セマンティック通信勉強会 6Gに向けたデバイス間効率的な通信の技術紹介・課題・今後展望

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、
より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。
speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge

Transcript

1. 中村凌・篠原崇之・平出尚義 青木 亮祐・嶌田 将貴・文山 草 1 セマンティック通信勉強会 6Gに向けたデバイス間 効率的な通信 技術紹介・課題・今後 展望
2. 2 背景 This image was generated by ChatGPT
3. • LLMおよびAIエージェント 発展によりユーザーも目的を達成するため 情報処理が高速化している • 今後、物理世界における情報処理 加速化を考慮するとエッジにおける情報処理 議論が重要にな ると考える • 前回紹介した「衛星上におけるAI処理」で重要であった「通信」 注目技術である「セマンティック通 信」 技術をキャッチアップし、今後 動向をイメージするきっかけを作ることが本テーマを紹介する 目的である • また、本資料 下記 論文をベースに情報を補足した資料である 本資料 立ち位置 3 Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
4. 現代 通信 基礎理解 • 1948年Claude hannon データ通信 理解 基礎となる数学的理論（情報理論）を提案 • 現代 インターネット・携帯通信・ i-Fiなど 全て上記 理論 上に成り立っている • 通信 エンコーダーを通り、ノイズ ある通信をを経由し、最後デコーダー入力し情報を復号する Encoder Decoder Noisy チャンネル 101100110010111 0001010 1011001100101110 001010 送信者 受信者 通信モデル ビット 情報を正しく送信 することが大事 Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用 Wikipedia,https://en.wikipedia.or g/wiki/Claude_Shannonより引用
5. hannon 情報理論 限界を理解する • ノイズ ある通信路でどれだけ高速にデータを信頼して送れるかに 理論的上限が存在 ◦ →これ 「チャネル容量・シャノン容量」と呼 れている • これら 計算式 「シャノン＝ハートレー 定理」として知られている ◦ C：通信容量（ビット毎秒, bps） ◦ B：通信路 帯域幅（ヘルツ、Hz） ◦ /N( N )：信号 強さとノイズ 強さ 信号比 帯域幅と信号 強さ 、ノイズ 小ささ に よって通信容量が決まる 6Gネットワークで求められる膨大なデータ伝送（通信容量）で シャノン 通信（全て 情報を並列に扱う通信）だと要求を 満たすことが困難になっている Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
6. emantic communications(セマンティック通信) • 現代 通信 問題を克服するために提唱されている が ビット列で なく意味 伝送・復元を重視 する通信する「セマンティック通信」 従来通信 セマンティック通信 にんげん にんじん ひとびと 😊 🙁 良い 悪い にんげん にんじん ひとびと 🙁 😊 悪い 良い ビットを正確に送る通信方式 元 ビット 情報が落ちたら駄目 意味情報を正確に送る通信方式 （意味が通れ 情報が落ちてもOK） 送信者 ノイズ 受信 送信者 ノイズ 受信 Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
7. • テキストをLLMを用いてより低次元 意味ベクトルに変換し通信する ◦ 　低次元 意味ベクトルな で送信する で送信する情報が削減される LLMを使ったセマンティック通信研究 実例 紹介 Zhenyi Wang et al. (2025), “Large-Language-Model-Enabled Text Semantic Communication Systems”, arXiv:2407.14112. より引用 符号化 信号化 復号化 符号化モデル 作成
8. セマンティック通信 課題と衛星オンボードAI処理で解きたい課題 似ている センシング 通信 AI処理 エッジコンピューティング 解析 帯域幅 劇的な節約と効率化 • 不要なデータを削除できる で無駄な送信を防げる • 画像だけで なくて、「火災発生」「船 位置」といった情報 みを送信できる 即応性（リアルタイム性） 向上 • データを地上に送って解析する時間を待たず、衛星上で異 常検知や災害状況 把握が可能に • 観測対象や状況に応じて、送信する画像 優先順位を変え たり、フィルタリングしたりできる Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用 セマンティック通信とエッジコンピューティングによる技術領域 整理 ？
