IP Force 特許公報掲載プロジェクト 2022.1.31 β版

知財求人 - 知財ポータルサイト「IP Force」

▶ テクトロニクス・インコーポレイテッドの特許一覧

特開2024-133440通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法
<>
  • 特開-通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法 図1
  • 特開-通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法 図2
  • 特開-通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法 図3
  • 特開-通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法 図4
  • 特開-通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法 図5
  • 特開-通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法 図6
  • 特開-通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法 図7
  • 特開-通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法 図8
< >
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024133440
(43)【公開日】2024-10-02
(54)【発明の名称】通信ネットワーク、センサ・デバイス及び通信ネットワークの動作方法
(51)【国際特許分類】
   H04W 24/02 20090101AFI20240925BHJP
【FI】
H04W24/02
【審査請求】未請求
【請求項の数】10
【出願形態】OL
【外国語出願】
(21)【出願番号】P 2024027567
(22)【出願日】2024-02-27
(31)【優先権主張番号】63/448,613
(32)【優先日】2023-02-27
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】63/454,918
(32)【優先日】2023-03-27
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】63/459,974
(32)【優先日】2023-04-17
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】18/436,661
(32)【優先日】2024-02-08
(33)【優先権主張国・地域又は機関】US
(71)【出願人】
【識別番号】391002340
【氏名又は名称】テクトロニクス・インコーポレイテッド
【氏名又は名称原語表記】TEKTRONIX,INC.
(74)【代理人】
【識別番号】100090033
【弁理士】
【氏名又は名称】荒船 博司
(74)【代理人】
【識別番号】100093045
【弁理士】
【氏名又は名称】荒船 良男
(72)【発明者】
【氏名】キース・アール・ティンズリー
(72)【発明者】
【氏名】サンス・リー
(72)【発明者】
【氏名】サード・ムフティ
(57)【要約】      (修正有)
【課題】被試験デバイスの特性評価、持続性、コマンド及び制御のための試験測定システムを含む通信ネットワークを提供する。
【解決手段】通信ネットワークは、複数ノード10を有し、その夫々が、1つ以上のアンテナから通信信号を受信し、受信データを記憶し、環境に関するローカル・データを収集し、必要に応じて他のノードと通信し、ローカル・データを用いてノードの最適な動作を設定する。センサ・デバイス14のプロセッサは、通信ネットワーク内の他のノードから通信信号を受信する1つ以上のアンテナ18と、通信信号を受信する1つ以上のポート20と、通信信号を送信するための1つ以上の出力ポートと、通信信号に関連するデータを記憶するメモリと、センサ14の位置を決定し、信号の送信、リターン信号の受信、リターン信号データの生成及びリターン信号データについて機械学習システム26と、を使用してブロックされていないポートを特定する。
【選択図】図1
【特許請求の範囲】
【請求項1】
複数のノードを具える通信ネットワークであって、上記ノードの夫々が、
1つ以上のアンテナと、
上記通信ネットワーク内の他のノードのアンテナからの通信信号を受信するように構成された1つ以上の入力ポートと、
上記アンテナを介して上記通信ネットワーク内の他のノードに信号を送信するように構成された1つ以上の出力ポートと、
上記通信信号に関連するデータを記憶するメモリと、
1つ以上のプロセッサと
を有し、
該1つ以上のプロセッサが、
上記ノードが動作する環境に関するローカル・データを収集する処理と、
ローカル・データを送信するために、必要に応じて1つ以上の他のノードと通信する処理と、
上記ローカル・データを使用して、上記通信ネットワーク内の上記ノードに最適化された動作設定を求める処理と
を上記1つ以上のプロセッサに行わせるプログラムを実行するよう構成される通信ネットワーク。
【請求項2】
少なくとも1つのノードがセンサ・ノードを有し、該センサ・ノード内の上記1つ以上のプロセッサが、
上記センサ・ノードの位置を求める処理と、
球状の位置と固有の相関関係を持つパルスを放出する処理と、
上記入力ポートからリターン信号を受信する処理と、
上記リターン信号が、上記通信ネットワーク内に障害が存在することを示しているかどうかを判断する処理と
を上記1つ以上のプロセッサに行わせるプログラムを実行するよう更に構成される請求項1に記載の通信ネットワーク。
【請求項3】
ローカル・データを収集し、上記1つ以上の他のノードと通信する処理を上記1つ以上のプロセッサに行わせるプログラムは、
中央ノードと通信する処理と、
上記中央ノードから1つ以上の機械学習モデルを受信する処理と、
上記ノード上で上記ローカル・データを使用して上記1つ以上のモデルの少なくとも1つをトレーニングする処理と、
アップデートされたモデルのみを上記中央ノードに送信する処理と
を上記1つ以上のプロセッサに行わせるプログラムを含む請求項1に記載の通信ネットワーク。
【請求項4】
上記ノードは、中央ノードを含み、他のノードと通信する処理を上記1つ以上のプロセッサに行わせるプログラムは、
上記1つ以上の機械学習モデルのグローバル部分について動作する処理と、
ローカル・ノードからアップデートされたデータを受信する処理と、
上記1つ以上の機械学習モデルのアップデートされた上記グローバル部分を必要に応じて送信する処理と
を上記1つ以上のプロセッサに行わせるプログラムを含む請求項1に記載の通信ネットワーク。
【請求項5】
複数のノードの夫々のノードが、通信デバイス、センシング・デバイス、試験測定装置及び再構成可能なインテリジェント・サーフェスのうちの少なくとも1つから構成される請求項1に記載の通信ネットワーク。
【請求項6】
センサ・デバイスであって、
該センサ・デバイスが通信ネットワーク内の他のノードからの通信信号を受信できるようにするための1つ以上のアンテナと、
上記通信信号を受信するように構成された1つ以上の入力ポートと、
上記1つ以上のアンテナを介して上記通信ネットワーク内の他のノードに通信信号を送信するように構成された1つ以上の出力ポートと、
上記通信信号に関係するデータを記憶するメモリと、
1つ以上のプロセッサと
を具え、
該1つ以上のプロセッサが、
上記センサ・デバイスの位置を決定する処理と、
