タグ: standardization

6Gはどこまで来ているのか──次世代通信の研究最前線と各国の動向

6G時代の幕開け──次世代通信の姿とその最前線

はじめに

2020年代も半ばに差し掛かる今、次世代の通信インフラとして注目されているのが「6G（第6世代移動通信）」です。5Gがようやく社会実装され始めた中で、なぜすでに次の世代が注目されているのでしょうか？この記事では、6Gの基本仕様から、各国・企業の取り組み、そして6Gに至る中間ステップである5.5G（5G-Advanced）まで解説します。

6Gとは何か？

6Gとは、2030年前後の商用化が期待されている次世代の無線通信規格です。5Gが掲げていた「高速・大容量」「低遅延」「多数同時接続」といった特徴をさらに拡張し、人間とマシン、物理空間とサイバースペースをより密接に接続することを目指しています。

6Gで目指されている性能は、次のようなものです：

  • 通信速度：最大1Tbps（理論値）
  • 遅延：1ミリ秒以下、理想的には1マイクロ秒台
  • 接続密度：1平方キロメートルあたり1000万台以上の機器
  • 信頼性：99.99999%以上
  • エネルギー効率：10〜100倍の改善

こうした性能が実現されれば、単なるスマートフォンの進化にとどまらず、医療、製造業、教育、エンタメ、交通など、あらゆる分野に革命的変化をもたらします。

通信規格の進化比較

以下に、3Gから6Gまでの進化の概要を比較した表を掲載します。

世代主な特徴最大通信速度（理論値）遅延主な用途
3G音声とデータの統合通信数Mbps数百ms携帯ブラウジング、メール
4G高速データ通信、IPベース数百Mbps〜1Gbps10〜50ms動画視聴、VoIP、SNS
4.5GLTE-Advanced、MIMOの強化1〜3Gbps10ms以下高解像度動画、VoLTE
5G超高速・低遅延・多接続最大20Gbps1ms自動運転、IoT、AR/VR
6Gサブテラヘルツ通信、AI統合最大1Tbps0.1〜1μs仮想現実、遠隔医療、空中ネットワーク

各国・各社の取り組み

6Gはまだ規格化前の段階にあるとはいえ、世界中の企業や政府機関がすでに研究と実証を進めています。

日本：ドコモ、NTT、NEC、富士通

日本ではNTTとNTTドコモ、NEC、富士通などが中心となって、100〜300GHz帯のサブテラヘルツ領域での実証実験を進めています。2024年には100Gbpsを超える通信を100mの距離で成功させるなど、世界でも先進的な成果が出ています。

また、ドコモは海外キャリア（SKテレコム、AT&T、Telefonica）やベンダー（Nokia、Keysight）とも連携し、グローバル標準化を見据えた実証に取り組んでいます。

米国・欧州：Nokia、Ericsson、Qualcomm

NokiaはBell Labsを中心に、AIネイティブなネットワークアーキテクチャとサブテラヘルツ通信の研究を進めています。米ダラスでは7GHz帯の基地局実験をFCCの承認を得て展開しています。

EricssonはAI-RAN Allianceにも参加し、AIによる基地局制御の最適化やネットワークの消費電力削減に注力しています。

Qualcommは6G対応チップの開発ロードマップを発表しており、スマートフォン向けに限らず、IoT・自動運転・XR（拡張現実）などあらゆる領域を視野に入れています。

韓国・中国：Samsung、Huawei、ZTE

Samsungは韓国国内で、140GHz帯を用いたビームフォーミングの実証を進めており、6G研究センターも設立済みです。

Huaweiは政治的な制約を抱えつつも、6G関連技術の論文や特許の数では世界トップクラス。中国政府も国家戦略として6G研究を推進しており、すでに実験衛星を打ち上げています。

5.5G（5G-Advanced）：6Gへの橋渡し

5.5Gとは、3GPP Release 18〜19で規定される「5Gの進化形」であり、6Gに至る前の中間ステップとされています。Huaweiがこの名称を積極的に使用しており、欧米では”5G-Advanced”という呼び名が一般的です。

特徴

  • 通信速度：下り10Gbps、上り1Gbps
  • 接続密度：1平方kmあたり数百万台規模
  • 遅延：1ms以下
  • Passive IoTへの対応（安価なタグ型通信機器）
  • ネットワークAIによる最適化

なぜ5.5Gが必要か

5Gは標準化はされているものの、国や地域によって展開の度合いに差があり、ミリ波や超低遅延といった機能は実用化が進んでいない部分もあります。5.5Gはこうした未達成領域をカバーし、真の5G性能を提供することを目的としています。

