Kunstmatige intelligentie (AI) speelt een cruciale rol in het dynamische landschap van draadloze communicatie door uitdagingen aan te pakken die traditionele benaderingen niet kunnen oplossen. Dit project zal de evolutie van Wireless AI verkennen, met een focus op de overgang van geïsoleerde, taak-specifieke modellen naar meer generaliseerbare en adaptieve AI-modellen, geïnspireerd door recente successen in grote taalmodellen (LLMs) en computer vision. Een geïntegreerd Wireless Foundation Model is essentieel om taak-specifieke AI-strategieën in draadloze netwerken van de volgende generatie te overtreffen.

Wireless Foundation Models, getraind op diverse draadloze data—waaronder RF-signalen, afbeeldingen, geluid, radar en meer—kunnen worden verfijnd om verschillende downstream-taken uit te voeren, zoals bundelbeheer, hulpbronnenbeheer, energiemanagement, modulatiekeuze, milieubewaking, monitoring van vitale functies en andere toepassingen. Er zijn echter verschillende uitdagingen bij het realiseren van de visie van Wireless Foundation Models, zoals het ontwerpen van effectieve pre-trainingtaken, het ondersteunen van de inbedding van heterogene tijdreeksen en het mogelijk maken van mensbegrijpelijke interactie. Bovendien is het van cruciaal belang dat Wireless Foundation Models samenwerken met LLMs, die kunnen helpen bij het extraheren van metadata (zoals classificaties, semantische beschrijvingen van draadloze netwerkomstandigheden, sensorische toepassingen, menselijk gedrag, enz.) uit deze modellen. Deze integratie met LLMs kan leiden tot een continue optimalisatie van draadloze netwerken.

Het doel van dit project is om Wireless Foundation Models te onderzoeken door transformers te trainen met verschillende multi-modale draadloze data—waaronder RF-signalen, afbeeldingen en radar—en deze modellen te verfijnen voor meerdere downstream-taken in draadloze netwerken van de volgende generatie, zoals bundelbeheer, hulpbronnenbeheer, interferentiedetectie, omgevingskarakterisering en activiteitherkenning.