แนวคิดหลัก
6G車載ネットワークにおいて、車載端末が大規模言語モデルの初期層を局所的に処理し、より高負荷な層をエッジコンピューティングのRSUに分散処理することで、処理時間と消費エネルギーのバランスを最適化する。
บทคัดย่อ
本論文は、6G時代の車載ネットワークにおいて大規模言語モデル(LLM)を統合する新しいアプローチを提案している。
- 車載端末は、LLMの初期層の処理を行い、より高負荷な層の処理をRSUに分散することで、計算リソースと消費エネルギーの最適化を図る。
- 車載端末とRSUの処理負荷、通信コスト、消費エネルギーを考慮した多目的最適化問題を定式化し、SQPとフラクショナルプログラミング手法を用いて解決する。
- シミュレーション結果から、提案手法が処理時間と消費エネルギーを大幅に削減できることを示している。
สถิติ
車載端末の1つのトランスフォーマー層の処理に必要なFLOPS数は24Bdnh^2 + 4Bd^2nh。
車載端末の1つのトランスフォーマー層の処理に必要なエネルギーは κ1f^2nψ(dn)/(CV_nDV_n)ワット。
RSUの1つのトランスフォーマー層の処理に必要なエネルギーは κ2f^2n,mψ(dn)/(CR_mDR_m)ワット。
คำพูด
"6G時代の車載ネットワークにおいて、LLMの統合は運転体験の向上、自動運転技術の強化、車両メンテナンスの最適化など、多くの恩恵をもたらす。"
"しかし、LLMの高い計算リソース要求は、エネルギー効率の観点から大きな課題となる。"
"提案手法は、車載端末とRSUの協調処理によって、処理時間とエネルギー消費のバランスを最適化することができる。"