XAI aplicada a algoritmos para redes 5G de longa distância

• Processo: 22/14431-2
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de fevereiro de 2023
• Data de Término da vigência: 31 de janeiro de 2026
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Luciano Leonel Mendes
• Beneficiário: Pedro Henrique Carneiro de Souza
• Instituição Sede: Instituto Nacional de Telecomunicações (Inatel). Santa Rita do Sapucaí , SP, Brasil
• Vinculado ao auxílio: 20/05127-2 - SAMURAI: núcleo 5G inteligente e integração de múltiplas redes de acesso, AP.TEM
• Assunto(s): Aprendizado computacional Inteligência artificial Plataforma (computação) Tecnologias 5G Comunicação
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Inteligência Artificial | Inteligência Artificial Interpretável | Superfícies Refletivas Inteligentes | Xai | 5G | Comunicações Móveis

Resumo

O projeto de pesquisa consiste na concepção e definição dos algoritmos de Aprendizado de Máquina/Inteligência Artificial (em inglês artificial intelligence/machine learning, AI/ML) para camadas física e de enlace, no contexto de plataformas XAI, ou seja, AI interpretável (explainable artificial intelligence, XAI). Espera-se que novos algoritmos e arquiteturas para AI/ML sejam propostos, levando em conta requisitos específicos para redes de acesso 5G (fifth generation of mobile network) de longa distância. Isso será realizado considerando os últimos avanços da AI interpretável e também de técnicas para a simulação de canal baseado em traçado de raios (ray tracing, RTR). Os algoritmos de XAI serão empregados para simplificar os processos realizados na camada física de sistemas de recepção em redes móveis de longa distância e também na configuração e operação das superfícies refletivas inteligentes (intelligent reflective surfaces, IRS), por exemplo, visando elevar a cobertura do sinal no enlace de longa distância. De fato, soluções baseadas em AI/ML por vezes sofrem pela inacessibilidade, uma vez que são desconhecidos os mecanismos responsáveis pelos resultados obtidos. Isso se torna crítico especialmente em sistemas de telecomunicações, onde historicamente modelos analíticos sempre dominaram as soluções adotadas. Desta forma, pretende-se que os algoritmos propostos com a abordagem da XAI possam ser dimensionados de forma precisa para o atendimento das demandas de desempenho da rede, podendo ter seu comportamento previsto nos casos em que as condições de treinamento da AI não sejam satisfeitas. Com isso, seria mitigada a incapacidade de prever o comportamento de algoritmos baseados em AI frente a um conjunto de dados com estatísticas e padrões não presentes no treinamento. Em outras palavras, estaria superado um dos principais obstáculos para a adoção de AI em redes móveis por parte das operadoras, abrindo assim o caminho para a adoção em massa desta tecnologia. (AU)