JP7839892B2 - 遠隔通信ネットワークのデジタルツインのアセンブリ - Google Patents

Description

本発明は、通信ネットワークのデジタルツインに対してシミュレーションを実行するシステムに関する。

本発明は更に、遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行する方法に関する。

本発明はまた、このような方法をコンピュータシステムが実行できるようにするコンピュータプログラム製品にも関する。

「サイバーフィジカルフュージョン」及び「デジタルツイン」の概念は、製造、物流及びスマートシティを含む様々な領域で応用中／開発途上である。基本概念は、例えば物理オブジェクト自体を選択的に適合させる前にオブジェクトの挙動／反応を予測及び分析すべく、シナリオに基づく実験を手動又は自動的に実行できるデジタル表現を物理オブジェクトに付与することである。

モバイルネットワーク関連のネットワーク計画、最適化、技術／特徴開発を目的とした様々なモデル／ツールが存在する。広く用いられているものとして、例えば無線ネットワーク計画ツール、システム及びリンクレベルシミュレータがあり、モデリングの精度／複雑度、及び評価速度の程度が異なり、従って使用の対象も異なる。リンクレベルシミュレータは一方では、送信、チャネル及び受信態様を極めて詳細にモデル化し、結果的に単一の無線リンクだけを分離して扱う。他方、無線ネットワーク計画ツールは典型的に、ネットワーク技術のある程度簡素化されたモデリングを利用して能動的なユーザーが多い運用ネットワークの比較的大きな部分を査定できるようにする。このようなツールは一般に人間の専門家が用いて、後の段階で自動化されていない仕方で運用ネットワークに適用される処置を導き出すために実験を行う。

自己組織化ネットワーク（ＳＯＮ）との関連で、完全に自動化された閉ループ制御機構が開発及び実装されており、測定、アルゴリズムによる測定結果の処理、及び導出された運用ネットワークへの設定変更の適用という連続的サイクルにより典型的に特徴付けられる。基礎となるアルゴリズムは、ｉｆ－ｔｈｅｎ－ｅｌｓｅ型のエンジニアリングルールであっても、又は比較的単純な人工知能（ＡＩ）／機械学習（ＭＬ）に基づくソリューションであってもよいが、デジタルツインに基づくソリューションほどには進化していない。

論文“Ｄｉｇｉｔａｌ ｔｗｉｎ ｆｏｒ ５Ｇ ａｎｄ ｂｅｙｏｎｄ”，Ｈ．Ｘ．Ｎｇｕｙｅｎ，Ｒ．Ｔｒｅｓｔｉａｎ，Ｄ．Ｔｏ ａｎｄ Ｍ．Ｔａｔｉｐａｍｕｌａ，ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，ｖｏｌ．５９，ｎｏ．２，２０２１に、モバイル通信ネットワーク関連のデジタルツインの考えの概要、及び５Ｇネットワークの最適化での利用の仕方について述べている。著者らはデジタルツインを、リアルタイム的に（ＡＩ／ＭＬ技術を利用して）自己学習する仮想モデルを含むものとして提示している。本論文は更に、デジタルツインを、ネットワークの異なる部分を表す別々のモデルを統合したものとして記述している。

エリクソン社のオンラインブログ“Ｔｈｅ ｆｕｔｕｒｅ ｏｆ ｄｉｇｉｔａｌ ｔｗｉｎｓ：ｗｈａｔ ｗｉｌｌ ｔｈｅｙ ｍｅａｎ ｆｏｒ ｍｏｂｉｌｅ ｎｅｔｗｏｒｋｓ？”（ｈｔｔｐｓ：／／ｗｗｗ．ｅｒｉｃｓｓｏｎ．ｃｏｍ／ｅｎ／ｂｌｏｇ／２０２１／７／ｆｕｔｕｒｅ－ｄｉｇｉｔａｌ－ｔｗｉｎｓ－ｉｎ－ｍｏｂｉｌｅ－ｎｅｔｗｏｒｋｓ）は、モバイル通信ネットワークにデジタルツインの考えを適用する際に実行するシミュレーションの複雑度、精度及び必要な計算リソースのトレードオフについて触れている。当該ブログでは、当面のユースケース、注目するネットワークドメイン、必要な詳細情報の程度に応じて異なる複雑度のモデルを混在させることを提案している。しかし、当該ブログではこれをどのように実現できるのかは開示していない。

現在、モバイルネットワーク又は他の遠隔通信ネットワークにデジタルツインを施す「万能」ソリューションは存在せず、デジタルツインが実行するシミュレーションは第１の状況では遅すぎるが第２の状況では遅すぎず、第１の状況では過度に不正確だが第２の状況では過度に不正確ではない場合がある。

本発明の第１の目的は、当面の状況に適したデジタルツインを生成可能なシステムを提供することである。

本発明の第２の目的は、当面の状況に適したデジタルツインの生成に使用可能な方法を提供することである。

本発明の第１の態様において、遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するシステムは、１個以上の性能指標に関する最低査定精度を決定及び／又は最長査定期間を決定し、最低査定精度及び最長査定期間の少なくとも一方に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択し、選択されたシミュレーションモデルをデジタルツインにアセンブルし、デジタルツインに対してシミュレーションを実行するように構成された少なくとも１個のプロセッサを含んでいる。

本システムにおいて、査定精度が重要である、及び／又は査定期間が重要でない／重要性が低い状況ではデジタルツインは複雑な要素及び／又は多くの要素からアセンブルされてよく、査定期間が重要である、及び／又は査定精度が重要でない状況ではデジタルツインは複雑でない要素及び／又は少ない要素からアセンブルされてよい。このように、デジタルツインは当面の状況に合わせて生成することができる。性能指標の例として、スループット、遅延、カバレッジ確率がある。シミュレーションは典型的に、構成パラメータの異なる設定で実行される。シミュレーションモデルは通常、要素毎（別々）にではなく共同で決定される。各要素には要素種別がある。遠隔通信ネットワークは、例えば移動体通信ネットワーク又はケーブルテレビネットワークであってよい。

少なくとも１個のプロセッサは、最低査定精度及び最長査定期間の少なくとも一方に基づいて複数の要素の数量を決定して複数の要素の各々に対してシミュレーションモデルを選択することにより、最低査定精度及び最長査定期間の少なくとも一方に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択すべく構成されていてよい。従って、デジタルツインは、査定精度が重要である、及び／又は査定期間が重要でない／重要性が低い状況でより多くの要素からアセンブルすることができる。例えば、当面の問題に最も関連性が高い要素種別に対して比較的多くの要素を選択されてよい。

任意選択的に、複数の要素の少なくとも１個に対して、各々の要素の要素種別が、異なる複雑度を有する複数のシミュレーションモデルに関連付けられていてよい。少なくとも１個のプロセッサは次いで、最低査定精度及び最長査定期間の少なくとも一方に基づいて複数のシミュレーションモデルから少なくとも１個の要素の少なくとも１個のシミュレーションモデルを（共同で）選択することにより、最低査定精度及び最長査定期間の少なくとも一方に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択すべく構成されていてよい。従って、デジタルツインは、査定精度が重要である、及び／又は査定期間が重要でない／重要性が低い状況ではより複雑な要素からアセンブルされてよい。

少なくとも１個のプロセッサは、デジタルツインに対してシミュレーションを実行して、遠隔通信ネットワークの１個以上のネットワーク構成パラメータ設定を決定し、１個以上のネットワーク構成パラメータ設定で遠隔通信ネットワークを設定すべく構成されていてよい。これにより、運用中の遠隔通信ネットワークをより良好なネットワーク構成パラメータ設定で構成することが可能になる。これらのシミュレーションは、現在の有効なネットワーク構成から、又はこれが利用できない場合は例えば既定のパラメータ設定、ベンダ推奨パラメータ設定、範囲内のパラメータ設定、又は任意のパラメータ設定から開始されてよい。運用中の遠隔通信ネットワークは、例えば試用ネットワーク又は商用ネットワークであってよい。

１個以上のネットワーク構成パラメータ設定は、例えばアンテナ傾斜設定及び／又はハンドオーバー閾値設定及び／又は送信電力設定を含んでいてよい。遠隔通信ネットワークのデジタルツインは、例えばある時点及び場所における新たなサイトの追加を査定すべく追加的又は代替的に用いられてよい。換言すれば、新たなサイトが有益であることがシミュレーションから分かる場合がある。

遠隔通信ネットワークのデジタルツインの複数の要素は、移動通信ネットワークの場合、無線、コア及び／又はクラウドドメインのネットワーク要素、例えば１個以上の基地局及び／又は１個以上のアンテナ、並びにユーザー挙動の態様、例えばユーザーモビリティ、機器／トラフィックの特性及び／又は伝搬環境を表していてよい。

少なくとも１個のプロセッサは、複数の問題定義から１個の問題定義を選択すべく構成されていてよく、複数の問題定義の各々は、最適化すべき１個以上の構成パラメータ及び１個以上の対応する性能指標を指定し、選択された問題定義に更に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択し、選択された問題定義からシミュレーションのために１個以上の構成パラメータを選択する。問題定義は更に、地理的範囲及び／又は技術的範囲を指定することができる。選択された問題定義は最低査定精度及び／又は最長査定期間を含んでいてよい。

このように、デジタルツインの要素の最適な個数及び／又は要素のシミュレーションモデルの最適な複雑度が特定の問題に対して選択されてよい。これにより、デジタルツインが過度に詳細にモデル化されるためある問題では許容できない程度に遅いシミュレーションが行われるか又は別の問題では充分な精度のシミュレーションを行うには詳細情報が不充分な場合がある従来の「万能」ソリューションの問題が解決される。

定義された問題は最適化問題又は評価問題であってよい。例えば、最適化問題の目的は、移動通信ネットワークにおける構成パラメータ（例：傾斜設定）の最適化であってよいのに対し、評価問題の目的は、移動通信ネットワークにおいて異なる設定の構成パラメータによりベンダ実装された機能の性能の査定であってよい。機能の査定には本質的に、機能の利点（すなわち、最適化された構成を仮定して達成可能な最大性能利得）を定量化するための構成パラメータの最適化も含まれる。

例えば最適化問題において、問題は、単一の性能指標に関する、又は複数の性能指標（例：加重平均）に関する構成パラメータの最適化であってよい。性能指標は、複数の性能指標を複合したものであってよい。構成パラメータの最適化は、ある制約条件下で、例えばシミュレーションモデルの選択に用いたものと同じ制約条件下で実行されてよい。例えば、最低査定精度に基づいて複数の要素の各々に対してシミュレーションモデルが選択された場合、最適化アルゴリズムは同じ最低査定精度を制約条件として用いてよい。

少なくとも１個のプロセッサは、シミュレーションモデルを異なるデジタルツイン候補にアセンブルし、アセンブルされた異なるデジタルツイン候補の各々に対して複数のシミュレーションを実行して訓練サンプルを決定し、アセンブルされた異なるデジタルツイン候補を含む複数のデジタルツイン候補に対して訓練サンプルに基づいて１個以上の性能指標に関する効用関数を生成し、複数のデジタルツイン候補に対して訓練サンプルに基づいてコスト関数を生成し、効用関数を最低査定精度に適用することにより、及び／又はコスト関数を最長査定期間に適用することにより、デジタルツインの複数の要素の各々に対してシミュレーションモデルを選択すべく構成されていてよい。これは、最低査定精度及び最長査定期間の少なくとも一方に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択する有利な方法である。

効用関数は精度関数とも呼ばれる。コスト関数は、査定の労力、例えば構成パラメータの最適な／最適化された設定の決定に要する評価の数にデジタルツインの単一構成の評価に必要な計算時間を乗算した値を反映する。単一の構成の評価に必要な計算時間はシミュレーションを実行するシステムに対して決定／学習される。効用及びコスト関数は、例えばＡＩ／ＭＬ技術を用いることにより訓練サンプルに基づいて生成されてよい。

