🤖 AI

Towards Energy Impact on AI-Powered 6G IoT Networks: Centralized vs. Decentralized

Dit onderzoek toont aan dat gedistribueerd leren in AI-gedreven 6G IoT-netwerken, zoals getest in de Duitse spoorweginfrastructuur, de totale elektriciteitsconsumptie met tot 70% kan verminderen ten opzichte van gecentraliseerde architecturen, terwijl een vergelijkbare voorspellende nauwkeurigheid van ongeveer 90% wordt behouden.

Oorspronkelijke auteurs: Anjie Qiu, Donglin Wang, Sanket Partani, Andreas Weinand, Hans D. Schotten

Gepubliceerd 2026-04-22

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Anjie Qiu, Donglin Wang, Sanket Partani, Andreas Weinand, Hans D. Schotten

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Hoe we AI op het spoor kunnen laten werken zonder de elektriciteitsrekening te laten exploderen

Stel je voor dat het treinnetwerk van Duitsland een enorm, levend organisme is. Duizenden sensoren zitten op de rails en wissels, alsof het zenuwuiteinden zijn die constant voelen of de trein te hard gaat of of er iets mis is met de rails. Deze sensoren verzamelen een berg aan data. De vraag die de auteurs van dit onderzoek stellen, is simpel maar cruciaal: Hoe laten we deze sensoren slim worden (met AI) zonder dat ze de hele stad van stroom laten afhaken?

Hier is een uitleg van hun onderzoek, vertaald naar alledaags taal en met een paar leuke vergelijkingen.

Het Grote Dilemma: De "Alles-naar-Het-Kantoor"-Strategie vs. De "Lokale Team"-Strategie

De onderzoekers vergelijken twee manieren om deze slimme sensoren te laten werken:

1. De Centrale Aanpak (De "Alles-naar-Het-Kantoor"-strategie)

Hoe het werkt: Elke sensor neemt een foto van de trein of meet de snelheid en stuurt die ruwe data direct via het 5G-netwerk naar een gigantische, superkrachtige computer in een datacenter (het "kantoor"). Daar wordt de hele wereld van data samengevoegd en leert de computer wat hij moet doen.
Het probleem: Het is alsof elke bewoner van een dorpje elke dag een hele krant (de ruwe data) per post naar de hoofdstad stuurt, zodat de burgemeester kan lezen wat er gebeurt. Het kost enorm veel postzegels (stroom voor verzending) en de burgemeester moet heel hard werken om al die kranten te lezen.
Resultaat: Het werkt goed, maar het is duur en energievretend.

2. De Gedecentraliseerde Aanpak (De "Lokale Team"-strategie)

Hoe het werkt: De sensoren sturen geen foto's of meetgegevens naar het kantoor. In plaats daarvan krijgen ze een "leerdagboek" (het AI-model) van het kantoor. Ze leren zelf lokaal wat ze moeten doen op basis van wat ze zien. Als ze iets hebben geleerd, sturen ze alleen een kort verslagje (de nieuwe kennis) terug naar het kantoor. Het kantoor vat alle verslagjes samen en stuurt een verbeterd dagboek terug.
De vergelijking: Het is alsof de burgemeester een handleiding naar elk dorpje stuurt. De dorpsbewoners leren zelf hoe ze de trein moeten monitoren. Ze sturen alleen een kort briefje terug met de tip: "We hebben geleerd dat trein X vaak vertraagt bij regen." De burgemeester hoeft geen hele kranten meer te lezen, alleen maar de samenvattingen.
Het voordeel: Je stuurt veel minder post (minder data-overdracht), wat enorm veel energie bespaart.

Wat hebben ze eigenlijk gedaan?

De onderzoekers hebben dit niet alleen op papier uitgetekend, maar ze hebben het echt gebouwd in samenwerking met de Duitse spoorwegen (Deutsche Bahn).

Ze hebben 1.300 sensoren geïnstalleerd op wissels in steden als Kassel, Mainz en Stuttgart.
Deze sensoren hebben bijna een jaar lang 24/7 gemeten. Het resultaat? Een database van 14,3 terabyte aan data (dat is alsof je duizenden films opslaat).
Ze hebben getest welke methode beter werkt: de "alles-sturen-naar-het-kantoor" methode of de "leren-lokaal-en-verslag-sturen" methode.

