イーサリアムの動的トランザクション手数料調整のための深層強化学習アプローチ

なぜ日常の仮想通貨ユーザーに関係するのか

イーサリアムで支払いを送ったりNFTをミントしようとした人なら、手数料が急に跳ね上がったり、ネットワークが混雑して長時間待たされたりした経験があるはずです。本論文は、需要が急増してもネットワークを滑らかで予測しやすく保てるように、人工知能の手法でこれらの手数料を設定する新しい方法を探ります。

現在のイーサリアム手数料の仕組み

イーサリアムは各操作に対してガスという単位で課金し、ユーザーは取引をブロックに入れてもらうためにガス価格を支払います。2021年以降、EIP-1559と呼ばれる組み込みルールは、全員が支払うべきベース手数料を調整しつつ、より早く処理されたい場合の追加チップを許容することで、このプロセスをより公平で予測可能にしようとしています。ブロックがほぼ満杯のときにはベース手数料が上がり、余裕があるときには下がります。ルールベースのこの方式は以前のオークション方式より改善をもたらしましたが、人気のNFTドロップのような急激な需要の急増時や、多くのユーザーが同程度の価値を取引に置く場合には依然として苦戦します。

現行ルールの欠点

著者らは、EIP-1559が現実の高需要期やシミュレーション下で不安定に振る舞うことを示します。例えば2022年の有名なNFTミントの際には、ガス使用量がブロック上限近くで推移する一方でベース手数料が大きく変動し、不安定なコストと混雑を招きました。先行研究でも、ユーザーが取引に非常に近い価値を置く場合、ベース手数料の小さな変化がブロックをほとんど空の状態から満杯へと行き来させることが指摘されています。そうしたブームと破綻のパターンはブロックスペースを無駄にし、ユーザーが支払うべき額を予測しにくくします。

AIエージェントに適切な手数料を学ばせる

ベース手数料の需要への反応をハードコードする代わりに、著者らは手数料設定を学習問題として扱います。彼らは、エージェントが現在のベース手数料、直前のブロックで使用されたガス量、および新規・保留中のトランザクション数やユーザーが提示する手数料など共有トランザクションプールの複数の詳細を観測する、イーサリアムに類似したシミュレーション環境を構築しました。この状態に基づき、エージェントはベース手数料に対する小さな調整を選択します。各ブロックの後、ガス使用量が目標レベルに近いほど報酬が高く、ブロックが空きすぎたり満杯すぎたりすると報酬が低くなる形で報酬が与えられます。深層強化学習を用いて、エージェントは使用量を目標付近に保ちつつ極端な変動を避ける調整パターンを徐々に発見します。

多様な条件下で新しい手数料メカニズムを試す

研究者らはさまざまな市場状態を模した大規模なシミュレーションを実行します。あるシナリオではトランザクション需要が緩やかに上昇・下降し、別のシナリオでは急激にピークを迎えたり急落したりします。ユーザー行動も変化させ、固定チップを支払う者とブロックが混雑したときにチップを上げる者を区別します。これらの設定全体で、学習されたポリシーは標準のEIP-1559ルールと比較されます。主要な評価指標は、平均ガス使用量が目標にどれだけ近いか、ブロック間でのガス使用量の変動、そして時間経過におけるベース手数料のボラティリティです。

安定性と柔軟性についての結果

深層学習に基づくメカニズムは、EIP-1559と比べてガス使用量を望ましい水準に近く保ちながら、その変動性を一貫して低減します。特にユーザー評価が狭い範囲に集中する状況では改善が顕著で、現行ルールが混沌とした挙動に陥りがちなケースで有効です。そうした場合、新しい手法はガス使用量の変動を約10分の1に削減し、ベース手数料をはるかに安定させます。エージェントはまた急激なスパイクにもより落ち着いて反応し、使用量を目標へ戻すためにベース手数料を十分に速く引き上げつつ、旧ルールほど行き過ぎることはありません。手数料の変動速度を調整したりトランザクションプール情報を追加・削除したりすることで、ネットワーク運営者は応答性と平滑性のトレードオフを調整できることも示しています。

将来のブロックチェーン手数料にとっての意味

一般の観点から見ると、本研究はスマートなアルゴリズムがイーサリアムの手数料を推測ゲームのように感じさせないようにできる可能性を示唆しています。リアルタイムの活動から学習する手数料システムは、固定式の公式に従うよりもブロックを適切に利用し、激しい手数料の振れを抑え、混雑期にも混乱を減らして対処できる可能性があります。本研究はシミュレーションに基づくものであり、導入前には慎重な検証が必要ですが、環境の変化に適応してユーザー体験とネットワーク効率の両方を改善しうる手数料メカニズムの方向性を示しています。

引用: 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

キーワード: イーサリアム手数料, 強化学習, ブロックチェーン経済学, ガス価格, トランザクション混雑