PRISM: Decision-Centric Predictive Sensing for Cognitive Digital Twins in 6G

De toekomst van draadloze netwerken gaat niet alleen over het verbinden van meer apparaten sneller; het gaat over het creëren van een zenuwstelsel voor de fysieke wereld. Stel u een stad voor waar verkeerslichten, het elektriciteitsnet en autonome voertuigen allemaal in realtime met elkaar communiceren en zich direct aanpassen aan een plotseling ongeluk of een verschuivende menigte. Om dit mogelijk te maken, combineren ingenieurs twee krachtige ideeën. De eerste is een technologie waarmee radiogolven een dubbelrol vervullen: ze dragen gegevens over zoals een telefoongesprek en fungeren tegelijkertijd als radar om de omgeving in kaart te brengen. De tweede is een "digitale tweeling", een virtuele kopie van het fysieke netwerk die in een computer leeft en de werkelijkheid constant weerspiegelt, zodat operators beslissingen kunnen testen voordat ze ze uitvoeren. Jarenlang hebben deze systemen goed functioneel in isolatie, maar naarmate netwerken groeien om alles te kunnen afhandelen, van levensreddende noodoproepen tot grootschalige fabrieksautomatisering, is er een kritiek gebrek ontstaan. De huidige aanpak is als een beveiligingscamera die alles, de hele tijd opneemt, ongeacht of er iets interessants gebeurt. Deze constante, ongerichte opname creëert een vloedgolf aan gegevens die het systeem verstopt, energie verspilt en het netwerk te traag maakt om te reageren wanneer er daadwerkelijk een beslissing in een fractie van een seconde nodig is.

Onderzoekers aan de King Fahd University of Petroleum and Minerals hebben een nieuwe manier voorgesteld om dit probleem op te lossen, waarbij de focus wordt verschoven van passieve observatie naar actieve anticipatie. Ze noemen hun nieuwe systeem PRISM, een framework dat ontworpen is om de digitale tweeling te veranderen van een statische recorder in een denkende partner. In plaats van te wachten tot het netwerk om informatie vraagt, vraagt PRISM zichzelf af wat het als volgende moet weten — het kijkt vooruit naar de beslissingen die het netwerk waarschijnlijk zal moeten nemen — zoals het sturen van een datastraling naar een snel bewegende auto of het omleiden van verkeer rond een nieuw obstakel — en richt zijn sensormiddelen alleen op die specifieke gebieden. Deze aanpak, die de auteurs beschrijven als beslissingsgerichte predictieve perceptie, betekent dat het netwerk stopt met het verspillen van tijd aan het scannen van lege ruimtes en begint zijn aandacht te richten precies waar die nodig is, net voordat deze nodig is.

Om dit idee te testen, bouwde het team een simulatie van een dichte stedelijke omgeving die wordt bediend door een enorme antenne-array, een type hardware die bekend staat als extremely large multiple-input multiple-output, of XL-MIMO. Deze technologie gebruikt duizenden antennes om zeer gefocuste datastralen te creëren, maar het staat voor een unieke uitdaging: de omgeving verandert zo snel dat het netwerk constant zijn kaart van het gebied moet bijwerken om signaalblokkades te voorkomen. In hun simulatie introduceerden de onderzoekers een gemengde populatie van apparaten, inclusief apparaten die ultra-betrouwbare, lage-latentieverbindingen vereisen voor kritieke taken, naast standaardapparaten voor internetbrowsen en een enorm aantal eenvoudige sensoren. Ze zetten het PRISM-engine vervolgens af tegen vier andere veelvoorkomende strategieën die in huidig onderzoek worden gebruikt. Eén strategie was een traditioneel systeem dat het hele gebied op een vast schema scant, zoals een vuurtorenstraal die de horizon afzoekt ongeacht het weer. Een andere was een reactief systeem dat alleen scande wanneer er al een probleem was gedetecteerd, en anderen gebruikten verschillende vormen van voorspellend gissen.

