NSF與英特爾投資于無線專用機器學習邊緣研究

英特爾和美國國家科學基金會(NSF)宣布了對未來無線系統開發研究的聯合資助獲獎者。該 機器學習的無線網絡系統 (MLWiNS)計劃是一個系列，以支持研究兩個伙伴之間的共同努力，可以加速創新，實現超密集的無線系統，而且能夠滿足吞吐量，時延和可靠性架構的焦點最新未來應用程序的要求。同時，該程序將針對無線邊緣網絡上的分布式機器學習計算進行研究，以實現廣泛的新應用。

“自2015年以來，英特爾和NSF共同捐款超過3,000萬美元，以支持新興技術領域的科學和工程研究。MLWiNS是此次合作的下一步，它有望實現未來的無線系統，以滿足全球對普及型智能設備不斷增長的需求。”英特爾實驗室大學研究與合作總監Gabriela Cruz Thompson說道。

隨著對高級連接服務和設備的需求的增長，未來的無線網絡將需要滿足這些應用程序所要求的挑戰性的密度，延遲，吞吐量和安全性要求。機器學習顯示出管理此類網絡的規模和復雜性的巨大潛力-滿足容量和覆蓋范圍的需求，同時保持網絡用戶期望的嚴格和多樣化的服務質量。同時，復雜的網絡和設備為機器學習服務和計算提供了機會，使其可以更靠近數據生成的地方進行部署，從而減輕了將數據移至云時的帶寬，隱私，延遲和可擴展性。

“ 5G和超越網絡需要支持吞吐量，密度和等待時間要求，這些要求比當前無線網絡所能支持的數量級高幾個數量級，并且它們還需要安全和節能，”計算機和網絡助理總監Margaret Martonosi說。 NSF的信息科學與工程專業。“ MLWiNS計劃旨在激發可以幫助滿足這些要求的新穎的機器學習研究-今天宣布的獎項旨在將創新的機器學習技術應用于未來的無線網絡設計，以實現這種進步和能力。”

英特爾和NSF將通過MLWiNS資助研究，目的是推動新的無線系統和體系結構設計，提高稀疏頻譜資源的利用率并增強無線邊緣網絡上的分布式機器學習計算。獲獎者將在機器學習和無線網絡的多個領域進行研究。重點領域和項目示例包括：

無線網絡的強化學習： 弗吉尼亞大學和賓夕法尼亞州立大學的研究團隊將研究強化學習，以優化無線網絡的運行，重點在于解決融合問題，利用知識轉移方法來減少必要的培訓數據量，并架起橋梁。通過情節方法在基于模型的增強學習與無模型的增強學習之間的差距。

邊緣計算的聯合學習：

北卡羅萊納大學夏洛特分校的研究人員將探索通過無線通信加快多跳聯合學習的方法，允許多組設備協作訓練共享的全局模型，同時將其數據保持本地和私有。與利用單跳無線通信的傳統聯合學習系統不同，多跳系統更新需要通過多個嘈雜且干擾豐富的無線鏈路，這可能導致更新速度變慢。研究人員旨在通過系統地解決通信延遲以及系統和數據異質性的挑戰，開發一種具有保證的穩定性，高精度和快速收斂速度的新型無線多跳聯合學習系統，以克服這一挑戰。

喬治亞理工學院的研究人員將分析和設計用于邊緣計算的聯合和協作機器學習培訓和推理方案，以提高無線網絡的效率為目標。該團隊將通過邊緣實時深度學習來應對挑戰，包括有限和動態的無線通道帶寬，跨邊緣設備的數據分布不均勻以及設備上的資源限制。

南加州大學和加州大學伯克利分校的研究將集中于以編碼為中心的方法，以增強無線通信上的聯合學習。具體來說，研究人員將致力于解決以下挑戰：處理非獨立且分布均勻的數據以及無線邊緣的異構資源，最大程度地降低用戶上傳帶寬的成本，同時強調從分布式數據中學習時的隱私和安全性問題。

跨多個邊緣設備的分布式培訓： 萊斯大學的研究人員將通過將大型集中式神經網絡劃分為一組獨立的子網絡來進行培訓，這些子網絡可以在邊緣的不同設備上進行訓練。這可以減少訓練時間和復雜性，同時限制對模型準確性的影響。

利用信息論和機器學習來改善無線網絡性能： 麻省理工學院，弗吉尼亞理工學院和州立大學的研究團隊將合作探索深度神經網絡的使用，以解決無線網絡的物理層問題。他們將利用信息理論工具來開發新算法，以更好地解決非線性失真問題，并放寬對無線網絡中遇到的噪聲和損傷的簡化假設。

從射頻簽名進行深度學習： 俄勒岡州立大學的研究人員將研究跨層技術，這些技術利用收發器硬件，無線射頻(RF)域知識和深度學習的組合功能來實現有效的無線設備分類。具體來說，重點將放在利用RF信號知識和收發器硬件損傷來開發有效的基于深度學習的設備分類技術，該技術可隨數量眾多的新興無線設備擴展，對設備簽名克隆和復制具有魯棒性，并且與設備無關。環境和系統失真。