例えば最適化問題の場合、最適化問題は、最適な／最適化された構成に到達するために各初期構成について実行する必要があるシミュレーション／反復の回数を決定すべく、デジタルツイン候補毎に構成パラメータの複数の初期設定の各々について解かれてよい。これらの初期構成パラメータ設定は、例えば専門知識に基づいて選択されてよい。ＡＩ／ＭＬ技術を用いることにより、構成パラメータの各々の可能な（初期）設定に関するデータが無くても効用及びコスト関数を生成することができる。

アセンブル可能な各デジタルツイン候補に対して複数のシミュレーションを実行することが不可能な場合がある。訓練サンプルが取得されるデジタルツイン候補は従って、専門知識に基づいて、アセンブル可能な全てのデジタルツインの集合から選択されてよい。この専門知識は、選択された問題（のドメイン）及び／又は用いられたＡＩ／ＭＬ技術に関連していてよい。

専門知識は後の段階で用いられてもよい。少なくとも１個のプロセッサが、（必要な）最低査定精度及び（受容可能な）最大限の査定期間の少なくとも一方に基づいて、及び更に専門知識に基づいて、複数のデジタルツイン候補から１個のデジタルツイン候補を選択することにより複数の要素の各々に対してシミュレーションモデルを選択すべく構成されていてよい。これは、制約の観点から当面の問題に最適なデジタルツイン候補の選択に役立つ場合がある。

換言すれば、デジタルツインは、専門知識に基づいて、アセンブル可能な全てのデジタルツインの縮小された集合から選択されてよい。この専門知識は、選択された問題（のドメイン）に関連していてよく、デジタルツイン候補の選択に用いられた専門知識と同じであっても、又は（部分的に）異なっていてもよい。デジタルツインの各要素のシミュレーションモデルの選択は、訓練サンプルが得られたデジタルツイン候補のうち１個を選択するステップを含んでいてよいが、これは必須ではない。例えば、シミュレーションが行われていないデジタルツイン候補に対して例えばＡＩ／ＭＬ技術を用いて効用及びコスト関数の値を決定してもよい。

上述の訓練サンプルは、１個以上の性能指標の値を含んでいてよく、少なくとも１個のプロセッサは、１個以上の性能指標の値に基づいて、コスト関数及び／又は効用関数を生成すべく構成されていてよい。例えば、特定のデジタルツイン候補に対して得られた性能指標の値は、効用関数を生成すべく最も正確なデジタルツイン候補に対して得られた性能指標の値と比較されてよい。

少なくとも１個のプロセッサは、デジタルツインに対するシミュレーションが最大（受容可能な）査定期間を超えることなく最大化された査定精度を有するように最大（受容可能な）査定期間に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択すべく構成されていてよい。これは、最大（受容可能な）査定期間を超えないことが充分である場合には有利だが、最短査定期間を得る必要はなく、アセスメント期間制約の下で最高査定精度を得ることがより重要である。これはアセスメント期間とアセスメント精度とのトレードオフである。

代替的に、少なくとも１個のプロセッサは、デジタルツインに対するシミュレーションが（要求される）最低査定精度を満たしながら最短査定期間を有するように（要求される）最低査定精度に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択すべく構成されていてよい。これは、（要求される）最低査定精度を満たすことが充分であれば有利だが、最高査定精度を得る必要はない。これは査定期間と査定精度の別のトレードオフである。

本発明の第２の態様において、遠隔通信ネットワークのデジタルツイン候補用の効用及びコスト関数を生成するシステムは、シミュレーションモデルを遠隔通信ネットワークの異なるデジタルツイン候補にアセンブルし、アセンブルされた異なるデジタルツイン候補の各々に対し複数のシミュレーションを実行して訓練サンプルを決定し、アセンブルされた異なるデジタルツイン候補を含む複数のデジタルツイン候補に対して、訓練サンプルに基づいて、１個以上の性能指標に関する効用関数を生成し、複数のデジタルツイン候補に対して、訓練サンプルに基づいてコスト関数を生成し、複数のデジタルツイン候補に対して生成されたコスト及び効用関数を指定する情報をメモリに保存すべく構成された少なくとも１個のプロセッサを含んでいる。

本発明の第３の態様において、遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するコンピュータ実装された方法は、１個以上の性能指標に関する最低査定精度を決定するステップ及び／又は最大査定持続時間を決定するステップと、最低査定精度及び最大査定持続時間の少なくとも一方に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択するステップと、選択されたシミュレーションモデルをデジタルツインにアセンブルするステップと、デジタルツインに対してシミュレーションを実行するステップを含んでいる。前記方法は、プログラム可能な装置で動作するソフトウェアにより実行されてよい。当該ソフトウェアはコンピュータプログラム製品として提供されてよい。

本発明の第４の態様において、遠隔通信ネットワークのデジタルツイン候補の効用及びコスト関数を生成するコンピュータ実装された方法は、シミュレーションモデルを遠隔通信ネットワークの異なるデジタルツイン候補にアセンブルするステップと、アセンブルされた異なるデジタルツイン候補の各々に対し複数のシミュレーションを実行して訓練サンプルを決定するステップと、アセンブルされた異なるデジタルツイン候補を含む複数のデジタルツイン候補に対して、訓練サンプルに基づいて、１個以上の性能指標に関する効用関数を生成するステップと、複数のデジタルツイン候補に対して、訓練サンプルに基づいてコスト関数を生成するステップと、複数のデジタルツイン候補に対して生成されたコスト及び効用関数を指定する情報をメモリに保存するステップを含んでいる。前記方法は、プログラム可能な装置で動作するソフトウェアにより実行されてよい。当該ソフトウェアは、コンピュータプログラム製品として提供されてよい。

更に、本明細書に記述する方法を実行するコンピュータプログラム、及び当該コンピュータプログラムを保存する非一時的コンピュータ可読記憶媒体を提供する。コンピュータプログラムは、例えば既存の装置との間でダウンロード又はアップロードされても、或いはこれらのシステムの製造時点で保存されてもよい。

非一時的コンピュータ可読記憶媒体は、少なくとも第１のソフトウェアコード部分を保存し、第１のソフトウェアコード部分は、コンピュータにより実行又は処理されたならば、遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するために実行可能な動作を実行するように構成されている。

実行可能な動作は、１個以上の性能指標に関する最低査定精度を決定するステップ及び／又は最長査定期間を決定するステップと、最低査定精度及び最長査定期間の少なくとも一方に基づいて、デジタルツインの複数の要素の各々に対してシミュレーションモデルを選択するステップと、選択されたシミュレーションモデルをデジタルツインにアセンブルするステップと、デジタルツインに対してシミュレーションを実行するステップを含んでいる。

非一時的コンピュータ可読記憶媒体は、少なくとも第２のソフトウェアコード部分を保存し、第２のソフトウェアコード部分は、コンピュータにより実行又は処理されたならば、遠隔通信ネットワークのデジタルツイン候補の効用及びコスト関数を生成するために実行可能な動作を実行するように構成されている。

実行可能な動作は、シミュレーションモデルを遠隔通信ネットワークの異なるデジタルツイン候補にアセンブルするステップと、アセンブルされた異なるデジタルツイン候補の各々に対し複数のシミュレーションを実行して訓練サンプルを決定するステップと、アセンブルされた異なるデジタルツイン候補を含む複数のデジタルツイン候補に対して、訓練サンプルに基づいて、１個以上の性能指標に関する効用関数を生成するステップと、複数のデジタルツイン候補に対して、訓練サンプルに基づいてコスト関数を生成するステップと、複数のデジタルツイン候補に対して生成されたコスト及び効用関数を指定する情報をメモリに保存するステップを含んでいる。

当業者には理解されるように、本発明の態様は、装置、方法又はコンピュータプログラム製品として実装されていてよい。従って、本発明の態様は、完全なハードウェアの実施形態、完全なソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコード等を含む）又はソフトウェアとハードウェアの態様を組み合わせた実施形態の形式であってよく、これら全てを本明細書では一般に「回路」、「モジュール」又は「システム」と称する場合がある。本開示に記述する機能はコンピュータのプロセッサ／マイクロプロセッサにより実行されるアルゴリズムとして実現できる。更に、本発明の態様は、コンピュータ可読プログラムコードが実装された、例えば保存された１個以上のコンピュータ可読媒体に実装されたコンピュータプログラム製品の形式であってよい。

１個以上のコンピュータ可読媒体の任意の組み合わせを利用してよい。コンピュータ可読媒体は、コンピュータ可読信号媒体又はコンピュータ可読記憶媒体であってよい。コンピュータ可読記憶媒体は、例えば、電子、磁気、光学、電磁、赤外、半導体システム、装置、又は機器、或いはこれらの任意の適当な組み合わせであってよいが、これらに限定されない。コンピュータ可読記憶媒体のより具体的な例として、１本以上の導線を有する電気接続、可搬コンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読取専用メモリ（ＲＯＭ）、消去可能プログラム可能読取専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、光ファイバ、可搬コンパクトディスク読取専用メモリ（ＣＤ－ＲＯＭ）、光記憶装置、磁気記憶装置、又はこれらの任意の適当な組み合わせが挙げられるが、これらに限定されない。本発明の文脈において、コンピュータ可読記憶媒体は、命令実行システム、装置、又は機器により、又はこれらと連携して用いるプログラムを包含又は保存できる任意の有形媒体であってよい。

コンピュータ可読信号媒体は、コンピュータ可読プログラムコードが実装されている伝搬データ信号を、例えばベースバンド又は搬送波の一部として含んでいてよい。そのような伝搬信号は、電磁気、光学、又はこれらの任意の適当な組み合わせを含むがこれらに限定されない、様々な形式のいずれかとることができる。コンピュータ可読信号媒体は、コンピュータ可読記憶媒体ではなく、命令実行システム、装置、又は機器により、又はこれらと連携して用いるプログラムを通信、伝播、又は移送できる任意のコンピュータ可読媒体であってよい。

コンピュータ可読媒体に実装されたプログラムコードは、無線、有線、光ファイバ、ケーブル、ＲＦ等、又はこれらの任意の適当な組み合わせを含むがこれらに限定されない任意の適当な媒体を用いて伝送することができる。本発明の態様の動作を実行するコンピュータプログラムコードは、Ｊａｖａ（商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋等のオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は類似のプログラミング言語等の従来の手続き型プログラミング言語を含む１個以上のプログラミング言語の任意の組み合わせで記述されていてよい。プログラムコードは、スタンドアロンソフトウェアパッケージとして、全部がユーザーのコンピュータで実行されても、一部がユーザーのコンピュータで実行されても、一部がユーザーのコンピュータで実行されて一部がリモートコンピュータで実行されても、或いは全部がリモートコンピュータ又はサーバーで実行されてもよい。後者のシナリオでは、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）又はワイドエリアネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介してユーザーのコンピュータに接続されていても、或いは外部コンピュータに（例えば、インターネットサービスプロバイダを利用してインターネットを介して）接続されていてもよい。

本発明の複数の態様について、本発明の実施形態による方法、装置（システム）、及びコンピュータプログラム製品のフロー図及び／又はブロック図を参照しながら以下に記述する。フロー図及び／又はブロック図の各ブロック、並びにフロー図及び／又はブロック図のブロックの組み合わせがコンピュータプログラム命令により実行されてよいことが理解されよう。これらのコンピュータプログラム命令は、汎用コンピュータ、専用コンピュータ、又は他のプログラム可能データ処理装置のプロセッサ、特にマイクロプロセッサ又は中央処理装置（ＣＰＵ）に提供されて、当該コンピュータ、他のプログラム可能データ処理装置、又は他の機器のプロセッサを介して動作する命令が、実行されるフロー図及び／又はブロック図のブロック又はブロック群で指定された機能／動作を実行する手段を生成するような機械を生成することができる。