De resultaten van de simulatie toonden een duidelijk voordeel voor de PRISM-aanpak. Wanneer de onderzoekers mat hoe vaak het netwerk de juiste beslissing nam met de juiste informatie, behaalde PRISM een perfect succespercentage. Belangrijker nog, het deed dit met een fractie van de inspanning die de andere methoden vereisten. Terwijl het traditionele systeem met een vast schema tientallen gebieden moest scannen telkens wanneer de omgeving veranderde om een hoog succespercentage te behouden, slaagde PRISM erin om hetzelfde niveau van betrouwbaarheid te handhaven door zich te concentreren op slechts een handvol kritieke regio's. Het systeem bereikte dit door zijn kennis in lagen te organiseren, waarbij het een actuele, up-to-date kijk behield op de gebieden waar dringende beslissingen nabij waren, terwijl minder kritieke gebieden in een staat van lagere resolutie mochten blijven. Dit stelde het netwerk in staat om een heroriëntatie van de straal voor een bewegend voertuig te anticiperen en de noodzakelijke gegevens voor te bereiden voordat het voertuig zelfs de rand van zijn huidige verbindingzone bereikte.

De studie benadrukte ook hoe deze nieuwe methode omgaat met de verschillende behoeften van diverse netwerkgebruikers. In een echt 6G-netwerk moet één enkele mast gelijktijdig een chirurg die een robot bestuurt, een passagier die een film streamt en duizenden slimme meters bedienen. Elk van deze diensten heeft verschillende eisen voor snelheid en betrouwbaarheid. De PRISM-engine was ontworpen om deze verschillen te respecteren door aparte "fragmenten" van kennis voor elk type dienst te onderhouden. Het hield de gegevens voor de urgente, lage-latentieverbindingen constant vers, terwijl het de gegevens voor langzamere, vertragingstolerante diensten iets liet verouderen tussen updates door. Deze slice-bewuste organisatie betekende dat het systeem zijn beperkte sensorkracht kon prioriteren waar het ertoe deed, waardoor de meest kritieke beslissingen nooit werden vertraagd door een achterstand van onnodige gegevens.

Misschien wel de meest significante bevinding was de vermindering in latentie, of de vertraging tussen het waarnemen van een verandering en het handelen daarop. In de simulatie nam de PRISM-engine beslissingen met een vertraging van minder dan één honderdste van een stap, terwijl een reactief systeem dat wachtte tot een probleem verscheen voordat het handelt, een volledige stap nodig had om te reageren. In de wereld van autonome systemen, waar milliseconden het verschil kunnen betekenen tussen een soepele overdracht en een verbroken verbinding, is deze snelheid van vitaal belang. Het systeem bereikte dit door een korte lijst van mogelijke acties vooraf te berekenen terwijl het nog informatie verzamelde, zodat wanneer het moment van besluitvorming arriveerde, het netwerk alleen de beste optie hoefde te kiezen in plaats om het hele proces vanaf nul te starten.

Hoewel deze resultaten veelbelovend zijn, merken de onderzoekers er voorzichtig bij op dat deze gebaseerd zijn op een systeem-niveau simulatie in plaats van een fysieke test in een echte stad. De studie modelleerde niet de complexe fysica van radiogolven op dezelfde manier als een volledige technische test dat zou doen, maar richtte zich in plaats daarvan op de stroom van informatie en de logica van besluitvorming. De auteurs suggereren dat de volgende stap is om deze bevindingen te valideren met gedetailleerdere modellen en uiteindelijk met hardwareprototypes. De simulatie biedt echter sterk bewijs dat het verschuiven van een passieve, op schema gedreven aanpak naar een actieve, op beslissingen gedreven aanpak de manier waarop netwerken hun middelen beheren drastisch kan verbeteren. Door sensing te behandelen als een hulpmiddel voor redeneren in plaats van alleen gegevensverzameling, biedt het PRISM-framework een pad naar netwerken die niet alleen sneller en efficiënter zijn, maar ook in staat zijn tot de vorm van zelfbewuste coördinatie die vereist is voor de autonome systemen van de toekomst.