一意の球面方向識別子を夫々有する信号を上記出力ポートを介して信号を送信する処理と、
上記1つ以上の入力ポートを介してリターン信号を受信する処理と、
リターン信号を他の受信信号から分離し、リターン信号データを生成する処理と、
機械学習システムで上記リターン信号データを処理して、障害要素のないポートを特定する処理と
を上記1つ以上のプロセッサに行わせるプログラムを実行するよう構成されるセンサ・デバイス。
【請求項7】
上記リターン信号を処理する処理を上記1つ以上のプロセッサに行わせるプログラムは、
受信された上記リターン信号夫々の方向を決定する処理と、
上記リターン信号夫々の方向を上記リターン信号の角度に変換して、該角度を障害要素のない角度として特定する処理と
を上記1つ以上のプロセッサに行わせるプログラムを含む請求項6に記載のセンサ・デバイス。
【請求項8】
上記リターン信号を処理する処理を上記1つ以上のプロセッサに行わせるプログラムは、
リターン信号が戻ってこなかったポートを特定する処理と、
リターン信号が戻ってこなかったポートを障害要素のあるポートとして特定する処理と
を上記1つ以上のプロセッサに行わせるプログラムを含む請求項6に記載のセンサ・デバイス。
【請求項9】
複数のノードと中央ノードとを有する通信ネットワークを動作させる方法であって、
中央ノードから機械学習システム用のブートストラップ・モデルを送信する処理と、
少なくとも1つのリモート・ノードで上記ブートストラップ・モデルを受信する処理と、
上記リモート・ノードが動作する環境に関する少なくとも1つのリモート・ノードに関するローカルなデータを収集する処理と、
上記ブートストラップ・モデルをトレーニングするために、上記少なくとも1つのリモート・ノードに関する上記ローカルなデータを使用する処理と、
アップデートされたモデルを上記中央ノードに送信する処理と
を具える通信ネットワークを動作させる方法。
【請求項10】
1つ以上のタイプのノード、ローカルな配置の領域並びに少なくとも1つのリモート・ノード及び他のリモート・ノードのローカルなデータのタイプに基づいて、上記少なくとも1つのノードと上記他のリモート・ノードとでクラスタを形成する処理と、
上記クラスタから上記中央ノードにアップデートを送信する処理と
を更に具える請求項9に記載の通信ネットワークを動作させる方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、通信ネットワークに関し、より詳細には、通信ネットワーク中の分散型センサ及び中央ノードを使用した被試験デバイスの特性評価、持続性(sustainment)、コマンド及び制御のための試験測定システムを含む通信ネットワークに関する。
【背景技術】
【0002】
第6世代(6G)無線通信システムでは、ビーム管理、初期アクセス、ビーム選択(ビーム・フォーミングとも呼ばれる)に課題がある。衛星通信や科学的計測機器ネットワークなどの他のネットワークも、ノード数や、定義されたネットワークの境界を越えた様々なセンサ・リンクの形態により、同じ問題に直面している。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開2023-012517号公報
【特許文献2】特開2022-003715号公報
【特許文献3】特許7320763号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
これらの問題に対するいくつかのアプローチが存在している。初期アクセスのソリューションでは、時間-周波数リソースの割り当てが長いために、ビーム管理のオーバーヘッドの増加に関連している。これらの割り当ては、ユーザ装置(UE:user equipment)が接続を検索する従来の網羅的検索(ES:exhaustive search)方法では十分に対応できず、時間-周波数リソースの割り当てが長時間という特徴があり、これは、次善の(suboptimal:準最適な)ビーム・フォーミング・コードブックのサブセットと、高い不検出確率しか生じない。
【0005】
一部の圧縮センシング技術は、低い信号対ノイズ比(SNR)環境において、大幅な向上が示されており、最大256個のアンテナを備えたMIMO(multi-input multi-output)システムにおいて、不検出確率(missed detection probabilities)の改善につながる。これは、拡張された検索アプローチよりも、アルゴリズムと手法に投資する正当性を提供する。別のアプローチでは、ビーム方向、掃引速度及び不検出確率を最適化する多段階アルゴリズムを通じて、初期アクセスに対処する反復手法を使用する。このアプローチは、他の拡張検索アプローチよりも50%以上の改善をもたらするが、まだ改善が必要である。
【0006】
一部のアプローチでは、位置情報と中間マイクロ・ステーション(複数のセンサ)を校正波形とともに利用して、最適なビーム学習を決定する。その結果、適切な初期アクセス遅延(インパクト)と不検出確率の性能が得られる最適なビーム・コードブック・サブセットを求められる。
【0007】
機械学習という形で人工知能の能力を高めれば、これらの問題を解決できるであろう。機械学習の使用には、独自の要件がある。モデルのトレーニングと検証は、厳格な基準を満たし、試験と測定を受け、持続可能である必要がある。
【0008】
1つのアプローチでは、通信システムにおいて、センサを分散型プローブとして使用する。このアプローチでは、候補となるニューラル・ネットワーク・アーキテクチャ(NNA:neural network architectures)のトレーニングに使用される入力である共分散推定とマッピングにより、検知する周波数変調連続波(FMCW:frequency modulated continuous wave)波形と通信信号(直交シグナリング)を分離する。これらのNNAは、デジタル・ツイン(DT:digital twin)の複製や他の標準化参加者に転送できる環境の独自の特性評価につながる。
【0009】
重要な試験、測定及び維持(TMS)タスクには、ネットワーク内の状態の監視又は検出が含まれる。本願の実施形態は、これらの問題に対する解決策を提供する。
【課題を解決するための手段】
【0010】
本願の実施形態は、定義されたシステムにおいて利用可能な相互接続を使用して、試験、測定及び維持(TMS:test, measurement, and sustainment)ネットワークを提供する。本願の実施形態は、エッジ処理、つまり、ネットワークの「端部(ends)」に存在するデバイスの状況又はコンディションを扱い、これによって、試験測定の精度、正確さ及び計測を保証する。6G通信という背景において、地上及び非地上のMIMO(多入力多出力)ネットワーク・システム及び科学的計測機器ネットワークを含む無線通信システムが、このタイプのシステムの一例を提供する。ただし、通信システムに適用される試験及び測定のみに限定することを意図するものではないし、示唆するものでもない。
【0011】
実施形態は、ネットワーク環境を監視するためにネットワーク・ノードと組み合わせたセンサ又はプローブ(本願ではセンサと呼ぶ)の全体的なシステム・アーキテクチャと、これらのセンサによって収集された情報を利用してシステムに最適な設定及び構成を予測できる機械学習システムを含む。ネットワーク環境は、このタイプのアーキテクチャの恩恵を受ける可能性のあるシステムの種類の一例にすぎない。試験測定領域は、ワイヤレス・システム以外の他のタイプのシステムを含む場合がある。この領域には、ワイヤレス・デバイス以外の試験及び測定用のデバイスが含まれても良い。これらのデバイスには、例として、電気的、機械的、光学的、音響的又は熱的デバイスが含まれても良く、ノードは、これらのデバイスに関する情報が試験及び測定の目的でネットワークを横断できるようにする。
