通过概率机器学习降低无线通信的环境影响
网络与互联网体系结构
2023-11-23 v1 机器学习
摘要
机器学习方法正日益被应用于通信问题，尤其是下一代无线场景中涌现的问题。尽管通信被视为关键的气候减缓与社会适应赋能手段，但相关能耗居高不下，且尽管6G预期会带来效率提升，由于通信流量的指数级增长，未来网络的能耗预计仍将上升。要在通信领域产生有意义的气候减缓影响，需要转变思维，不再不惜代价地最大化吞吐量，而是优先考量能效。此外，鉴于移动世代漫长的开发周期，这必须在现有（不通过设备更换产生额外隐含碳成本）与未来网络基础设施中同时采纳。为此，我们综述了来自当前与下一代网络规范的两个此类问题，其中概率推断方法发挥了巨大效用：利用贝叶斯参数调优，我们能够在保持运营商指定性能包络的同时，将 live 通信网络上现有硬件的能耗安全降低 ；通过时空高斯过程代理建模，我们将下一代混合波束成形系统的开销降低逾 ，极大提升了网络瞄准自动驾驶车辆等高度移动用户的能力。贝叶斯范式本身在能耗方面亦有助益，因为训练贝叶斯优化模型所需的计算量可能远少于训练深度神经网络。
引用
@article{arxiv.2311.12807,
title = {Reducing the Environmental Impact of Wireless Communication via Probabilistic Machine Learning},
author = {A. Ryo Koblitz and Lorenzo Maggi and Matthew Andrews},
journal= {arXiv preprint arXiv:2311.12807},
year = {2023}
}