مطالعه مقایسهای تکنیکهای یادگیری عمیق مبتنی بر هوش مصنوعی در شبکههای بیسیم 5G و 6G: کاربردها، چالشها و مسیرهای آینده
مطالعه مقایسهای تکنیکهای یادگیری عمیق مبتنی بر هوش مصنوعی در شبکههای بیسیم 5G و 6G: کاربردها، چالشها و مسیرهای آینده
تینا کریمی فرد1 مهدی یعقوبی2
1) دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی گرگان، گروه مهندسی کامپیوتر، دانشگاه گلستان
2) استادیار دانشکده فنی و مهندسی گرگان، گروه مهندسی کامپیوتر، دانشگاه گلستان
کد IOI مقاله
:
AAHD-ACZZGZ
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
هدف این مقاله، بررسی و مقایسه جامع تکنیکهای یادگیری عمیق مبتنی بر هوش مصنوعی در شبکههای بیسیم 5G و 6G با تأکید بر کاربردها، قابلیتها، چالشها و مسیرهای آینده است. در این راستا، کاربرد معماریهای مختلف یادگیری عمیق شامل شبکههای عصبی عمیق، شبکههای عصبی کانولوشنی، شبکههای عصبی بازگشتی، شبکههای حافظه کوتاهمدت و بلندمدت، خودرمزگذارها، شبکههای مولد، شبکههای عصبی گرافی و یادگیری تقویتی عمیق در حوزههایی نظیر مدیریت منابع رادیویی، تخمین کانال، آشکارسازی سیگنال، تخصیص طیف، مدیریت تحرک، بهینهسازی مصرف انرژی، امنیت شبکه، رایانش لبه و ارتباطات وسیلهبهوسیله مورد بررسی قرار میگیرد. یافتههای مطالعات اخیر نشان میدهد که در شبکههای 5G، یادگیری عمیق عمدتاً بهعنوان ابزاری برای بهینهسازی عملکرد و خودکارسازی مدیریت شبکه مورد استفاده قرار گرفته است؛ در حالی که در معماری مورد انتظار 6G، هوش مصنوعی از یک فناوری کمکی به یکی از اجزای ذاتی و بنیادین شبکه تبدیل خواهد شد. شبکههای 6G با مفاهیمی مانند هوش مصنوعی بومی شبکه، ارتباطات تراهرتزی، MIMO فوقانبوه، سطوح هوشمند بازپیکربندیپذیر، ارتباطات معنایی، دوقلوهای دیجیتال و یکپارچهسازی ارتباطات، حسگری و محاسبات، نیازمند نسل جدیدی از الگوریتمهای یادگیری عمیق خواهند بود. با وجود مزایای قابلتوجه، استقرار گسترده یادگیری عمیق در شبکههای بیسیم با چالشهایی همچون نیاز به دادههای حجیم و باکیفیت، هزینه محاسباتی بالا، مصرف انرژی، محدودیت قابلیت تفسیر مدلها، نگرانیهای مربوط به حریم خصوصی و امنیت، قابلیت تعمیم در محیطهای پویا و دشواری استقرار مدلها در تجهیزات دارای منابع محدود مواجه است. بر این اساس، مسیر آینده این حوزه به سمت توسعه معماریهای هوشمند ترکیبی، یادگیری فدرال، یادگیری عمیق دانشمحور، یادگیری انتقالی، مدلهای سبکوزن، هوش مصنوعی مولد و همگرایی هوش مصنوعی با رایانش لبه حرکت خواهد کرد. این مقاله با ارائه یک چارچوب مقایسهای میان کاربرد یادگیری عمیق در 5G و 6G، تلاش میکند تصویری جامع از وضعیت کنونی، شکافهای پژوهشی و روندهای آینده هوشمندسازی شبکههای بیسیم ارائه دهد.
کلمات کلیدی : شبکههای بیسیم یادگیری تقویتی عمیق شبکههای عصبی مدیریت منابع هوش مصنوعی بومی شبکه