コンピュータ、他のプログラム可能なデータ処理装置、又は他の機器に特定の仕方で機能するように指示できるこれらのコンピュータプログラム命令はまた、コンピュータ可読媒体に保存されることにより、コンピュータ可読媒体に保存された命令が、フロー図及び／又はブロック図のブロック又はブロック群で指定された機能／動作を実行する命令を含む製品を構成することもできる。

コンピュータプログラム命令はまた、コンピュータ、他のプログラム可能データ処理装置、又は他の機器にロードされて、コンピュータ、他のプログラム可能装置、又は他の機器で一連の動作ステップを実行させて、コンピュータ又は他のプログラム可能装置で動作する命令が、フロー図及び／又はブロック図ブロック又はブロック群で指定された機能／動作を実行する処理を実行するようなコンピュータ実装処理を生成することもできる。

図示するフロー図及びブロック図は、本発明の様々な実施形態による機器、方法、及びコンピュータプログラム製品の可能な実装方式のアーキテクチャ、機能、及び動作を示している。この点で、フロー図又はブロック図の各ブロックは、指定された論理機能を実装する１個以上の実行可能命令を含むコードのモジュール、セグメント、又は部分を表していてよい。

いくつかの代替的な実施形態において、ブロックに記述する機能は、図面の記述とは異なる順序で生起し得ることに注意されたい。例えば、連続的に示す２個のブロックが実際には、ほぼ同時に実行されるか、又は関係する機能に応じて、ブロックが時には逆の順序で実行される場合がある。ブロック図及び／又はフロー図の各ブロック、並びにブロック図及び／又はフロー図のブロックの組み合わせは、指定された機能又は動作を実行する専用ハードウェアに基づくシステム、又は専用ハードウェアとコンピュータ命令の組み合わせにより実装できることに注意されたい。

本発明の上記及び他の態様は、例示的に示す図面を参照することで明らかであり、更に明らかになろう。

シミュレーションを実行する方法の第１の実施形態のフロー図である。 シミュレーションを実行する方法の第２の実施形態のフロー図である。 シミュレーションを実行する方法の第３の実施形態のフロー図である。 図３の方法でアセンブルされているデジタルツインを示す。 本方法のステップに関して区別できる異なるフェーズを示す。 コスト及び効用関数を生成する方法の一実施形態並びにシミュレーションを実行する方法の第４の実施形態のフロー図を示す。 例示的なコスト及び効用関数の二つの使用例を示す。 例示的なコスト及び効用関数の二つの使用例を示す。 システムの実施形態のブロック図である。 本発明の方法を実行する例示的なデータ処理システムのブロック図である。

図面中の同一要素は同一参照番号で表記されている。

遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するコンピュータ実装された方法の第１の実施形態を図１に示す。ステップ１０１は、ａ）１個以上の性能指標に関して（要求される）最低査定精度を決定するステップと、ｂ）（受容可能な）最長査定期間を決定するステップの少なくとも一方を含んでいる。ステップ１０３は、ステップ１０１で決定された最低査定精度及び最長査定期間の少なくとも一方に基づいて、デジタルツインの複数の要素の各々に対してシミュレーションモデルを選択するステップを含んでいる。ステップ１０５は、ステップ１０３で選択されたシミュレーションモデルをデジタルツインにアセンブルするステップを含んでいる。

ステップ１０７は、ステップ１０５でアセンブルされたデジタルツインに対してシミュレーションを実行するステップを含んでいる。シミュレーションは、例えば１個以上の最適な構成パラメータ設定を見つけるために実行されてよい。例えば、勾配に基づく最適化戦略を用いてよい。シミュレーションモデルは、例えば特定のパラメータ設定が設定／調整されてよいブラックボックスであってよい。

ステップ１０１、１０３、及び１０５はデジタルツインのアセンブリフェーズ１５２の一部であり、ステップ１０７はデジタルツインの利用フェーズ１５３の一部である。用語「デジタルツイン」のある定義によれば、デジタルツインはリアルタイムのデータに基づいて更新される。本明細書の文脈において、これは可能であるが必須ではない。

図１の実施形態において、ステップ１０３はステップ１２１及び１２３により実行される。ステップ１２１は、最低査定精度及び最長査定期間の少なくとも一方に基づいて、複数の要素の数量を決定するステップを含んでいる。図１の実施形態において、複数の要素の数量は、要素種別毎に要素の数量を決定することによりステップ１２１で決定される。任意選択的に、１個以上の（但し本実施形態では全部ではない）要素種別は、固定数量の要素を有している。他の要素種別毎の要素の数量は、最低査定精度及び最長査定期間の少なくとも一方に基づいて（共同で）決定される。ステップ１２１は、要素種別毎の要素の数量を合算するステップを含んでいてよいが、これは必須ではない。

ステップ１２３は、複数の要素の各々に対してシミュレーションモデルを選択するステップを含んでいる。図１の実施形態において、各要素種別に１個のシミュレーションモデルが関連付けられている。その結果、同じ要素種別の各要素に対して同じシミュレーションモデルが選択される。一例として、無線アクセスネットワークのデジタルツインは、要素種別としてＡ）基地局、Ｂ）アンテナ、Ｃ）伝搬環境、及びＤ）ユーザーモビリティを用いてよい。種別Ａの２個の要素、種別Ｂの４個の要素、種別Ｃの１個の要素、及び種別Ｄの１個の要素がステップ１２１で決定された場合、ステップ１２３で８個のシミュレーションモデルが選択され、そのうち種別Ａの２個のシミュレーションモデルが同一であり、種別Ｂの４個のシミュレーションモデルが同一である。

遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するコンピュータ実装された方法の第２の実施形態を図２に示す。図２の方法もまた、図１の方法と同様に、ステップ１０１、１０５、及び１０７を含んでいる。しかし、図２の実施形態ではステップ１０３はステップ１３１及び１３３により実行され、複数の要素の少なくとも１個について、各要素の要素種別に複雑度の異なる複数のシミュレーションモデルが関連付けられている。

ステップ１３１は複数の要素の数量を決定するステップを含んでいる。図２の実施形態において、固定された数量の要素、すなわち、最低査定精度又は最長査定期間に依存しない要素の数量が全ての要素種別に対して決定される。要素の数量は依然として、図６に関して説明するように、選択された問題定義に依存する場合がある。図２の実施形態の変形例ではステップ１３１は省略されている。

ステップ１３３は、最低査定精度及び／又は最長査定期間に基づいて、複数のシミュレーションモデルに関連付けられた要素種別を有する要素の各々に対してシミュレーションモデルを（共同して）選択するステップを含んでいる。ステップ１３３は、更に、１個のシミュレーションモデルだけに関連付けられた要素種別が存在する場合、そのような要素種別を有する要素の各々に対してシミュレーションモデルを選択するステップを含んでいる。各要素について同じ要素種別の同じシミュレーションモデルが選択されたならば、ステップ１３１は代替的に、ステップ１３３の後で、又はステップ１３３と並行して実行されてよい。

遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するコンピュータ実装された方法の第３の実施形態を図３に示す。図３の方法もまた、図１、２の方法と同様に、ステップ１０１、１０５、及び１０７を含んでいる。しかし、図３の実施形態ではステップ１０３は図１のステップ１２１及び図２のステップ１３３により実行される。

図４に、図３の方法でアセンブルされるデジタルツインを示す。図４は、４個の要素種別１１、２１、３１、及び４１を示している。図４の例において、各々の要素種別は、異なる複雑度（低、中、高）を有する３個の異なるシミュレーションモデルに関連付けられている。これらのシミュレーションモデルは、デジタルツイン要素種別のシミュレーションモデルの適合されたアセンブリをサポートする仕様が明確な要素間インターフェースを有するリポジトリに保存される。図４のデジタルツインは一例に過ぎず、例えば要素種別は４個より多くても少なくてもよく、及び／又は複雑度は３個より多くても少なくてもよい。

要素種別１１には低複雑度シミュレーションモデル１３、中複雑度シミュレーションモデル１４、及び高複雑度シミュレーションモデル１５が関連付けられている。要素種別２１には低複雑度シミュレーションモデル２３、中複雑度シミュレーションモデル２４、及び高複雑度シミュレーションモデル２５が関連付けられている。要素種別３１には低複雑度シミュレーションモデル３３、中複雑度シミュレーションモデル３４、及び高複雑度シミュレーションモデル３５が関連付けられている。要素種別４１には低複雑度シミュレーションモデル４３、中複雑度シミュレーションモデル４４、及び高複雑度シミュレーションモデル４５が関連付けられている。

図４の例において、図３のステップ１２１では要素種別１１に対して２個の要素３及び４が決定され、要素種別２１に対して２個の要素５及び６が決定され、要素種別３１に対して１個の要素７が決定され、要素種別４１に対して１個の要素８が決定されている。これら６個の要素３～８を図４のデジタルツイン１の要素として示している。

図４の例において、図３のステップ１３３では要素種別１１の２個の要素３及び４、すなわち低複雑度シミュレーションモデル１３及び中複雑度シミュレーションモデル１４に対して複雑度の程度が異なるシミュレーションモデルが選択され、要素種別２１の２個の要素５及び６、すなわち低複雑度シミュレーションモデル２３に対して同じシミュレーションモデルが選択される。更に、要素種別３１の単一要素７には低複雑度シミュレーションモデル３３が選択され、要素種別４１の単一要素８には低複雑度シミュレーションモデル４３が選択される。これらのシミュレーションモデルは、図４のデジタルツイン１にアセンブルされた状態で示されている。

図１～３の実施形態において、シミュレーションモデルは、最低査定精度及び／又は最長査定期間だけに基づいて選択される。代替的な実施形態において、図６に関して記述するように、シミュレーションモデルは生じた問題の専門知識に基づいて選択されてよい。例えば、専門知識を用いて、要素種別毎に、要素の好適な最小及び／又は最大数量、及び／又はシミュレーションモデルの好適な最小及び／又は最大複雑度を決定することができる。例えば、専門知識は、所与の問題に対して、高複雑度のユーザーモビリティモデルが必要である及び／又は少なくとも５７個の基地局が必要であることを指定することができる。

複雑度が異なるデジタルツイン要素の図示する例として以下が含まれる。
・基地局：一方で（恐らく機器ベンダから提供された）完全に機能する基地局のレプリカを用いてよいのに対し、他方で基地局は少数の主要無線リソース管理機構の組み合わせにだけに縮小される場合がある。
・アンテナ：注目する問題がビーム形成パラメータの最適化に関する場合、特にアンテナ素子の個数、サブアレイ構造、素子レベルのアンテナ図を含む、配備されたアンテナアレイの詳細なモデルが必要になる可能性があるのに対し、他の問題ではアンテナアレイを適切に構成されたアンテナ図を有する単一の有効送受信アンテナだけに縮小すれば充分である。
・伝搬環境：ビーム形成又はチャネル適応型パケットスケジューリングを含む問題の場合、伝搬モデルにマルチパスフェージングを適切に組み込むことが重要であるのに対し、他の問題ではマルチパスフェージングを完全に除外して経路損失だけ、及び恐らくはシャドーフェーディングをモデル化すれば充分である。
・ユーザーモビリティ：ハンドオーバー又は動的ビームステアリングパラメータを最適化する場合、詳細なユーザーレベルのモビリティモデルを考慮することが重要な場合がある。他の問題では例えば工業地域と住宅地域の間の交通流の巨視的モデルがあれば充分な場合があり、他の問題ではユーザーのモビリティを完全に無視できる場合がある。

