AI এবং বিশ্বের কঠিন সমস্যাগুলো · তাত্ত্বিক কম্পিউটার বিজ্ঞান · arXiv · 2026-10-26

mmWave মডেলে জ্যামার শনাক্তকরণ ও বিম-পাওয়ার নিয়ন্ত্রণের জন্য ডিজিটাল-টুইন-রেফারেন্সযুক্ত বিলিফ-নির্দেশিত Q-লার্নিং

মূল শিরোনাম: Digital-Twin-Referenced Belief-Guided Q-Learning for Jammer Identification and Beam-Power Control in a mmWave Model

এখানে আলোচ্য সমস্যা হলো 6G mmWave নেটওয়ার্কে জ্যামার শনাক্তকরণ ও বিম-পাওয়ার নিয়ন্ত্রণ একসঙ্গে করা। লেখকেরা সিমুলেশন-ভিত্তিক একটি ডিজিটাল-টুইন রেফারেন্স ব্যবহার করেছেন, যার বিপরীতে প্রকৃত নেটওয়ার্ক অবস্থা মূল্যায়ন করা হয়, এবং একটি সাইট-নির্দিষ্ট 28-GHz নেটওয়ার্ক মডেলের জন্য বিলিফ-নির্দেশিত Q-লার্নিং (BGQL) পদ্ধতি ব্যবহার করেছেন। 30টি জোড়া মন্টে কার্লো রান জুড়ে, SARSA, Greedy ও Random-এর সঙ্গে তুলনায়, BGQL 437.4–564.2 Mbit/s লিংক-রেট স্কোর এবং একটি জ্যামারের জন্য 100% ও দুটি জ্যামারের জন্য 78–81% লোকালাইজেশন রিকল অর্জন করেছে, যদিও SARSA-র 5–14 s-এর তুলনায় প্রতিটি রানে 80–130 s সময় লেগেছে। লেখকেরা এটিকে একটি সিমুলেশন প্রুফ অফ কনসেপ্ট হিসেবে উপস্থাপন করেছেন।

মূল লেখা পড়ুন ↗

সব আইটেম →