NSF与英特尔宣布了对未来无线系统开发研究的联合资助获奖者

英特尔和美国国家科学基金会（NSF）宣布了对未来无线系统开发研究的联合资助获奖者。该 机器学习的无线网络系统 （MLWiNS）计划是一个系列，以支持研究两个伙伴之间的共同努力，可以加速创新，实现超密集的无线系统，而且能够满足吞吐量，时延和可靠性架构的焦点最新未来应用程序的要求。同时，该程序将针对无线边缘网络上的分布式机器学习计算进行研究，以实现广泛的新应用。

“自2015年以来，英特尔和NSF共同捐款超过3，000万美元，以支持新兴技术领域的科学和工程研究。MLWiNS是此次合作的下一步，它有望实现未来的无线系统，以满足全球对普及型智能设备不断增长的需求。”英特尔实验室大学研究与合作总监Gabriela Cruz Thompson说道。

随着对高级连接服务和设备的需求的增长，未来的无线网络将需要满足这些应用程序所要求的挑战性的密度，延迟，吞吐量和安全性要求。机器学习显示出管理此类网络的规模和复杂性的巨大潜力-满足容量和覆盖范围的需求，同时保持网络用户期望的严格和多样化的服务质量。同时，复杂的网络和设备为机器学习服务和计算提供了机会，使其可以更靠近数据生成的地方进行部署，从而减轻了将数据移至云时的带宽，隐私，延迟和可扩展性。

“ 5G和超越网络需要支持吞吐量，密度和等待时间要求，这些要求比当前无线网络所能支持的数量级高几个数量级，并且它们还需要安全和节能，”计算机和网络助理总监Margaret Martonosi说。 NSF的信息科学与工程专业。“ MLWiNS计划旨在激发可以帮助满足这些要求的新颖的机器学习研究-今天宣布的奖项旨在将创新的机器学习技术应用于未来的无线网络设计，以实现这种进步和能力。”

英特尔和NSF将通过MLWiNS资助研究，目的是推动新的无线系统和体系结构设计，提高稀疏频谱资源的利用率并增强无线边缘网络上的分布式机器学习计算。获奖者将在机器学习和无线网络的多个领域进行研究。重点领域和项目示例包括：

无线网络的强化学习： 弗吉尼亚大学和宾夕法尼亚州立大学的研究团队将研究强化学习，以优化无线网络的运行，重点在于解决融合问题，利用知识转移方法来减少必要的培训数据量，并架起桥梁。通过情节方法在基于模型的增强学习与无模型的增强学习之间的差距。

边缘计算的联合学习：

北卡罗莱纳大学夏洛特分校的研究人员将探索通过无线通信加快多跳联合学习的方法，允许多组设备协作训练共享的全局模型，同时将其数据保持本地和私有。与利用单跳无线通信的传统联合学习系统不同，多跳系统更新需要通过多个嘈杂且干扰丰富的无线链路，这可能导致更新速度变慢。研究人员旨在通过系统地解决通信延迟以及系统和数据异质性的挑战，开发一种具有保证的稳定性，高精度和快速收敛速度的新型无线多跳联合学习系统，以克服这一挑战。

乔治亚理工学院的研究人员将分析和设计用于边缘计算的联合和协作机器学习培训和推理方案，以提高无线网络的效率为目标。该团队将通过边缘实时深度学习来应对挑战，包括有限和动态的无线通道带宽，跨边缘设备的数据分布不均匀以及设备上的资源限制。

南加州大学和加州大学伯克利分校的研究将集中于以编码为中心的方法，以增强无线通信上的联合学习。具体来说，研究人员将致力于解决以下挑战：处理非独立且分布均匀的数据以及无线边缘的异构资源，最大程度地降低用户上传带宽的成本，同时强调从分布式数据中学习时的隐私和安全性问题。

跨多个边缘设备的分布式培训： 莱斯大学的研究人员将通过将大型集中式神经网络划分为一组独立的子网络来进行培训，这些子网络可以在边缘的不同设备上进行训练。这可以减少训练时间和复杂性，同时限制对模型准确性的影响。

利用信息论和机器学习来改善无线网络性能： 麻省理工学院，弗吉尼亚理工学院和州立大学的研究团队将合作探索深度神经网络的使用，以解决无线网络的物理层问题。他们将利用信息理论工具来开发新算法，以更好地解决非线性失真问题，并放宽对无线网络中遇到的噪声和损伤的简化假设。

从射频签名进行深度学习： 俄勒冈州立大学的研究人员将研究跨层技术，这些技术利用收发器硬件，无线射频（RF）域知识和深度学习的组合功能来实现有效的无线设备分类。具体来说，重点将放在利用RF信号知识和收发器硬件损伤来开发有效的基于深度学习的设备分类技术，该技术可随数量众多的新兴无线设备扩展，对设备签名克隆和复制具有鲁棒性，并且与设备无关。环境和系统失真。