他の例として、ユーザー設備、時空間トラフィック特性、各種の中核ネットワーク機能及びインターフェースが含まれる。

図１に関して述べたように、図１は、デジタルツインのアセンブリフェーズ１５２、及びデジタルツインの利用フェーズ１５３を示している。図５は更に、アセンブリフェーズ１５２の前の準備フェーズ１５１を示している。アセンブリフェーズ１５２及び利用フェーズ１５３がオンラインフェーズであるのに対し、準備フェーズ１５１は通常はオフラインフェーズである。準備フェーズ１５１は、注目する遠隔通信ネットワークのデジタルツインの要素種別のシミュレーションモデルの開発を対象としており、恐らくは遠隔通信ネットワークに対して行われた測定及びモデリング自体のＡＩ／ＭＬ方法論を含んでいる。一実施形態において、準備フェーズ１５１は、（例えば、査定精度及び査定期間に関する）様々な効用又はコスト関数の生成も担っており、例えば、図６を参照されたい。

文脈に依存して、遠隔通信ネットワークは変更され続ける可能性があるため、準備フェーズ１５１は、要素種別のシミュレーションモデルを開発／調節する連続的な処理であってよい。アセンブリフェーズ１５２は、準備フェーズ１５１で構築された関連モデルを選択することにより、デジタルツインの適合されたアセンブリを扱う。利用フェーズ１５３において、例えば候補構成／処置の影響を査定して、選択された構成／処置をツイン化された遠隔通信ネットワークに適用する目的で、アセンブルされたデジタルツインをシミュレーションで利用する。

図１～３の実施形態において、利用フェーズ１５３はステップ１０７を含んでいる。ステップ１０７は、ステップ１０５でアセンブルされたデジタルツインに対してシミュレーションを実行するステップを含んでいる。図１～３の実施形態の変形例において、ステップ１０７はステップ１４１により実行され、利用フェーズ１５３は更にステップ１４３を含んでいる。これを図５に示す。

ステップ１４１は、ステップ１０５でアセンブルされたデジタルツインに対してシミュレーションを実行して通信ネットワークの１個以上のネットワーク構成パラメータ設定を決定するステップを含んでいる。移動通信ネットワークの無線アクセスネットワークの構成パラメータの例は、ハンドオーバー閾値、スケジューリング重み、アドミッション制御閾値、輻輳制御パラメータ、大量ＭＩＭＯ／ビーム形成パラメータ、ＣＳＩフィードバック構成パラメータ、及びスライシングパラメータである。移動通信ネットワークの中核ネットワークの構成パラメータの例は、スライシングパラメータ、ルーティングポリシパラメータ、ＱｏＳ管理パラメータ、課金ポリシパラメータ、サービスエリア制限パラメータ、ＰＬＭＮ選択パラメータ、及びページングポリシパラメータである。ステップ１４３は、ステップ１４１で決定された１個以上のネットワーク構成設定によりツイン化された遠隔通信ネットワークを構成するステップを含んでいる。

コスト及び効用関数を生成するコンピュータ実装された方法の一実施形態、及び遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するコンピュータ実装された方法の第４の実施形態を図６に示す。コスト及び効用関数を生成する方法は、準備フェーズ１５１で実行される。ステップ１０１～１０７を含むデジタルツインに対してシミュレーションを実行する方法は、アセンブリフェーズ１５２及び利用フェーズ１５３で実行される。

先に説明したように、準備フェーズ１５１は、注目する遠隔通信ネットワークのデジタルツインの要素種別のシミュレーションモデルの開発を対象としており、恐らくは遠隔通信ネットワークで行われた測定及びモデリング自体のＡＩ／ＭＬ方法論を含んでいる。これは従来の技術で実行されてよい。アセンブリをサポートする仕様が明確な要素間インターフェースを有するデジタルツインの要素種別のシミュレーションモデルのリポジトリが利用可能であると仮定している。

準備フェーズ１５１は、ステップ１７１、１７３、１７５、１７７、１７８、１７９、１８１、１８３、及び１８７を含んでいる。ステップ１７１の第１の反復において、ステップ１７１は、複数の問題定義から第１の問題定義を選択するステップを含んでいる。複数の問題定義の各々は、最適化すべき１個以上の構成パラメータ、及び対応する１個以上の性能指標を指定する。最小値及び／又は最大値に到達する必要がある１個以上の性能指標は、任意選択的に問題定義に（制約として）含まれていてよい。性能指標の例としてスループット及び遅延がある。

構成パラメータの例について、図５に関して述べてきた。問題定義は更に、地理的範囲及び／又は技術的範囲を指定してよい。問題定義は更に、（要求される）最低査定精度及び／又は（許容される）最長査定期間を指定してよいが、指定しない場合、これはアセンブリフェーズ１５２で別々に入力されてよい。

問題定義は、例えば最適化又は評価問題を指定してよい。いずれの場合も、シミュレーションは、（典型的には特定の制約条件がある）性能指標に関して１個以上の最適な／最適化された構成パラメータ設定を見つけるべく実行される。最適化問題を解くこと目的は、１個以上の最適な／最適化された構成パラメータ設定を見つけることである。評価問題を解く目的は、これらの１個以上の最適化／最適化された構成パラメータ設定に対応する性能指標の値を見つけることである。

アセンブリフェーズ１５２において、問題は、自動化されたネットワーク最適化ループの一部として周期的に起動されても、又は基地局の故障により、或いはネットワーク技術者がモバイルオペレータのネットワークでベンダ実装された機能の評価を起動する等の偶発的なイベントにより起動されてよい。アセンブリフェーズ１５２で問題が生じたならば、対応する問題定義が複数の問題定義から、例えば問題定義のリストから選択される。

目標とする性能指標に関して、仕様が明確な最適化／評価問題は、好適には最適化／評価を要するものの明確な定義を含むべきであり、これは例えば単に単一ＫＰＩ（例：カバレッジ確率）、複数のＫＰＩ（Ｋ_Ｘ、Ｋ_Ｙ）の加重平均、すなわちＫ＝α_ＸＫ_Ｘ＋β_ＹＫ_Ｙ、（例：０．８×低下確率＋０．２×ハンドオーバーピンポン比率）、又は最適化ＫＰＩと条件付きＫＰＩの組み合わせ、すなわち

、ここで

は指標関数を指す（例：カバレッジ確率が９９％を超える条件の下で平均ユーザースループットを最適化する）。用語「１個以上の性能指標」はこれらの任意選択の全てを対象とする。

ステップ１７３の第１の反復において、ステップ１７３は、第１の候補デジタルツインの複数の要素の各々に対してシミュレーションモデルを選択するステップを含んでいる。ステップ１７３は、図１～３のステップ１０３と同様であってよい。従って、要素の所望の数量がステップ１７３で（例えば要素種別毎に）決定されてよく、及び／又は所望の複雑度を有するシミュレーションモデルがステップ１７３で（例えば要素又は要素種別毎に）決定されてよい。要素の所望の数量は、選択されたシミュレーションモデルの複雑度の程度に依存し得る。ステップ１７５の最初の反復において、ステップ１７５は、複数の要素のシミュレーションモデルを第１のデジタルツイン候補にアセンブルするステップを含んでいる。ステップ１７５は、図１～３のステップ１０５と同様であってよい。

各（候補）デジタルツインはベクトルｎで表すことができる。ベクトルｎは、リポジトリで利用可能な各ツイン要素種別及び関連付けられた複雑度レベル毎に、当該レポジトリのいくつの要素がデジタルツインに含まれているかを示す（例えばｎ＝＃高複雑度レベルＢＳ、＃中複雑度レベルのＢＳ、＃低複雑度レベルのＢＳ、＃高複雑度レベルのアンテナ、＃中複雑度レベルのアンテナ、＃低複雑度レベルのアンテナ等）。これらのうちいくつかは０に設定されてよい。

ステップ１７７は、ステップ１７５でアセンブルされたデジタルツイン候補に対して複数回のシミュレーションを実行して訓練サンプルを決定するステップを含んでいる。所与の問題及びｎにおいて、反復シミュレーションが１個以上の構成パラメータ（例えば、傾斜設定の範囲）の様々な設定で実行される。訓練サンプルは典型的に、１個以上の性能指標の値を含んでいる。所定のｎについて、ステップ１７７は以下の二つの部分段階を含んでいてよい。
・１個以上の構成パラメータ設定（例：特定の問題を評価する傾斜設定の範囲）を決定する。専門知識を用いて、１個以上の構成パラメータ設定を選択、すなわち候補構成を選択できる。この部分段階は初期設定の選択を含んでいてよい。
・所与のｎと候補構成に対して実際のシミュレーションを実行する。異なるｎに対して異なる試行が行われる。各試行は複数の反復を含んでいる。シミュレーションでは、（擬似）乱数値を用いてよい。この理由により、性能指標に求められる統計的精度に達するため、各反復の一部として、無秩序な異なる種数を用いて充分な回数の独立したレプリケーションが好適に実行される。１個以上の負荷レベル／シナリオに対して異なるレプリケーションの組が行われてよい。１個以上の異なる初期構成から始めて１回以上の試行が行われる。各試行では、最適化アルゴリズムの停止基準が満たされるまで最適化アルゴリズムの反復が実行される。初期構成での反復の後で、及び後続する各反復の後で、最適化アルゴリズムは、試すべき次の構成を決定する。最適化アルゴリズムの停止基準が満たされた後で、最適化された構成の決定に必要な合計時間（シミュレーション／反復の回数にシミュレーション／反復毎の平均時間を乗算した値）、及び性能指標の対応する推定値（統計的に信頼できるとみなされる）が所与のｎに関連付けて保存／出力される。複数の異なる初期構成から始めて複数回の試行が行われたならば、試行毎の平均合計時間が所与のｎに関連付けて保存／出力されてよい。この部分段階の個々の出力をコスト及び効用関数を学習するための訓練サンプル（例：［問題、ｎ、ＫＰＩ名］－＞［ＫＰＩ値、合計時間］）として用いてよい。最適化された構成が候補構成の範囲の端部にある場合、当該範囲を調整して当該端部を越える候補構成を対象とすることができる。この場合、第１の部分段階と第２の部分段階を反復して他の候補／初期構成を第１の部分段階で選択してよい。使用できる最適化アルゴリズムの例として多次元空間内での勾配に基づく最適化が挙げられる。要素種別毎の個々のシミュレーションモデルは通常ブラックボックスである。

ステップ１７８は、更なるデジタルツイン候補に対してシミュレーションを実行する必要があるか否か、すなわち、充分な個数のデジタルツイン候補に対してシミュレーションが実行されたか否かを確認するステップを含んでいる。専門知識を好適に用いてステップ１７３でデジタルツイン候補が選択されるデジタルツイン候補の集合を制限する。この場合、ステップ１７８は、合理的な労力で適切なコスト及び効用関数の生成に、当該集合から充分な個数のデジタルツイン候補が選択されたか否かを確認するステップを含んでいる。

更なるデジタルツイン候補に対してシミュレーションを実行する必要がある場合、ステップ１７３が反復されて、本方法は図６に示すように進行する。ステップ１７３の次の反復において、ステップ１７３は、次のデジタルツイン候補の複数の要素の各々に対してシミュレーションモデルを選択するステップを含んでいる。ステップ１７５の次の反復において、ステップ１７５は、複数の要素のシミュレーションモデルを次のデジタルツイン候補にアセンブルするステップを含んでいる。

