一、前言
隨著資訊科技的快速發展，資訊平台漸趨輕薄，功能卻與日俱增。因軟體逐漸個人化與生活化，智慧優網運算可藉由人性化之人機互動以及嵌於生活環境之各式電腦系統，讓人們能藉由便利的行動通訊方式隨時隨地取得日常生活環境之各種資訊，扮演著日益重要之角色。因應目前與未來相關議題受到人工智慧技術發展的廣泛影響，智慧物聯網專題中心的目標在於研發智慧物聯網領域的前瞻與核心之資訊技術，並努力凝聚產學合作重點，推動研發技術之擴散。我們全力聚焦在智能物聯網、下世代通訊網路與嵌入式系統技術這兩個研發議題上。
二、研究方向與成果
多天線高速無線通訊與網路系統
隨著多媒體應用和個人化無線通訊服務的蓬勃發展，使用者仰賴無線通訊裝置及其傳輸能力的需求也日漸增加。為了因應目前巨量資料傳輸及多樣化商業及個人化無線通訊的需求，提升無線通訊系統傳輸速率及服務品質已成為必然的趨勢。多天線技術是實現上述要求的重要關鍵技術。
‧5G 無線通訊系統及其干擾管理
5G 無線通訊系統需支援三大應用場域，即寬頻移動通訊 (eMBB)、大規模機器類型通訊 (mMTC)、高可靠性和低延遲通訊 (uRLLC)。5G 通訊系統基本上是一異質網路 (HetNet)，在此系統中，由於共享頻譜的基地台的密集部署，用戶彼此間的干擾 (interference) 是限制傳輸速率的主因。因此，干擾管理是 5G 無線通訊系統的重要議題。在這方向上，我們考慮未來支援 5G 服務的無線通訊系統，並聚焦以下題目以及提出相對應的解決方案。第一，裝置間通訊 (D2D) 是 5G 的關鍵技術之一，可增加系統傳輸率和涵蓋率，降低傳輸延遲和耗能，在 3GPP 標準被廣泛討論，在商業上有車聯網 (V2X) 等應用。在支援裝置間通訊的 5G 無線通訊系統中，裝置可選擇透過基地台通訊 (cellular mode) 或裝置間直接通訊 (D2D mode) 等模式，而裝置的模式選擇會影響系統的干擾情況，反之亦然。我們提出一創新的模式選擇的標準，以及同時做裝置模式選擇和系統干擾管理的系統化方法，可達到較佳的通訊系統總和傳輸率。第二，波束成型 (beamforming) 是干擾管理的重要技術，所謂波束成型，是一種將天線陣列往特定方向上發送無線訊號的訊號處理技術，使有用訊號得到相長干涉，而干擾訊號得到相消干涉。我們提出在未來大型異質網路以及支援機器間通訊 (M2M) 的網路中的波束成型方法，此方法對於未來的大規模網路具有良好的吞吐率 (throughput)、收斂性和複雜度。第三，全雙工 (full duplex) 是一可達到低延遲通訊的重要技術，所謂全雙工，是通訊的二方可同時傳送和接收訊息。我們提出在使用無線能量採集 (energy harvesting) 和全雙工技術的無線中繼 (relay) 網路裡的波束成型設計，以及在訊息傳輸和電力傳輸之間取得權衡。
‧ 網路邊緣通訊運算資源管理
現今網路邊緣存在著大量裝置，這些裝置往往大部分時間處於閒置狀態。若能妥善再利用這些閒置裝置的通訊和運算資源，將能有效改進網路的服務品質。以物聯網(Internet of things, IoT) 為例。一般來說， 大量的物聯網裝置數量將造成網路過度負擔的問題。但我們發現此現象能解決物聯網通訊網速過慢的問題。傳統物聯網通訊協定為了達到省電的目的，單裝置能容許使用的頻寬非常陝窄，此一限制造成了現今物聯網無法支援突發流量和低延遲的傳輸，縮限了其所能支援的應用服務。有鑑於此，考慮到未來將存在大量物聯網通訊裝置，我們提出了透過其他閒置的裝置同時進行依序式傳遞來突破上傳頻寬限制的傳輸協定。這個協定可在現今的物聯網協定下突破上傳頻寬的限制，藉此達到部分應用的低延遲傳輸的需求。另一方面，車載霧運算 (Vehicular Fog Computing) 是未來實現超低延遲服務以支援自動駕駛、AR/ VR 等殺手級應用的關鍵技術。此技術透過路上或停放的智慧車提供的閒置運算資源來協助週邊服務進行運算，藉此實現超越 5G 的超低延遲服務。然而此技術依賴智慧車提供閒置運算資源，不論穩定性或供及量皆仍有所不足。有藉於此，我們提出結合智慧停車系統和拍賣機制設計，透過合理的動態定價吸引有閒置資源的智慧車停放於有運算需求的區域，藉此解決資源供及的問題。我們除了在理論上證明提出的演算法能最大化整體系統效能，也透過模擬驗證此系統能達到霧運算系統、智慧停車場與使用者皆有利的三贏結果。
