Araştırma

6G için yeniden yapılandırılabilir akıllı yüzeylerin beş yapılandırma stratejisini karşılaştırıyor: analitik temeller (faz gradyanlı yansıtıcı, odaklayıcı mercek), gradyan tabanlı optimizasyon ve öğrenme destekli iki tasarım — hibrit Uzman Karması ve CNN kapılama. En yüksek ortalama yol kazancına (yaklaşık −92 dB) gradyan tabanlı optimizasyon ulaşırken, hibrit MoE bir miktar kazanç karşılığında 40 dB’yi aşan yerel kapsama iyileşmesi sağlıyor.

Partikül madde, karbon monoksit, karbondioksit ve uçucu organik bileşikleri ölçen düşük maliyetli bir IoT cihazı kuruyor, verileri buluta aktarıyor ve makine öğrenmesiyle kısa vadeli hava kalitesi tahmini yapıyor. En iyi sonucu GRU modeli verdi: R² 0,93’ün üzerinde, gecikme 130 ms’nin altında ve sağlık temelli hava kalitesi indeksi kategorilerinde %91’i aşan doğruluk.

Dijital ikiz içinde ışın izleme kullanarak verici anten yöneliminin yol kazancı, alınan sinyal gücü ve SINR üzerindeki etkisini ölçüyor; ardından en iyi yapılandırmayı tahmin etmek için k-en yakın komşu, MLP ve XGBoost eğitiyor. En yüksek doğruluğu XGBoost verdi ve öğrenme tabanlı tahminciler, klasik ızgara taramalarının gözden kaçırdığı yönelim iyileştirmelerini buldu.

Farklı kapasitelere sahip mobil kenar sunucuları arasında yol seçimi yapan ve yükü dengeleyen, böylece birden çok kullanıcı isteğini eşzamanlı karşılayan derin Q-öğrenme tabanlı bir çizelgeleyici öneriyor. Gerçekçi karma trafik senaryolarında değerlendirilen yöntemin amacı, hücresel ve kenar ağlarda uçtan uca gecikmeyi düşürmek.

LTE-A aşağı yönlü bağlantı için MAC katmanında iki türevli bir kaynak çizelgeleme algoritması sunuyor: tam tampon modeli için I-MAS, gerçekçi gelen trafik için R-MAS. Round robin ve en iyi CQI referanslarıyla karşılaştırıldığında ikisi de verimi en yükseğe çıkarırken kaynakları adil paylaştırıyor ve kullanıcı hızı arttıkça dayanıklı kalıyor.