ステップ１７９及び１８１は、ステップ１７８の後で実行される。ステップ１７９は、複数のデジタルツイン候補に対して、ステップ１７７で決定された訓練サンプルに基づいて、１個以上の性能指標に関する効用関数を生成するステップを含んでいる。複数のデジタルツイン候補は、ステップ１７５でアセンブルされた各デジタルツイン候補を含んでいる。効用関数は、１個以上の性能指標に関する推定精度を反映する。ステップ１８１は、複数のデジタルツイン候補に対して、ステップ１７７で決定された訓練サンプルに基づくコスト関数を生成するステップを含んでいる。コスト関数は、経験された、及び任意選択的に推定された査定努力を反映する。ステップ１７９及び１８１は、例えば訓練サンプルが取得されていないツイン候補の査定期間及び精度を推定するための機械学習技術の使用を含んでいてよい。代替的な実施形態において、効用関数だけが生成されるか、又はコスト関数だけが生成される。

典型的に、効用関数は、訓練サンプルに含まれる１個以上の性能指標の値に基づいて決定される。例えば、効用関数は、最も正確な性能結果をもたらすデジタルツイン候補、すなわちフルスイングデジタルツインを用いてデジタルツイン候補を最初に決定することにより生成される。フルスイングデジタルツインは、各要素種別に対して、利用可能な最も複雑なシミュレーションモデルを考慮し、同じ査定精度をもたらすネットワーク全体又はその部分集合を考慮する。効用関数は、関数結果が当該デジタルツイン候補では１、他のデジタルツイン候補では０～１となるような正規化により決定されてよい。特定のデジタルツイン候補に対する効用関数の結果値は、最も高い効用（すなわち結果値１）を有するデジタルツイン候補に対する当該デジタルツイン候補の効用を反映する。

コスト関数は、例えば、各デジタルツイン候補に対して、最適な／最適化された構成の決定に要する平均又は最長合計時間（例：異なる初期構成を用いた最適化アルゴリズムの平均又は最大反復回数）を決定することにより、又は各デジタルツイン候補に対して、最適化された構成の決定に要するシミュレーション／反復の平均又は最大回数を決定してシミュレーション／反復の当該平均又は最大回数に、１回のシミュレーション／反復を実行するのに要する計算時間を（例えば秒単位で）乗算することにより生成できる。

考慮される各構成に対して、得られた性能結果の充分な統計的信頼性を得るために、別々の乱数種数による充分なレプリケーションが好適に実行される。従って、各反復は１回以上のレプリケーションを含んでいてよい。効用及びコスト関数の例を図７、８に示す。ステップ１８３は、ステップ１７１で選択された問題定義に対して生成されたコスト及び効用関数を指定する情報をメモリに保存するステップを含んでいる。

ステップ１８７は、更なる問題定義に対してコスト及び効用関数を生成すべきか否かを確認するステップを含んでいる。ステップ１７３～１８３が全ての複数の問題定義について実行されていれば、準備フェーズ１５１は完了している（但し後で反復されない場合がある）。全ての複数の問題定義についてステップ１７３～１８３が実行されていなければ、ステップ１７１が反復され、方法は図６に示すように進行する。ステップ１７１の次の反復において、ステップ１７１は、複数の問題定義から次の問題定義を選択するステップを含んでいる。

機械学習を用いて、シミュレーションが実行されていないデジタルツイン候補に関連するコスト関数の結果値と効用関数の結果値を決定することができる。ある問題で得られた訓練サンプルを用いて別の問題のコスト及び効用関数を学習することも可能である。その場合、ステップ１７９、１８１、及び１８３はステップ１８７の前ではなくステップ１８７の後で実行してよい。いずれの場合も、コスト及び効用関数は、複数、例えば潜在的問題のリスト等から各問題について生成される。

上で説明したように、アセンブリフェーズ１５２は、準備フェーズ１５１で構築された関連モデルを選択することによりデジタルツインの適合されたアセンブリを扱う。図６の実施形態において、実際に問題が生じた場合にデジタルツインを決定すべくアセンブリフェーズ１５２で関連する効用及びコスト関数が選択される。

アセンブリフェーズ１５２は、ステップ１９１、１９３、１９５、１０１、１０３、及び１０５を含んでいる。ステップ１９１は、複数の問題定義から１個の問題定義を選択するステップを含んでいる。アセンブリフェーズ１５２において、選択された問題定義は、運用中の遠隔通信ネットワークで生じた問題に対応する必要がある。従って、問題定義がシステムにより完全に自動的に選択されるのではなく、ユーザー入力に基づいて選択される場合、ユーザーは、生じた問題に対応しない問題定義を選択すべきでない。運用中の遠隔通信ネットワークは、例えば試験ネットワーク又は商用ネットワークであってよい。ステップ１９３は、ステップ１９１で選択された問題定義に関連して生成されたコスト及び効用関数をメモリから読み出すステップを含んでいる。

ステップ１０１は、選択された問題定義で指定された１個以上の性能指標に関する（要求される）最低査定精度を決定するステップ及び／又は（受容可能な）最長査定期間を決定するステップを含んでいる。図６の実施形態において、最低査定精度及び／又は最長査定期間は、ステップ１０１で別々に決定され、問題定義では指定されない。代替的な実施形態において、問題定義は（要求される）最低査定精度及び／又は（受容可能な）最長査定期間を含んでいる。

ステップ１０３は、ステップ１９３と１０１が実行された後で実行される。ステップ１０３はステップ１９５により実行される。ステップ１９５は、ａ）ステップ１９３で読み出された問題定義に対応する効用関数をステップ１０１で決定された最低査定精度に適用するステップ、及びｂ）ステップ１９３で読み出された問題定義に対応するコスト関数をステップ１０１で決定された最長査定期間に適用するステップの少なくとも一方を実行することによりデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択するステップを含んでいる。ステップ１９５は、最低査定精度及び最長査定期間の少なくとも一方に基づいて、更に選択された問題定義に基づいて、複数のデジタルツイン候補からデジタルツインを選択するステップとみなすことができる。

デジタルツイン候補は、図１～３に関して述べたように、異なる数量の要素を有することにより、及び／又は異なる複雑度のシミュレーションモデルを有することにより、互いに異なっていてよい。ステップ１９５は、複数のデジタルツイン候補の部分集合を選択する第１の部分ステップと、部分集合からデジタルツインを選択する第２の部分ステップを含んでいてよい。当該部分集合は、例えば専門知識に基づいて選択されてよい。例えば、傾斜最適化問題の場合、複雑度の低いＢＳだけを考慮すればよい。部分集合の選択を容易にする情報（及び専門知識を表す情報）は、例えば問題定義に含まれていてよい。

複数のデジタルツイン候補は、全ての可能なデジタルツイン候補を含んでいてよく、更には無限であってもよい。この場合、複数のデジタルツイン候補は、ステップ１７７で訓練サンプルが得られなかったが、他のデジタルツイン候補に対して決定された効用及びコスト値から効用及びコスト値を導出／学習できるデジタルツイン候補を含んでいてよい。代替的に、複数のデジタルツイン候補は、ステップ１７７で訓練サンプルが得られたデジタルツイン候補だけを含んでいてよい。

上述のように、最適な複雑度の度合い及び／又は要素種別毎の要素の最適な個数の選択はデジタルツインを適合するために重要であり、この選択は最低査定精度及び／又は最長査定期間に基づいて行うことができる。

実際の査定期間は通常、利用可能な計算リソースに依存する。複雑度が高いほど、例えば処理能力又はメモリリソース等、より多くの計算リソースを必要とするため、そのようなリソースの利用可能性もまた、所与の期限内に、及びツインの所与の複雑度について、所与の最適化問題を解くことの実現可能性に影響を及ぼし得る。その結果、計算リソースの制約により、許容される複雑度が制約され得る。利用フェーズ１５３が準備フェーズ１５１と同じ計算リソースを用いて実行され、従って、コスト関数を調整せずに使用できる、又は時間を実際の計算リソースに変換する仕方が知られていると仮定してよい。

（受容可能な）最長査定期間は通常、最適化問題の緊急性に依存する。例えば、あるサイトが故障し、周囲のサイトがアンテナの傾斜又は電力設定を再構成する必要がある場合、迅速に（速いが粗雑に）最適解を見つけることができ、従ってツインの複雑度が下げられる限り、準最適解が見つかればよい。代替的に、提供されるトラフィック負荷での時空間的変化に応じてアンテナの傾斜及び電力設定を周期的に更新する処理は、緊急の解決策を必要としないため、より複雑なツインを利用して（最適に近い）解決策を実現することができる。

要素種別毎に選択された要素の数量と、要素種別毎に選択された要素の複雑度との間でトレードオフが必要な場合がある。このトレードオフは通常、最適化問題の対象に依存し、専門知識に支援されて行われてよい。いくつかの最適化問題は、例えばパケットスケジューリングパラメータのセル固有の構成等、本質的に地理的に局所的な性質を有している。その結果、最適なパラメータ設定を導出するためのツインに基づく実験は、単一セルのシナリオに対して行うことができるため、詳細な情報が付与されたツインを合理的な時間内で使用できるようになる。代替的に、上述のアンテナの傾斜最適化問題は、傾斜設定がセル間干渉に影響し、共同でカバレッジを決定するため、本質的により広い（地域的な）範囲を必要とする。その結果、ツインの複雑度は、アンテナ毎の傾斜設定を合理的な時間内に広範に評価できるように、先の（局所的な）最適化の例よりも低くすべきである。

地理的範囲が限定される以外に、例えばＲＡＮ又はより精巧なＲＡＮ／ＣＮ範囲だけを含むように技術的／ネットワーク範囲が限定される、或いは限定されたプロトコル層の集合だけを含むように問題を特徴付けることもできる。限定された地理的範囲と同様に、ここでも範囲はモデリング範囲に、従って必要とされるツインの詳細情報の程度に影響を及ぼし得る。

ステップ１０５は、ステップ１０３で選択されたシミュレーションモデル（例えば、ステップ１０３で決定された要素の数量及び／又はステップ１０３で決定された複雑度に対して）、すなわち複数のデジタルツイン候補から選択されたデジタルツインに関連付けられたシミュレーションモデルをアセンブルしてデジタルツインを得るステップを含んでいる。図６の実施形態において、ステップ１７５でアセンブルされたデジタルツイン候補はメモリに保存されない。代替的な実施形態において、複数のデジタルツイン候補から選択されたデジタルツインが、例えばステップ１７５で既にアセンブルされてメモリに保存されている場合、選択されたデジタルツインをメモリから取得してよい。

次に、アセンブリフェーズ１５２でアセンブルされた適合デジタルツインは、運用遠隔通信ネットワーク、例えば、試験遠隔通信ネットワーク又は商用遠隔通信ネットワークに逐次適用されてよい１個以上の最適な／最適化された構成パラメータ設定（例：傾斜設定）を導出するために問題固有のシミュレーションの集合における利用フェーズ１５３で適用される。

利用フェーズ１５３は、ステップ１９７及び１０７を含んでいる。ステップ１９７は、ステップ１９１で選択された問題定義で指定された１個以上の構成パラメータを選択するステップを含んでいる。ステップ１０７は、例えば現在の有効なネットワーク構成から、又はこれが利用できない場合は、例えば既定のパラメータ設定、ベンダ推奨パラメータ設定、範囲内のパラメータ設定、又は任意のパラメータ設定から始めて、ステップ１０５でアセンブルされたデジタルツインに対してステップ１９７で選択された１個以上の構成パラメータの異なる設定を用いてシミュレーションを実行する。

ステップ１０７で実行されるシミュレーションは、ステップ１７７で実行されるシミュレーションと同様であるが、１個の問題及び１個のアセンブルされたデジタルツイン、すなわち選択されたデジタルツイン候補だけに対して実行される。（受容可能な）最大期間が許せば、シミュレーションは複数の初期設定を用いて実行することができる。例えば、１個以上の初期設定がなされたシミュレーションの所与の集合から得られた知見から、新たな初期設定を提案することができる。ステップ１７７で用いられた最適化アルゴリズム及び停止基準はステップ１０７でも用いられてよい。上述のように、使用できる最適化アルゴリズムの一例が多次元空間における勾配に基づく最適化である。任意選択的に、図５に関して述べたように、ステップ１０７はステップ１４１により実行され、ステップ１０７に続いてステップ１４３が実行される。

