IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-26
Q-Learning Guiado por Crenças com Referência em Gêmeo Digital para Identificação de Jammers e Controle de Potência de Feixe em um Modelo mmWave
Título original: Digital-Twin-Referenced Belief-Guided Q-Learning for Jammer Identification and Beam-Power Control in a mmWave Model
O problema abordado aqui é a identificação conjunta de jammers e o controle de potência de feixe em redes mmWave 6G. Os autores usam uma referência de gêmeo digital baseada em simulação, em relação à qual o estado real da rede é avaliado, e um método de Q-learning guiado por crenças (BGQL) para um modelo de rede de 28 GHz específico para um local. Em 30 execuções Monte Carlo pareadas, em comparação com SARSA, Greedy e Random, o BGQL alcançou pontuações de taxa de enlace de 437,4–564,2 Mbit/s e recall de localização de 100% para um jammer e 78–81% para dois jammers, embora cada execução tenha levado 80–130 s, contra 5–14 s do SARSA. Os autores apresentam isso como uma prova de conceito em simulação.