- 머신러닝, 차세대 무선 네트워크 시스템의 복잡성을 관리할 수 있는 잠재력 있어
인텔이 엣지 컴퓨팅 시스템을 계속 발전시키기 위하여 미국 국립 과학재단(NSF)과 공동연구에 나섰다.
인텔은 25일 차세대 무선 네트워크 시스템 개발 연구에 NSF와 공동으로 투자한다고 발표했다. 가브리엘라 크루즈 톰슨 인텔 랩스 협력 담당 이사는 “2015년부터 인텔과 NSF이 이공계 연구 지원을 위해 3000만 달러 이상을 공동 출자했다"고 언급했다.
무선 네트워크용 머신러닝(MLWiNS) 프로그램은 무선 네트워크 시스템과 아키텍처로 혁신을 일구어 낼 연구를 지원한다. 무선 네트워크 시스템과 아키텍처는 향후 사람들로 밀집된 환경에서 사용될 응용프로그램의 데이터 처리량, 대기시간 그리고 안정성과 같은 필요조건을 충족해야 한다. 이와 동시에, MLWiNS 프로그램은 폭넓은 분야의 응용프로그램을 구동하기 위하여 엣지 네트워크상에서 분포된 머신러닝 연산을 연구할 예정이다.
고도화된 서비스와 장비에 대한 수요가 늘어가면서, 차세대 무선 네트워크 시스템은 다수의 사용자, 데이터 처리량, 대기시간 그리고 보안 요구사항을 충족해야 한다. 머신러닝은 차세대 무선 네트워크 시스템의 규모와 복잡성을 관리할 수 있는 크나 큰 잠재력을 드러내며, 용량과 (와이파이) 적용 범위에 대한 수요를 해결하면서 네트워크 사용자들에게 기대되는 엄격하고 다양한 서비스 품질을 유지한다. 이와 동시에 정교한 네트워크와 장치는 머신 러닝 서비스와 컴퓨팅이 데이터가 생성되는 곳 인근에 더 가깝게 놓일 수 있는 기회를 만들어서 데이터를 클라우드로 이동시키기 위한 대역폭, 개인 정보, 지연 시간 및 확장성 문제를 완화한다.
마가렛 마르토노시 NSF 컴퓨터정보공학부 부장은 "5G는 기존 무선 네트워크가 지원할 수 있는 것보다 더 높은 규모의 처리량, 밀도, 대기 시간 요건을 지원해 할 뿐만 아니라 안전하고 에너지 효율적이어야 한다"며 "MLWiNS 프로그램은 이러한 요구 사항을 충족시키는 데 도움이 될 수 있는 새로운 머신러닝 연구를 촉진하기 위해 고안됐다”고 말했다.
인텔과 NSF는 MLWiNS를 통해서 새로운 무선 시스템과 아키텍처 설계를 추진하고, 희소 자원의 활용도를 높이고, 무선 에지 네트워크를 통한 분산형 머신러닝 연산을 강화한다는 목표로 연구에 자금을 지원할 예정이다.
MLWiNS에서 관심을 가지고 집중적으로 지원하고자 하는 영역은 무선 네트워크 강화 학습, 엣지 컴퓨팅을 위한 ‘합동 학습’(federated learning), 정보 이론 및 머신러닝을 활용하여 무선 네트워크 성능 향상, 여러 엣지 기기를 활용하여 교육을 분산(distributed training), 정보 이론 및 머신러닝을 활용하여 무선 네트워크 성능 향상, 무선 주파수 신호들을 통한 딥러닝이다.
무선 네트워크 강화 학습을 연구하는 팀으로는 버지니아 대학교와 펜실베니아 주립대학교(Penn State) 연구팀이 있다. 두 대학교의 연구팀은 무선 네트워크 운영 최적화를 위한 강화 학습, 융합 문제 해결, 필요한 훈련 데이터 양을 줄이기 위한 지식 전달 방법 활용, 격차 해소 등을 연구할 예정이다.
에지 컴퓨팅을 위한 합동 학습 연구는 샬럿에 위치한 노스캐롤라이나 대학교, 조지아 공과대학교, 남가주(USC) 대학교 그리고 버클리 캘리포니아 대학교 연구진에게 돌아갔다. 노스캐롤라이나 대학 연구원들은 무선 통신을 통한 멀티홉(hop) 합동 학습을 가속하는 방법을 연구할 것이다. 조지아 공과대학교의 연구원들은 무선 네트워크의 효율을 높이는 것을 목표로 엣지 컴퓨팅과 관련하여 연합된 머신러닝 훈련을 마련하고 추론 체계를 분석할 것이다. 남가주 대학교와 버클리 캘리포니아 대학교의 연구는 무선 통신에 대한 연합 학습을 강화하기 위한 코딩 중심 접근법에 초점을 맞출 것이다.
여러 엣지 기기를 활용하여 교육을 분산하는 연구는 라이스 대학교에서 이뤄진다. 라이스대 연구진은 대규모 중앙집중형 신경망을 가장자리에 있는 서로 다른 기기에서 훈련할 수 있는 독립형 서브네트워크 세트로 분리해 훈련시키는 작업을 하게 된다.
정보 이론 및 머신러닝을 활용하여 무선 네트워크 성능 향상은 메사추세츠공과대와 버지니아폴리테크닉 주립대에서 관련 연구를 수행한다. 두 대학교의 연구팀이 협력해 무선망의 물리적 계층 문제를 해결하기 위한 심층 신경망 활용을 모색한다.
마지막으로 무선 주파수 시그니처를 통한 심층 학습 연구는 오리건 주립대 연구진이 맡게 된다. 오리건 주립대 연구진은 송수신기 하드웨어, 무선주파수 관련 지식 그리고 딥러닝의 결합 능력을 활용한 교차계층 기법을 연구해 효율적인 무선기기 분류를 가능하게 한다.
무단전재 및 재배포 금지
기사제보 및 보도자료 news@aitimes.com