Active Beyond-Diagonal RIS Empowered Heterogeneous Edge Computing: A Distributional Reinforcement Learning Approach
यह शोध पत्र DSAC-T का प्रस्ताव करता है, जो एक डिस्ट्रीब्यूशनल रीइन्फोर्समेंट लर्निंग फ्रेमवर्क है जो रेसिप्रोकल एक्टिव बियॉन्ड-डायगोनल RIS द्वारा समर्थित हेट्रोजेनियस मोबाइल एज कंप्यूटिंग सिस्टम में ऊर्जा-जागरूक ऑफलोडिंग और संसाधन आवंटन को अनुकूलित करता है, जो बेहतर ऊर्जा-विलंबता प्रदर्शन और व्यवहार्यता प्राप्त करने के लिए क्रॉस-सेक्टर ऊर्जा रिसाव और उच्च-आयामी नॉनकॉन्वेक्स ऑप्टिमाइजेशन की चुनौतियों को प्रभावी ढंग से संबोधित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
इंटरनेट की कल्पना एक हलचल भरे शहर के रूप में करें जहाँ आपका स्मार्टफोन एक डिलीवरी ड्राइवर है जो भारी पैकेज (डेटा) को एक केंद्रीय गोदाम (क्लाउड) में पहुँचाने की कोशिश कर रहा है। कभी-कभी, सड़कें साफ होती हैं और ड्राइवर सीधे गोदाम की ओर तेजी से दौड़ता है। लेकिन अक्सर, एक विशाल गगनचुंबी इमारत (एक इमारत या दीवार) रास्ता रोक लेती है, जिससे ड्राइवर फंस जाता है या एक लंबा, धीमा रास्ता लेने के लिए मजबूर हो जाता है। यह मोबाइल एज कंप्यूटिंग की दुनिया है, जहाँ हम दूर स्थित क्लाउड का इंतज़ार करने के बजाय पास के सर्वरों पर डेटा को तेज़ी से प्रोसेस करने की कोशिश करते हैं। इन बंद रास्तों को ठीक करने के लिए, वैज्ञानिकों ने "स्मार्ट दर्पण" का आविष्कार किया जिन्हें रीकॉन्फ़िगर करने योग्य इंटेलिजेंट सर्फेस (RIS) कहा जाता है। इन्हें ऐसे जादुई दीवारों के रूप में सोचें जो सिग्नल को पकड़ सकती हैं और उसे किसी कोने के चारों ओर मोड़कर रिसीवर तक पहुँचा सकती हैं।
हालाँकि, इसमें एक पेंच है। पारंपरिक स्मार्ट दर्पण निष्क्रिय (passive) होते हैं; वे केवल सिग्नल को परावर्तित करते हैं, उन्हें मजबूत नहीं बनाते, जैसे कि एक सामान्य दर्पण मंद रोशनी को परावर्तित करता है। यदि सिग्नल पहले से ही लंबी दूरी या एक मोटी दीवार के कारण कमजोर है, तो परावर्तन बहुत धुंधला होगा जो उपयोगी न हो। इसे हल करने के लिए, इंजीनियरों ने "सक्रिय" (active) दर्पण विकसित किए जो सिग्नल को प्रवर्धित (amplify) कर सकते हैं, जैसे कि दर्पण से जुड़ा एक मेगाफोन। लेकिन पेचीदा हिस्सा यह है कि ये सक्रिय दर्पण वास्तविक इलेक्ट्रॉनिक्स से बने होते हैं जिनमें एक भौतिक नियम होता है जिसे "पारस्परिकता" (reciprocity) कहते हैं। यह एक दो-तरफा सड़क की तरह है जहाँ यदि आप एक तरफ से चिल्लाते हैं, तो आवाज़ सड़क में वापस लीक हो जाती है, जिससे ऊर्जा बर्बाद होती है और शोर पैदा होता है। यह शोध पत्र इन सक्रिय, प्रवर्धक दर्पणों का उपयोग करने की जटिल वास्तविकता को संबोधित करता है जो विभिन्न प्रकार के ट्रैफ़िक (कुछ कार्यों को तेज़ CPU की आवश्यकता होती है, दूसरों को शक्तिशाली GPU की) से भरे शहर में काम करते हैं, और यह समझने की कोशिश करता है कि दर्पण के अपने हार्डवेयर के कारण होने वाले ऊर्जा रिसाव के बावजूद ऊर्जा बिल को कम रखते हुए यह कैसे सुनिश्चित किया जाए कि कोई भी पैकेज देर से न पहुँचे।
