Un approccio di deep reinforcement learning per la regolazione dinamica delle commissioni di transazione in Ethereum

Perché questo è importante per gli utenti crypto di tutti i giorni

Chiunque abbia provato a inviare un pagamento o a mintare un token non fungibile su Ethereum avrà probabilmente affrontato fee difficili da prevedere che oscillano e attese lunghe quando la rete è affollata. Questo articolo esplora un nuovo modo di impostare quelle commissioni usando una tecnica di intelligenza artificiale, in modo che la rete resti fluida e prevedibile anche quando la domanda aumenta improvvisamente.

Come funzionano oggi le commissioni su Ethereum

Ethereum addebita ogni operazione tramite un’unità chiamata gas, e gli utenti pagano un prezzo del gas per vedere le loro transazioni incluse in un blocco. Dal 2021, una regola incorporata chiamata EIP-1559 ha cercato di rendere questo processo più equo e prevedibile regolando una fee di base che tutti devono pagare, consentendo al contempo una mancia extra per un servizio più rapido. Quando i blocchi sono per lo più pieni, la fee di base aumenta, mentre quando c’è spazio libero diminuisce. Questo approccio basato su regole ha migliorato la situazione rispetto alle precedenti aste delle fee, ma fatica ancora durante picchi di domanda improvvisi, come drop NFT molto popolari, e quando molti utenti valutano le loro transazioni a livelli simili.

Dove le regole attuali mostrano i loro limiti

Gli autori mostrano che EIP-1559 può comportarsi male in periodi di alta domanda reali e simulati. Durante un famoso mint NFT del 2022, per esempio, l’uso di gas è rimasto vicino al limite del blocco mentre la fee di base oscillava violentemente, portando a costi instabili e congestione. Ricerche precedenti hanno anche rilevato che quando gli utenti attribuiscono valori molto simili alle loro transazioni, piccoli cambiamenti nella fee di base possono spingere i blocchi da quasi vuoti a completamente pieni e viceversa. Questo tipo di ciclo booms-and-busts spreca spazio nei blocchi e rende difficile per gli utenti capire quanto dovrebbero pagare.

Lasciare che un agente IA impari la fee corretta

Invece di codificare rigidamente come la fee di base reagisce alla domanda, gli autori trattano la determinazione delle fee come un problema di apprendimento. Costruiscono un ambiente simulato simile a Ethereum in cui un agente osserva la fee di base corrente, quanto gas è stato usato nell’ultimo blocco e diversi dettagli sulla pool condivisa di transazioni, come il numero di transazioni nuove e in sospeso e le fee offerte dagli utenti. Sulla base di questo stato, l’agente sceglie una piccola aggiustamento della fee di base. Dopo ogni blocco, riceve una ricompensa maggiore quando l’uso di gas è vicino a un livello target e minore quando i blocchi sono troppo vuoti o troppo pieni. Usando il deep reinforcement learning, l’agente scopre gradualmente un pattern di aggiustamenti che mantiene l’utilizzo vicino al target evitando oscillazioni estreme.

Testare il nuovo meccanismo di fee in molte condizioni

I ricercatori eseguono ampie simulazioni che imitano diversi umori di mercato. In alcuni scenari, la domanda di transazioni aumenta o diminuisce lentamente; in altri, raggiunge picchi netti o cala improvvisamente. Variano anche il comportamento degli utenti, distinguendo tra chi paga semplicemente una mancia fissa e chi aumenta la mancia quando i blocchi sono affollati. In tutti questi setup, la policy appresa viene confrontata con la regola standard EIP-1559. Le misure chiave sono quanto l’uso medio di gas rimane vicino al target, quanto l’uso di gas fluttua blocco per blocco e quanto volatile è la fee di base nel tempo.

Cosa mostrano i risultati su stabilità e flessibilità

Il meccanismo basato sul deep learning mantiene costantemente l’uso del gas vicino al livello desiderato riducendone la variabilità rispetto a EIP-1559. Il miglioramento è particolarmente evidente quando le valutazioni degli utenti ricadono in un intervallo ristretto, proprio la situazione in cui la regola attuale può scivolare in pattern caotici. In quei casi, il nuovo metodo riduce le fluttuazioni dell’uso del gas di circa un fattore dieci e rende la fee di base molto più stabile. L’agente reagisce anche in modo più equilibrato agli spike improvvisi: aumenta la fee di base abbastanza rapidamente da riportare l’uso verso il target senza sovracorrettamente come fa la vecchia regola. Modificando la velocità con cui la fee può muoversi e aggiungendo o rimuovendo informazioni sulla pool di transazioni, gli autori mostrano che gli operatori di rete potrebbero regolare il compromesso tra reattività e fluidità.

Cosa significa per le commissioni blockchain future

Dal punto di vista di un lettore non tecnico, lo studio suggerisce che algoritmi intelligenti potrebbero far sembrare le commissioni di Ethereum meno un gioco d’azzardo. Un sistema di fee che apprende dall’attività in tempo reale, anziché seguire una formula fissa, può mantenere i blocchi ben utilizzati, limitare oscillazioni selvagge delle commissioni e gestire i periodi affollati con meno discontinuità. Pur essendo il lavoro basato su simulazioni e richiedendo test accurati prima di un’eventuale implementazione, indica meccanismi di fee che si adattano alle condizioni variabili e potrebbero migliorare sia l’esperienza utente sia l’efficienza della rete.

Citazione: 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

Parole chiave: Commissioni Ethereum, reinforcement learning, economia della blockchain, prezzo del gas, congestione delle transazioni