saranno prese da algoritmi basati su AI. In particolare, il paradigma SON (Self Organising Network), noto da tempo in ambito scientifico ma mai applicato in profondità, prevede che la rete ottimizzi la propria configurazione, agendo su migliaia di diversi parametri, in tempo reale ed autonomamente. L’AI, in particolare il Multi Agent Reinforcement Learning (MARL), svolge qui un ruolo molto importante. E’ parere di chi scrive che l’enorme quantità di parametri configurabili nelle reti 6G possa esser affrontato solamente con tecniche come il MARL, che imparano dall’ambiente (environment) ed ambiscono ad ottimizzare un reward, intervenendo con agenti (reti neurali) opportunamente progettati.
Le stazioni radio base
Veniamo alle stazioni radio base, che scambiano segnali con gli apparati mobili. La scelta del formato di segnale in trasmissione e l’estrazione delle informazioni da quello ricevuto si potranno avvalere dell’AI, per produrre decisioni sostenute dall’esperienza acquisita nelle fasi di learning. In questo caso, può esser utile che stazioni radio base vicine si scambino informazioni sull’ambiente che esplorano, affinché ciascuna ottimizzi le proprie scelte anche in base alle esperienze delle altre. Una tecnica ampiamente studiata in questi anni è il Transfer Learning; in questo caso, un modello addestrato su una rete neurale può essere trasferito su un’altra per avviare l’esecuzione di un diverso task.
I dispositivi
Infine, i dispositivi mobili e le things. Pensate, ad esempio, a oggetti che devono svolgere in maniera condivisa e collaborativa un unico task; è utile che le reti neurali su di essi residenti periodicamente condividano lo stato dei loro parametri con un organismo centralizzato (che potrebbe essere la stazione radio base) che elabora i modelli ricevuti, li integra e re-invia agli oggetti nuove configurazioni (Federated Learning). Questi scambi possono imporre, a seconda della complessità delle reti neurali coinvolte, invio di decine di MByte con frequenza elevatissima (es: ogni 10 ms). E’ evidente che la minimizzazione della quantità di informazioni necessarie per descrivere lo stato di una rete neurale è un importantissimo obiettivo, che richiede competenze specifiche.
Il WiLab, Laboratorio Nazionale di comunicazioni wireless del CNIT*, ha avviato da tempo il processo di acquisizione delle competenze di AI necessarie alla ricerca sulle future architetture di rete 6G. Oltre a neo-laureati, abbiamo inserito nei nostri team anche scienziati di fama internazionale, come il Prof. Deniz Gunduz dell’Imperial College London, che applicano l’AI alle reti di telecomunicazioni ed ai segnali.
* Il CNIT (Consorzio Nazionale Interuniversitario per le Telecomunicazioni) è un ente non-profit riconosciuto dal MUR, che svolge attività di ricerca, innovazione e formazione avanzata nel settore dell’ICT.
