KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-26
Digital-Twin-referenziertes, Belief-gesteuertes Q-Learning zur Jammer-Identifikation und Strahlleistungsregelung in einem mmWave-Modell
Originaltitel: Digital-Twin-Referenced Belief-Guided Q-Learning for Jammer Identification and Beam-Power Control in a mmWave Model
Gegenstand ist die gemeinsame Jammer-Identifikation und Strahlleistungsregelung in 6G-mmWave-Netzen. Die Autorinnen und Autoren nutzen eine simulationsbasierte Digital-Twin-Referenz, anhand derer der tatsächliche Netzzustand bewertet wird, sowie ein Belief-gesteuertes Q-Learning-Verfahren (BGQL) für ein standortspezifisches 28-GHz-Netzmodell. Über 30 gepaarte Monte-Carlo-Läufe hinweg erreichte BGQL im Vergleich zu SARSA, Greedy und Random Link-Rate-Werte von 437.4–564.2 Mbit/s und einen Lokalisierungs-Recall von 100 % bei einem Jammer sowie 78–81 % bei zwei Jammern, wobei jeder Lauf jedoch 80–130 s dauerte gegenüber 5–14 s bei SARSA. Die Autorinnen und Autoren präsentieren dies als Proof of Concept in der Simulation.