AI 與世界的難題 · 理論資訊科學 · arXiv · 2026-10-26
以數位孿生為參照的信念引導 Q-Learning 於毫米波模型中的干擾源辨識與波束功率控制
原標題: Digital-Twin-Referenced Belief-Guided Q-Learning for Jammer Identification and Beam-Power Control in a mmWave Model
本文探討的問題是 6G 毫米波網路中的干擾源辨識與波束功率聯合控制。作者採用以模擬為基礎的數位孿生作為參照，並據此評估實際網路狀態，同時針對特定場址的 28-GHz 網路模型提出信念引導 Q-learning（BGQL）方法。在 30 次成對的蒙地卡羅模擬中，與 SARSA、Greedy 和 Random 相比，BGQL 的鏈路速率分數達到 437.4–564.2 Mbit/s，單一干擾源的定位召回率為 100%，兩個干擾源則為 78–81%，不過每次執行耗時 80–130 秒，而 SARSA 僅需 5–14 秒。作者將此視為一項模擬概念驗證。