Teknoloji
6G Yapay Zekâsı Enerjiyi Yüzde 28 Azalttı
Federatif çok ajanlı pekiştirmeli öğrenme, ham veriyi merkezi sunucuya taşımadan yerel modelleri birleştiriyor. Ancak mevcut sistemler sahte korelasyonlara güvenebilir, yorumlanması zor kararlar verebilir ve kötü niyetli ya da katkı sunmayan ajanlardan etkilenebilir. Yeni model, yapısal nedensel modellerle değişen koşullarda daha kalıcı ilişkileri öğrenen temsil modülü kullanıyor.
İkinci bileşen, ajanların model kalitesi, davranışsal itibarı ve göreve uygunluğunu içeren çok yönlü bir güven puanına göre ağırlıklandırılması. Bu mekanizma Byzantine saldırıları ve bedavacı ajanların ortak modeli bozmasını azaltmayı, kaynak dağılımını daha adil ve katılımı sürdürülebilir kılmayı amaçlıyor.
Simüle edilmiş ultra yoğun 6G ağında CT-Fed MARL, karşılaştırılan güncel Fed-MARL yöntemlerine göre Jain adalet indeksinde yüzde 32 iyileşme, enerji tüketiminde yüzde 28 azalma ve model yorumlanabilirliğinde yüzde 45 artış bildirdi. Sistem çeşitli düşmanca koşullarda da dayanıklılığını korudu.
Sonuçlar gerçek bir 6G şebekesinde değil, simülasyon ortamında elde edildi. Performans; trafik modeli, saldırgan tanımı, donanım ve kanal varsayımlarına bağlı olabilir. Gerçek cihazlarda gecikme, haberleşme yükü, mahremiyet sızıntısı ve güven puanının manipülasyonu test edilmeden ticari ağlara genellenmemeli.
