Медленный решатель учит быструю нейросеть: для сетей 6G предложили отдельный архитектурный слой
Итальянские исследователи предлагают встроить в сети 6G слой, где точный, но медленный алгоритм заранее просчитывает решения, а нейросеть учится на них. При выборе ретрансляторов для машин она повторила около 96% решений и отвечала быстрее чем за 5 мс.
Точные алгоритмы оптимизации умеют находить лучшие решения для сети связи: по какому пути пустить трафик, кому отдать частоты. Но на больших сетях они считают слишком долго, чтобы управлять сетью в реальном времени. Джамбаттиста Амати и его соавторы предлагают сделать такие алгоритмы учителями. Решатель просчитывает типичные ситуации заранее, отдельно от работающей сети, а нейросеть учится на его ответах и затем быстро выдаёт почти такие же решения.
Сам приём называют обучением оптимизации (Learning-to-Optimize, L2O), и обычно им ускоряют какой-то один алгоритм. Авторы считают, что в сетях 6G ИИ должен участвовать во всём управлении. А обучение нейросети на ответах решателя, по их мнению, должно получить постоянное место в архитектуре сети. Архитектуры, которые обсуждают в 3GPP, O-RAN и европейских программах вроде 6GARROW и AIORA, описывают, как развёртывать, обновлять и отслеживать ИИ-модели. Но откуда эти модели берутся, в них не описано.
Предложенный слой собирает данные о сети: качество радиоканала, трафик, маршруты, сведения от цифровых двойников и симуляторов. Из них он составляет задачи для внешних решателей, а ответы вместе с условиями задач складывает в общее хранилище. На этих ответах обучают суррогатную модель — нейросеть, которая выдаёт те же решения, что и решатель, но не повторяет его вычислений. Её сверяют с эталонными ответами и только потом ставят в сеть. Если меняется трафик или структура сети, слой запускает новые расчёты и переобучает модель.
Идею показали на связи между машинами по стандарту NR V2X в плотной городской застройке. Придорожных станций там мало, дома закрывают прямую видимость, и машине приходится выходить на связь через соседние автомобили. Оптимальную схему таких ретрансляций находит решатель задач смешанного целочисленного линейного программирования (MILP), но для дороги он слишком медленный. Графовая нейросеть, обученная на его решениях для смоделированных городских сцен, повторила его выбор примерно для 96% связей. На всех проверенных графах она отвечала быстрее чем за 5 мс.
Если запустить нейросеть и решатель в паре, нейросеть сужает круг вариантов для решателя. Тот находит те же решения, что и в одиночку, но заметно быстрее. Все результаты по NR V2X, включая 96% и 5 мс, авторы взяли из своих прежних работ. Новая статья — шестистраничный доклад для конференции — посвящена самой архитектуре. По их словам, та же схема подойдёт для маршрутизации, распределения частот и ресурсов, а также поможет решать, какие вычисления держать в облаке, а какие — ближе к пользователю. Работа выполнена в рамках проекта по совместному использованию радиочастот. Его ведёт итальянское Министерство предприятий и «Made in Italy» вместе с Фондом Уго Бордони.