De Uitslag: Slimmer en Zuiniger

De resultaten waren verrassend duidelijk:

De slimheid is bijna hetzelfde: De lokale sensoren (de gedecentraliseerde methode) waren net zo goed in het voorspellen van treinproblemen als de supercomputer in het datacenter. Ze haalden beide een nauwkeurigheid van ongeveer 90%.
De energiebesparing is enorm: Hier komt de grote winst. De lokale methode verbruikte tot 70% minder stroom dan de centrale methode.
- Waarom? Omdat het versturen van data (de "postzegels") de grootste energievreter is. Door alleen de "leerresultaten" te sturen in plaats van de hele "krant", bespaar je enorm veel energie.

Waarom is dit belangrijk voor de toekomst (6G)?

We gaan naar een wereld van 6G, waar alles met elkaar verbonden is en waar AI overal wordt ingezet. Als we alles op de oude manier doen (alles naar de cloud sturen), gaan we de energievoorraad van de planeet opbranden.

De boodschap van dit onderzoek is als volgt:

"We hoeven niet alles naar één groot brein te sturen om slim te zijn. Als we de 'hersenen' een beetje verspreiden over de sensoren zelf, worden we niet alleen slimmer, maar ook veel duurzamer."

Het is alsof je een team van duizenden kleine, slimme detectives hebt die lokaal werken, in plaats van één superdetective die alle bewijsstukken uit de hele wereld moet laten aanleveren. De zaak wordt net zo goed opgelost, maar de kosten (en de CO2-uitstoot) zijn een fractie van wat het anders zou zijn.

Kortom: Door slimme AI-strategieën toe te passen op het spoor, kunnen we de treinen veiliger maken én de elektriciteitsrekening flink verlagen. Een win-win voor de spoorwegen én het milieu.

Probleemstelling

De integratie van Kunstmatige Intelligentie (AI) en Machine Learning (ML) in Internet of Things (IoT)-netwerken, met name in de context van de opkomende 6G-technologie, brengt aanzienlijke uitdagingen op het gebied van energie-efficiëntie met zich mee.

Energieverbruik: Het trainen van modellen en het verzenden van data dragen significant bij aan het totale energieverbruik en de bijbehorende CO2-uitstoot.
Beperkingen van Centralisatie: Traditionele centrale architecturen vereisen dat ruwe data van duizenden apparaten naar een cloudserver of datacenter wordt verzonden. Dit leidt tot hoge communicatiekosten (bandbreedte en energie voor transmissie) en schaalbaarheidsproblemen, vooral bij batterij-aangedreven IoT-apparaten.
Doel: Er is een dringende behoefte om te begrijpen hoe gedecentraliseerde benaderingen (zoals Federated Learning) kunnen worden ingezet om het energieverbruik te verminderen zonder in te leveren op de prestaties van het systeem.

Methodologie

De auteurs ontwikkelen een kwantitatief energieconsumptiemodel en valideren dit empirisch via een real-world testomgeving.

Energieconsumptiemodel:
- Er wordt een algemeen model opgesteld dat het energieverbruik ( $E$ ) splitst in twee componenten: rekenkracht ( $E_{Compute}$ ) en communicatie ( $E_{Trans}$ ).
- Centralized Learning (CL): Alle ruwe data wordt via 5G naar een centraal server gestuurd. Het trainen vindt plaats op krachtige hardware (GPU/TPU) in het datacenter. Het energiemodel omvat de kosten voor het verwerken van de volledige dataset en het verzenden van ruwe data ( $b(\epsilon_k)$ ).
- Decentralized Learning (Federated Learning - FL): Het trainen vindt plaats lokaal op randapparaten (edge nodes). Alleen modelparameters (gewichten) worden uitgewisseld met de server, niet de ruwe data. Het model omvat lokale trainingskosten op de edge en de kosten voor het up- en downloaden van modelupdates.
Testbed Implementatie (Duitse Spoorwegen):
- Samenwerking: Het onderzoek is uitgevoerd in samenwerking met Deutsche Bahn en Breuer GmbH binnen het project "SLKI" (Second-Level Künstliche Intelligenz in Weichen).
- Infrastructuur: Er zijn meer dan 1.300 sensoren geïnstalleerd op 650 wissels in Duitsland. Deze sensoren verzamelen data over treinsnelheden (40-280 km/u) en spoorcondities.
- Hardware:
  - CL: Een high-performance desktopcomputer.
  - FL: NXP i.MX 8M Plus embedded boards met geïntegreerde Neural Processing Units (NPU) op de edge.
- Dataset: Een dataset van meer dan 14,3 TB met 5 miljoen meetrecords, verzameld over een periode van bijna een jaar.
- Model: Een Convolutional Neural Network (CNN) voor voorspellend onderhoud (predictive maintenance) van de spoorweginfrastructuur.

