Une approche par apprentissage par renforcement profond pour l'ajustement dynamique des frais de transaction sur Ethereum

Pourquoi cela compte pour les utilisateurs crypto du quotidien

Toute personne ayant tenté d'envoyer un paiement ou de frapper un jeton non fongible sur Ethereum a probablement rencontré des frais déroutants qui varient fortement et de longues attentes lorsque le réseau est encombré. Cet article explore une nouvelle manière de fixer ces frais en utilisant une technique d'intelligence artificielle pour que le réseau reste fluide et prévisible même lorsque la demande augmente brusquement.

Comment fonctionnent aujourd'hui les frais sur Ethereum

Ethereum facture chaque opération en utilisant une unité appelée gas, et les utilisateurs paient un prix du gas pour que leurs transactions soient incluses dans un bloc. Depuis 2021, une règle intégrée, appelée EIP-1559, tente de rendre ce processus plus équitable et plus prévisible en ajustant un frais de base que tout le monde doit payer, tout en permettant un pourboire additionnel pour un service plus rapide. Lorsque les blocs sont presque pleins, le frais de base augmente, et lorsqu'il y a de la place libre, il diminue. Cette approche basée sur des règles a amélioré la situation par rapport aux enchères de frais antérieures, mais elle a encore du mal lors de pics de demande brutaux, comme des sorties NFT populaires, et lorsque de nombreux utilisateurs valorisent leurs transactions à des niveaux similaires.

Où les règles actuelles montrent leurs limites

Les auteurs montrent que l'EIP-1559 peut mal se comporter pendant des périodes de forte demande, réelles ou simulées. Lors d'une fameuse émission de NFT en 2022, par exemple, l'utilisation du gas est restée proche de la limite de bloc tandis que le frais de base oscillait fortement, entraînant des coûts instables et de la congestion. Des recherches antérieures ont aussi constaté que lorsque les utilisateurs attribuent des valeurs très proches à leurs transactions, de petits changements du frais de base peuvent faire passer les blocs de presque vides à complètement pleins puis de nouveau vides. Ce type de cycle boom-et-krach gaspille l'espace des blocs et rend difficile pour les utilisateurs de deviner ce qu'ils doivent payer.

Laisser un agent IA apprendre le bon niveau de frais

Plutôt que de coder en dur la réaction du frais de base à la demande, les auteurs traitent la fixation des frais comme un problème d'apprentissage. Ils construisent un environnement simulé de type Ethereum où un agent observe le frais de base actuel, la quantité de gas utilisée dans le dernier bloc et plusieurs détails sur le pool de transactions partagé, comme le nombre de transactions nouvelles et en attente et les frais proposés par les utilisateurs. À partir de cet état, l'agent choisit un petit ajustement du frais de base. Après chaque bloc, il reçoit une récompense plus élevée lorsque l'utilisation du gas est proche d'un niveau cible et plus faible lorsque les blocs sont trop vides ou trop pleins. En utilisant l'apprentissage par renforcement profond, l'agent découvre progressivement une série d'ajustements qui maintient l'utilisation proche de la cible tout en évitant les oscillations extrêmes.

Tester le nouveau mécanisme de frais dans de nombreuses conditions

Les chercheurs exécutent des simulations étendues qui imitent différents états du marché. Dans certains scénarios, la demande de transactions augmente ou diminue doucement ; dans d'autres, elle atteint un pic brutal ou chute soudainement. Ils varient aussi le comportement des utilisateurs, distinguant ceux qui paient simplement un pourboire fixe et ceux qui augmentent leur pourboire lorsque les blocs sont encombrés. Dans tous ces contextes, la politique apprise est comparée à la règle standard EIP-1559. Les mesures clés sont la proximité de l'utilisation moyenne du gas par rapport à la cible, l'ampleur des fluctuations du gas d'un bloc à l'autre et la volatilité du frais de base dans le temps.

Ce que les résultats montrent sur la stabilité et la flexibilité

Le mécanisme basé sur l'apprentissage profond maintient systématiquement l'utilisation du gas proche du niveau souhaité tout en réduisant sa variabilité par rapport à l'EIP-1559. L'amélioration est particulièrement marquante lorsque les valorisations des utilisateurs se concentrent dans une plage étroite, précisément le contexte où la règle actuelle peut tomber dans des schémas chaotiques. Dans ces cas, la nouvelle méthode réduit les fluctuations d'utilisation du gas d'environ un facteur dix et rend le frais de base bien plus stable. L'agent réagit aussi de façon plus graduelle aux pics soudains : il augmente le frais de base assez rapidement pour ramener l'utilisation vers la cible sans autant dépasser que l'ancienne règle. En ajustant la vitesse à laquelle le frais peut évoluer et en ajoutant ou retirant des informations du pool de transactions, les auteurs montrent que les opérateurs de réseau pourraient ajuster le compromis entre réactivité et fluidité.

Ce que cela signifie pour les frais futurs des blockchains

Du point de vue d'un non-spécialiste, l'étude suggère que des algorithmes intelligents pourraient rendre les frais d'Ethereum moins aléatoires. Un système de frais qui apprend de l'activité en temps réel, plutôt que de suivre une formule fixe, peut maintenir une bonne utilisation des blocs, limiter les variations sauvages des frais et gérer les périodes chargées avec moins de perturbations. Bien que le travail repose sur des simulations et nécessiterait des tests approfondis avant un déploiement, il ouvre la voie à des mécanismes de frais qui s'adaptent aux conditions changeantes et pourraient améliorer à la fois l'expérience utilisateur et l'efficacité du réseau.

Citation: Jang, H., Shim, J. A deep reinforcement learning approach for dynamic transaction fee adjustment in Ethereum. Sci Rep 16, 15600 (2026). https://doi.org/10.1038/s41598-026-46368-2

Mots-clés: Frais Ethereum, apprentissage par renforcement, économie de la blockchain, prix du gaz, congestion des transactions