AI-Native Edge Intelligence for Future Wireless Networks
- Reference number
- STP25-0019
- Project leader
- Xiao, Ming
- Start and end dates
- 260801-310731
- Amount granted
- 5 000 000 SEK
- Administrative organization
- KTH - Royal Institute of Technology
- Research area
- Information, Communication and Systems Technology
Summary
The project seeks to investigate key artificial intelligence (AI) technologies in 6G networks. Emerging 6G networks are envisioned to support a wide range of AI-driven services and are widely regarded as an AI-native network. Meanwhile, AI functionality is migrating from centralized cloud toward distributed deployments spanning cloud-edge-device continuum. However, the rapidly growing AI model sizes and computational complexity challenge 6G networks in storage, energy, computing, and communication capacity. Thus, we will reshape and optimize the AI training and deployment within wireless networks by emerging split learning, split inference and semantic communication (SemCom). Our aims are to establish fundamental theories and design of new AI technologies with privacy-aware and resource-efficient models for practical wireless networks. The project is planned to be 5 years. We will start from fundamental theories by information and optimization theories. Then we will propose and optimize split learning and split inference algorithms for low-latency, energy efficiency and privacy-preserved 6G networks. Defense mechanisms to enable secure and intelligent SemCom will be proposed. The proposed algorithms will be verified in our experiment platform. The expected results include joint publications in top journals and conferences in the areas of communications and AI, trained researchers and testbeds/knowhows with practical computing devices and communication networks.
Popular science description
Projektet syftar till att utveckla viktiga tekniker för artificiell intelligens (AI) i 6G-nätverk (6:e generationens mobila nätverk). Framväxande 6G-nätverk är tänkta att nativt stödja ett brett spektrum av AI-drivna tjänster, såsom multimodala assistenter, media-/språkbehandling, immersiv utökad verklighet (XR), autonom körning och intelligent industriell automation. Till skillnad från tidigare generationer av mobila nätverk som främst fokuserade på dataleverans, betraktas 6G allmänt som ett AI-nativt nätverk, där AI inte bara är en nyckelapplikation utan också en grundläggande drivkraft för nätverksarkitektur, protokolldesign och resurshantering. Samtidigt migrerar AI-funktionalitet från centraliserat moln till distribuerade distributioner som spänner över molnkanten och enheterna. Den snabbt växande AI-modellstorleken (såsom stora språkmodeller) utmanar dock 6G-nätverk vad gäller lagring, energi, beräkningskapacitet och kommunikationskapacitet. Därför kommer vi att undersöka och förbättra AI-applikationer och design inom 6G-nätverk genom att utveckla split learning, split inference och semantisk kommunikation (SemCom), där AI-funktioner implementeras i flera enheter inom nätverk. Våra mål är att etablera teorier och designmetoder för nya AI-tekniker med integritetsmedvetna och resurseffektiva modeller för praktiska trådlösa nätverk. För att lösa komplexa problem kommer vi att utnyttja kompletterande expertis från team i Sverige och Taiwan. De förväntade resultaten inkluderar gemensamma publikationer i ledande tidskrifter och konferenser inom områdena kommunikation och AI, utbildade forskare och testmiljöer/kunskaper med praktiska datorenheter och kommunikationsnätverk.