9. 技術 整理：モバイルデバイスでDNN 推論タスクを使った例 エッジコンピューティング センサーデータを通信 受信したデータを計算・ 結果を通信 エッジコンピューティング スマホ上で計算 通信する必要無し • 技術領域 下記 図 ように整理 • エッジと センサーが取得したデータを解析・処理するコンピュータ こと ◦ 図 １行目で スマホがエッジに、２行目 Edge Deviceがエッジになっている セマンティックエッジコンピューティング スマホでデータを意味化し通信 受信した意味を用いて復号化 計算結果をスマホに通信 意味を送信する部分が セマンティック通信 Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
10. 10 セマンティック通信概念整理 This image was generated by ChatGPT
11. 1. レベル1（ビットレベル） 従来 通信。正確なビット 転送を重 視 2. レベル2（セマンティックレベル） 意味 伝送、送信側と受信側で知識 ベース（KB）を共有 3. レベル3（タスクレベル） 目的思考、受信側で 特定 AIタスク （分類、推論など） 実行を最適化 • J CC（Joint ource-Channel Coding） 情報源符号化と通信路符号化をDNNを 用いて統合的に学習・実行する手法 ビット通信から emantic通信 整理：３つ レベル（と１つ） Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
12. レベル1（ビットレベル）：従来 通信 フレームワークについて 詳細 送信者が送 りたい元 データ データ 圧縮 （情報源符号化） エラー対策 ため 冗長性 付与 （通信路符号化） 物理的な ノイズが付与 付加された冗長性を利 用してノイズによるエ ラーを訂正し（通信路 復号） 元 データ 形式に展開 （情報源復号） Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
13. レベル2（セマンティックレベル）： emantic communications 処理要素 送信機と受信機 双方に 「知識ベース（Knowledge Base）」 を共有 入力されたデータから重要な 意味的特徴を抽出し、意味的 に無関係な情報をフィルタリ ングするため 辞書的な存 在 ノイズが付与された信号から 意味的な類似度が最大にな るように復号するために使用 される辞書的な存在 送信者と受信者 意味 ズレ 物理的ノイズ セマンティックノイズを 表現したモデル 学習時に使用されモデルによりロ バストな意味理解に活用 Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
14. レベル3（タスクレベル）：通信効率を極限まで高めた処理フロー • 特定 AIタスク（画像分類など）を受信側で実行するために必要な意味情報 みを伝送する 特定 タスク 実行に必要不可欠な 意味情報だけを抽出 関係ない情報 削ぎ落として送信 受け取った特徴量を使って元 画像やテキ スト 再構築・画像分類や物体検出等 目 的タスクを実行、推論結果を出力 通信チャンネル Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
15. J CC（Joint ource-Channel Coding） • J CC 文字通り「情報源符号化（ ource）」 と「通信路符号化（Channel）」 をDNNを用いて結合 （Joint）してセマンティック通信を実行する手法 DNN Encoderとして学習 DNN Decoderとして学習 Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
16. 16 セマンティック通信研究紹介 This image was generated by ChatGPT
17. ←適応型システム システム運用時に動的に 変動に合わせてモデル・ 送信戦略を更新・適応 セマンティック通信 （ emCom）研究 技術的な大分類 • 紹介する論文で 、セマンティック通信 システムを大きく２つに分類 ◦ 静的システム（ rain- ime tatic ystems） 学習時に確率的なチャネルモデル（通信環境 ノ イズモデル）を組み込んで最適化し、テスト時（運用時） モデルを固定（←ここが静的） するア プローチ ◦ 適応型システム（ est- ime Adaptive ystems） 動的に変化する実際 通信環境やデータに応じて 、運用時に適応するアプローチ 静的システム→ 学習済みモデル を固定して活用 Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
18. • CNNベース Auto Encoderを用いて、画像 ピクセル値から波形へ マッピングを学習 • モデル全体 、平均二乗誤差に基づくP N だけでなく、より人間 視覚特性に近い IMを損失関数 として組み込んで最適化される 静的システム セマンティックレベル 符号化（ emComで データ再構成 研究） Deniz Gündüz et al. (2024), “Joint Source-Channel Coding: Fundamentals and Recent Progress in Practical Designs”, arXiv:2409.17557. より引用
19. • 情報 正確な復元で なく、受信側で タスク（画像分類など） 精度を最大化しつつ通信量を減らすアプ ローチ 静的システム タスクレベル 符号化（タスクを解く に必要な情報を通信する研究） Jiawei Shao et al. (2020), “BottleNet++: An End-to-End Approach for Feature Compression in Device-Edge Co-Inference Systems”, arXiv:1910.14315v5. より引用 画像分類が可能な圧縮された特徴 通信・情報を復号して画像分類を行う
