L'IA face aux grands problèmes du monde · Informatique théorique · arXiv · 2026-10-26
Q-learning guidé par croyances et référencé par jumeau numérique pour l'identification de brouilleurs et le contrôle de la puissance des faisceaux dans un modèle mmWave
Titre original: Digital-Twin-Referenced Belief-Guided Q-Learning for Jammer Identification and Beam-Power Control in a mmWave Model
Le problème traité ici est l'identification conjointe de brouilleurs et le contrôle de la puissance des faisceaux dans les réseaux mmWave 6G. Les auteurs utilisent une référence de jumeau numérique fondée sur la simulation, par rapport à laquelle l'état réel du réseau est évalué, ainsi qu'une méthode de Q-learning guidé par croyances (BGQL) pour un modèle de réseau à 28 GHz spécifique au site. Sur 30 exécutions Monte Carlo appariées, comparé à SARSA, Greedy et Random, BGQL a obtenu des scores de débit de liaison de 437,4–564,2 Mbit/s et un rappel de localisation de 100 % pour un brouilleur et de 78–81 % pour deux brouilleurs, bien que chaque exécution ait duré 80–130 s contre 5–14 s pour SARSA. Les auteurs présentent ceci comme une preuve de concept par simulation.