ワイヤレスネットワークオペレーターは、AIがアーキテクチャに最初から組み込まれるインフラストラクチャの世代に向けて準備を進めています。今後10年間に商業化に達すると予想される第6世代ネットワークは、スペクトラムがどのように割り当てられ、トラフィックがどのようにルーティングされ、障害がどのように検出されるかの中心にAIを置いて設計されています。
アテネのハロコピオ大学の研究者による論文は、異なるAI技術が物理ラジオレイヤーからネットワーク管理とサービス提供まで、6Gネットワーク設計の特定のレイヤーにどのようにマッピングされるかを検証しています。この論文は2018年から2025年までの出版物をカバーし、3GPP、ITU-T 6GフォーカスグループおよびO-RAN ALLIANCEの標準化作業に基づいています。
6Gが提供することが期待されるもの
6Gのパフォーマンスターゲットは5Gのターゲットよりも大幅に高くなっています。データ転送速度は秒あたり10テラビットを超える可能性があると予測されており、現在の5Gデプロイメントの秒あたり約10ギガビットと比較しています。エンドツーエンドレイテンシは約0.1ミリ秒に設定されており、5Gの1ミリ秒要件よりも10倍改善されています。超重要アプリケーションの信頼性ターゲットは99.9999パーセントに達し、自動運転制御、遠隔手術、産業オートメーションなどのユースケースをカバーする仕様です。
カバレッジは深海、地下、宇宙環境にも拡張されることが期待されており、現在のネットワークが到達しない場所での接続をサポートします。
AIがネットワークスタック全体でどのように分割されるか
研究者たちはネットワーク内でどこで動作するかによってAI技術を整理しています。従来の機械学習方法は物理レイヤーで適用され、チャネル推定とビーム最適化、再構成可能インテリジェントサーフェスの作業を含むタスクを処理します。ディープラーニングと強化学習はネットワークおよび管理レイヤーで動作し、スペクトラム割り当て、ネットワークスライシング、リアルタイムオーケストレーションをサポートします。
フェデレーテッドラーニングは主にサービスレイヤーに割り当てられており、デバイスがサーバに生データを送信せずに共有モデルをトレーニングできるようにします。このアプローチはIoTデプロイメント、ヘルスケアアプリケーション、および拡張現実サービスに関連し、データの機密性または帯域幅の制約により集中型トレーニングが実用的ではない場合があります。
説明可能なAIはすべてのレイヤーにわたって動作し、自動化された決定の透明性の必要性に対処し、EUのGDPRを含む規制と一致する要件です。
AI導入に関連するセキュリティ懸念
6GへのAIの統合は、従来のネットワークアーキテクチャに存在しないセキュリティリスクも導入します。大規模なデータセットでトレーニングされたAIシステムは、悪意のある入力がモデルパフォーマンスを低下させるデータ中毒攻撃を通じて標的にされることができます。フェデレーテッドラーニングは、プライバシーのメリットがあるにもかかわらず、共有モデルの更新から情報を抽出できるモデル反転攻撃に対して脆弱なままです。
生成敵対ネットワークは、従来の侵入検知システムをバイパスする合成ネットワークトラフィックまたは偽の認証情報を生成できます。
検証中の対策には、敵対的トレーニング、フェデレーテッドシステムにおけるビザンチン耐障害集約、およびリアルタイムでトラフィックパターンを監視するAI駆動の異常検知が含まれます。
ブロックチェーンインフラストラクチャは、分散AIデプロイメントにおける監査証跡およびアイデンティティ管理のサポートレイヤーとして評価されており、Proof of Stakeなどの軽量のコンセンサスメカニズムがエネルギーコストを管理可能に保つために提案されています。
エネルギーとハードウェアの制約
ネットワーク内でAIを大規模に実行することはエネルギーコストを導入します。密なデバイスデプロイメント全体で大規模なモデルをトレーニングして実行する計算負荷は、6Gオペレーターが満たすことが期待される持続可能性の目標と矛盾しています。研究方向には、モデル圧縮、量子化、およびプルーニングが含まれており、精度の大幅な低下なしにAI推論の計算負荷を削減します。
ハードウェア開発は別の制約です。0.1～10 THz範囲で動作し、6Gの高速ターゲットの中心であるテラヘルツ通信は、新しいトランシーバ設計を必要とし、重大なパス損失の課題に直面しています。遅延に敏感なアプリケーションのためにAI推論をローカルで実行できるエッジコンピューティングマイクロチップが必要であり、現在のチップ設計は処理能力と電力消費の間の緊張を解決していません。
量子コンピューティングは長期的な可能性として現れています。量子近似最適化アルゴリズムなどの量子アルゴリズムは、古典的な最適化の能力を超えるスケールでリソース割り当て問題に対処できます。現在の絶対零度近辺の動作温度要件とエラー訂正オーバーヘッドを考えると、既存インフラストラクチャとの統合は工学的な課題のままです。
研究者たちは、ベンダーおよび地域全体の相互運用性が解決されていない問題のままであることに注目しています。標準化されたAPIおよびデータ交換フォーマットは、異なるメーカーからのAIコンポーネントが単一ネットワークデプロイメント内で連携するために必要です。
翻訳元: https://www.helpnetsecurity.com/2026/04/08/ai-6g-networks-design/