【図面の簡単な説明】
【0012】
図1図1は、通信ネットワークの実施形態を示す。
図2図2は、試験測定装置を含む機械学習能力を備えたネットワーク・ノードの実施形態を示す。
図3図3は、レーダ・センサの実施形態と出力信号のセット(組)を示す。
図4図4にレーダ・センサの信号図を示す。
図5図5にレーダ・センサと機械学習ネットワークのブロック図を示す。
図6図6は、アンサンブル畳み込みニューラル・ネットワークの実施形態を示す。
図7図7は、分散型連合(distributed federated)学習アーキテクチャの実施形態を示す。
図8図8は、ビーム予測のためのアンサンブル・ニューラル・ネットワークの実施形態を示す。
【発明を実施するための形態】
【0013】
図1は、通信ネットワークの実施形態を示す。ネットワークには、少数のノードから数千のノードまで、複数のノードがある。各ノードは、ネットワーク内の同じノード又は他のノード上の他のデバイスと通信するデバイスで構成される。デバイスは、ネットワークの通信プロトコル(限定するものではないが、典型的には、無線周波数(RF)通信)を介して直接接続しても良いし、又は、ネットワークへのアクセスを提供する別のデバイスに接続しても良い。ノードに存在するデバイスの種類としては、単純な無線中継局、コンピューティング・デバイス(携帯電話、デスクトップ及びラップトップコンピュータなど)、サーバ、クラウド・ストレージ・リポジトリ、再構成可能なインテリジェント・サーフェス(RIS:reconfigurable intelligent surface)、試験測定装置などが含まれても良い。図1に示されるネットワーク・ノードは、大部分がネットワークの「フロントホール(fronthaul)」に存在し、これは、空域の無線チャンネルを介して通信するネットワークの部分であり、「エーテル(ether)」と呼ばれることもある。一部のノードは、ワイヤレス・デバイスとサーバ間を有線接続で接続するが、必ずしも必要ではない。ワイヤレスのフロントホールとサーバとの間を接続するネットワークの部分は、ネットワークの「バックホール」を構成する。バックホールは、通常、有線接続で構成されるが、ネットワークの一部は、衛星バックホールに依存している。
【0014】
図1は、ノード(例えば、10)を示し、これには、上述のデバイスのいずれかが含まれていてもよい。他のノードは、サーバ又は他の中央ノード(16など)、最適にビーム・フォーミングするよう構成されたアンテナからの信号を中継するために使用されるRISデバイス(12など)、そして、センサ・デバイス14(リアルタイム・スペクトラム・アナライザなどの試験測定装置も有していて良い)を有していても良い。
【0015】
試験測定装置は、典型的には、1つ以上のポート20を有する。これらのポートは、ネットワーク上のデバイスにケーブル又は無線で接続しても良いし、アンテナ18によってなどで、ポートをネットワークに接続しても良い。これらポートには、通常、センサなどの被試験デバイス(DUT)からの信号か又はネットワークから直接信号を受信するためのポートが含まれる。これらの信号により、計測器は信号を分析し、ネットワーク内のDUT又はネットワーク環境自体の機能について、いくつかの決定を下すことができる。DUTとしては、物理的な信号で動作する多種多様なタイプのデバイスが含まれ、デバイスとしては、限定するものではないが、例えば、電気的、機械的、光学的、音響的又は熱的デバイスが含まれる。ノードのプロセッサは、この情報を受け取り、ポートとのインタフェースを確立してデバイスをネットワークに接続し、デバイスの物理層(PHY)に関連する情報をネットワークに伝達する。
【0016】
プロセッサ22は、1つ以上のプロセッサを表しており、これは、信号を受け取って分析し、信号の分析を可能にするための出力(例えば、ユーザが見るための表示)、又は、分析を報告するために他のデバイスに送信するための出力を提供する。また、このデバイスは、入力信号及び分析結果と、本願で説明される機能を実行するために1つ以上のプロセッサによって実行される実行可能コードを格納するためのメモリ24も有していても良い。デバイス14がネットワーク内のセンサを有する場合、試験測定装置よりも処理能力が小さくても良い。
【0017】
後でより詳細に説明するように、デバイス14は、機械学習コンポーネント26も有していても良い。中央ノード16は、例えば、サーバなどのような、より多くの処理能力及び記憶容量を有するデバイスから構成されても良い。中央ノード16は、それ以外は、デバイス14と同様の構成要素を有するが、デバイス14の機械学習コンポーネント26だけは、機械学習システムへの接続を有していてもよい。機械学習システムは、限定するものではないが、畳み込みニューラル・ネットワーク、フィード・フォワード・ネットワークなどのニューラル・ネットワーク、サポート・ベクター・マシン、決定木、線形回帰又はロジスティック回帰、ランダム・フォレストなどの多くのタイプのうちの1つを含む、多種多様なタイプの機械学習トポロジーの中の1つ以上から構成されても良い。以下の説明では、ニューラル・ネットワークに焦点を当て、「機械学習ネットワーク」という用語を使用するが、この特定のタイプの機械学習システムに限定することを意図したものではなく、示唆するものでもない。
【0018】
本願での説明は、通信ネットワーク内のセンサでの機械学習のローカルな使用の説明から始まり、ネットワーク全体に広がる、もっと広範なネットワーク全体の機械学習の実装に移る。図2は、センサの実施形態を示し、これは、ネットワーク内に、図1のデバイス14を有していても良い。本実施形態におけるセンサは、機械学習機能を有する。
【0019】
センサ14は、その能力を用いて、ネットワーク内の障害要素(blockage)の存在及びそこから生じる問題に対処する方法を判断する。このプロセスは、ネットワーク内のノードが、概して、移動し、変化し、状態及び環境30の変化に応じて適応するにつれて、連続的に行われても良い。センサは、ネットワークの状態、性能及び問題の監視を可能にするために、通信ネットワーク内の細分化された試験測定システムの一部を構成しても良い。これにより、ネットワークのオペレータと参加者は、ネットワークが最高の効率で動作するように調整できる。
【0020】
このシステムは、機械学習(ML)の形で人工知能(AI)を採用している。機械学習は、転移学習、半教師付き転移学習(SSTL: semi-supervised transfer learning)又は半教師付き連合学習(SSFL: semi-supervised federated learning)の形式を取り、センシングと派生する機械学習の最適化を通じてインフラストラクチャの性能目標をサポートするためのデータを抽出する。
【0021】
その動作例として、センサは、周波数変調連続波(FMCW: frequency modulated continuous wave)信号を使用して障害要素(blockage)を決定し、多次元高速フーリエ変換(FFT)を使用してデータを前処理し、MLの自己ラベリングを促進し、対応する環境を学習して3Dマッピングを強化し、最適なビーム予測ベクトルを予測できる。
【0022】
通信システム管理の複雑さは、初期アクセス(IA:initial access)の制限として強調され、広く文書化されている。これらの必要な複雑さは、物理(PHY)リンクのメンテナンスの要因となり、オーバーヘッドの増加によって時間が長くなり、サービス品質(QoS:Quality of Service)への影響を引き起こす。過去のいくつかの研究では、全二重動作(full duplex operations)を容易にするために、干渉の調整を拡張する必要性が強調されている。更に、ビームフォーミングと電源の管理により、インフラストラクチャを調査するタスクが確保され、これは、概して、現在の無線インタフェース・ベースのチャンネルのセットアップのオーバーヘッド要件に対する影響(MIMO(Multiple Input Multiple Output)アンテナ・ベースのシステムによって悪化する)を軽減する。
