- Det viktigste er kanskje at vi nå har vist at det er mulig å gruppere frekvensressursene bedre med bruk av maskinlæring, slik at mobilkommunikasjon i fremtiden kan bli raskere og bedre og støtte den nye digitale fremtidsvirkeligheten 6G åpner for.
Det sier Rebekka Olsson Omslandseter ved Institutt for IKT ved Universitetet i Agder, som nylig leverte doktorgradsavhandlingen "On the Theory and Applications of Hierarchical Learning Automata and Object Migration Automata" (Om teori og anvendelser av hierarkiske læringsmaskiner og objektsmigrasjonsmaskiner).
Bedre bruk av frekvensområdet
I arbeidet sitt har Omslandseter sett på utfordringene som frekvensene i fremtidige internasjonale mobilkommunikasjonsnett står overfor.
Bakteppet er 6G - sjette generasjons teknologistandard for trådløs kommunikasjon. Denne er ennå under utvikling, men er ventet å ta over for dagens 4- og 5G-standarder innen 2030.
6G-standarden vil bli betydelig raskere enn tidligere generasjoner. Den vil også støtte andre bruksområder. Blant disse er tingenes internett, der så å si alle elektriske apparater kan knyttes opp til internettet, inkludert selvkjørende biler og kjøleskap som sier ifra hva du må kjøpe inn når det trengs.
I en slik fremtid, med allestedsnærværende tilkoblingsmuligheter mellom milliarder av enheter – for ikke å nevne en uendelig rekke sensoriske opplevelser som spill og annen underholdning – krever 6G nye frekvensspekterbetraktninger. Frekvensbredden som brukes i 4G- og 5G-nettet i dag, er simpelthen ikke stor nok for morgendagens behov.
Forbedrer effektiviteten
En av måtene å løse utfordringene på, er å utvide bredden til frekvensbåndet ut over det som brukes i dag. En annen er å utnytte aktiviteten i området bedre. Og det er her forskningen til Rebekka Olsson Omslandseter kommer til sin rett.
I arbeidet sitt fokuserer hun på nettopp dette ved å utvide problemløsningsevnen og forbedre effektiviteten til læringsmaskiner. Spesielt innen området for Object Migration Automata (OMA), som er en egen type maskinlæringsalgoritme.
- OMA-algoritmer er spesielt interessante fordi de er systemer innen området kunstig intelligens som kan organisere og omorganisere ulike objekter selv om forutsetningene endrer seg. De gjør det i farta, så og si, forklarer hun.
«Objektene» kan i denne sammenheng være alt fra filer i en database, til dyr på en gård, eller varer i en nettbutikk – eller brukere og aktivitet i et mobilt nettverk.
- Tenk deg et system som effektivt kan gruppere og administrere frekvensressursene i et mobilt nettverk, og dermed sørge for best mulig og mest effektiv tilkobling for alle hele tiden – da har du et system der en OMA-algoritme kan være i sentrum, sier hun.
Algoritmen Omslandseter forslår i neste generasjons mobilnett, kan altså knyttes tett til og tilpasse seg aktiviteten til brukerne. Det gjelder også de som måtte oppfører seg ekstremt tilfeldig. Dette er noe som ikke er blitt tatt hensyn til i tidligere forskning.
Mer bærekraftige algoritmer
I tillegg har forskningen til Omslandseter demonstrert hvordan læringsmaskinene i KI-området også kan lære både raskere og bedre, og dermed bli i stand til løse problemer de ikke kunne løse tidligere.
Sentralt i dette inngår en spesiell strukturering av læringen som reduserer selve utregningsarbeidet betydelig. Forskningen hennes viser at det er mulig, ved hjelp av maskinlæring og læringsenheter, å redusere antall utregninger i et gitt eksempel med 40 prosent, fra 1 million til 600 000.
- All prosessering av data krever veldig mye ressurser, energi. I utviklingen av nye metoder er det derfor viktig at fotavtrykket til dataprosesseringen reduseres. Det har vært fint å kunne bidra til dette også gjennom arbeidet mitt, sier Rebekka Olsson Omslandseter.
I fortsettelsen av doktorgradsarbeidet arbeider forskeren nå med å utvikle et system som kontinuerlig og tilsvarende lærer og tilpasser seg for å beskytte enhetene i tingenes internett mot cybertrusler. Også her står OMA-algoritmene sentralt.