Grön AI - Kompakta trådlösa världsmodeller
| Diarienummer | |
| Koordinator | Ericsson AB |
| Bidrag från Vinnova | 100 000 kronor |
| Projektets löptid | februari 2026 - september 2026 |
| Status | Avslutat |
| Utlysning | 6G - Kompetensförsörjning |
| Ansökningsomgång | 6G - Handledning av examensarbete |
Viktiga resultat som projektet gav
Uppsatsen komprimerar Wireless Foundation Model, den ledande självövervakade grundmodellen för trådlös kanaldata, med hjälp av lagervis kunskapsdestillation, och utvärderar den för LoS/NLoS-klassificering och strålprediktion (beam prediction) över sex scenarier. LoS/NLoS-klassificering visar sig vara mycket kompressionstålig och tillåter en 3x reduktion utan prestandaförlust. För strålprediktion förekommer viss försämring, vilken korrelerar med uppgiftens svårighetsgrad.
Långsiktiga effekter som förväntas
Den viktigaste långsiktiga fördelen är operationell: en 3-lagersmodell vid kanten möjliggör realtidsinferens med lägre latens, minne och energiförbrukning än 12-lagersläraren – avgörande för kontinuerliga uppgifter som strålprediktion. Detta kan göra RAN-intelligens på enheten ekonomiskt lönsam i stor skala och göra mindre modeller till standard för latenskänsliga 6G-gränssnittsuppgifter.
Upplägg och genomförande
Projektet genomfördes genom en litteraturgenomgång – där bästa praxis inom kunskapsdestillation (Knowledge Distillation) identifierades och därefter överfördes till uppgiften att destillera Wireless Foundation Model.