AI活用型6G IoTネットワークにおけるエネルギーへの影響：集中型 vs 分散型

Abstract

第6世代（6G）技術の登場により、モノのインターネット（IoT）ネットワークにおける機械学習（ML）アプリケーションには、新たな課題と機会が生まれました。特に、エネルギー効率に関して顕著です。モデルの学習とデータ伝送がエネルギー消費に大きく寄与するため、これらのプロセスを最適化することは、持続可能なシステム設計にとって重要になっています。本研究ではまず、中央集権型アーキテクチャと分散型アーキテクチャの双方に対するエネルギー消費モデルの分析を行い、その後、ドイツの鉄道インフラ内に展開したテストベッドを提示します。ここでは、センサーデータを活用して、MLベースの予知保全を行います。分散学習（Distributed Learning）と中央集権型学習（Centralized Learning：CL）アーキテクチャを比較した結果、分散モデルは予測精度（約90%）を維持しつつ、全体の電力消費を最大70%削減できることが明らかになりました。これらの知見は、特に伝送に関連するエネルギーコストを緩和することで、実環境のIoT導入において分散型MLがエネルギー効率を向上させ得る可能性を裏づけています。