Toward Integrated Sensing, Communications, and Edge Intelligence Networks

Titolo: Verso Reti per Sensing Integrato, Comunicazioni e Intelligenza Artificiale al Bordo (Edge Intelligence)

Autori: Mattia Merluzzi, Miltiadis C. Filippou, Paolo Di Lorenzo, George C. Alexandropoulos.

---

1. Il Problema

Le reti wireless di prossima generazione (6G) stanno evolvendo da semplici sistemi di connessione a infrastrutture capaci di integrare tre funzioni fondamentali:

1. Comunicazioni (Com): Trasmissione dati per utenti (es. streaming video).
2. Sensing Integrato (ISAC): Utilizzo opportunistico dei segnali radio per rilevare e stimare parametri ambientali (es. radar).
3. Intelligenza Artificiale al Bordo (Edge AI/EI): Esecuzione di inferenze su dati raccolti (es. classificazione immagini da telecamere) presso server di bordo (Edge Server - ES).

Il problema centrale affrontato è la gestione delle risorse condivise tra questi tre servizi. Attualmente, la ricerca tende a trattare ISAC e SemCom (Comunicazioni Semantiche/Goal-oriented) separatamente o a ottimizzare solo la coesistenza tra due servizi. Tuttavia, quando si introduce l'Edge AI, si crea uno spazio decisionale complesso:

• La scelta del modello di AI (più o meno complesso) influenza il tempo di elaborazione (computation delay).
• Il tempo di elaborazione riduce il "budget" temporale disponibile per la trasmissione dei dati (communication delay).
• Il tempo di trasmissione determina quante risorse (tempo/potenza) rimangono per il servizio ISAC, impattando sulla precisione del sensing (CRB - Cramér-Rao Bound) e sulla velocità di trasmissione per l'utente Downlink (DL).

L'obiettivo è ottimizzare congiuntamente l'allocazione delle risorse radio e la rappresentazione dei dati (compressione) tenendo conto esplicitamente della disponibilità e delle prestazioni dei modelli di calcolo, per massimizzare l'efficacia complessiva del sistema.

---

2. Metodologia e Modello di Sistema

Scenario di Sistema

• Architettura: Una stazione base (BS) Full-Duplex (FD) MIMO che gestisce:
  • Uplink (UL): Un dispositivo (telecamera) invia dati grezzi o compressi all'Edge Server per l'inferenza.
  • Downlink (DL) + Sensing: La BS comunica con un utente DL (es. streaming) e contemporaneamente utilizza gli echi dei segnali DL per il sensing monostatico di un bersaglio vicino.
• Vincolo Temporale: Il sistema opera a "quasi-FD". L'UL è ortogonalizzato nel tempo rispetto al DL/Sensing perché i segnali della telecamera sono troppo forti e disturberebbero gli echi radar deboli. Il FD è usato solo per la funzione ISAC (trasmissione DL e ricezione eco simultanea).
• Metriche Chiave (KPI):
  • Efficacia dell'Obiettivo (Goal Effectiveness, $E_g$): Probabilità che un batch di dati venga classificato correttamente ($Q \ge Q_{min}$) entro un ritardo massimo ($L_{max}$). Dipende dalla qualità dei dati (compressione) e dal modello AI scelto.
  • Comunicazione DL: Velocità di trasmissione (Rate).
  • Sensing: Precisione di stima dell'angolo del bersaglio, misurata tramite il Cramér-Rao Bound (CRB).

Formulazione del Problema

Gli autori formulano un problema di ottimizzazione misto-integer non lineare (MINLP) per massimizzare l'efficacia dell'AI e minimizzare la potenza di trasmissione, soggetta a vincoli di ritardo e precisione di sensing.

• Variabili di decisione:
  • $P_{dl,f}$: Potenza di trasmissione DL su ogni sub-portante.
  • $n_b$: Numero di bit per batch (che determina il livello di compressione e quindi la qualità dei dati).
• Obiettivo: Minimizzare una funzione ponderata tra la potenza di trasmissione DL e la "ricchezza" dei dati ($n_b$), controllata da un parametro $\sigma$.
• Vincoli:
  • CRB $\le$ Soglia di precisione richiesta.
  • Rate DL $\ge$ Soglia minima.
  • Ritardo totale (trasmissione + calcolo) $\le$ $L_{max}$.
• Approccio risolutivo: Poiché il problema è convesso una volta fissato $n_b$, e l'insieme dei possibili livelli di compressione è piccolo, il problema viene risolto ottimamente iterando su tutte le possibili configurazioni di $n_b$ e risolvendo il sottoproblema convesso per ciascuna.

