نمایش چکیده انگلیسی

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

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


زبان مقاله : فارسی
محور مقاله : فناوری های کاربردی هوش مصنوعی و کاربردهای آن در علوم مختلف
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ACZZGZ
لینک مستقیم مقاله : https://isnac.ir/AAHD-ACZZGZ
نمایش چکیده انگلیسی : https://isnac.ir/SA/AAHD-ACZZGZ

سایر مقالات محل انتشار
  1. A Study on Design Understandability and Interaction of the therapy-specific Robots
  2. طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتی‌ژن
  3. طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
  4. یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکه‌های خودرویی شهرهای هوشمند با استفاده از داده‌های ترافیکی شبکه سلولی
  5. An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
  6. تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه‌های عصبی
  7. Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
  8. ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
  9. کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
  10. Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
  11. Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
  12. تحلیل آینده‌پژوهانه هم‌گرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
  13. نقش تحول دیجیتال در خدمات کتابخانه‌های عمومی برای توان‌یابان جسمی و ذهنی
  14. Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
  15. Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems