Toward Integrated Sensing, Communications, and Edge Intelligence Networks

Título del Trabajo

Hacia Redes Integradas de Sensado, Comunicaciones e Inteligencia en el Borde (Edge Intelligence)

1. Planteamiento del Problema

El artículo aborda el desafío emergente en las redes de la sexta generación (6G) de integrar tres funcionalidades críticas en una misma infraestructura: Comunicaciones, Sensado Integrado (ISAC) e Inferencia de Inteligencia Artificial en el Borde (EI).

• El Conflicto: Tradicionalmente, estos servicios se gestionan de forma aislada o con asignación de recursos ortogonal (disjunta). Sin embargo, compartir recursos (espectro, potencia, tiempo) entre ellos genera conflictos.
  • ISAC: Utiliza señales de radio para comunicaciones y sensado simultáneo (ej. estimación de parámetros de objetivos).
  • EI (Edge Inference): Requiere subir datos (ej. imágenes de cámaras) a servidores de borde para inferencia (clasificación, detección). La calidad de la inferencia depende de la compresión de los datos (bits transmitidos) y del modelo de IA utilizado (complejidad computacional).
• La Brecha: Las decisiones de asignación de recursos actuales a menudo ignoran la disponibilidad de recursos computacionales y la complejidad de los modelos de IA. Esto lleva a ineficiencias: o bien se desperdicia potencia de transmisión para cumplir con requisitos de sensado que podrían relajarse si se elige un modelo de IA diferente, o se sacrifica la precisión de la inferencia por no considerar el costo computacional en la asignación de tiempo.
• Objetivo: Desarrollar un esquema de compartición de recursos consciente de la computación que optimice conjuntamente la asignación de potencia y tiempo para ISAC y la representación de datos (compresión) para EI, gestionando el compromiso (trade-off) entre la precisión del sensado, la tasa de datos de comunicación y la efectividad de la inferencia.

2. Metodología

Los autores proponen un modelo de sistema y un problema de optimización matemática para resolver el problema de coexistencia.

• Modelo del Sistema:

  • Se considera una estación base (BS) con arquitectura MIMO Full-Duplex (FD) que sirve a un usuario de enlace descendente (DL) y realiza sensado monostático simultáneo.
  • Simultáneamente, un dispositivo de borde (cámara) sube datos (enlace ascendente, UL) para inferencia en un servidor de borde (ES).
  • El tiempo se divide en tramas donde una parte ($\rho_{ul}$) se dedica a la subida de datos y la otra ($\rho_{dl}$) a ISAC.
  • Acoplamiento Crítico: El tiempo disponible para ISAC ($\rho_{dl}$) depende directamente del tiempo necesario para subir los datos ($\rho_{ul}$), el cual a su vez depende de la tasa de compresión de los datos y, crucialmente, del modelo de IA seleccionado (que determina el tiempo de cómputo $L_{comp}$ y, por ende, el presupuesto de latencia restante para la comunicación).

• Métricas de Rendimiento (KPIs):

  • Para EI: Retardo total (comunicación + cómputo) y "Efectividad del Objetivo" (probabilidad de que la inferencia sea correcta y cumpla el límite de latencia).
  • Para ISAC: Tasa de datos alcanzable en DL y la Cota de Cramér-Rao (CRB) para la estimación de la posición/ángulo del objetivo (donde un CRB menor indica mayor precisión).

• Formulación del Problema:

  • Se formula un problema de optimización mixta entera no lineal (MINLP).
  • Objetivo: Minimizar la potencia de transmisión del BS para ISAC y maximizar la riqueza de los datos de entrada para la inferencia (número de bits), ponderados por un parámetro $\sigma$.
  • Restricciones:
    1. CRB de estimación $\leq$ umbral requerido.
    2. Tasa de datos DL $\geq$ umbral requerido.
    3. Potencia no negativa y límite de potencia total.
    4. Selección de formato de datos (bits) de un conjunto discreto.
  • Solución: Dado que el conjunto de formatos de datos es pequeño, el problema se resuelve óptimamente descomponiéndolo en varios problemas convexos (uno por cada posible configuración de bits), resolviéndose cada uno con herramientas como CVXPY.

3. Contribuciones Clave

1. Concepto de Red Triple-Funcional: Se introduce formalmente la idea de compartir infraestructura y recursos para ISAC, Comunicaciones e IA en el borde de manera integrada, no aislada.
2. Optimización Consciente de la Computación: La principal innovación es considerar explícitamente la disponibilidad y complejidad de los modelos de IA al tomar decisiones de asignación de recursos de radio. Se demuestra que la elección del modelo de IA afecta directamente la asignación de tiempo y potencia de radio.
3. Acoplamiento Teórico: Se deriva y demuestra matemáticamente el acoplamiento natural entre los límites de rendimiento teórico de los tres servicios (la elección del modelo de IA dicta el tiempo de comunicación, lo que fija la precisión del sensado y la tasa de datos).
4. Algoritmo de Optimización Óptima: Se propone y resuelve un problema de optimización conjunta que supera a las estrategias de asignación disjunta (donde los recursos se asignan sin considerar la interdependencia).

4. Resultados

Los resultados se validan mediante simulaciones numéricas utilizando parámetros realistas (frecuencia de 10 GHz, canales MIMO, modelos de IA como MobileNet, ResNet y ViT).

• Comparativa con Estrategias Disjuntas: La propuesta "consciente de la computación" supera significativamente a la estrategia de referencia "inconsciente" (que asume un modelo de IA fijo y pesado, ej. ViT, sin optimizar la compresión de datos).
  • Eficiencia Energética: Para lograr la misma "efectividad del objetivo" (ej. 80%), el enfoque propuesto requiere casi la mitad de la potencia de transmisión en el enlace descendente en comparación con la estrategia de referencia.
  • Flexibilidad: El sistema puede adaptarse dinámicamente. Si se relajan los requisitos de sensado (CRB más alto), se puede lograr una mayor efectividad de la inferencia con menos potencia, o viceversa.
• Selección de Modelos: Se observa que modelos más ligeros (ej. 0.12 GFLOPs) pueden ser suficientes si se ajustan los recursos de comunicación, evitando el gasto innecesario de recursos computacionales y de radio que requerirían modelos más pesados (ej. 33.7 GFLOPs) para cumplir los mismos objetivos.
• Curvas de Compromiso: Las gráficas muestran claramente la relación no decreciente entre la potencia de transmisión y la efectividad del objetivo, y cómo la optimización conjunta permite navegar este espacio de soluciones de manera más eficiente.

5. Significado e Impacto

Este trabajo es fundamental para el desarrollo de las redes 6G por varias razones:

• Eficiencia de Recursos: Demuestra que tratar el sensado, las comunicaciones y la computación como servicios interdependientes permite un uso mucho más eficiente del espectro y la energía, recursos escasos en las redes inalámbricas.
• Diseño de Capas Cruzadas (Cross-Layer): Promueve un cambio de paradigma desde el diseño por capas aisladas hacia una optimización conjunta que abarca desde la capa física (potencia, beamforming) hasta la capa de aplicación (selección de modelos de IA, compresión de datos).
• Viabilidad de Servicios 6G: Proporciona un marco teórico y práctico para implementar servicios complejos como la vigilancia inteligente, vehículos autónomos y monitoreo ambiental, donde la latencia, la precisión y el consumo energético son críticos.
• Futuro de la Investigación: Abre la puerta a la optimización dinámica en tiempo real basada en el contexto (comportamiento de objetivos, carga de la red) y a la exploración de sinergias donde los datos de sensado podrían mejorar directamente la inferencia de IA, en lugar de competir por recursos.

En resumen, el paper establece que la inteligencia en la gestión de recursos (saber qué modelo de IA se usa y cómo afecta a la red) es tan importante como la gestión de los recursos de radio en sí mismos para el éxito de las redes integradas del futuro.