図７、８に、例示的なコスト及び効用関数の二つの使用例を示している。コスト関数だけ、又は効用関数だけが必要とされる状況もあり得るが、典型的には、複数のデジタルツイン候補からのデジタルツインの選択には、結果の精度と査定労力（すなわち、最適な／最適化された構成の決定に要する時間）とのトレードオフが関係する。図６に関して述べたように、別々のデジタルツイン候補を用いた（例えば周期的な）オフライン実験に基づいて、関連する（例えば推定査定精度及び推定査定労力／時間に関連する）効用又はコスト関数は、例えば機械学習により生成されてよい。

図７、８に、効用関数Ｕ_Ｐ（ｎ）６１とコスト関数Ｃ_Ｐ（ｎ）６２を示す。効用関数Ｕ_Ｐ（ｎ）６１は精度関数とも呼ばれ、各ツインの任意選択肢について、特定の問題Ｐについて実現された性能の、ツインのフルスイング（最も現実的、実世界オブジェクトに最も近く、且つグランドトゥルースと仮定される）モデルとの相対的な近接度を表す。従って、この曲線６１は、考慮されるツイン任意選択肢がフルスイングツインと同程度に複雑になるに従い「１」に収束し、実際、対処される問題によるが、フルスイングモデルよりも複雑でないツイン候補では「１」レベルに達する可能性がある。フルスイングデジタルツイン７３は要素種別毎に、要素数が充分に多い利用可能な最も複雑な要素モデルを考慮する。理想的には、フルスイングデジタルツイン７３はネットワーク全体を考慮すべきである。しかし、実際にはネットワーク全体の部分集合で充分な場合がある。

コスト関数Ｃ_Ｐ（ｎ）６２は査定労力関数とも呼ばれ、デジタルツインｎに最適な／最適化された構成パラメータ設定の決定に要する査定労力（例えば秒単位）を示す。コスト関数Ｃ_Ｐ（ｎ）６２は、Ｅ_Ｐ（ｎ）とＴ_Ｐ（ｎ）の乗算であってよい。Ｅ_Ｐ（ｎ）は、最適構成パラメータ設定（例：最適な／最適化された構成パラメータ設定を決定するために最適化アルゴリズムの一部としてシミュレートされる必要がある傾斜ベクトルの数、すなわち反復回数であり、この数は典型的にツインに含まれるＢＳの個数と共に増加する）を決定するためにシミュレートされる必要がある構成の期待数である。Ｔ_Ｐ（ｎ）は、ｎで与えられるデジタルツインの単一構成を正確にシミュレートするのに要する計算時間、すなわち単一反復の計算時間（絶対値、例えば秒単位）である。

上述のように、関数Ｕ_Ｐ（ｎ）、Ｅ_Ｐ（ｎ）、Ｔ_Ｐ（ｎ）は問題（Ｐ）に依存する。Ｅ_Ｐ（ｎ）を問題と応じて変化させることは、全ての潜在的な問題（例：可能な傾斜設定の数は可能なスケジューリングパラメータ設定の数とは異なるため、最適化には異なる回数のシミュレーション／反復が必要になる）にわたり平均化されないため、必要なシミュレーションの期待数の良好な推定につながる可能性がある。特定の問題に対して、Ｕ_Ｐ（ｎ）は、実現された（潜在的に複合的な）１個以上の性能指標を観察又は推定（例：補間又はＡＩ／ＭＬモデルを使用する場合）することにより得ることができ、Ｔ_Ｐ（ｎ）は、目標とする（潜在的に複合的な）ＫＰＩに関して必要なシミュレーション時間を計算することにより得ることができる。

周期的又はイベント由来の問題がデジタルツインの使用を起動したならば、（要求される）最低査定精度及び（受容可能な）最長査定期間に基づいて、最適なツイン任意選択肢が選択されてよい。最適なデジタルツインを見つけるために、結果の精度と査定労力のトレードオフを異なる仕方で行うことができる。例えば、以下の任意選択肢が考えられる。
Ｉ．Ｃ_Ｐ（ｎ）≦Ｃ_ＭＡＸに従いＵ_Ｐ（ｎ）を最大化、又は
ＩＩ．Ｕ_Ｐ（ｎ）≧Ｕ_ＭＩＮに従いＣ_Ｐ（ｎ）を最小化する。

図６のステップ１９５に関して説明したように、最初に複数のデジタルツイン候補の部分集合を専門知識に基づいて選択し、次いで当該部分集合からデジタルツインを選択してもよい。この部分集合は、例えば、問題に関する専門知識に基づいて選択されてよい。例えば、傾斜最適化問題の場合、複雑度の低いＢＳだけを考慮すればよい。この専門知識は、準備フェーズ１５１で用いた専門知識と同じであっても、又は（部分的に）異なっていてもよい。例えば、準備フェーズ１５１で使用される専門知識は、問題に関する知識に加えて機械学習に関する知識を含んでいてよい。

図７に任意選択肢ＩＩを示す。図７は、線６６で表される最低査定精度Ｕ_ＭＩＮを満たしながら、デジタルツインに対するシミュレーションが最短査定期間で行われるように最低要求査定精度に基づいてシミュレーションモデルがデジタルツインの複数の要素の各々に対して選択されることを示している。上で説明したように、複数の要素の数量は、複数の要素の各々に対するシミュレーションモデルの選択の一部として選択されてよく、先験的に与えられない可能性がある。

上述の条件の下で査定期間が最も短いデジタルツイン候補はデジタルツイン候補７１であり、従って選択される。最高査定精度（すなわち１）は線６５で表される。フルスイングデジタルツイン候補７３が最高査定精度を有している。曲線６１は比較的速く増加し、比較的多くのデジタルツイン候補の査定精度は１であるか又は１に近い。デジタルツイン候補７２の査定精度はフルスイングデジタルツイン候補７３とほぼ同等である。フルスイングデジタルツイン候補７３とデジタルツイン候補７２は、少なくとも最低査定精度Ｕ_ＭＩＮを有しているが、最短化された査定時間を有していない。デジタルツイン候補７０は、Ｕ_Ｐ（ｎ）がＵ_ＭＩＮ以上ではないため、当該条件を満たさない。

図８に任意選択肢Ｉを示す。図８は、デジタルツインに対するシミュレーションが、線６７で表される最長査定期間Ｃ_ＭＡＸを超えることなく最大化された査定精度を有するように、最長許容査定期間に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルが選択されることを示している。上で説明したように、複数の要素の数量は、複数の要素の各々に対するシミュレーションモデルの選択の一部として選択されてよく、先験的に与えられない可能性がある。

上述の条件の下で最も査定精度が高いデジタルツイン候補はデジタルツイン候補７２であり、従って選択されている。Ｃ_Ｐ（ｎ）がフルスイングデジタルツイン候補７３の最長査定期間を超えるため、フルスイングデジタルツイン候補７３は当該条件を満たさない。デジタルツイン候補７０と７１は条件を満たす、すなわちＣ_Ｐ（ｎ）はＣ_ＭＡＸを超えないが、最大化された査定精度を有していない。

図７、８の例において、４個のデジタルツイン候補７０～７３だけを対象にしているが、曲線６１、６２は、これら４個よりも多くのデジタルツイン候補を表している。デジタルツイン候補７０～７３が対象とされているという事実は、必ずしも準備フェーズでこれら（全て）のデジタルツイン候補の訓練サンプルが得られたことを意味しない。選択肢ＩとＩＩ以外の任意選択肢も可能である。査定期間の最短化又は査定精度の最大化は必要とされない。

図９は、通信ネットワークのデジタルツインに対してシミュレーションを実行するシステムの一実施形態、及び通信ネットワークのデジタルツイン候補の効用及びコスト関数を生成するシステムの一実施形態のブロック図である。効用及びコスト関数を生成するシステムは、少なくとも装置２１１を含み、更に例えば装置２０１を含んでいてよい。遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するシステムは、少なくとも装置２０１を含み、更に例えば装置２１１を含んでいてよい。システム２１０は、装置２０１と装置２１１の両方を含んでいる。図９の例において、遠隔通信ネットワークは移動通信ネットワーク２００である。移動通信ネットワーク２００は、特に、無線アクセスネットワーク（ＲＡＮ）２３１及び中核ネットワーク（ＣＮ）２２１を含んでいる。

ＲＡＮ２３１は基地局２３３、２３４を含んでいる。移動通信ネットワーク２００は、５Ｇネットワークであってよく、ＲＡＮ２３１は５Ｇ新無線ＲＡＮであってよく、基地局２３３、２３４は、例えば５ＧｇＮｏｄｅＢ基地局であってよい。基地局２３３、２３４の各々は、集中型ＲＡＮ（Ｃ－ＲＡＮ）アーキテクチャにおける共通の集中型ユニットを共有する複数の分散型ユニットを含んでいてよい。ＣＮ２２１は、中核ネットワーク要素２２３、２２４、及び２２５を含んでいる。

装置２０１は、ＲＡＮ２３１及びＣＮ２２１を管理すべくオンラインで使用され、移動通信ネットワーク２００の管理ネットワークの一部であってよい。装置２１１は、効用及びコスト関数を生成すべくオフラインで使用される。図９の例において、モバイル機器２４１、２４２は基地局２３３に接続され、モバイル機器２４３、２４４及び２４５は基地局２３４に接続されている。

装置２１１は、受信機２１３、送信機２１４、プロセッサ２１５、及びメモリ２１７を含んでいる。プロセッサ２１５は、複数の要素のシミュレーションモデルを遠隔通信ネットワークの異なるデジタルツイン候補にアセンブルし、アセンブルされた異なるデジタルツイン候補の各々に対し複数のシミュレーションを実行して訓練サンプルを決定し、アセンブルされた異なるデジタルツイン候補を含む複数のデジタルツイン候補に対して、訓練サンプルに基づいて、１個以上の性能指標に関する効用関数を生成し、複数のデジタルツイン候補に対して、訓練サンプルに基づいてコスト関数を生成し、複数のデジタルツイン候補に対して生成されたコスト及び効用関数を指定する情報をメモリに保存すべく構成されている。

装置２０１は、受信機２０３、送信機２０４、プロセッサ２０５、及びメモリ２０７を含んでいる。プロセッサ２０５は、１個以上の性能指標に関する最低査定精度を決定し、及び／又は最大査定持続時間を決定し、最低査定精度及び最大査定持続時間の少なくとも一方に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択し、選択されたシミュレーションモデルをデジタルツインにアセンブルし、デジタルツインに対してシミュレーションを実行するように構成されている。

デジタルツインがＲＡＮ２３１のものである場合、基地局２３３、２３４及び他の基地局はデジタルツインの要素として表すことができる。基地局２３３、２３４及び他の基地局のアンテナもまたデジタルツインの要素として表すことができる。ユーザーモビリティ及び伝搬環境もまたデジタルツインの要素として表すことができる。デジタルツインが移動通信ネットワーク２００のものである場合、中核ネットワーク要素２２３～２２４もまたデジタルツインの要素として表すことができる。

プロセッサ２０５は、最低査定精度及び最長査定期間の少なくとも一方に基づいて複数の要素の数量を決定して複数の要素の各々に対してシミュレーションモデルを選択することにより、最低査定精度及び最長査定期間の少なくとも一方に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択すべく構成されていてよい。

追加的又は代替的に、複雑度の程度が異なる複数のシミュレーションモデルに１個以上の要素種別が関連付けられている場合、プロセッサ２０５は、最低査定精度及び最長査定期間の少なくとも一方に基づいて、対応する要素種別に関連付けられた複数のシミュレーションモデルから、１個以上の要素種別の各要素のシミュレーションモデルを（共同して）選択することにより、最低査定精度及び最長査定期間の少なくとも一方に基づいてデジタルツインの複数の要素の各々に対してシミュレーションモデルを選択すべく構成されていてよい。