【0023】
過去の研究では、ISAC(Integrated Sensing and Control)の機能的役割を拡張して、再構成可能なインテリジェントサーフェス(RIS)を含めることも説明されており、その配置と性能の仕様は、検知された環境制約を考慮して、特定の場所のスペクトル効率又はカバレッジを最大化するように調整できる。RIS構造を使用した1つのアプローチでは、計算をより遅く実行し、モバイル・チャンネルの最適化タスクを最小限に抑えるために、高速移動チャンネルと低速移動チャンネルの機能分割について説明しており、特に、ビームフォーミングのトレーニング・オーバーヘッドが原因の影響について強調している。
【0024】
1つのアプローチである適応型6Gアーキテクチャは、より公平でバランスの取れたネットワーク・リソースを促進するためのメカニズムとして、機械学習(ML)と転移学習(TL:transfer learning)を協調させて融合させる。このアプローチでは、トレーニング済みの機械学習モデルの中央集約と配布に依存することなく、分散学習を活用する。本願の実施形態は、サービス品質(QoS)を改善するという同じ目的に沿ったもので、半教師付連合学習(SSFL)手法を採用することにより、同じようにML及びTLによって、最適なビーム・ベクトルを決定する。
【0025】
本願の実施形態では、センサ及び対応するMLエッジ処理ノードの両方が、センサの固定(x,y,z)位置に対して、障害要素のある(blocked:ブロックされる)見通し線(LOS: line of sight)の角度の発見に基づいて、最適なビーム予測を導出する。次に、デバイスは、MLを使用して、遠隔測定法(テレメトリ)で返ってきたレーダを検知して収集したラベルが付されていないデータに基づいて、(x,y,z)位置を基準とした既知の特性、ビーム角度に関するパラメータを作成(develop)する。
【0026】
センサは、既知の方向及び既知で校正された続いて生じる複数のビーム角度を有し、これにより、最適な性能を確保するビーム設定に必要なノードを学習するために、戻ってきた周波数変調連続波(FMCW)信号に関して障害要素を決定して、伝達することができる。更に、ノードは、3Dカバレッジ・マップの集約と定式化のために、学習したMLパラメータを、場所に固有の特性と組み合わせて中央サーバに伝達し、RISシステムの配置を追加して、非見通し線(NLOS:non-line of sight)通信を改善できる。
【0027】
センサ14は、この特定の用途において、相対的な配置構造(geometry)を使用して障害要素の画像を決定し、その後に障害がある及び障害のない(オープンの)放射状のラインが計算される。これらの放射状ラインは、対応する(x,y,z)位置と組み合わせて、カバレッジとスペクトル効率に関連するもっと大きな3Dマップ・パフォーマンスと通信するために使用される。本願の実施形態による試験測定システムに収集されるこの情報により、ユーザは、カバレッジ及びスペクトル効率の正確な測定で設計された6Gネットワークを計画、予測及び構築することができ、同じセンサが、所定の位置にとどまって、性能(performance)を監視し、デジタル・ツイン表現を形成できるようにする。
【0028】
従来の手法の態様には、「多腕バンディット(multiarmed bandit)」と呼ばれるアプローチがある。このアプローチのユーザは、ビームのステアリング(steering:操縦、操舵)が、あまりに大きいと、オーバーヘッドが初期アクイジション(IA)に影響を与え、サービス品質(QoS)を数十~数千ミリ秒のオーダーで低下させると判断している。推測による(a priori)ビーム予測のニーズがある。センサは、基地局(BS)/ユーザ装置(UE)のリソース間を接続することなく、静的学習モードを使用して、学習したモデルをローカライズされたユーザ装置(UE:user equipment)と共有できる。このアプローチは、現在の最高の技術水準をひっくり返し、よりシンプルで拡張性のあるものにする。BS/UEで直接通信する必要はない。
【0029】
ここで図2を見ると、一実施形態では、ノード・デバイス(14など)は、固定の相対的配置構造(geometry)の知識を使用して、ノード・デバイス自身の「位置を特定」する。このデバイスは、既知の放射状線に沿って、対応する無線(レーダー)パルスを放射する。独自のエンコード処理により、反射及び受信された信号の固有の特徴(signature)は、MLアルゴリズムによって学習され、送信されたベクトルを、どの角度で受信したかが決定される。
【0030】
具体的には、センサは、GPSを使用して北と天頂を決定する。波形は、自己干渉を排除するために、異なる半分に分割することができる。これにより、隣接センサによって代替パルス(alternative pulses)の到来を判定できる。センサは、球面方向(rho、phi、theta)と一意の(unique:ユニーク)相関関係を持つ無線パルスを放射する。球面方向では、rho(又は、r)は、3次元空間内の点から天頂又は原点までの半径距離を表す。theta(又は、θ)は、z軸からの放射状線(radial line)の角度を表す。Phi(又は、φ)は、x-y平面への放射状線の投影の方位角を表す。各パルスには、それ独自の球面方向があり、これにより、戻ってくる信号(リターン信号)を特定できる。
【0031】
デバイスは、全てのポートにおいて、リターン信号(又は、リターン)を探す。一部のリターン信号は、隣接するノードからの信号で構成される場合がある。ドップラー解析により、センサは受信したパルスがリターン信号であるか、代替ノードからの信号であるかを判断できる。1つ以上のプロセッサが無関係な信号を除去すると、受信したデータを処理できる。データにはラベルが付けられていないが、データが複数のレーダー・シグネチャ(Ψ)を混合したものであるという前提がある(シグネチャ:Signature、固有の特徴)。半教師付き連合学習(SSFL)は、障害要素によるリターンを表す予想される減少データ・セットを見つけようとする。図2では、センサは、ポート0、1、3、5、7及び9から無線信号Ψを送出する。
【0032】
センサがN個の信号を送信したと仮定すると、そのリターンは、最大でN個のリターン信号を受信し、最も可能性が高いのは、M個のリターン信号であって、このとき、Mは、Nよりも小さく、図3では、Гoutputで表されている。相対的な配置関係(geometry)に対する方向は、レーダー・パルスの到来角に変換される。図2では、センサは、ポート1、3及び5に由来するリターン信号Ψ'を受信している。リターン信号を受信するということは、障害要素(blockage)が存在し、障害要素から信号が跳ね返ったことを示している。
【0033】
Гoutputの直交波形又は相互相関を使用すると、データの次元を最適なM個のシグネチャに縮小し、信号対ノイズ比(SNR)レベルとドップラー特性を推定できる。パラメータは、障害要素のあるポートを特定するために使用され、MIMO RF通信に利用可能な「障害要素のない」方向はそのままとする。図3は、センサ14が、出力信号Гoutputを生成することを示し、これは、信号を送信した全てのポートに関するリターン信号と、任意の非線形及び線形ノイズを含む。半教師付き連合学習(SSFL)34は、出力波形と入力波形を取り、どのポートに障害要素があるかを判断する。
