Annonse

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.

6G på vei: Forskere bidrar til raskere og bedre mobil kommunikasjon

Vi nærmer oss sjette generasjon teknologistandard for mobil kommunikasjon.

Publisert

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.

Powered by Labrador CMS