System-Aware Edge Intelligence: Adaptive and Distributed Deep Learning for O-RAN

Slimmer Werken, Niet Harder (De Node): Ten eerste hebben we een AI-raamwerk ontwikkeld dat zijn eigen inspanning kan aanpassen. Als een draadloos signaal helder is, gebruikt de AI een snelle, lichtgewicht modus om energie te besparen en snel beslissingen te nemen. Als een signaal te ruizig of onzeker is, kan de AI het vroegtijdig verwerpen in plaats van rekenkracht te verspillen aan onbetrouwbare voorspellingen.

Het Probleem Opdelen (Het Systeem): Ten tweede hebben we een systeem ontworpen dat signalen in efficiënte, progressieve fasen analyseert. In plaats van een complex signaal in één keer te bekijken, controleert het systeem eerst de basisvorm over de tijd. Als dat niet genoeg is om een beslissing te nemen, kijkt het dieper naar de onderliggende frequenties. Door de puzzel stap voor stap op te lossen, kan het systeem in minder dan een milliseconde zeer nauwkeurige beslissingen nemen met behulp van standaard, commercieel verkrijgbare computerchips.

Teamwerk tussen Edges (Het Netwerk): Ten derde, omdat een enkele edge dode hoeken heeft, hebben we een manier gecreëerd voor naburige edges om samen te werken. In plaats van zware databestanden heen en weer te sturen, extraheren en delen ze lichtgewicht samenvattingen. Dit geeft het netwerk een zeer nauwkeurig overzicht van de omgeving zonder het systeem te overbelasten.

Gesynchroniseerd Blijven (De Coördinatie): Tot slot, om meerdere edge-apparaten te laten samenwerken, moet hun timing nauw afgestemd blijven en moeten ze garanderen dat ze naar exact hetzelfde signaal kijken. Normaal gesproken wisselen deze apparaten constant netwerkberichten uit om synchroon te blijven. We hebben continue synchronisatiesignalering vervangen door lokale AI-voorspellers, waardoor apparaten onafhankelijk de tijd kunnen bijhouden. Om bovendien te verifiëren dat ze dezelfde gebeurtenis zien, hebben we AI gebruikt om ruwe signaalgolven te comprimeren tot kleine digitale vingerafdrukken, waardoor signaalmatching mogelijk is zonder het netwerk te verstoppen.

Working Smarter, Not Harder (The Node): First, we developed an AI framework that can adjust its own effort. If a wireless signal is clear, the AI uses a fast, lightweight mode to save energy and make decisions quickly. If a signal is too noisy or uncertain, the AI can reject it early rather than wasting computational resources on unreliable predictions.

Breaking down the Problem (The System): Second, we designed a system that analyses signals in efficient, progressive stages. Instead of looking at a complex signal all at once, the system first checks its basic shape over time. If that isn't enough to make a decision, it looks more deeply into its underlying frequencies. By solving the puzzle step by step, the system can make highly accurate decisions in less than a millisecond using standard, off-the-shelf computer chips.

Teamwork between Edges (The Network): Third, because a single edge has blind spots, we created a way for neighbouring edges to collaborate. Instead of sending heavy, raw data files back and forth, they extract and share lightweight summaries. This gives the network a highly accurate, bird's-eye view of the environment without overloading the system.

Staying in Sync (The Coordination):  Finally, for multiple edge devices to work together, their timing must remain closely aligned, and they must guarantee they are looking at the exact same signal. Normally, these devices constantly exchange network messages to stay in sync. We replaced continuous synchronisation signalling with local AI predictors, enabling devices to keep time independently. Furthermore, to verify they are seeing the same event, we used AI to compress massive raw signal waves into tiny digital fingerprints, enabling signal matching without clogging the network.