Extremvärdesteori möter generativ AI för ultrapålitlig kommunikation med låg latens

Syfte och mål

EVTAI-projektet utvecklar teoretiska grunder för generativ AI och trådlös kommunikation för att uppnå ultra-tillförlitlig lågfördröjningskommunikation (URLLC) för kritiska tillämpningar som fjärrkirurgi och autonoma fordon. Genom att integrera Extreme Value Theory (EVT) med generativ AI kan projektet hantera sällsynta extrema händelser och möta URLLC-krav, vilket möjliggör tillförlitlig och realtidskommunikation i dynamiska miljöer.

Förväntade effekter och resultat

Projektet syftar till att driva framsteg inom generativ AI och trådlös kommunikation, med fokus på forskning inom EVT och generativ AI för URLLC-system. Dessutom kommer projektet att fördjupa vår grundläggande förståelse för ultra-tillförlitliga och lågfördröjningskrav genom validering av nya EVT-algoritmer, generativa AI-tekniker och trådlösa kanalmodeller anpassade för dessa tillämpningar. Resultaten inkluderar minst fem högkvalitativa publikationer och handledning av flera studenter.

Planerat upplägg och genomförande

Vi utforskar gemensam modellering av tillförlitlighet och fördröjning med MEVT och trådlös kommunikation, samt utökar EVT och trådlösa metoder med maskininlärning för realtidsestimering i URLLC. Genom att integrera generativ AI i statistiska modeller strävar vi efter att förbättra noggrannheten, möta realtidskrav och säkerställa låg fördröjning och hög tillförlitlighet. Experimentdata från intra-vehikulär kommunikation kommer att validera dessa mål och visa förbättrad inlärningsnoggrannhet.