智能物聯網系統
間歇性系統使物聯網裝置不需搭配電池，可利用能量採集在不穩定且微弱的供電環境下運作，同時也讓計算能力有限的裝置也有能力累進式地完成深度學習推論。而為了節省嵌入式系統上資料搬移造成的耗電，非揮發性記憶體兼具存儲與計算能力，直接在非揮發性記憶體內做深度學習運算可減少耗電的資料傳輸。我們的研究理論與實務並重，期許能以創新的軟硬體設計來幫助未來嵌入式系統的發展。
‧ 自供電間歇性物聯網系統
物聯網時代，將會有比人類數量更多的設備。因此，能量採集被認為比電池充電更加適合用於物聯網設備。然而，環境中的電量來源，如太陽能、熱能、無線或振動能量，本質上都不穩定且有時相當微弱，導致裝置本身遭受頻繁斷電，這是傳統電池供電系統無法應付的，也因此引發了一系列新的研究議題。過去三年，我們致力於「間歇性作業系統」與「間歇性深度學習」兩個研究議題。有別於編譯器研究的設計理念，我們嘗試從作業系統的角度來提供間歇性執行支持，由系統在運行期間處理斷電的狀況， 使一般物聯網裝置安裝此作業系統後便具有間歇性能力，免除應用程式人員此一惱人的責任。我們開源第一版的間歇性作業系統已支援程序並行執行、工作進度累進、資料一致性、以及瞬時系統恢復。深度學習是最近人工智慧革命的核心，模型壓縮、權重共享、非均勻量化和網路修剪等技術可顯著降低計算複雜度而不過度犧牲精確度，使得模型可以部署於物聯網設備。有別於降低操作精度或壓縮模型尺寸， 我們的方向是允許壓縮過後的深度學習模型容易部署和高效執行於嵌入式設備，無需模型開發人員的過多介入，因此人工智慧研究者便可關注在深度網路設計而非模型部署。我們正在發展可在間歇性供電系統上部署和高效執行深度學習的工具，開源了第一個支援硬體加速進行間歇性深度推論的工具。
‧ 基於非揮發性記憶體之深度學習
隨著巨量資料及深度學習時代的來臨，物聯網裝置往往透過深度學習來分析處理大量資料。在傳統的系統中，深度學習的效能容易受限於運算單元與記憶體間耗時耗能的資料搬移，為了減輕資料搬移造成的負面影響，我們可以利用非揮發性記憶體兼具存儲與計算能力的特性，直接在非揮發性記憶體內做深度學習的運算，減少不必要的資料傳輸。然而，在此新興系統下特殊之軟硬體特性，例如非揮發性記憶體元件的不穩定性及深度學習模型的稀疏性等，為晶片與系統設計者帶來許多新的挑戰與研究議題。過去三年來，我們致力於從系統架構著手來提升基於非揮發性記憶體之深度學習加速器的效能與運算精準度，重要的研究成果包括 (1) 開發一套模擬系統，分析元件的不穩定性對運算結果造成之誤差，並評估使用不同元件、硬體架構、配置排程方式時 , 深度學習模型之效能與耗能。此開源之模擬系統能幫助晶片設計者選擇適合之元件與系統配置，以滿足深度學習模型之辨識精確度與效能需求。(2) 設計一套方法藉由利用深度學習模型之資料稀疏性 , 來避免不必要之運算以提升效能。有別於與一般學界過度理想化之設計，我們提出的方法納入了實際元件之不穩定性的考量，兼具學術與應用價值。未來我們將進一步開發資料配置排程之自動化工具與軟硬體協同之優化機制。
三、未來展望
智慧物聯網專題中心的發展策略將以理論研究為基礎，以實務及應用為導向，凝聚產學合作重點， 致力跨領域研究課題及應用。產業化技術的研發與推動將更加努力的連接業界與法人，瞭解時代與市場脈動，推動研發技術之擴散，希能促使資訊科技的服務創新及使用，能提升人群之生活品質。在紮實研究的基礎建立上，將繼續努力在學術殿堂上建立能見度與影響力，鼓勵國內外學術交流，於頂尖國際會議扮演積極角色，讓智慧物聯網專題中心也成為人才聚集與交流的平台。