【0034】
図4は、図4の前処理ブロック32への入力として、出力信号Гoutputを示しており、これは、以下の行列のように、SNR比を使用して相互相関及び行列処理を実行しても良い。
【数1】
次に、図4の半教師付き機械学習ネットワーク34は、前処理から得られた出力及びリターン信号の角度を受けて、障害要素のあったポートを特定する。半教師付き連合学習(SSFL)ネットワークの動作については、後で詳しく説明するが、概して、ローカル・ノードは、1つ以上の機械学習モデル又はアルゴリズムを受けるが、これらは、トレーニングされていないか、部分的にトレーニングされている。これらアルゴリズムは、リモート・ノード(中央ノードから遠隔にあるという点でリモートである)上で動作し、ローカル・データを使用してモデルをトレーニングする。その後、リモート・ノードは、ローカル・データに基づいて生じたモデルのアップデートを中央ノードに返し、中央ノードはモデルを更に操作して再配布する。「半教師付き」連合学習(SSFL:semi-supervised federated learning、federate:連合又は連邦、各自がある程度の独自性を持ちつつ、中央でこれらを統一的に制御する)という用語は、ある種のスーパーバイザー(この場合は中央ノード)の関与を示している。SSFLシステムは、障害要素と障害要素のあるポートとを特定することに加えて、ノード・デバイス上の他のポート/アンテナのビーム角を生成して、このデバイスが、最大の送受信効率で動作できるようにする。更に、SSFLアーキテクチャは、以前のモデルの修正版のノードの日和見的な(opportunistic:その時々の状況で変更する)学習に参加し、共通の最適化されたパフォーマンスを追加する学習を活用して、全ての関心のあるノードを標準的で均一なものに引き上げるために、協力して作業することができる。
【0035】
図4の右側に示されるヌル試験として、機械学習(ML)システムからの、本実施形態では、a1、a3及びa5からなるГ'outputが、(x,y,z)位置に対して最適なビーム方向のセットを見つけるために用いられる。要約すると、障害要素を特定することで、センサは、どのビーム角度が自由又は見通し線(LOS)であるかを判断できる。センサは、アンテナのビーム幅に基づいて、センサ自身に対する放射角度を認識しているため、見通し線(LOS)情報を、NLOSブロッキング(障害要素のある)ベクトルから推定できる。
【0036】
MLシステムの実装には、様々な形式がある。いくつかの実施形態は、マルチレベル分散処理ユニットで構成されるニューラル・ネットワーク(NN)を含み、これは、MLトレーニングのための試験(学習)ベクトルの共有を通じて協調して動作し、エンド・ノードの変化を検証又は監視するために物理層(PHY)測定値の受信を取る。図5は、機械学習ネットワーク40の例と、PHY測定値を提供するためにネットワーク内に存在する試験測定装置との相互作用を示す。これは、ネットワーク管理システムの一部を形成し、必要に応じてネットワーク内の情報を監視及び更新する。
【0037】
この例では、MLネットワークは、6Gスペクトルのノードで動作し、試験測定装置はネットワーク内(場合によってはエッジ)に存在し、機械学習ネットワークの結果の出力を試験する。MLネットワーク40は、ネットワークの多数のノードに分散されても良いが、学習ベクトルについて動作(操作)し、出力を生成する。試験測定装置は、出力を受信し、任意波形発生器(arbitrary waveform generator:AWG)42を使用して信号を提供し、この信号と出力が合成される。システムからのノイズが、得られる信号に追加される場合がある。リアルタイム・スペクトラム・アナライザ(RSA)44又は電磁信号を分析できる他の試験測定装置は、エンド・ノードとのPHY層相関に関連するデータを提供する。
【0038】
各ノードは、ML収束(convergence)エンジンを有していても良く、これは、所定の情報を受信し、その情報に基づいて、理想的にはアルゴリズムの実行を通じて動作し、タスクを配信したノードに戻るための所定のデータへの変更パラメータを決定できる。次に、ノードは、双方向リンクを確立し、これにより、ネットワークを介して学習データ(ベクトル)を送信し、原因と結果を相関させるためにPHY層データのネットワークに戻り、時間経過時のシステム状態をマークすることが可能になる。これに代えて、各ノードが、より有能なセンサによって処理されたデータを受信しても良い。
【0039】
加えて、本開示のいくつかの実施形態は、ビーム・ステアリングの予測評価(コードブック)又はセンサ能力の知識を用いたチャンネル推定を使用して、特定の実装場所/環境に固有のニューラル・ネットワークをトレーニングしても良い。
【0040】
本開示のいくつかの実施形態は、半教師付き連合学習と呼ばれる、ハイブリッド中央連合(centralized federated)学習を使用し、全てのチャンネルに共通し、特定のチャンネルから独立しているパラメータの推定のために、非独立・同一分布型(non-iid: non-independent-identically-distributed)信号を収集する。アプリケーション応じて、ニューラル・ネットワーク(NN)を収容する装置(又は製品)は、個々のチャンネルのテレメトリ(telemetry:遠隔測定)又は多数のチャンネルにわたる測定値の集合(ensemble)に基づいて、必要なパラメータを推定する。この学習では、共通モデルのNNのパラメータを定義し、その属性は、各チャンネルで共有されるか、複数のチャンネルで調整され、それぞれが試験測定シナリオに関連する独自の独立したモデルを有する。
【0041】
本開示の実施形態は、1つのNN間又は独自のNNの各々の間で、各チャンネル又は各個別チャンネルに帰属する最小限のパラメータのみを共有することによって、必要な処理を限定している。連合学習(Federated Learning)によれば、ネットワーク内のノード上のモバイル・デバイスから中央サーバ(図1の16など)に生(raw:ロー)データを引き出すことを必要とせずに、分散されたデータについて、モデルのトレーニングが可能になる。代わりに、生データは、リモート・ノードのデバイス上でローカルに残り、モデルは、ローカライズされた各デバイス上の信頼できるグループを横断し、協調してトレーニングされる。モデルのアップデート(更新)のみがサーバ、ノード又はクライアントで共有され、後で中央サーバに集約される。連合学習を使用すると、デバイスで収集されたデータのプライバシーを確保し、全てのデータを送信する必要がないため、帯域幅を節約しながら、複数のデバイスに分散した大量のデータへのアクセスを解放(unlock)できる。
【0042】
ブートストラップ畳み込みニューラル・ネットワーク(CNN)モデルは、迅速に学習でき、状況の変化に機敏であり、ノードは、将来のブートストラップ・モデルの改良のために変更を報告できる。本願で用いる場合、「ブートストラップ(bootstrap)」という用語は、工場出荷時のデフォルトモデル、設計されてから元の状態のままであるモデルを意味する。これらのモデルが、中央サーバ、アグリゲータ(aggregator)に報告されると、ブートストラップ・モデルは、今後のDUTの設計を繰り返す際に調整するために製造元に伝えられ、現場と工場の間のリンクを形成し、「実世界」のデータを、従来は分離されていた製品寿命加速、有効範囲(range)又は無響室の試験に持ち込むことができる。後述するデジタル・ツインの作成(DT:Digital Twinning)に関しては、ブートストラップ・モデルが、最新のDUTの性能や認識されたものをデジタルで表現したものとしての役割を果たする。デジタル・ツインとは、状況や現場におけるDUTの性能をデータを駆使して表現することを意味し、基本的なT&M測定に基づいて、ターゲットとするシナリオ、アプリケーション、環境に最適な設計につながるものである。つまり、軽量でデータ効率の高い「実世界」のデータを製造に戻すための道筋を確立し、MLで強化されたテクトロニクスの装置を通じて、顧客に力を与えることができる。