また、5.5Gは次世代のユースケース──自動運転の高精度化、インダストリー4.0、メタバース通信、XR技術の普及──を支えるための実践的な基盤にもなります。

まとめと今後の展望

6Gは単なる通信速度の高速化ではなく、現実空間と仮想空間を融合し、AIと共に動作する次世代の社会インフラです。ドローンの群制御、遠隔外科手術、クラウドロボティクス、空中ネットワーク（HAPSや衛星）、そして通信とセンシングが統合された世界──こうした未来が実現するには、まだ多くの研究と実験が必要です。

その橋渡しとして、5.5Gの実装と普及が極めて重要です。Release 18/19の標準化とともに、2025年〜2028年にかけて5.5Gが本格導入され、その後の2030年前後に6Gが商用化される──というのが現実的なロードマップです。

日本企業はNEC・富士通・NTT系を中心に研究で存在感を示していますが、今後はチップセットやアプリケーションレイヤーでも世界市場を狙う戦略が求められるでしょう。

用語解説

  • 6G（第6世代移動通信）：2030年ごろ商用化が期待される次世代通信規格。超高速・超低遅延・高信頼性が特徴。
  • 5G-Advanced（5.5G）：5Gの中間進化版で、6Gの前段階に当たる通信規格。速度や接続性能、AI対応などが強化されている。
  • サブテラヘルツ通信：100GHz〜1THzの高周波帯域を使う通信技術。6Gの主要技術とされる。
  • ミリ波：30GHz〜300GHzの周波数帯。5Gでも使われるが6Gではより高い周波数が想定されている。
  • Passive IoT：自身で電源を持たず、外部からの信号で動作する通信機器。非常に低コストで大量導入が可能。
  • ビームフォーミング：電波を特定方向に集中的に送信・受信する技術。高周波帯での通信品質を高める。
  • ネットワークAI：通信ネットワークの構成・制御・運用をAIが最適化する技術。
  • AI-RAN Alliance：AIと無線ネットワーク（RAN）の統合を進める国際アライアンス。MicrosoftやNvidia、Ericssonなどが参加。

参考文献

[NumPy]正規化（Normalization）を行う

正規化とはデータを扱いやすいスケールに変更する手法です。ここでは代表的なMin-Max normalization、Z-score normalizationについて解説します。

  • Min-Max normalization
  • Z-score normalization

Min-Max normalization

正規化というとMin-Max normalizationを指すといわれることもありますが、正直そこまで気にする必要はありません。どちらかというと、正規化を行うときにデータの性質に応じて適切な手法を選択できる方が重要です。

Min-Max normalizationとは

Min-Max normalizationとは、データを最小値0、最大値1にスケールする手法です。

データ$x_i$をMin-Max normalizationで正規化した$x^{\prime}_i$は以下の式で求めます。

$$ x^{\prime}_i = \frac{x_i – min(x)}{max(x) – min(x)} \quad (i = 1, 2, \cdots , n) $$

Min-Max normalizationは外れ値に弱いという特徴があります。最小値と最大値がはっきりしている場合に適した手法です。外れ値が含まれる場合は後述のZ-score normalizationを使用する方が適しています。

NumPyによる実装

では、実際にNumPyで実装してみましょう。

まずは、正規化前の5×5の行列を作成します。再現しやすいように乱数のシードは固定しておきます。

np.random.seed(123)
x = np.random.random((5, 5))
print(x)
[[0.69646919 0.28613933 0.22685145 0.55131477 0.71946897]
 [0.42310646 0.9807642  0.68482974 0.4809319  0.39211752]
 [0.34317802 0.72904971 0.43857224 0.0596779  0.39804426]
 [0.73799541 0.18249173 0.17545176 0.53155137 0.53182759]
 [0.63440096 0.84943179 0.72445532 0.61102351 0.72244338]]

正規化前後でどう変わったかわかりやすいように最小値、最大値、平均値、標準偏差を求めておきます。

print('最小値　：%f' % np.min(x))
print('最大値　：%f' % np.max(x))
print('平均値　：%f' % np.mean(x))
print('標準偏差：%f' % np.std(x))
最小値　：0.059678
最大値　：0.980764
平均値　：0.524464
標準偏差：0.226296

式の定義どおりに実装します。np.min関数で最小値、np.max関数で最大値を求めています。

x_norm = (x - np.min(x)) / (np.max(x) - np.min(x))
print(x_norm)
[[0.02615693 0.72523256 0.32482616 0.41610292 0.11393134]
 [[0.69134813 0.24586343 0.18149608 0.53375766 0.71631841]
 [0.39456516 1.         0.67871147 0.45734477 0.36092125]
 [0.30778888 0.72671997 0.41135597 0.         0.36735576]
 [0.73643209 0.13333586 0.12569274 0.51230105 0.51260093]
 [0.62396223 0.85741574 0.72173197 0.59858193 0.71954765]]