図９の実施形態において、プロセッサ２０５は、機器２１１により生成された効用関数を最低査定精度に適用することにより、及び／又は機器２１１により生成されたコスト関数を最長査定期間に適用することにより、デジタルツインの複数の要素の各々に対してシミュレーションモデルを選択すべく構成されている。代替的な実施形態において、プロセッサ２０５は、デジタルツインの複数の要素の各々に対して異なる仕方でシミュレーションモデルを選択すべく構成されている。

図９の実施形態において、装置２０１と２１１は別々の装置である。代替的な実施形態において、単一の機器が、機器２０１、２１１により実行される機能を実行する。別の実施形態において、機器２０１により実行される機能が複数の機器により実行され、及び／又は機器２１１により実行される機能が複数の機器により実行される。

図９に示す実施形態において、装置２０１、２１１は、１個のプロセッサ２０５又は２１５を含んでいる。代替的な実施形態において、機器２０１及び／又は機器２１１は複数のプロセッサを含んでいる。プロセッサは、例えばＩｎｔｅｌ又はＡＭＤプロセッサ等の汎用プロセッサであっても、或いは特定用途向けプロセッサであってもよい。プロセッサは、例えば複数のコアを含んでいてよい。プロセッサは、例えばＵｎｉｘ系又はＷｉｎｄｏｗｓオペレーティングシステムを動作させてよい。メモリ２０５及び／又はメモリ２１５は、固体メモリ、例えばフラッシュメモリで作られた１個以上の固体ディスク（ＳＳＤ）、又は１個以上のハードディスク等で構成されていてよい。

受信機２０３、２１３及び送信機２０４、２１４は１個以上の通信技術（有線又は無線）を用いて、互いに及び他の機器と例えばＲＡＮ又はＣＮ内で通信することができる。受信機及び送信機はトランシーバに組み合わされていてよい。機器２０１、２１１は、コンピュータサーバ又はネットワークユニットに典型的な他の要素、例えば電源装置を含んでいてよい。

典型的な例において、例示的な最適化問題は、高／低複雑度要素の組み合わせを含むデジタルネットワークツインのアセンブリを必要とする。本例において、提供されるトラフィック負荷の時空間的変化に応答してアンテナの下方傾斜を周期的に最適化することが必要になる。

この典型的な例において、アンテナの下方傾斜を調節する目的は、所与の負荷シナリオに対して、提供されるサービス品質をある最小限（例：９９．５％）のカバレッジが保証される条件の下で最適化することである。絶対的な負荷レベルだけでなく、トラフィックの空間分布も最適な傾斜設定に影響を及ぼすことが容易に理解できる。例えば、全てのユーザーが基地局サイトの近くに位置している場合、最適な下方傾斜は、ユーザーがエリア全体で均一に広がっている場合、又は分布がセル端に向かって偏っている場合よりも大きくなる可能性が高い。ユーザーは時間経過に伴い（例：勤務時間と勤務時間外の間で）移動する傾向があり、通信ニーズも時間経過に伴い（例：日中の仕事関係の電子メール対夜間のＨＤビデオストリーミング）変化するため、アンテナの最適な傾斜設定も時間経過に伴い変化し得ることは合理的である。

問題定義では、例えば１００カ所の基地局を含む地理的領域を指定し、構成パラメータとしてセクター毎のアンテナ下方傾斜を指定し、上で定式化された、すなわちカバレッジレベルが例えば９９．５％を超える条件の下でサービス品質（例：１０番目のユーザーのスループット率）を最適化する複合ＫＰＩを指定する。更に、緊急度は低くマーク付けされ、数１０分間までの最長査定時間として定量化される。この最長査定時間は、問題定義に含まれていても、又は別途指定されてもよい。後者が有利なのは（残りの）問題定義が不変であるのに対し最長査定時間が変化し得る場合である。

本例において、当該最適化問題でネットワークを適切にモデル化するのに要するデジタルツインは、少なくとも配置された基地局アンテナ、伝搬環境及び空間トラフィック分布のシミュレーションモデルを含んでいる。各基地局アンテナに対して、アンテナの高さ、方位角、３Ｄ放射パターン及び送信出力を現実的に捕捉する、かなり正確な（高複雑度の）シミュレーションモデルが必要であるが、その理由は、これら全ての要因がカバレッジ、体験されるＳＩＮＲ従ってサービス品質に重大な影響を及ぼすからである。特に、距離に応じたパス損失、屋内侵入損失及び対数正規減衰要因を対象とする伝搬環境の大規模な特性評価が対応して選択された（低複雑度）シミュレーションモデルに含まれていれば充分であろう。

本例において、マルチパスフェージングのような小規模な伝搬要因は、関連付けられた小規模な変動は典型的に、アンテナの傾斜設定の調節ではなく、例えば適応的変調及び符号化、送信出力制御及びチャネル適応的パケットスケジューリングにより対処されるため、除外してよい。最後に、将来の期間で有効な空間トラフィック分布の推定値が使用される。ユーザー固有レベルの詳細情報は必要でなく（４０×４０ｍピクセルのレベルまでの巨視的な精度が典型的に好ましい）、ユーザーのモビリティは無視できるため、空間トラフィック分布に対しては複雑度が中程度のシミュレーションモデルでよいと考えられる。このようにアセンブルされたデジタルツインでは、パケットスケジューリング、ハンドオーバー管理、許可／輻輳制御等の各種のＲＲＭ機構の詳細なモデル化等の他の最適化研究に関連する可能性のある各種の要因が意識的に除外されていることに注意されたい。

シミュレーションでは複数のアンテナ傾斜の組を考慮に入れる。最適なアンテナ下方傾斜を見つけるために、現在の有効構成に基づいて初期組が選択され、次いで後続組が例えば勾配に基づく最適化戦略に基づいて知的に選択される。選択されたデジタルツインに対して全てのタプルが評価される。複合ＫＰＩを念頭に置いて、最適化戦略はこれまでに査定された最良の傾斜組を追跡し、アプローチが充分に収束した時点で最適解として選択されて運用中の通信ネットワークに適用される。

上述のように、シミュレーションモデルは、要素種別レベル又は要素レベルで選択されてよい。説明目的で、要素種別の伝播環境について、複雑度のレベルが異なる以下の３個のシミュレーションモデルを識別できる。
・伝搬環境の低複雑度シミュレーションモデルは、概要を上で述べたように、距離に基づく経路損失、屋内侵入損失及び対数正規減衰等の大規模な要因だけを含んでいてよい。このモデルはアンテナの下方傾斜の周期的最適化に適している。
・若干複雑な（中程度の複雑度の）シミュレーションモデルは更に、大規模な平均値を中心とする伝搬利得の比較的単純な時間／周波数領域の変化としてモデル化されたマルチパスフェージングの小規模な要因を含んでいてよい。このモデルは、パケットスケジューラの構成の最適化に用いることができる。
・伝搬環境の高複雑度シミュレーションモデルは上記の要因を全て含み、物理層アルゴリズム、ＳＵ／ＭＵ－ＭＩＭＯビーム形成戦略及び対応するマルチユーザーパケット（共同）スケジューリングアルゴリズムを最適化する際に必要となり得る送受信アンテナ対毎、又はパス毎の小規模伝搬要因の特性評価を更に含んでいる。

図１０は、図１～３及び図５～６を参照しながら説明した方法を実行できる例示的なデータ処理システムを示すブロック図である。

図１０に示すように、データ処理システム３００は、システムバス３０６を介してメモリ素子３０４に結合された少なくとも１個のプロセッサ３０２を含んでいてよい。このように、データ処理システムは、メモリ素子３０４内にプログラムコードを保存してよい。更に、プロセッサ３０２は、システムバス３０６を介してメモリ素子３０４からアクセスされたプログラムコードを実行してよい。一態様において、データ処理システムは、プログラムコードの保存及び／又は実行に適したコンピュータとして実装されていてよい。しかし、データ処理システム３００が、本明細書で記述する機能を実行可能なプロセッサ及びメモリを含む任意のシステムの形式で実装されてよいことを理解されたい。

メモリ素子３０４は、例えば、ローカルメモリ３０８及び１個以上の大容量記憶装置３１０等の１個以上の物理メモリ装置を含んでいてよい。ローカルメモリは、プログラムコードの実際の実行中に一般的に使用されるランダムアクセスメモリ又は他の非永続的メモリ装置を指す場合がある。大容量記憶装置は、ハードドライブ又は他の永続的データストレージ機器として実装することができる。処理システム３００はまた、実行中にプログラムコードを大容量記憶装置３１０から取り出す回数を減らすために、プログラムコードの少なくとも一部を一時的に記憶する１個以上のキャッシュメモリ（図示せず）を含んでいてよい。

入力機器３１２及び出力機器３１４として描かれた入出力（Ｉ／Ｏ）機器は任意選択的にデータ処理システムに結合可能である。入力機器の例としてキーボード、マウス等のポインティング機器等が含まれるが、これらに限定されない。出力機器の例としてモニタ又はディスプレイ、スピーカ等が含まれるが、これらに限定されない。入力及び／又は出力機器は、直接又は介在するＩ／Ｏコントローラを介してデータ処理システムに結合されていてよい。

一実施形態において、入力及び出力機器は、組み合わされた入力／出力機器（図１０に、入力機器３１２と出力機器３１４を囲む破線で示す）として実装されていてよい。このような複合機器の例としては、「タッチスクリーンディスプレイ」又は単に「タッチスクリーン」とも称する接触感応ディスプレイがある。このような実施形態において、機器への入力は例えば、タッチスクリーンディスプレイの上又は近傍でのスタイラス又はユーザーの指等の物理的物体の動きにより提供される。

ネットワークアダプタ３１６はまた、介在するプライベート又はパブリックネットワークを介して他のシステム、コンピュータシステム、リモートネットワーク機器、及び／又はリモート記憶装置に結合可能にすべくデータ処理システムに結合されていてよい。ネットワークアダプタは、前記システム、機器及び／又はネットワークからデータ処理システム３００へ送信されたデータを受信するデータ受信機と、データ処理システム３００から前記システム、機器、及び／又はネットワークにデータを送信するデータ送信機を含んでいてよい。モデム、ケーブルモデム、及びイーサネットカードは、データ処理システム３００と共に使用されてよい異なる種類のネットワークアダプタの例である。

図１０に示すように、メモリ素子３０４はアプリケーション３１８を保存することができる。様々な実施形態において、アプリケーション３１８は、ローカルメモリ３０８、１個以上の大容量記憶装置３１０、又はローカルメモリ及び大容量記憶装置とは別々に保存されてよい。データ処理システム３００がアプリケーション３１８の実行を促進できるオペレーティングシステム（図１０には示さず）を更に実行できることを理解されたい。実行可能プログラムコードの形式で実装されているアプリケーション３１８はデータ処理システム３００、例えばプロセッサ３０２により実行され得る。アプリケーションの実行に応答して、データ処理システム３００は、本明細書に記述する１個以上の動作又は方法ステップを実行するように構成されていてよい。

