Toward Integrated Sensing, Communications, and Edge Intelligence Networks

1. Problema e Contexto

O artigo aborda o desafio emergente na evolução para redes 6G: a necessidade de integrar três funcionalidades distintas na mesma infraestrutura de rede sem fio:

1. Comunicações (Com): Transmissão de dados para usuários (ex: streaming de vídeo).
2. Sensoriamento Integrado (ISAC - Integrated Sensing and Communications): Uso de sinais de rádio para sensoriamento ambiental (ex: radar para detecção de objetos).
3. Inteligência na Borda (EI - Edge Intelligence): Execução de inferência de modelos de IA (Machine Learning) em servidores de borda, baseada em dados coletados por dispositivos (ex: câmeras enviando imagens para classificação).

O problema central é o gerenciamento de recursos conflitantes. Tradicionalmente, esses serviços são tratados de forma isolada ou com alocação ortogonal rígida. No entanto, existe um acoplamento fundamental:

• A escolha do modelo de IA (complexidade computacional) determina o tempo de processamento na borda.
• O tempo de processamento afeta o orçamento de latência disponível para a transmissão de dados (comunicação).
• O tempo disponível para comunicação afeta diretamente o tempo e a potência disponíveis para o sensoriamento (ISAC) e para a taxa de dados do usuário.

O objetivo é otimizar a alocação de recursos (potência de transmissão, tempo, formato de dados) considerando explicitamente a disponibilidade e o custo computacional dos modelos de IA, em vez de tratar a computação como uma variável externa.

2. Metodologia

Os autores propõem um sistema de rede sem fio multi-serviço com a seguinte configuração:

• Arquitetura: Uma Estação Base (BS) com MIMO Full-Duplex (FD) que suporta comunicações Downlink (DL) e sensoriamento simultâneos, enquanto opera em modo Half-Duplex (apenas recepção) para o UpLink (UL) de dados da câmera, devido à forte interferência do sinal de vídeo em relação aos ecos fracos do radar.
• Estrutura de Quadro: O tempo é dividido em quadros onde uma fração $\rho_{ul}$ é usada para upload de dados de inferência e o restante $\rho_{dl}$ para ISAC (DL + Sensoriamento).
• Métricas de Desempenho:
  • Inferência: Atraso total (comunicação + computação) e "Eficácia da Meta" (probabilidade de sucesso da tarefa dentro de um limite de atraso e qualidade mínima).
  • ISAC: Taxa de dados alcançável (DL) e o Limite de Cramér-Rao (CRB) para a estimativa de ângulo do alvo (precisão do sensoriamento).
• Formulação do Problema:
  • Os autores derivam uma relação matemática que acopla a alocação de tempo de DL ($\rho_{dl}$) com a escolha do modelo de IA e a compressão dos dados.
  • Formulam um problema de otimização Misto Inteiro Não-Linear (MINLP).
  • Objetivo: Minimizar a potência de transmissão da BS (para ISAC) e maximizar a riqueza dos dados de entrada (precisão da inferência), sujeito a restrições de CRB (sensoriamento), taxa de dados mínima (comunicação) e limites de potência.
  • Solução: O problema é resolvido de forma ótima explorando a convexidade quando a representação de dados (número de bits) é fixa. O algoritmo testa diferentes configurações de modelos de IA e formatos de dados para encontrar o equilíbrio global.

3. Principais Contribuições

• Conceito de Rede Triplo-Funcional: Introdução formal de um paradigma onde a mesma infraestrutura suporta simultaneamente sensoriamento, comunicação e inferência de IA na borda, reconhecendo a interdependência entre eles.
• Otimização Consciente de Computação (Compute-Aware): Diferente de trabalhos anteriores que focam apenas em ISAC ou SemCom (Comunicações Semânticas), este trabalho integra explicitamente a disponibilidade e complexidade dos modelos de IA no processo de alocação de recursos de rádio.
• Acoplamento Teórico: Demonstração de que os limites de desempenho teórico (como o CRB para sensoriamento) são funções diretas das decisões de comunicação e computação.
• Algoritmo de Otimização: Desenvolvimento de uma solução ótima para um problema complexo de alocação conjunta de recursos, superando estratégias de alocação disjunta (onde os serviços são otimizados separadamente).

4. Resultados Numéricos

As simulações foram realizadas com cenários de classificação de imagens (CIFAR-100) usando diferentes modelos de IA (MobileNet-v3, ResNet-50, ViT) e parâmetros de canal realistas.

• Superioridade da Abordagem Proposta: A estratégia "consciente de computação" supera significativamente a estratégia de benchmark "desconhecida de computação" (que assume o modelo mais pesado).
  • Exemplo: Para um modelo intermediário (ResNet-50), a abordagem proposta alcança a mesma eficácia da meta com metade da potência de transmissão necessária na estratégia de benchmark.
• Trade-off Dinâmico: Existe uma relação clara entre a potência de transmissão DL e a eficácia da meta. Aumentar a potência melhora o sensoriamento e a comunicação, liberando mais tempo para a inferência, mas a escolha do modelo de IA (mais leve vs. mais pesado) impacta drasticamente onde esse equilíbrio ocorre.
• Flexibilidade: O sistema pode adaptar-se a requisitos de sensoriamento mais relaxados (maior CRB permitido), permitindo o uso de modelos de IA mais leves e economizando recursos de rede, mantendo a eficácia da tarefa acima de 80%.

5. Significado e Impacto

Este trabalho é fundamental para o desenvolvimento de redes 6G porque:

1. Eficiência de Recursos: Demonstra que tratar comunicação, sensoriamento e computação como um sistema integrado e não como silos separados permite ganhos substanciais de eficiência energética e espectral.
2. Tomada de Decisão Cross-Layer: Estabelece a necessidade de decisões de alocação de recursos que considerem camadas superiores (aplicação/IA) ao gerenciar a camada física (rádio).
3. Viabilidade de Serviços Coexistentes: Prova que é possível atender a requisitos rigorosos de latência e precisão para múltiplos serviços críticos (como veículos autônomos que precisam de radar, comunicação e visão computacional simultaneamente) através de otimização conjunta.
4. Direção Futura: Abre caminho para otimização dinâmica em tempo real baseada no comportamento do alvo e seleção online de modelos de IA, além de explorar sinergias onde os dados de sensoriamento podem melhorar a inferência de IA.

Em resumo, o artigo fornece uma base teórica e prática para projetar redes onde a inteligência artificial e o sensoriamento não competem por recursos, mas são otimizados em conjunto para maximizar o desempenho global do sistema.