Як тисячі ШІ-агентів залишаються синхронізованими між супутниками, дронами та едж-серверами у 6G?

Проблема синхронізації у 6G

Дослідницька стаття на arXiv описує фреймворк для синхронізації ШІ-агентів у мережі 6G. Агенти розташовані на супутниках та високоальтитудних платформах. Вони також працюють на дронах і серверах едж-обчислень. Наземні пристрої також входять до мережі. Вони безперервно спостерігають за оточенням та обмінюються інформацією. Семантичне зв'язок дозволяє передавати змістовний контент замість сирих бітових потоків. Це працює лише тоді, коли відправник і отримувач мають достатньо спільної бази для правильної інтерпретації повідомлення. Автори стверджують: це припущення руйнується, коли тисячі гетерогенних моделей працюють при різних обчислювальних бюджетах та навчаються на різних локальних даних. Кожен агент зсувається до власного розуміння світу. Без механізму ресинхронізації мережа перетворюється на набір ізольованих інтелектів.

Виклик сформульовано як синхронізація переконань. Кожен агент підтримує стан переконань, що кодує його знання про середовище. Коли два агенти спілкуються, отримувач має відобразити вхідне оновлення у власному просторі представлень. Традиційні підходи припускають однорідні архітектури або спільне навчання. Жодне припущення не виконується у 6G-розгортуванні, що охоплює орбіту та стратосферу. Запропоновано фреймворк, чутливий до гетерогенності, який обходить обидві вимоги.

Переклад переконань між різними архітектурами

Моделі латентного перекладу розміщуються на серверах мультиаксесного едж-обчислення. Ці моделі перетворюють оновлення переконань з латентного простору одного агенту в латентний простір іншого. Спільне навчання не потрібне. Однорідна архітектура не вимагається. Кожна модель перекладу вивчає відображення між конкретною парою типів агентів. Коли агент генерує оновлення переконань, відповідна модель перекладу конвертує його у представлення цільового агента. Оновлення проходить мережею у цьому перекладеному вигляді. Отримувач декодує його за допомогою власного локального декодера.

Переклад відбувається лише за необхідності. Абстракт не вказує точну умову спрацювання. Механізм зберігає приватність, оскільки сирі спостереження ніколи не покидають агент-виробник. Мережею проходять лише компактні оновлення переконань. Витрати на синхронізацію знижуються, бо передаються латентні параметри, а не повні ваги моделей чи сирі сенсорні потоки. Локальне зміщення знань мінімізується, оскільки агенти регулярно отримують корекції, відображені у їхньому просторі представлень.

Документ згадує чотири рисунки і вісім сторінок. Він не розкриває розмір латентних векторів та процедуру навчання моделей перекладу. Латентність бюджету раунду перекладу також не зазначена. Не сказано, скільки моделей перекладу має одночасно розміщувати один MEC-сервер.

Що демонструє кейс-стаді

Валідація використовує кейс-стаді на багаторівневій наземній та неземній мережі. Дослідження охоплює супутники на низькій орбіті та високоальтитудні платформи. Безпілотні апарати та сервери едж-обчислень також беруть участь. Наземні пристрої завершують список. Результати показують низькі витрати на синхронізацію, виміряні кількістю переданих параметрів. Результати також показують низьку помилку вирівнювання переконань між гетерогенними агентами у кейс-стаді.

Абстракт не повідомляє точну кількість параметрів на передачу. Не повідомляє числове значення помилки вирів