ぱっと見で最小値0、最大値1であることはわかりますが、念のため先ほどと同じように最小値、最大値、平均値、標準偏差を確認しましょう。

print('最小値　：%f' % np.min(x_norm))
print('最大値　：%f' % np.max(x_norm))
print('平均値　：%f' % np.mean(x_norm))
print('標準偏差：%f' % np.std(x_norm))
最小値　：0.000000
最大値　：1.000000
平均値　：0.504606
標準偏差：0.245684

最小値0、最大値1であることが確認できます。加えて、若干値が違いますが、平均値と標準偏差はほとんど変わっていないことがわかります。

最小値0、最大値1にスケールする仕組みを理解する

Z-score normalizationは平均0、標準偏差1にスケールする手法になります。

わかりやすいデータを使って計算過程をひとつずつ確認して、最小値0、最大値1の範囲にスケールする仕組みを確認していきましょう。

まずは、以下のようなデータを用意します。10、20、・・・、50と10ずつ増える5個のデータです。

x = np.array([10, 20, 30, 40, 50])
print(x)
[10 20 30 40 50]

まずは分子から確認します。データから最小値を引きます。最小値は10なので、各要素から引くと以下のようになります。

print(x - np.min(x))
[ 0 10 20 30 40]

次に分母を見てみます。最大値50から最小値10を引くので、40になります。

print(np.max(x) - np.min(x))
40

すでに計算した分子の最大値は40で、分母と同じ値ですので、割り算の結果は1になります。一方で、最小値は0ですので、割り算の結果は0になります。それ以外の値は最小値と最大値の間に収まるため、計算結果はすべて0以上1以下になります。

print((x - np.min(x)) / (np.max(x) - np.min(x)))
[0.   0.25 0.5  0.75 1.  ]

Z-score normalization

次にZ-score normalizationについて確認します。標準化（Standardization）とも呼ばれることもありますが、こちらもそれほど気にする必要はありません。

Z-score normalizationとは

データ$x_i$をZ-score normalizationで正規化した$x^{\prime}_i$は以下の式で求めます。

$$ x^{\prime}_i = \frac{x_i – \bar{x}}{\sigma} \quad (i = 1, 2, \cdots , n) $$

NumPyによる実装

正規化前のデータおよび最小値、最大値、平均値、標準偏差を再掲しておきます。

np.random.seed(123)
x = np.random.random((5, 5))
print(x)
[[0.69646919 0.28613933 0.22685145 0.55131477 0.71946897]
 [0.42310646 0.9807642  0.68482974 0.4809319  0.39211752]
 [0.34317802 0.72904971 0.43857224 0.0596779  0.39804426]
 [0.73799541 0.18249173 0.17545176 0.53155137 0.53182759]
 [0.63440096 0.84943179 0.72445532 0.61102351 0.72244338]]
print('最小値　：%f' % np.min(x))
print('最大値　：%f' % np.max(x))
print('平均値　：%f' % np.mean(x))
print('標準偏差：%f' % np.std(x))
最小値　：0.059678
最大値　：0.980764
平均値　：0.524464
標準偏差：0.226296

こちらも同様に式どおりに実装します。np.mean関数が平均（算術平均）、np.std関数が標準偏差を求める関数です。

x_norm = (x - np.mean(x)) / np.std(x)
print(x_norm)
[[ 0.76008999 -1.05315055 -1.31514268  0.11865512  0.86172564]
 [-0.44789519  2.01638476  0.70865548 -0.19236556 -0.58483479]
 [-0.8010976   0.90406276 -0.37955215 -2.05387975 -0.55864464]
 [ 0.94359364 -1.51116753 -1.54227706  0.03132102  0.0325416 ]
 [ 0.48581156  1.43602912  0.88376026  0.38250702  0.87486952]]

正規化後の最小値、最大値、平均値、標準偏差を見てみましょう。

print('最小値　：%f' % np.min(x_norm))
print('最大値　：%f' % np.max(x_norm))
print('平均値　：%f' % np.mean(x_norm))
print('標準偏差：%f' % np.std(x_norm))
最小値　：-2.053880
最大値　：2.016385
平均値　：-0.000000
標準偏差：1.000000

平均値0、標準偏差1にスケールされていることがわかります。また、最小値と最大値も変わっていることにも注意してください。

平均値0、標準偏差1にスケールする仕組みを理解する

Z-scoreについても平均値0、標準偏差1にスケール仕組みをひとつずつ確認していきましょう。

データは先ほどと同じデータを使います。

x = np.array([10, 20, 30, 40, 50])
print(x)
[10 20 30 40 50]

このデータの平均は30、標準偏差は$\sqrt{200}$になります。

print('平均値　：%f' % np.mean(x))
print('標準偏差：%f' % np.std(x))
平均値　：30.000000
標準偏差：14.142136