---

3. Contributi Chiave

1. Integrazione Computazionale: Il lavoro introduce esplicitamente la disponibilità e le prestazioni dei modelli AI come variabili di ottimizzazione nella gestione delle risorse radio, superando l'approccio tradizionale "disgiunto" (dove le risorse sono allocate senza considerare il carico computazionale).
2. Accoppiamento Teorico: Dimostrano matematicamente come la scelta del modello di inferenza (che determina il ritardo di calcolo) vincoli direttamente l'allocazione temporale per il sensing e le comunicazioni, creando un trade-off fondamentale tra accuratezza del sensing, velocità di comunicazione e qualità dell'inferenza.
3. Algoritmo di Ottimizzazione: Propongono uno schema di condivisione delle risorse "consapevole del calcolo" (compute-aware) che risolve ottimamente il problema di coesistenza dei tre servizi.
4. Validazione Sperimentale: Confronto con una strategia di benchmark "non consapevole del calcolo" (computation-unaware), che assume un modello AI fisso e pesante durante l'ottimizzazione.

---

4. Risultati Numerici

Le simulazioni sono state condotte su un scenario con:

• Frequenza portante: 10 GHz, Banda 50 MHz.
• Modelli AI testati: MobileNet-v3-small (0.12 GFLOPs), ResNet-50 (8.18 GFLOPs), ViT-B16 (33.7 GFLOPs).
• Vincoli: Ritardo max 50 ms, Precisione sensing $\sqrt{CRB} \le 0.3$ gradi.

Risultati principali:

• Trade-off Potere-Efficacia: L'efficacia dell'obiettivo ($E_g$) aumenta all'aumentare della potenza di trasmissione DL. Tuttavia, una maggiore efficacia richiede più tempo per la trasmissione dei dati (compressione minore), riducendo il tempo per il sensing e costringendo la BS ad aumentare la potenza per mantenere la precisione del sensing.
• Vantaggio dell'Approccio Compute-Aware:
  • L'approccio proposto supera significativamente il benchmark. Ad esempio, per un modello da 8.18 GFLOPs, l'approccio proposto raggiunge la stessa efficacia dell'obiettivo con circa la metà della potenza di trasmissione rispetto alla strategia disgiunta.
  • La strategia disgiunta tende a sovrastimare le risorse necessarie perché non adatta la compressione dei dati alla reale capacità di calcolo disponibile.
• Flessibilità del Modello AI: Quando la potenza DL è sufficiente (es. > 80 mW), modelli più leggeri (ResNet-50) possono raggiungere un'efficacia superiore all'80%, rendendo inutile l'uso di modelli pesanti (ViT) che consumano più risorse computazionali. Questo dimostra che l'ottimizzazione congiunta permette di selezionare dinamicamente il modello migliore in base alle condizioni di rete.
• Impatto dei Vincoli di Sensing: Allentare i requisiti di precisione del sensing (es. da 0.3° a 1.0°) migliora drasticamente il trade-off, permettendo di ottenere alta efficacia AI con meno potenza DL.

---

5. Significato e Conclusioni

Questo lavoro rappresenta un passo avanti verso la realizzazione di reti 6G veramente integrate. Dimostra che non è possibile ottimizzare le prestazioni di una rete 6G considerando solo lo strato fisico o le sole comunicazioni.

• Sinergia: Il calcolo (AI) e il sensing non sono servizi concorrenti ma strettamente accoppiati. La conoscenza dello stato computazionale permette di allocare le risorse radio in modo più efficiente.
• Impatto Pratico: L'approccio proposto permette di ridurre il consumo energetico (potenza di trasmissione) mantenendo alte prestazioni di servizio, un fattore critico per le reti sostenibili.
• Direzioni Future: Gli autori suggeriscono di esplorare l'ottimizzazione dinamica in tempo reale basata sul comportamento dei bersagli e l'uso dei dati di sensing per migliorare direttamente le prestazioni dell'AI (es. sensing per guidare la selezione del modello), trasformando la coesistenza in una vera sinergia.

In sintesi, il paper stabilisce che la gestione delle risorse nelle reti future deve essere cross-layer e consapevole del contesto computazionale per bilanciare efficacemente comunicazione, sensing e intelligenza.