Denne artikkelen er produsert og finansiert av Universitetet i Agder - les mer.
Rebekka Olsson Omlandsseter kom i mars i år inn på den norske NORA-listen over de 100 fremste KI-kvinnene i landet for andre gang. Hun har utviklet en algoritme som viser at det er mulig å redusere antall utregninger med 40 prosent, noe som effektiviserer dataprosessering betydelig.
(Foto: UiA)
6G på vei: Forskere bidrar til raskere og bedre mobil kommunikasjon
Vi nærmer oss sjette generasjon teknologistandard for mobil kommunikasjon.
En studie har vist at med maskinlæring er det mulig å gruppere frekvenser på en mer effektiv måte. Slik kan radiosignaler, som sender digital informasjon trådløst mellom brukere, utnyttes bedre.
Det betyr at mobilkommunikasjon i fremtiden kan bli raskere og
bedre.
– Dette støtter den nye digitale fremtidsvirkeligheten 6G åpner for, sier Rebekka Olsson Omslandseter ved Universitetet i Agder.
Hun har forsket på algoritmer i maskinlæring. Disse lærer ved hjelp av prøving, feiling og tilbakemeldinger, såkalt forsterkningslæring.
Hun har blant annet forsket på algoritmer som kan finne og følge med på grupperinger i data. Det er sentralt i mobilkommunikasjon. Hun har også foreslått metoder for at læringsenheter skal kunne lære raskere og bedre.
Bedre bruk av
frekvenser
Omslandseter har 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 kan så å si alle elektriske
apparater knyttes opp til internettet. Det inkluderer selvkjørende biler og
kjøleskap som sier ifra hva du må kjøpe inn når det trengs.
I en slik fremtid krever 6G mer av frekvensene. Der kan milliarder av enheter være tilkoblet, og vi kan få en uendelig rekke sensoriske opplevelser i spill og annen underholdning.
Frekvensbredden som
brukes i 4G- og 5G-nettet i dag, er simpelthen ikke stor nok for morgendagens
behov.
Kunstig intelligens kan organisere
En av måtene å løse utfordringene
på, er å utvide bredden til frekvensbåndet ut over det som brukes i dag. En
annen måte er å utnytte aktiviteten i området bedre.
Og det er her forskningen til Omslandseter kommer til sin
rett.
Hun fokuserer på å utvide evnen til problemløsning og forbedre
effektiviteten til læringsmaskiner. Spesielt innen et området som forskerne kaller «Object Migration
Automata (OMA)». Det er en egen type maskinlæringsalgoritme.
– OMA-algoritmer er
spesielt interessante fordi de er systemer innen området kunstig intelligens. De 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. Dermed kan de 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 KI-læringsmaskinene også kan lære
både raskere og bedre. Dermed blir de i stand til løse problemer de ikke kunne
løse tidligere.
En
spesiell strukturering av læringen reduserer arbeidet med utregning 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 behandling 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.
Forskeren arbeider 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.
Referanse:
Rebekka Olsson Omlandsseter: On the Theory and Applications of Hierarchical Learning Automata and Object Migration Automata. Doktorgradsavhandling, Universitetet i Agder, 2023.
Les også disse artiklene fra Universitetet i Agder:
forskning.no vil gjerne høre fra deg!
Har du en tilbakemelding, spørsmål, ros eller kritikk? TA KONTAKT HER