【0043】
デジタル・ツインの作成は、通信ネットワーク内のノード・デバイスなどのDUTのデジタル表現であるモデルを開発するプロセスであり、ここでいくつかの利点を提供する可能性がある。これらは、限定するものではないが、マルチ・モーダル・センシング(multi-modal sensing:複数様式の検知)による3Dマッピング、無線通信システムの有効化、実世界のPHY層のミラーリングなど、いくつかの重要な機能を提供することがある。これにより、名目上の(プライマリ)システムを変更する前に、お客様がデータに基づく意思決定を行えるようにする複製を作成できるため、サービス品質(QoS:Quality of Service)又はサービス内容合意書(SLA: Service Level Agreement)への影響を最小限に抑えることができる。
【0044】
これらの主要な機能は、忠実度の高い統合型検知及び通信(ISAC:Integrated Sensing and Communication)のテレメトリから生まれ、DTの複製を強化し、MLアルゴリズムのトレーニングやインフラストラクチャの維持を可能にする。6G通信システムでは、地上ネットワークと非地上ネットワーク、工場とエンド・ユーザ、仮想と現実など、従来とは異なる領域を相互接続するための、同様に使用可能な機能が有益である。領域の融合は、マルチ・モーダル・センシングによって導き出された3Dマッピングで明確に現れ、これにより、インフラストラクチャの構成の予測を可能にして通信パフォーマンスを最適化し、インフラストラクチャ・プランナーとサービス・プロバイダを支援し、最小限の展開コストと最大のサービス品質(QoS)の提供を保証する。
【0045】
インフラ計画機能の強化により、6Gエコシステムのプロバイダは、特定の3Dロケーションに局所的にパフォーマンスを最適化し、目標とするスペクトル効率(bps/Hz)又はカバレッジ(EIRP、dBm)の目標を達成できる。なお、カバレッジの確率とエルゴード容量(ergodic capacity)の目標は、JCAS(Joint Communication and Sensing System)の制限によって限定される。
【0046】
現在のJCASの進化は、ISACとして現れされているが、同様の指標を使用して、ミリ波やテラ・ヘルツ帯などの分断された6G帯域全体で最適なPHY層ビーム・ポインティング・ベクトルの構成を決定し、障害要素のある状態を回避している。レーダ・チップ信号は、上述の障害要素の測定を可能にし、情報に基づいた意思決定を行い、必要なISACの役割を果たす。
【0047】
デバイスのデジタル・ツインは、検知(センシング)に支援されたビーム予測、検知に支援された障害要素及びハンドオフの予測を提供する場合がある。デジタル・ツインは、また、補助的な通信のサポートと維持を提供する場合もある。このデジタル・ツインの作成(DT)により、システムは、その役割を、本質的に、より計測的なものとし、センシングとサポートに整合させ、通信機能を少ないものとすることができるが、タスクが課せられた場合には、通信ニーズに追従して適応し、ここでは計測ISAC(M-ISAC:metrology ISAC)と呼ばれる。このM-ISACシステムは、細分化されたセンサから構成され、レーダ又は敏捷に通信するもののいずれかであり、ML連合学習能力を有し、本願の実施形態において採用されても良い。
【0048】
本開示技術の実施形態は、カタログ化、試験、検証及び推論されても良い学習された属性の特性を評価するために、画像などのデータを使用する、ポータブルCNNにパッケージ化された大規模なデータ・セットを有することに価値を見出すものである。これは、壮大な「エンジニアリング・ノート」を提供し、絶対に正しいと考える前に、検証する必要がある全ての観察事項と定式化された予測を追跡するものである。これは、現場とものづくりの連携が確立されているからこそ可能になる。
【0049】
本願の実施形態は、これらの概念を通信ネットワークに適用する。本開示技術の実施形態は、概して、性能指標及び複数の畳み込みニューラル・ネットワーク(CNN:convolutional neural network)モデルを使用し、上記CNNは、単一のCNNではなく、完全に結合された層によって相互接続され、アンサンブル(ensemble:個々のものが全体として統一的に組み合わせられたもの)と呼ばれるものである。図6は、アンサンブルCNNのブロック図を示す。各CNN(a、b、C)には、個々の層(通常は、ニューラル・ネットワーク全体の完全に結合された層)があり、共通層(通常は、畳み込み層)は、このアンサンブルCNN内の全てのネットワーク間で共有される。
【0050】
連合学習をシステムに組み込むことで、異種データ、独立していない同一に分散したデータを「コンセプト・シフト(concept shifts)」を使って、より正確に測定できる。コンセプト・シフトは、様々な視点が与えられた場合、中央サーバとリモート(spur:分岐、支脈)センサ間のデータ交換に依存することなく、システムが高精度かつ相対的な頻度で同じ結果に到達するかどうかを確認する。例えば、通信ネットワーク内の一部のノードは、他のノードよりもデータを持っている場合があり、これは分量スキュー(quantity skew:分量のゆがみ)と呼ばれる。例として、機械学習ネットワークが自動車とトラックを分類する連合学習のシナリオを考える。小型車やトラックが多い日本など、様々なサイズの車両がある環境に存在し、動作するノードは、同じデータで異なる動作をする可能性があり、大型車をトラックとして分類する可能性がある。特徴の解釈におけるこの違いは、特徴スキュー(feature skew:特徴のゆがみ)と呼ばれる。
【0051】
図7に示す、中央サーバとリモート・システムの間に分割されたニューラル・ネットワークを使用することで、これらの問題のいくつかを緩和できる。モデルのグローバル部分は、サーバ又は基地局と共有されるCNNの全ての畳み込み層(16など)で構成される。残りの半分、例えば、モデルのローカル部分を形成する完全に結合された層は、個々のクライアント、プローブ又はセンサ(例えば、50、52、54など)にとどまる。要するに、有線、無線、光のいずれであっても、各リモート・ノードによるデータ収集を表す分岐部分(Spur)には、シンプルに、完全に接続された層が含まれている。アップデートされたモデルと重要なデータを共有することで、ネットワーク全体の情報を「平滑化」し、分量スキューと特徴スキューの問題を軽減できる。
【0052】
更に、複数のノードをクラスタ化(グループ化)して、中央のアグリゲーション・サーバが生データを要求する必要がないようにし、プライバシーを保護することができる。これにより、通信ネットワークがネットワーク管理の側面ではなく、動作に使用する帯域幅が保持される。ネットワークは、連合学習の最も効率的なトレーニングのためにノードをクラスタ化することができる。例えば、試験装置や測定装置、携帯電話、サーバなど、同じタイプのノードは、クラスタ化することでメリットが得られ、全てが同様の方法で「学習」する。同じ地理的リージョンに存在するノードは、近接性と類似した動作環境に基づいてクラスタ化する恩恵を受けることができる。ノードは、試験測定データ、特定のプロトコルに基づく通信など、処理するデータの種類に基づいてクラスタ化できる。これらは、おそらく数十万のノードからなるネットワーク全体でのクラスタ化の一例にすぎない。各クラスタは、上位レベルの中央ノードなどと通信する中央ノードを持つことができる。更に、試験、測定及び維持(TMS)のニーズと公称無線(システム)動作との間でデータを分割することにより、高速データ・コンバータ・インタフェースを活用して、集積回路、FPGAなどのファームウェア又はハードウェア等価物に機能の全部又は一部を具現化することができる。
