| Project/Area Number |
20H00592
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 60:Information science, computer engineering, and related fields
|
|---|
| Research Institution | National Institute of Informatics |
|---|
Principal Investigator |
計 宇生 国立情報学研究所, アーキテクチャ科学研究系, 教授 (80225333)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
金子 めぐみ 国立情報学研究所, アーキテクチャ科学研究系, 准教授 (10595739)
村瀬 勉 名古屋大学, 情報基盤センター, 教授 (10530941)
吉永 努 電気通信大学, 大学院情報理工学研究科, 教授 (60210738)
策力 木格 電気通信大学, 大学院情報理工学研究科, 教授 (90596230)
江 易翰 大阪公立大学, 大学院工学研究科, 助教 (10824196)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥42,250,000 (Direct Cost: ¥32,500,000、Indirect Cost: ¥9,750,000)
Fiscal Year 2023: ¥9,230,000 (Direct Cost: ¥7,100,000、Indirect Cost: ¥2,130,000)
Fiscal Year 2022: ¥10,400,000 (Direct Cost: ¥8,000,000、Indirect Cost: ¥2,400,000)
Fiscal Year 2021: ¥10,660,000 (Direct Cost: ¥8,200,000、Indirect Cost: ¥2,460,000)
Fiscal Year 2020: ¥11,960,000 (Direct Cost: ¥9,200,000、Indirect Cost: ¥2,760,000)
|
|---|
| Keywords | 次世代無線システム / 実時間制御 / 機械学習 / 資源割当 / 無線通信システム / 無線資源割当 / コンテクスト / オフローティング / FPGA |
|---|
| Outline of Research at the Start |
超スマート社会の先進的なアプリケーションと知的イノベーションをサポートするためには、情報通信サービス基盤のさらなる高機能・高性能・高信頼化が求められる。本研究では、次世代無線通信システムにおける大容量、高密度な無線接続要求に対応するために、集中／分散型信号処理・資源割当・干渉制御、自律的アクセス制御・移動制御などの問題を数理モデルと機械学習の統合的な手法で解決する方法を検討する。また、資源の時空間的制約を総合的に考慮し、通信・処理・記憶・制御機能をシームレスに連携させ、高信頼実時間処理をエンドエンド間で実現することを目指す。
|
| Outline of Annual Research Achievements |
本研究は、次世代無線通信システムとそのアプリケーションを実現するために、無線システムの知的制御と資源割当、および通信・計算・記憶・制御機能の遍在化の課題について取り組むものである。2022年度の研究実績の概要を次に挙げる。
1）セルフリーマッシブMIMOシステムにおける電力制御：セルフリーマッシブMIMOでは、ユーザの周りに分散配置した多数のアクセスポイントがマッシブMIMOのアンテナのように働き、通信サービスを提供する。本研究では深層強化学習を利用して、ユーザのサービス品質を満足しながら、システム全体の送信レートを最大化する電力制御アルゴリズムを提案した。IEEE国際会議の優秀論文Runner-up賞を受賞した。
2）多数同時接続通信(mMTC)におけるアクセス制御：mMTCシステムにおけるアップリンク通信では、基地局による集中的アクセス制御と資源割当は制御のオーバヘッドが大きい。本研究では、集中訓練、分散実行が可能な無線資源割当ポリシーを学習する軽量なマルチエージェント強化学習モデルを導入し、デバイスによる自律分散制御を可能にした。
3）モバイル分散協調キャッシュのコンテンツ配置手法：既存の軽量なコンテンツ配置手法を改良し、スケーラブルな動画像符号化方式によって細分化されたキャッシュデータを効率的に配置するための手法を提案した。基地局の混雑状況に応じて柔軟にキャッシュ制御を行うことで、輻輳によってコンテンツを視聴できないユーザを削減し、ユーザQoEの向上を実現した。
4）空中計算連合学習のための資源制御：無線信号のアナログ計算を利用した空中計算連合学習(OTA-FL)は、高い通信効率の実現が期待される。本研究では、デバイスの無線チャネルの状態とデータの大きさによる学習の収束性解析により、エネルギー採取可能なデバイスのバッテリーの残量を考慮したクライアント選択方法を提案した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
実施計画に従って研究を進め、具体的な研究成果も出している。研究の実施は概ね順調に進展していると考える。
|
| Strategy for Future Research Activity |
当初の研究計画で予定した研究の推進方策を続けていく方針である。
|