शोधकर्ता, टियान्यु पांग और होंग्यु ली, एक विशाल पहेली को सुलझाने के लिए आगे बढ़े: यह तय करना कि किन कार्यों को एज (edge) पर भेजना है, कितनी शक्ति का उपयोग करना है, और सक्रिय दर्पण को ठीक से किस ओर झुकाना है, और साथ ही दर्पण के अपने हार्डवेयर के कारण होने वाले ऊर्जा रिसाव से निपटना है। उन्होंने पाया कि इसे हल करने का पुराना तरीका—हर एक स्थिति के लिए एक सटीक उत्तर की गणना करने की कोशिश करना—बहुत धीमा है और आसानी से अटक जाता है। इसके बजाय, उन्होंने एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस एजेंट का निर्माण किया जिसे DSAC-T कहा जाता है।
DSAC-T को एक ऐसे कैलकुलेटर के रूप में न सोचें जो एक "सर्वश्रेष्ठ" उत्तर खोजता है, बल्कि एक जिज्ञासु किशोर के रूप में सोचें जो एक जटिल वीडियो गेम खेलना सीख रहा है। केवल औसत स्कोर का अनुमान लगाने के बजाय, यह AI संभावित परिणामों की पूरी रेंज (सीमा) को सीखता है। यह समझता है कि कभी-कभी एक चाल बड़ी जीत की ओर ले जा सकती है, लेकिन अन्य समय में यह पूरी तरह से क्रैश (विफलता) का कारण भी बन सकती है, विशेष रूप से "किनारे" (edge) के पास जो संभव है (जैसे बैटरी खत्म होना या समय सीमा चूक जाना)। इन वितरणों (distributions) को सीखकर, AI चीजों के जोखिम भरे होने पर बहुत अधिक स्थिर और सतर्क हो जाता है।
अपने सिमुलेशन में, टीम ने इस AI का परीक्षण 10 उपयोगकर्ताओं वाले एक आभासी शहर में किया, जिनमें से 4 बाधाओं के पीछे "गहराई से अवरुद्ध" (deeply blocked) थे। उन्होंने AI को भारी CPU कार्यों (जैसे नंबरों की गणना करना) और GPU कार्यों (जैसे ग्राफिक्स रेंडर करना) का मिश्रण दिया। परिणाम प्रभावशाली थे। DSAC-T AI ने एक ऐसा समाधान खोजने में सफलता प्राप्त की जो सभी परिदृश्यों में से 81.67% के लिए काम करता था, जो उनके द्वारा परीक्षण किए गए सभी तरीकों में सबसे अधिक सफलता दर थी। इसके विपरीत, अन्य लोकप्रिय AI विधियाँ केवल 64% से 71% बार ही सफल हुईं। इसके अलावा, DSAC-T AI अविश्वसनीय रूप से तेज़ था, जो प्रति परिदृश्य केवल 0.0267 सेकंड में निर्णय लेता था। इसकी तुलना पारंपरिक गणितीय दृष्टिकोण से करें, जिसे उसी समस्या को हल करने में 41 सेकंड से अधिक का समय लगा, जिसका अर्थ है कि AI लगभग 1,500 गुना तेज़ था।
यह शोध पत्र स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि केवल अधिक "सक्रिय" शक्ति जोड़ना या पुराने, सरल AI मॉडल का उपयोग करना पर्याप्त है। वे दिखाते हैं कि "क्रॉस-सेक्टर ऊर्जा रिसाव" (दर्पण के हार्डवेयर के कारण सिस्टम में वापस लीक होने वाला सिग्नल) को अनदेखा करने से ऊर्जा दक्षता खराब हो जाती है। उनके सिमुलेशन सुझाव देते हैं कि एक अच्छा परिणाम प्राप्त करने के लिए आपको इस रिसाव और CPU एवं GPU कार्यों के विशिष्ट मिश्रण को ध्यान में रखना चाहिए। हालांकि ये निष्कर्ष कंप्यूटर सिमुलेशन पर आधारित हैं न कि वास्तविक दुनिया के भौतिक परीक्षण पर, फिर भी परिणाम दृढ़ता से संकेत देते हैं कि इस "वितरणात्मक" (distributional) लर्निंग दृष्टिकोण का उपयोग करना भविष्य के जटिल, ऊर्जा-खर्चीले नेटवर्क को प्रबंधित करने का एक आशाजनक तरीका है, जिससे यह सुनिश्चित होता है कि हमारे डिजिटल पैकेज बिना सिस्टम को थकाए तेज़ी से वितरित हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।