【0053】
本願で説明する通信ネットワークとそのノードは、分割ニューラル・ネットワークを使用して、利用可能な相互接続又はバックホール接続での広帯域幅のデータ・セットの転送を制限する。その代わりに、センサ/装置などのノードと中央ノードである中央サーバ間で、軽量なトラフィックが交換される。試験は、様々な視点と測定事例で、模範的なデータのペアを提示して、ノードでデバイスをチェック及びトレーニングし、高い精度と相対的な頻度で結果を予測できるようにするという形をとっても良い。
【0054】
図8は、分散型ノード(ローカル)と中央処理装置(グローバル)との間で分割された、通信ネットワークのための分割又は分岐された機械学習ネットワークの実施形態を示す。中央処理装置は、エッジからクラウドまで、様々なネットワーク・レベルに配置できる。この実施形態では、一例として、3つの異なるニューラル・ネットワークは、それぞれ、ビーム・ステアリングの特定の態様を有し、これは、通信ネットワーク内のアンテナ又はアンテナ・アレイの予測ビーム角度を生成するための、レンジ(range)及び角度、レンジ及び速度、並びに、ビーム・キューブ(beam cube:ビーム・データの3次元グラフィック描画)を含む。
【0055】
本開示技術の態様は、特別に作成されたハードウェア、ファームウェア、デジタル・シグナル・プロセッサ又はプログラムされた命令に従って動作するプロセッサを含む特別にプログラムされた汎用コンピュータ上で動作できる。本願における「コントローラ」又は「プロセッサ」という用語は、マイクロプロセッサ、マイクロコンピュータ、ASIC及び専用ハードウェア・コントローラ等を意図する。本開示技術の態様は、1つ又は複数のコンピュータ(モニタリング・モジュールを含む)その他のデバイスによって実行される、1つ又は複数のプログラム・モジュールなどのコンピュータ利用可能なデータ及びコンピュータ実行可能な命令で実現できる。概して、プログラム・モジュールとしては、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含み、これらは、コンピュータその他のデバイス内のプロセッサによって実行されると、特定のタスクを実行するか、又は、特定の抽象データ形式を実現する。コンピュータ実行可能命令は、ハードディスク、光ディスク、リムーバブル記憶媒体、ソリッド・ステート・メモリ、RAMなどのコンピュータ可読記憶媒体に記憶しても良い。当業者には理解されるように、プログラム・モジュールの機能は、様々な実施例において必要に応じて組み合わせられるか又は分散されても良い。更に、こうした機能は、集積回路、フィールド・プログラマブル・ゲート・アレイ(FPGA)などのようなファームウェア又はハードウェア同等物において全体又は一部を具体化できる。特定のデータ構造を使用して、本開示技術の1つ以上の態様をより効果的に実施することができ、そのようなデータ構造は、本願に記載されたコンピュータ実行可能命令及びコンピュータ使用可能データの範囲内と考えられる。
【0056】
開示された態様は、場合によっては、ハードウェア、ファームウェア、ソフトウェア又はこれらの任意の組み合わせで実現されても良い。開示された態様は、1つ以上のプロセッサによって読み取られ、実行され得る1つ又は複数のコンピュータ可読媒体によって運搬されるか又は記憶される命令として実現されても良い。そのような命令は、コンピュータ・プログラム・プロダクトと呼ぶことができる。本願で説明するコンピュータ可読媒体は、コンピューティング装置によってアクセス可能な任意の媒体を意味する。限定するものではないが、一例としては、コンピュータ可読媒体は、コンピュータ記憶媒体及び通信媒体を含んでいても良い。
【0057】
コンピュータ記憶媒体とは、コンピュータ読み取り可能な情報を記憶するために使用することができる任意の媒体を意味する。限定するものではないが、例としては、コンピュータ記憶媒体としては、ランダム・アクセス・メモリ(RAM)、読み出し専用メモリ(ROM)、電気消去可能プログラマブル読み出し専用メモリ(EEPROM)、フラッシュメモリやその他のメモリ技術、コンパクト・ディスク読み出し専用メモリ(CD-ROM)、DVD(Digital Video Disc)やその他の光ディスク記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置やその他の磁気記憶装置、及び任意の技術で実装された任意の他の揮発性又は不揮発性の取り外し可能又は取り外し不能の媒体を含んでいても良い。コンピュータ記憶媒体としては、信号そのもの及び信号伝送の一時的な形態は除外される。
【0058】
通信媒体とは、コンピュータ可読情報の通信に利用できる任意の媒体を意味する。限定するものではないが、例としては、通信媒体には、電気、光、無線周波数(RF)、赤外線、音又はその他の形式の信号の通信に適した同軸ケーブル、光ファイバ・ケーブル、空気又は任意の他の媒体を含んでも良い。

実施例
【0059】
以下では、本願で開示される技術の理解に有益な実施例が提示される。この技術の実施形態は、以下で記述する実施例の1つ以上及び任意の組み合わせを含んでいても良い。
【0060】
実施例1は、複数のノードを具える通信ネットワークであって、上記ノードの夫々が、1つ以上のアンテナと、上記通信ネットワーク内の他のノードのアンテナからの通信信号を受信するように構成された1つ以上の入力ポートと、上記アンテナを介して上記通信ネットワーク内の他のノードに信号を送信するように構成された1つ以上の出力ポートと、上記通信信号に関連するデータを記憶するメモリと、1つ以上のプロセッサとを有し、該1つ以上のプロセッサが、上記ノードが動作する環境に関するローカル・データを収集する処理と、ローカル・データを送信するために、必要に応じて1つ以上の他のノードと通信する処理と、上記ローカル・データを使用して、上記通信ネットワーク内の上記ノードに最適化された動作設定を求める処理とを上記1つ以上のプロセッサに行わせるプログラムを実行するよう構成される。
【0061】
実施例2は、実施例1の通信ネットワークであって、少なくとも1つのノードがセンサ・ノードから構成され、該センサ・ノード内の上記1つ以上のプロセッサが、上記センサ・ノードの位置を求める処理と、球状の位置と固有の相関関係を持つパルスを放出する処理と、上記入力ポートからリターン信号を受信する処理と、上記リターン信号が、上記通信ネットワーク内に障害要素が存在することを示しているかどうかを判断する処理とを上記1つ以上のプロセッサに行わせるプログラムを実行するよう更に構成される。
【0062】
実施例3は、実施例2の通信ネットワークであって、上記1つ以上のプロセッサが、上記デバイスの障害要素のないポートに関して最適化された角度を決定する処理を上記1つ以上のプロセッサに行わせるプログラムを実行するように更に構成される。
【0063】
実施例4は、実施例2の通信ネットワークであって、1つ以上のノードと通信する処理を上記1つ以上のプロセッサに行わせるプログラムは、中央ノードと通信する処理と、上記リターン信号から導出したデータを減らして、縮小データ・セットを生成する処理と、上記縮小データ・セットを上記中央ノードに送信する処理とを上記1つ以上のプロセッサに行わせるプログラムを含む。
【0064】
