CORE：階層型エッジ上の大規模言語モデルエージェントの協調オーケストレーションによるユビキタス6Gインテリジェンスに向けて

TL;DR（結論）

第6世代移動通信システム（6G）と大規模言語モデル（LLM）を統合し、分散した計算資源を効率的に活用するための新しいフレームワーク「CORE」が提案されました。 このシステムは、モバイル端末や複数のエッジサーバに異なる役割を持つLLMエージェントを配置し、リアルタイムの知覚、動的な役割の割り当て、およびパイプライン並列実行を組み合わせて複雑なタスクを処理します。 実際の産業オートメーション環境での検証により、タスク完了率の向上や帯域幅消費の削減、さらに異常検知の精度向上といった具体的な性能改善が確認されており、6G時代の遍在的な知能の実現に寄与します。

なぜこの問題か

現代の通信技術は第6世代移動通信システム（6G）の到来により、超低遅延、広範な接続性、そして前例のないデータ転送レートを実現しようとしています。これにより、大規模言語モデル（LLM）を活用したAIエージェントがネットワークの端（エッジ）で動作し、文脈に応じたリアルタイムなサービスを提供する「遍在的な知能（Ubiquitous Intelligence）」の実現が期待されています。しかし、このビジョンの実現には大きな技術的障壁が存在します。 まず、6Gネットワーク内の計算資源は、非常に断片化されており、かつ異種混合（ヘテロジニアス）な状態にあります。計算能力は、リソースが限られたモバイルデバイスから、複数の階層を持つエッジサーバ、そしてクラウドインフラに至るまで多岐にわたります。個別のLLMエージェントが、マルチモーダルな知覚や動的な意思決定、自然言語理解といった複雑な推論タスクを単独で実行しようとしても、個々のデバイスの資源だけでは不十分な場合がほとんどです。 既存のアプローチでは、中央集権的なクラウドシステムに依存するか、あるいは孤立したエッジデバイスで処理を行うかのどちらかでした。…

核心：何を提案したのか

本論文では、6Gネットワークにおいてユーザーとエージェントのインタラクティブなタスクを協調して実行するための革新的なフレームワーク「CORE（Collaborative Orchestration Role at Edge）」を提案しています。COREの核心は、複数のLLMにそれぞれ異なる機能的な役割（ロール）を割り当て、それらをモバイルデバイスや階層化されたエッジサーバに分散配置して協調させる「協調学習システム」にあります。 COREは大きく分けて3つのレイヤーで構成されています。最下層の「6Gインフラストラクチャ層」は、通信とセンシングの統合（ISAC）や超信頼低遅延通信（URLLC）、デジタルツインなどの技術を提供します。中間層の「プライマリサービス層」は、マルチモーダル知覚、動的な役割のオーケストレーションとスケジューリング、およびパイプライン並列実行を担います。…

続きはログイン/プランで閲覧できます。