Belangrijkste Bijdragen

Vergelijkend Analysemodel: Het paper biedt een gestructureerd model om de energie-efficiëntie van centrale versus gedecentraliseerde AI-architecturen in 6G-IoT-netwerken te kwantificeren, met specifieke focus op de afweging tussen transmissiekosten en rekentijd.
Empirische Validatie: In plaats van alleen simulaties, wordt het model getest op een operationeel, grootschalig spoorwegnetwerk. Dit biedt inzicht in de prestaties in een realistische omgeving met complexe netwerkcondities.
Kwantificering van Energiebesparing: Het onderzoek levert concrete cijfers op over hoeveel energie er bespaard kan worden door over te schakelen van CL naar FL in een industriële setting.

Resultaten

De experimentele resultaten tonen een duidelijke trade-off tussen prestaties en energie-efficiëntie:

Voorspellende Nauwkeurigheid:
- Zowel het centrale (CL) als het gedecentraliseerde (FL) model bereiken een vergelijkbare voorspellende nauwkeurigheid van ongeveer 90% na 20 trainingsrondes (epochs).
- Hoewel CL iets sneller convergeert vanwege de zwaardere hardware, is het verschil in nauwkeurigheid na 20 rondes verwaarloosbaar.
Energieverbruik:
- Transmissie: In de FL-architectuur is het energieverbruik voor dataoverdracht lager dan bij CL, omdat er geen ruwe data (grote bestanden) hoeft te worden verzonden, maar alleen kleine modelupdates. Echter, door de frequentie van uitwisseling van parameters kan de transmissie-energie per cyclus complexer zijn, maar de totale besparing is aanzienlijk.
- Rekenkracht: CL vereist aanzienlijk meer energie voor het trainen op de server vanwege de verwerking van de volledige dataset. FL verdeelt deze last over de edge-nodes.
- Totale Besparing: De belangrijkste bevinding is dat de gedecentraliseerde (FL) architectuur het totale elektriciteitsverbruik met tot wel 70% reduceert ten opzichte van de centrale aanpak.
- Transmissie-aandeel: In de FL-configuratie maakt de energie voor dataoverdracht tot 70% uit van het totale energieverbruik, wat benadrukt dat communicatie-efficiëntie cruciaal is.
Vergelijking per Stad (Tabel I):
- De metingen in steden zoals Kassel, Mainz, Stuttgart en Ulm tonen consistent aan dat FL aanzienlijk minder kWh verbruikt dan CL. Bijvoorbeeld, in Stuttgart verbruikte CL 896,7 kWh, terwijl FL slechts 259,0 kWh nodig had.

Significantie en Conclusie

Dit onderzoek onderstreept het potentieel van Federated Learning als een sleuteltechnologie voor duurzame 6G-IoT-netwerken.

Duurzaamheid: Door de verschuiving van ruwe data-transmissie naar lokale verwerking en het uitwisselen van modelparameters, kunnen grote IoT-netwerken (zoals spoorwegen) hun operationele kosten en CO2-voetafdruk drastisch verlagen.
Toekomstperspectief: De resultaten suggereren dat gedecentraliseerde AI-architecturen niet alleen privacy-bewuster zijn, maar ook de meest energie-efficiënte route zijn voor schaalbare IoT-toepassingen.
Implicatie voor 6G: Voor de toekomstige 6G-standaarden is het essentieel om energie-efficiënte protocollen te ontwerpen die de communicatie-overhead minimaliseren, aangezien transmissie een groot deel van het energieverbruik uitmaakt.

Kortom, het paper bewijst dat een gedecentraliseerde aanpak voor AI in IoT-netwerken een haalbare en superieure strategie is voor energiebesparing, zonder in te leveren op de kwaliteit van de dienstverlening (voorspellende nauwkeurigheid).