実施例5は、実施例1からのいずれかの通信ネットワークであって、ローカル・データを収集し、上記1つ以上の他のノードと通信する処理を上記1つ以上のプロセッサに行わせるプログラムは、中央ノードと通信する処理と、上記中央ノードから1つ以上の機械学習モデルを受信する処理と、上記ノード上で上記ローカル・データを使用して上記1つ以上のモデルの少なくとも1つをトレーニングする処理と、アップデートされたモデルのみを上記中央ノードに送信する処理とを上記1つ以上のプロセッサに行わせるプログラムを含む。
【0065】
実施例6は、実施例5の通信ネットワークであって、1つ以上の機械学習モデルを上記中央ノードから受信する処理を上記1つ以上のプロセッサに行わせるプログラムは、上記1つ以上の機械学習モデルのローカル部分のみを受信する処理を上記1つ以上のプロセッサに行わせるプログラムを含む。
【0066】
実施例7は、実施例1から6のいずれかの通信ネットワークであって、上記ノードは、中央ノードを含み、他のノードと通信する処理を上記1つ以上のプロセッサに行わせるプログラムは、上記1つ以上の機械学習モデルのグローバル部分について動作する処理と、ローカル・ノードからアップデートされたデータを受信する処理と、上記1つ以上の機械学習モデルのアップデートされた上記グローバル部分を必要に応じて送信する処理とを上記1つ以上のプロセッサに行わせるプログラムを含む。
【0067】
実施例8は、実施例1から7のいずれかの通信ネットワークであって、複数のノードの夫々のノードが、通信デバイス、センシング・デバイス、試験測定装置及び再構成可能なインテリジェント・サーフェスのうちの少なくとも1つから構成される。
【0068】
実施例9は、実施例1から9のいずれかの通信ネットワークであって、ローカル環境に関する情報は、上記ノードに存在する被試験デバイスに関する物理層の情報を含む。
【0069】
実施例10は、実施例9の通信ネットワークであって、上記物理層は、電気的、機械的、光学的、音響的、熱的のうちの少なくとも1つから構成される。
【0070】
実施例11は、センサ・デバイスであって、該センサ・デバイスが通信ネットワーク内の他のノードからの通信信号を受信できるようにするための1つ以上のアンテナと、上記通信信号を受信するように構成された1つ以上の入力ポートと、上記1つ以上のアンテナを介して上記通信ネットワーク内の他のノードに通信信号を送信するように構成された1つ以上の出力ポートと、上記通信信号に関係するデータを記憶するメモリと、1つ以上のプロセッサとを具え、該1つ以上のプロセッサが、上記センサ・デバイスの位置を決定する処理と、一意の(unique)球面方向識別子を夫々有する信号を上記出力ポートを介して信号を送信する処理と、上記1つ以上の入力ポートを介してリターン信号を受信する処理と、リターン信号を他の受信信号から分離し、リターン信号データを生成する処理と、機械学習システムで上記リターン信号データを処理して、障害要素のない(ブロックされていない)ポートを特定する処理とを上記1つ以上のプロセッサに行わせるプログラムを実行するよう構成される。
【0071】
実施例12は、実施例11のセンサ・デバイスであって、上記1つ以上のプロセッサは、上記1つ以上のアンテナに対して1つ以上の最適化されたビーム方向を生じさせる処理を上記1つ以上のプロセッサに行わせるプログラムを実行するよう更に構成される。
【0072】
実施例13は、実施例11又は12のいずれかのセンサ・デバイスであって、上記リターン信号を分離する処理を上記1つ以上のプロセッサに行わせるプログラムは、ドップラー解析を利用して隣接するノードからの信号を特定する処理と、上記信号を上記リターン信号から除去する処理とを上記1つ以上のプロセッサに行わせるプログラムを含む。
【0073】
実施例14は、実施例11から13のいずれかのセンサ・デバイスであって、上記リターン信号を処理する処理を上記1つ以上のプロセッサに行わせるプログラムは、受信された上記リターン信号夫々の方向を決定する処理と、上記リターン信号夫々の方向を上記リターン信号の角度に変換して、該角度を障害要素のない角度として特定する処理とを上記1つ以上のプロセッサに行わせるプログラムを含む。
【0074】
実施例15は、実施例11から14のいずれかのセンサ・デバイスであって、上記リターン信号を処理する処理を上記1つ以上のプロセッサに行わせるプログラムは、リターン信号が戻ってこなかったポートを特定する処理と、リターン信号が戻ってこなかったポートを障害要素のあるポートとして特定する処理とを上記1つ以上のプロセッサに行わせるプログラムを含む。
【0075】
実施例16は、複数のノードと中央ノードとを有する通信ネットワークを動作させる方法であって、中央ノードから、機械学習システム用のブートストラップ・モデルを送信する処理と、少なくとも1つのリモート・ノードで上記ブートストラップ・モデルを受信する処理と、上記リモート・ノードが動作する環境に関する少なくとも1つのリモート・ノードに関するローカルなデータを収集する処理と、上記ブートストラップ・モデルをトレーニングするために、上記少なくとも1つのリモート・ノードに関する上記ローカルなデータを使用する処理と、アップデートされたモデルを上記中央ノードに送信する処理とを具える。
【0076】
実施例17は、実施例16の方法であって、上記少なくとも1つのリモート・ノードを他のリモート・ノードとでクラスタを形成する処理と、上記クラスタから上記中央ノードにアップデートを送信する処理とを更に具える。
【0077】
実施例18は、実施例17の方法であって、上記クラスタを形成する処理は、1つ以上のタイプのノード、ローカルな配置の領域(localized geographic region)並びに少なくとも1つのリモート・ノード及び他のリモート・ノードのローカルなデータのタイプに基づいて、上記少なくとも1つのノードと上記他のリモート・ノードとでクラスタを形成する処理を含む。
【0078】
加えて、本願の説明は、特定の特徴に言及している。本明細書における開示には、これらの特定の特徴の全ての可能な組み合わせが含まれると理解すべきである。ある特定の特徴が特定の態様又は実施例に関連して開示される場合、その特徴は、可能である限り、他の態様及び実施例との関連においても利用できる。
【0079】
また、本願において、2つ以上の定義されたステップ又は工程を有する方法に言及する場合、これら定義されたステップ又は工程は、状況的にそれらの可能性を排除しない限り、任意の順序で又は同時に実行しても良い。
【0080】
明細書、特許請求の範囲、要約書及び図面に開示される全ての機能、並びに開示される任意の方法又はプロセスにおける全てのステップは、そのような機能やステップの少なくとも一部が相互に排他的な組み合わせである場合を除いて、任意の組み合わせで組み合わせることができる。明細書、要約書、特許請求の範囲及び図面に開示される機能の夫々は、特に明記されない限り、同じ、等価、又は類似の目的を果たす代替の機能によって置き換えることができる。
【0081】
説明の都合上、本発明の具体的な実施例を図示し、説明してきたが、本発明の要旨と範囲から離れることなく、種々の変更が可能なことが理解できよう。従って、本発明は、添付の請求項以外では、限定されるべきではない。
【符号の説明】
【0082】
10 ノード
12 再構成可能なインテリジェント・サーフェス(RIS)
14 センサ・デバイス
16 サーバ又はその他の中央ノード
18 アンテナ
20 ポート
22 プロセッサ
24 メモリ
30 環境
32 プリ・プロセッシング・ブロック
34 半教師付き連合学習(SSFL)
40 機械学習ネットワーク
42 任意波形生成部
44 リアルタイム・スペクトラム・アナライザ(RSA)
50 クライアント、プローブ又はセンサ
52 クライアント、プローブ又はセンサ
54 クライアント、プローブ又はセンサ
図1
図2
図3
図4
図5
図6
図7
図8
【外国語明細書】