20. 未知 環境化 で テスト 適応型システム チャネル適応型（ノイズ 変化に適応するモデル 構築） Sangwoo Park et al. (2020), “End-to-End Fast Training of Communication Links Without a Channel Model via Online Meta-Learning”, aarXiv:2003.01479. より引用 時間に応じて ノイズが変化 adapter パラメータ adapter パラメータ 更新 適応完了後 decoder パラメータ lossが返送されて パラメータ 更新 特定 環境化 で 学習
21. Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用 適応型システム 重要度認識型（重要度が高い意味を用いて認識をする研究） • 伝送する意味情報（セマンティクス） 重要度を評価し、重要な情報を優先的に送信することで、劣悪 な通信環境でも性能低下を防ぐ データ送信 エッジ 一部 特徴マップしか送られて無くても タスクを推論することができる
22. 22 技術的な課題 This image was generated by ChatGPT
23. 現在 技術的課題：チャネルモデル 不一致 • 学習時に用いるノイズモデルと、実際 複雑な無線環境と 間にギャップがあり、実運用時に性能が 低下する課題があります Encoder tochastic Channel Model 誤差逆伝搬法を活用するために全て モデルが 微分可能なモデルとして定義される必要がある Decoder 微分可能で扱いやすい加法性白色ガ ウス雑音という単純なノイズモデル が活用されている 建物 反射・移動によるドップラー効 果、他機器から 干渉、天候など、 予測不可能で 動的な要因が複雑に絡み合っており 固定的な確率モデルとして表現しき れない Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
24. 現在 技術的課題：タスクとモダリティへ 依存 • 現在 多く 特定 タスク（画像 み、テキスト み等）ごとに個別 DNNが必要であり、汎用性に欠ける 専用DNN （分類） 専用DNN （翻訳） 現状 課題 タスク毎に専用 DNNを構築 する必要がある 画像分類用 テキスト翻訳用 リソース 逼迫・計算がオーバーヘッドに 直列で実行 動的な要件変更へ 対応困難 モデル 送信に 時間がかかる 6G 通信速度を考えるとこ 方法 で モデル 書き換え 困難 Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
25. 現在 技術的課題：セキュリティとプライバシー リスク 意味 情報を 盗まれるリスク 意味情報を変更する 攻撃を受けるリスク 10101010 知識ベース 盗難 • 従来 通信と 異なり、「意味情報」が攻撃 対象となるため、敵対的攻撃へ 脆弱性や、セマン ティクスから元 個人情報が復元されてしまうリスクがある 敵対的攻撃 意味情報 復元 知識ベース 盗難 リスク Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
26. 26 今後 研究 方向性 This image was generated by ChatGPT
27. emantic Edge Computing ( EC) と 統合したシステム設計（Co-Design） • 従来 研究 限界：これまでエッジデバイス 計算負荷を減らすため 「 EC」と、通信 ノイズ耐性 を高める「セマンティック通信（ emCom）」 、別々 分野として独立して研究されてきた ◦ EC 偏り: AIモデル 分割や特徴量 圧縮に 長けているが、データを送信する際に 既存 i-Fiなど ネットワークプロトコルに依存しており、無線 物理的なノイズに対する高度な符 号化技術 考慮されてない ◦ emCom 偏り : 電波環境 歪みをAIで補正することに集中するあまり、スマートフォンなどモ バイルデバイス 「計算リソース 制限（バッテリーや処理能力）」を無視し、モバイル側に重い AIモデル（大きな esNetなど）を平気で配置してしまう傾向がありました Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
28. • システム設計（Co-Design）で 、以下 3つ 要素を個別に最適化する で なく、 「同時に最適化するフレームワーク」が重要 意味情報 圧縮 : 通信遅延を減 らすために、送信する潜 emantics 中からタスクに不要 な情報を削ぎ落とし、データサイ ズを最適に圧縮 通信 最適化 : 実際 無線 チャネル 変動（ノイズ 増 減など）に合わせて、物理層 電波 波形やエラー耐性 を動的に適応 モデル分割 最適化 : デバイス 処理 能力、エッジサーバー 能力、そして現 在 ネットワーク帯域を総合的に判断し、 「AIモデル ど 層（レイヤー）で処理を 分割して通信を挟むべきか」を動的に決 定 emantic Edge Computing ( EC) と 統合したシステム設計（Co-Design） Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
