طراحی و بهینهسازی معماری شبکههای نسل ششم (۶G) مبتنی بر هوش مصنوعی توزیعشده و یادگیری فدرال برای کاربردهای فراجهانی و همهحاضری
طراحی و بهینهسازی معماری شبکههای نسل ششم (۶G) مبتنی بر هوش مصنوعی توزیعشده و یادگیری فدرال برای کاربردهای فراجهانی و همهحاضری
علاالدین صلاحی1
1) کارشناسی ارشد مهندسی مخابرات دانشگاه صنعتی شریف،تهران،ایران
کد IOI مقاله
:
AAHD-ACZZCK
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
با در نظر گرفتن الزامات شبکههای نسل ششم (۶G) برای پشتیبانی از کاربردهای فراجهانی و همهحاضری (مانند متاورس فراگیر، جراحی از راه دور و کنترل صنعتی در مقیاس سیارهای)، معماریهای متمرکز سنتی با چالشهای جدی در زمینهی تأخیر، حریم خصوصی، مقیاسپذیری و مصرف انرژی مواجه هستند. این مقاله به طراحی و بهینهسازی یک معماری شبکهی ۶G نوین مبتنی بر هوش مصنوعی توزیعشده (Distributed AI) و یادگیری فدرال (Federated Learning) میپردازد. چارچوب پیشنهادی با بهرهگیری از یک لایهی هوشمند لبهدار (Intelligent Edge Layer) و ساختار سلسلهمراتبی گرههای یادگیرنده، امکان آموزش مدلهای جهانی را بدون انتقال دادههای خام کاربران فراهم میآورد. برای بهینهسازی عملکرد، یک الگوریتم تطبیقی برای تخصیص منابع و هماهنگی میان گرهها بر اساس پویاییهای جغرافیایی و کیفیت کانال (QoS) توسعه داده شده است. نتایج شبیهسازی نشان میدهد که معماری ارائهشده در مقایسه با رویکردهای متمرکز و مبتنی بر یادگیری عمیق توزیعنشده، به ترتیب ۴۲٪ کاهش در تأخیر پایانبهپایان، ۳۵٪ بهبود در بازده انرژی و حفظ دقت پیشبینی بالای ۹۶٪ را حتی در سناریوهای با ناهمگونی شدید داده، محقق میسازد. تحلیل همگرایی مدل نیز پایداری روش پیشنهادی را در شبکههای با تحرک بالا تأیید میکند. این پژوهش نشان میدهد که همآمیزی یادگیری فدرال با کنترلکنندههای هوش مصنوعی توزیعشده، مسیری عملی برای تحقق چشمانداز «هوش همهجا و متصل» در نسل ششم ارتباطات فراهم میسازد.
کلمات کلیدی : شبکههای نسل ششم هوش مصنوعی توزیعشده یادگیری فدرال رایانش لبه تخصیص منابع