Vers un apprentissage distribué économe en énergie pour la 6G – TREES

TREES vise à réduire l’empreinte carbone des réseaux 6G en intégrant l'apprentissage fédéré distribué (DFL), comme outil de prédiction des actions d’orchestration et d’amélioration de l’efficacité énergétique. DFL est un paradigme d’Intelligence Artificielle (AI) dont un des attraits est d’être moins énergivore. Pour atteindre cet objectif, TREES (i) concevra une nouvelle architecture et des algorithmes de DFL permettant de limiter la consommation d'énergie ; (ii) proposera des méthodes permettant de mutualiser les données et les apprentissages entre plusieurs applications en s’appuyant sur le cloisonnement des données offert par l’apprentissage fédéré; (iii) développera des algorithmes d'orchestration réseaux et des fonctions d'IA pour minimiser l’empreinte carbone des applications déployées ; (iv) mettra en place, sur un environnement expérimental, une boucle autonome d’administration des réseaux intégrant les différents outils développés dans le projet et des données du monde réel pour faire des évaluations de deux cas d'utilisation : « Leveraging Smart Power Grid for Telco » et « Energy-aware Multi-Tenant AI Function Orchestration ».