本発明の様々な実施形態は、コンピュータシステムで用いるプログラム製品として実装されていてよく、プログラム製品のプログラムは、（本明細書に記述する方法を含む）実施形態の機能を定義する。一実施形態において、プログラムは、様々な非一時的コンピュータ可読記憶媒体に含めることができ、本明細書で使用する表現「非一時的コンピュータ可読記憶媒体」は全てのコンピュータ可読媒体を含み、唯一の例外は一時的な伝搬信号である。別の実施形態において、プログラムは、様々な一時的コンピュータ可読記憶媒体に含めることができる。例示的なコンピュータ可読記憶媒体には以下が含まれるが、これらに限定されない。（ｉ）情報が永久的に記憶される非書き込み可能記憶媒体（例：ＣＤ－ＲＯＭドライブにより可読なＣＤ－ＲＯＭディスク、ＲＯＭチップ、又は任意の種類の固体不揮発性半導体メモリ等のコンピュータ内の読み取り専用メモリ機器）、及び（ｉｉ）変更可能な情報が記憶される書き込み可能記憶媒体（例：フラッシュメモリ、ディスケットドライブ内のフロッピーディスク又はハードディスクドライブ或いは任意の種類の固体ランダムアクセス半導体メモリ）。コンピュータプログラムは、本明細書に記述するプロセッサ３０２で動作可能である。

本明細書で使用される用語は、特定の実施形態を記述することだけを目的としており、本発明を限定することを意図していない。本明細書で用いる単数形「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈上そうでないことが明らかでない限り、複数形も含むことを意図している。更に、用語「を含む」及び／又は「を含んでいる」は本明細書で用いる場合、言及する特徴、整数、ステップ、動作、素子、及び／又は要素の存在を指定するが、１個以上の他の特徴、整数、ステップ、動作、素子、要素、及び／又はそれらのグループの存在又は追加を排除しないことが理解されよう。

以下の請求項における全ての手段又はステップに加えて機能要素の対応する構造、材料、動作、及び等価物は、具体的に請求項に記載されているように、他の請求項に記載の要素と組み合わせて機能を実行する任意の構造、材料、又は動作を含むことを意図している。本発明の実施形態の記述は、説明目的で提示されているが、網羅的であること又は開示する形式での実施に限定されることは意図していない。多くの変更及び変形が本発明の範囲を逸脱することなく当業者には明らかになろう。実施形態は、本発明の原理及びいくつかの実際的な応用を最もよく説明するために、及び企図した特定の用途に適するように様々な変更を加えた様々な実施形態を通じて本発明が他の当業者にも理解できるようにするために選択及び説明されている。

Claims (15)

1. 遠隔通信ネットワーク（２００）のデジタルツイン（１）に対してシミュレーションを実行するシステム（２０１，２１０）であって、前記システム（２０１，２１０）が備える少なくとも１つのプロセッサ（２０５，２１５）が、
   －前記遠隔通信ネットワーク（２００）のネットワーク性能の指標である１つ以上の性能指標に関する前記シミュレーションの最低査定精度（６６）を決定し、及び／又は、前記シミュレーションの実行に要する最長査定期間（６７）を決定し、
   －前記最低査定精度及び最長査定期間の少なくとも一方に基づいて前記デジタルツイン（１）の複数の要素（３～８）の各々に対してシミュレーションモデル（１３～１５，２３～２５，３３～３５，４３～４５）を選択し、
   －前記選択されたシミュレーションモデルを前記デジタルツイン（１）にアセンブルし、
   －前記デジタルツイン（１）に対して前記シミュレーションを実行する
   ように構成されているシステム。
2. 請求項１に記載のシステム（２０１，２１０）において、前記少なくとも１つのプロセッサ（２０５，２１５）が、前記最低査定精度及び前記最長査定期間の前記少なくとも一方に基づいて前記複数の要素の数量を決定して前記複数の要素（３～８）の各々に対してシミュレーションモデルを選択することにより、前記最低査定精度及び前記最長査定期間の前記少なくとも一方に基づいて前記デジタルツイン（１）の前記複数の要素（３～８）の各々に対して前記シミュレーションモデル（１３～１５，２３～２５，３３～３５，４３～４５）を選択するように構成されているシステム（２０１，２１０）。
3. 請求項１に記載のシステム（２０１，２１０）において、前記複数の要素の少なくとも１つについて、各々の要素の要素種別（１１，２１，３１，４１）が複雑度の程度が異なる複数のシミュレーションモデル（１３～１５，２３～２５，３３～３５，４３～４５）に関連付けられていて、前記少なくとも１つのプロセッサ（２０５、２１５）が、前記最低査定精度及び前記最長査定期間の少なくとも一方に基づいて前記複数のシミュレーションモデル（１３～１５，２３－２５，３３－３５，４３－４５）から前記少なくとも１つの要素（３－８）の少なくとも１つのシミュレーションモデルを選択することにより、前記最低査定精度及び前記最長査定期間の少なくとも一方に基づいて前記デジタルツイン（１）の前記複数の要素（３－８）の各々に対してシミュレーションモデルを選択するように構成されているシステム。
4. 請求項１に記載のシステム（２０１，２１０）において、前記少なくとも１つのプロセッサ（２０５，２１５）が、
   －前記デジタルツイン（１）に対してシミュレーションを実行して前記遠隔通信ネットワーク（２００）の１つ以上のネットワーク構成設定を決定し、
   －前記遠隔通信ネットワーク（２００）を１つ以上のネットワーク構成設定で構成する
   ように構成されているシステム。
5. 請求項１に記載のシステム（２０１，２１０）において、前記少なくとも１つのプロセッサ（２０５，２１５）が、
   －各々が最適化すべき１つ以上の構成パラメータ及び対応する１つ以上の性能指標を指定する複数の問題定義から１つの問題定義を選択し、
   －前記選択された問題定義に更に基づいて前記デジタルツイン（１）の前記複数の要素（３～８）の各々に対して前記シミュレーションモデルを選択し、
   －前記選択された問題定義から前記シミュレーション用に１つ以上の構成パラメータを選択する
   ように構成されているシステム。
6. 前記選択された問題定義が前記最低査定精度及び／又は前記最長査定期間を含んでいる、請求項５に記載のシステム。
7. 請求項１に記載のシステム（２０１，２１０）において、前記少なくとも１つのプロセッサ（２０５，２１５）が、
   －複数のシミュレーションモデルを異なるデジタルツイン候補（７０－７３）にアセンブルし、
   －前記アセンブルされた異なるデジタルツイン候補（７０－７３）の各々に対して複数のシミュレーションを実行して訓練サンプルを決定し、
   －前記アセンブルされた異なるデジタルツイン候補を含む複数のデジタルツイン候補（７１～７３）に対して、前記訓練サンプルに基づいて、前記１つ以上の性能指標に関する効用関数（６１）を生成し、
   －前記複数のデジタルツイン候補（７０～７３）に対して、前記訓練サンプルに基づいてコスト関数（６２）を生成し、
   －前記効用関数（６１）を前記最低査定精度（６６）に適用することにより、及び／又は前記コスト関数（６２）を前記最長査定期間（６７）に適用することにより、前記デジタルツイン（１）の前記複数の要素の各々に対して前記シミュレーションモデルを選択する
   ように構成されているシステム。
8. 請求項７に記載のシステム（２０１，２１０）において、前記訓練サンプルが前記１つ以上の性能指標の値を含み、前記少なくとも１つのプロセッサ（２０５，２１５）が、前記１つ以上の性能指標の値に基づいて前記コスト関数（６２）及び／又は前記効用関数（６１）を生成するように構成されているシステム。
9. 請求項１に記載のシステム（２０１，２１０）において、前記少なくとも１つのプロセッサ（２０５，２１５）が、前記最低査定精度（６６）及び前記最長査定期間（６７）の少なくとも一方に基づいて、更に専門知識に基づいて複数のデジタルツイン候補（７１～７３）から１つのデジタルツイン候補を選択することにより前記複数の要素（３～８）の各々に対して前記シミュレーションモデルを選択するように構成されているシステム。
10. 請求項１～９のいずれか１項に記載のシステム（２０１，２１０）において、前記少なくとも１つのプロセッサ（２０５，２１５）が、前記デジタルツイン（１）に対する前記シミュレーションが前記最長査定期間（６７）を超えることなく最大化された査定精度をもたらすように前記最長査定期間（６７）に基づいて前記デジタルツイン（１）の前記複数の要素（３－８）の各々に対して前記シミュレーションモデルを選択するように構成されているシステム。
11. 請求項１～９のいずれか１項に記載のシステム（２０１，２１０）において、前記少なくとも１つのプロセッサ（２０５，２１５）が、前記デジタルツイン（１）に対する前記シミュレーションが前記最低査定精度（６６）を満たしながら最短査定期間をもたらすように前記最低査定精度（６６）に基づいて前記デジタルツイン（１）の複数の要素の各々に対して前記シミュレーションモデルを選択するように構成されているシステム。
12. 請求項１に記載のシステム（２０１，２１０）において、該システム（２０１，２１０）は、遠隔通信ネットワークのデジタルツイン候補の効用及びコスト関数（６１，６２）を生成するシステム（２１０，２１１）であって、該システム（２１０，２１１）が備える前記少なくとも１つのプロセッサ（２０５，２１５）が、
    －前記複数のシミュレーションモデル（１３～１５，２３－２５，３３－３５，４３－４５）を前記遠隔通信ネットワーク（２００）の異なるデジタルツイン候補（７０－７３）にアセンブルし、
    －前記アセンブルされた異なるデジタルツイン候補（７０－７３）の各々に対して複数のシミュレーションを実行して訓練サンプルを決定し、
    －前記アセンブルされた異なるデジタルツイン候補を含む複数のデジタルツイン候補（７０～７３）に対して、前記訓練サンプルに基づいて、１つ以上の性能指標に関する効用関数（６１）を生成し、
    －前記複数のデジタルツイン候補（７０～７３）に対して、前記訓練サンプルに基づいてコスト関数（６２）を生成し、
    －前記複数のデジタルツイン候補（７０－７３）に対して生成された前記コスト及び効用関数（６１，６２）を指定する情報をメモリ（２０７，２１７）に保存する
    ように構成されたシステム。
13. 遠隔通信ネットワークのデジタルツインに対してシミュレーションを実行するコンピュータ実装された方法であって、
    －前記遠隔通信ネットワーク（２００）のネットワーク性能の指標である１つ以上の性能指標に関する前記シミュレーションの最低査定精度を決定し（１０１）、及び／又は、前記シミュレーションの実行に要する最長査定期間を決定するステップ（１０１）と、
    －前記最低査定精度及び前記最長査定期間の少なくとも一方に基づいて前記デジタルツインの複数の要素の各々に対してシミュレーションモデルを選択するステップ（１０３）と、
    －前記選択されたシミュレーションモデルを前記デジタルツインにアセンブルする（１０５）ステップと、
    －前記デジタルツインに対して前記シミュレーションを実行するステップ（１０７）と
    を含む方法。
14. 請求項１３に記載の方法において、前記方法は、遠隔通信ネットワークのデジタルツイン候補の効用及びコスト関数を生成するコンピュータ実装された方法であって、
    －前記シミュレーションモデルを前記遠隔通信ネットワークの異なるデジタルツイン候補にアセンブルするステップ（１７５）と、
    －訓練サンプルを決定すべく前記アセンブルされた異なるデジタルツイン候補の各々に対して複数のシミュレーションを実行するステップ（１７７）と、
    －前記アセンブルされた異なるデジタルツイン候補を含む複数のデジタルツイン候補に対して、前記訓練サンプルに基づいて、１つ以上の性能指標に関する効用関数を生成するステップ（１７９）と、
    －前記複数のデジタルツイン候補に対して、前記訓練サンプルに基づいてコスト関数を生成するステップ（１８１）と
    －前記複数のデジタルツイン候補に対して生成された前記コスト及び効用関数を指定する情報をメモリに保存するステップ（１８３）と
    を含む方法。
15. 少なくとも１つのソフトウェアコード部分を含むコンピュータプログラムであって、前記ソフトウェアコード部分がコンピュータシステム上で実行されるときに、請求項１３又は１４に記載の方法を実行するように構成されているコンピュータプログラム。