Mentre il mondo cerca di affrontare le implicazioni del 5G , i ricercatori cinesi hanno già iniziato a esaminare il 6G. Il 6G opererà su una frequenza molto più elevata del 5G e le lunghezze d’onda più brevi consentiranno una maggiore precisione di localizzazione, possibilmente fino al posizionamento a livello di centimetro.
Un team di ricercatori della NTU Singapore, Monash University, Australia, Heilongjiang
Università, Cina e altri hanno studiato le sfide dell’abbraccio del 6G mentre il mondo si sposta verso soluzioni pesanti ML. Il loro obiettivo principale è scoprire come rendere la ML più fattibile in un ambiente wireless ad alta velocità. L’apprendimento federato, hanno affermato gli autori, è un approccio emergente di intelligenza artificiale distribuito con la tutela della privacy, la natura è particolarmente attraente per varie applicazioni wireless, in particolare per ottenere l’IA onnipresente nel 6G.
Perché l’apprendimento federato
Le tecniche tradizionali di Machine Learning si basano su un server centrale e sono soggette a sfide di sicurezza critiche, ad esempio un singolo punto di errore.
Inoltre, l’aggregazione e l’elaborazione centralizzate dei dati causano grandi spese generali e i ricercatori avvertono che i tradizionali schemi ML centralizzati potrebbero non essere adatti per il 6G.
W3Schools
È qui che entra in gioco Federated Learning (FL), che è diventato popolare per la sua soluzione ML decentralizzata.
La scelta dell’apprendimento federato è principalmente per due motivi: natura distribuita e privacy. Perché in un mondo 6G, credete gli autori, l’IA collegherà lo sviluppo incentrato sull’uomo con tutti gli aspetti dei sistemi di rete. Pertanto, i requisiti di sicurezza e privacy delle comunicazioni 6G sono significativamente più elevati.
Implementazione dell’apprendimento federato
La procedura di architettura basata su FL, notano gli autori, è divisa in tre fasi:
Nella prima fase in cui si verifica l’inizializzazione, un dispositivo valuterà le sue richieste di servizio e deciderà se registrarsi con il cloud più vicino per addestrare un modello ML tramite 6G. Il cloud invierà inoltre modelli globali inizializzati o pre-addestrati a ciascun dispositivo selezionato.
La fase di formazione riguarda la selezione di ciascun dispositivo e l’addestramento di un modello globale utilizzando un set di dati locale per ottenere il modello globale aggiornato in ogni iterazione.
Segue la fase di aggregazione, in cui il cloud riceve gli aggiornamenti del modello di tutti i dispositivi selezionati per l’aggregazione per ottenere un nuovo modello globale per la successiva iterazione.
Tuttavia, gli autori hanno anche ammesso che l’implementazione non è semplice in quanto ci sono alcune sfide:
Comunicazione costosa: FL coinvolge migliaia di dispositivi che partecipano all’addestramento del modello, la comunicazione è un collo di bottiglia critico per FL ampiamente utilizzato in 6G
Sicurezza e privacy: le capacità di ciascun dispositivo in rete possono variare a seconda dell’hardware (CPU o GPU), connettività di rete (4G, 5G, 6G, WiFi) ed energia (livello della batteria). Questa eterogeneità, ritengono gli autori, porterà a difetti nel modello FL e nella rete 6G.
Sebbene l’apprendimento federato abbia guadagnato la sua reputazione di protezione della privacy dei dispositivi periferici, è ancora possibile divulgare procedure quali aggiornamenti dei modelli (ad es. Informazioni sui gradienti) anziché i dati non elaborati. Possono essere inclini ad attacchi avversari come inferenza di appartenenza o attacchi a perdita di gradiente.
Per preservare la privacy, gli autori raccomandano tecniche come la privacy differenziale, la potatura profonda e la compressione del gradiente.
Andando avanti
Oggi, mentre il mondo cerca di trovare una soluzione 5G fattibile, il 6G potrebbe sembrare un sogno lontano. Ma anche per avere qualcosa come il 6G in futuro, i ricercatori credono fermamente nel cominciare a cercare soluzioni oggi perché le sfide sono immense.
Una di queste ipotesi è che le comunicazioni 6G possono raggiungere una velocità dati fino a 1 Tbps per utente con bassa latenza e alta affidabilità end-to-end.
LE COMUNICAZIONI 6G POSSONO RAGGIUNGERE UNA VELOCITÀ DATI FINO A 1 TBPS PER UTENTE
Sebbene la maggior parte delle capacità e dell’infrastruttura siano soggette a speculazioni, possiamo tranquillamente presumere che l’IA svolgerà un ruolo chiave. Quindi, trovare il candidato giusto come l’apprendimento federato è un buon inizio. La rete FL beneficia anche dell’alta larghezza di banda e della bassa latenza della rete 6G.
La comunicazione 6G, prevede i ricercatori, rivoluzionerà il modo in cui facciamo la comunicazione virtuale con AR / VR.
Con lo sviluppo di tecnologie di apprendimento profondo, scrivono gli autori, il sistema di comunicazione 6G ha generato molte infrastrutture emergenti come lo spazio integrato terrestre e spaziale, reti di apprendimento federate, infrastrutture decentralizzate e infrastrutture affidabili.
Dato che i dispositivi e le applicazioni 6G saranno pesanti per la personalizzazione, preservare la privacy senza efficienza commerciale sarà una sfida. E con questo lavoro, i ricercatori hanno cercato di spianare la strada a ricerche future per una transizione graduale all’arrivo del 6G.