29. マルチモーダルかつ汎用的なシステム 専用DNN （分類） 専用DNN （翻訳） マルチモーダル DNN • 前述 専用DNN 計算 オーバーヘッドを緩和するために マルチモーダル・タスク DNN 議論 が重要 • 既にMatsubaraら 研究で 、画像分類、物体検出、セマンティックセグメンテーションという3つ 異 なるタスクを1つ システムに統合したマルチタスク・セマンティック圧縮モデルを提案されており、推 論にかかる遅延（レイテンシ）を最大95%、エネルギー消費を最大88%も削減することに成功したと報告 されている Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
30. emantic Edge Computing ( EC) と 統合したシステム設計（Co-Design） • 現在 「 EC」や「セマンティック通信」 研究 、主にコンピュータビジョンや自然言語処理 標準的 な学術データセットを用いた検証にとどまっている ◦ →現在実証されているシステム 能力と、実世界における多様で複雑な要件と 間に 依然と して大きなギャップが存在 • こ ギャップを埋めるために、より専門的な領域（ドメイン固有）で 実装と実証が大事 ◦ 自動運転と 2 （ ehicle-to-Everything）ネットワーク →車車間（ 2 ）や路車間（ 2I）通信において、低遅延かつ高い信頼性を確保しながら推論を行 うため モデル分割技術 適用が調査されている ◦ 通信とセンシング 統合 6G 重要な技術として、通信用 電波そ も を使って物体 追跡や人間 活動認識を行う I AC（Integrated ensing and Communication）がある 実際に、 i-Fi ビームフォーミング・フィードバック情報にセマンティック圧縮を適用して送信 データを最大80%削減する研究が行われている Milin Zhang et al. (2025), “Semantic Edge Computing and Semantic Communications in 6G Networks: A Unifying Survey and Research Challenges”, arXiv:2411.18199. より引用
31. 31 スライド作成者紹介 This image was generated by ChatGPT
32. 中村 凌 株式会社天地人 / SatAI.challenge 主宰 / cvpaper.challenge HQ • 株式会社天地人データサイエンティスト （2024/04 - 現在） • SatAI.challenge 主宰（2024/09 - 現在） • cvpaper.challenge HQ（2021/1 - 現在 ） • 福岡大学大学院 理学研究科 応用数学専攻 博士課程（2021/04 - 2024/03） • 産業技術総合研究所 コンピュータビジョンチーム RA（2021/05 - 2024/03） • 福岡大学大学院 理学研究科 応用数学専攻 修士課程（2019/04 - 2021/03） 自己紹介 Twitter LinkedIn 32 これまで 個人的な活動 • 研究効率化Tips （ViEW2021招待講演） • 国際会議へ 論文採択実績（IROS / ICCV 2023, ICASSP / ECCV2024） • CCCS,W2021/2022 GC PC（登録者800名超え） • SSII2023オーディエンス賞受賞 • SatAI.challenge運営（国際論文 日本語資料・動画 アーカイブ化）
33. 自己紹介 33 研究テーマ ：３次元モデリング、サロゲートモデル、動的システム、土木インフラ 33 X(旧 Twitter) LinkedIn 産総研 - サロゲートモデル: 制御x深層学習モデル - 土木インフラxAI: インフラ劣化予測 篠原 崇之
34. 34 自己紹介 平出 尚義 (ひらで なおよし) ・一般財団法人 リモート・センシング技術センター ( E EC) ・筑波大学大学院　博士課程後期1年生 (2025/04 -, 社会人D) - 国/地域レベルで 土地利用土地被覆分類 - 衛星 校正検証 (ラジオメトリック / ジオメトリック) - 衛星データ×AI系 (抽出、分類、超解像、基盤モデル) 土地利用土地被覆図作成 校正検証業務 (現地測量)
35. 青木 亮祐（ぴっかりん） • 株式会社パスコ（パン屋で ありません） • 一般社団法人OSGeo日本支部( OSGeo.JP ) 運営委員 自己紹介 35 X（旧Twitter） GitHub 過去に個人で行った衛星データ関連 発表 個人開発したPLA EA API MCPサーバー
36. 嶌田　将貴 （シマダ　ショウキ） • 産総研　地質情報研究部門　リモートセンシング研究グループ • 専門 地球観測衛星データ 解析による環境変化 定量化や、農業 など食料分野における情報整備 自己紹介 36 衛星画像から検出した太陽光発電パネル 時系列画像から分析した作付けマップ
37. 文山　草 所属：メーカー研究職 業務：都市・交通領域で 空間情報に関する研究・事業創生　 自己紹介 37 そ 他取り組み： • 学部) 渋滞とデータ同化に関する研究、修士 ) 衛星夜間光 補正に関する研究 • GIS×AI Agent 開発 (位置Biz、Plateau Award 2024) • カメラ映像から 人流デジタルツイン生成 PJ　(未踏Adv 2023) • 衛星画像を用いた港湾物流向けソリューション開発　 (NEDO 2022)