まずは分子から見ていきます。平均値30を引くので、分子の平均値は0になります。同様に標準偏差求めると$\sqrt{200}$になっています。

print('平均値　：%f' % (x - np.mean(x)).mean())
print('標準偏差：%f' % (x - np.mean(x)).std())
平均値　：0.000000
標準偏差：14.142136

分母は分子の標準偏差と同じ$\sqrt{200}$でしたので、割った結果の標準偏差は1になります。

print((x - np.mean(x)) / np.std(x))
[-1.41421356 -0.70710678  0.          0.70710678  1.41421356]

実際に平均値と標準偏差を求めます。

print('平均値　：%f' % np.mean((x - np.mean(x)) / np.std(x)))
print('標準偏差：%f' % np.std((x - np.mean(x)) / np.std(x)))
平均値　：0.000000
標準偏差：1.000000

外れ値に弱いとはどういうことか

Min-Max normalizationは外れ値に弱いという説明をしました。これがどういうことか、Z-score normalizationなら大丈夫なのかについて具体的な例を使って確認します。

以下のような具体例を用意します。

1,000人分の身長データを使って正規化を行います。身長データは正規分布に従いますが、990件は正常データで10件は外れ値であるとします。
この外れ値は100の位の1が読み取れず欠損したデータ（180cmが80cmになってしまった）が10件あるとします。

まずは必要なパッケージをインポートします。

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

正常データを作成する

まずは正常データ990件を用意します。それっぽい身長データにするために、平均値170、標準偏差10の正規分布に従う乱数を生成します。

np.random.seed(123)
x = np.random.normal(loc=170, scale=10, size=990)

これをヒストグラムで描画してみます。

plt.hist(x, bins=100)
plt.show()

numpy.random.normal関数を使って作成したデータですので正規分布に従っています。

ではこのデータをMin-Max normalization、Z-score normalizationで正規化し、同様にグラフを出力してみましょう。

正常データをMin-Max normalizationで正規化する

まずはMin-Max normalizationを使って正規化します。

x_norm = (x - np.min(x)) / (np.max(x) - np.min(x))
plt.hist(x_norm, bins=100)
plt.show()

最小値0、最大値1にスケールしただけで分布は変わっていません。

正常データをZ-score normalizationで正規化する

次にZ-score normalizationを使って正規化してみます。

x_norm = (x - np.mean(x)) / np.std(x)
plt.hist(x_norm, bins=100)
plt.show()

こちらも中心が0になっているだけで、分布は変わっていません。

外れ値を生成して正常データに加える

では、外れ値を10件生成し、それを正常データに加えていきます。

e1 = np.random.normal(loc=170, scale=10, size=10)-100
print(e1)
[60.91733437 76.55533937 72.40244965 63.547099   73.60026527 51.22368305
 72.34040489 76.24323922 78.11939825 49.77843013]

外れ値は単純に100を引いた値を使います。

このデータを正常値に加え、念のためシャッフルしておきます。

x2 = np.concatenate([x, e1])
np.random.shuffle(x2)
plt.hist(x2, bins=100)
plt.show()

外れ値は小さい値を用意したため、グラフは右に寄った形になっています。

では、これをMin-Max normalization、Z-score normalizationで正規化してみます。

外れ値を含むデータをMin-Max normalizationで正規化する

先ほどと同様の手順で正規化してグラフを出力します。

x2_norm = (x2 - np.min(x2)) / (np.max(x2) - np.min(x2))
plt.hist(x2_norm, bins=100)
plt.show()

外れ値を含まない場合は0.2から0.8くらいの範囲にデータが分布していましたが、外れ値を含むと0.6から0.9くらいの範囲に分布していることがわかります。
もともとは0.5くらいが中心でしたが、0.7から0.8あたりに中心が来ており、データが偏っていることになります。

これが外れ値に弱い（外れ値に敏感ともいう）ということになります。

外れ値を含むデータをZ-score normalizationで正規化する

では、Z-score normalizationだとどうなるでしょうか。

x2_norm = (x2 - np.mean(x2)) / np.std(x2)
plt.hist(x2_norm, bins=100)
plt.show()

こちらもグラフ自体は偏っていますが、外れ値を含まない場合も外れ値を含む場合も-2から2の範囲に分布していることがわかります。
外れ値を含んでいますが、正規化後の分布はほとんど変わっていない、すなわち外れ値に強いということがいえます。

このことから外れ値を含む場合や外れ値を除外できない場合は、Min-Max normalizationよりもZ-score normalizationの方が適しているといえます。
ただし、外れ値のデータを除外したり、外れ値を修正・補完して、想定される最小値・最大値の範囲できるのであれば、Min-Max normalizationを使用して正規化することも可能であることも覚えておいてください。

モバイルバージョンを終了