Podejście oparte na głębokim uczeniu ze wzmocnieniem do dynamicznej regulacji opłat transakcyjnych w Ethereum

Dlaczego to ma znaczenie dla codziennych użytkowników kryptowalut

Każdy, kto próbował wysłać płatność lub wykonać mint NFT na Ethereum, prawdopodobnie zetknął się z zagadkowymi opłatami, które skaczą, oraz długimi oczekiwaniami, gdy sieć jest przeciążona. Artykuł bada nowe podejście do ustalania tych opłat z użyciem techniki sztucznej inteligencji, tak aby sieć pozostawała płynna i przewidywalna nawet przy nagłych skokach popytu.

Jak działają dziś opłaty w Ethereum

Ethereum nalicza opłatę za każdą operację przy użyciu jednostki zwanej gas, a użytkownicy płacą cenę gas, aby ich transakcje zostały uwzględnione w bloku. Od 2021 roku wprowadzone zostało EIP-1559, które ma uczynić ten proces sprawiedliwszym i bardziej przewidywalnym przez regulację opłaty bazowej, którą wszyscy muszą zapłacić, przy jednoczesnym umożliwieniu napiwku za szybszą obsługę. Gdy bloki są w większości wypełnione, opłata bazowa rośnie, a gdy jest wolna przestrzeń — maleje. To regułowe podejście poprawiło sytuację w porównaniu z wcześniejszymi aukcjami opłat, ale wciąż ma problemy przy gwałtownych skokach popytu, na przykład przy popularnych dropach NFT, oraz gdy wielu użytkowników ceni swoje transakcje na podobnym poziomie.

Gdzie obecne reguły zawodzą

Autorzy pokazują, że EIP-1559 może zachowywać się słabo w rzeczywistych i symulowanych okresach wysokiego popytu. Podczas głośnego mintu NFT w 2022 roku wykorzystanie gasu krążyło blisko limitu bloku, podczas gdy opłata bazowa huśtała się gwałtownie, prowadząc do niestabilnych kosztów i zatłoczenia. Wcześniejsze badania również wykazały, że gdy użytkownicy przypisują bardzo podobne wartości swoim transakcjom, drobne zmiany opłaty bazowej mogą przesunąć bloki z prawie pustych do całkowicie pełnych i z powrotem. Taki wzorzec boom‑and‑bust marnuje przestrzeń bloków i utrudnia użytkownikom przewidzenie, ile powinni zapłacić.

Pozwolenie agentowi SI na nauczenie się właściwej opłaty

Zamiast sztywno kodować reakcję opłaty bazowej na popyt, autorzy traktują ustalanie opłat jako problem uczenia się. Budują symulowane środowisko podobne do Ethereum, gdzie agent obserwuje bieżącą opłatę bazową, ile gasu użyto w ostatnim bloku oraz kilka szczegółów o wspólnej puli transakcji, takich jak liczba nowych i oczekujących transakcji i jakie opłaty oferują użytkownicy. Na podstawie tego stanu agent wybiera niewielką korektę opłaty bazowej. Po każdym bloku otrzymuje nagrodę, która jest wyższa, gdy wykorzystanie gasu jest bliskie poziomu docelowego, a niższa, gdy bloki są zbyt puste lub zbyt pełne. Korzystając z głębokiego uczenia ze wzmocnieniem, agent stopniowo odkrywa schemat korekt, który utrzymuje wykorzystanie blisko celu, unikając skrajnych wahań.

Testowanie nowego mechanizmu opłat w różnych warunkach

Naukowcy przeprowadzają obszerne symulacje naśladujące różne nastroje rynkowe. W niektórych scenariuszach popyt transakcyjny rośnie lub spada łagodnie; w innych osiąga ostry szczyt lub gwałtownie maleje. Różnicują też zachowania użytkowników, rozróżniając tych, którzy po prostu płacą stały napiwek, oraz tych, którzy zwiększają napiwek, gdy bloki są zatłoczone. W tych ustawieniach wyuczona polityka jest porównywana ze standardową regułą EIP-1559. Kluczowe miary to, jak blisko średnie wykorzystanie gasu utrzymuje się wobec celu, jak bardzo wykorzystanie gasu waha się między blokami oraz jak zmienna jest opłata bazowa w czasie.

Co wyniki mówią o stabilności i elastyczności

Mechanizm oparty na głębokim uczeniu konsekwentnie utrzymuje wykorzystanie gasu blisko pożądanego poziomu, jednocześnie redukując jego zmienność w porównaniu z EIP-1559. Poprawa jest szczególnie uderzająca wtedy, gdy wyceny użytkowników mieszczą się w wąskim zakresie — właśnie w warunkach, w których obecna reguła może popaść w chaotyczne wzorce. W takich przypadkach nowa metoda zmniejsza wahania wykorzystania gasu około dziesięciokrotnie i stabilizuje opłatę bazową. Agent reaguje też łagodniej na nagłe skoki: podnosi opłatę bazową wystarczająco szybko, by sprowadzić wykorzystanie z powrotem w stronę celu, nie przesterowując tak mocno jak stara reguła. Poprzez regulację szybkości, z jaką opłata może się zmieniać, oraz przez dodawanie lub usuwanie informacji z puli transakcji, autorzy pokazują, że operatorzy sieci mogliby dostrajać kompromis między responsywnością a gładkością.

Co to oznacza dla przyszłych opłat w blockchainie

Z perspektywy laika badanie sugeruje, że inteligentne algorytmy mogłyby sprawić, że opłaty w Ethereum będą mniej przypominać zgadywankę. System opłat uczący się na podstawie aktywności w czasie rzeczywistym, zamiast podążania za stałym wzorem, może utrzymać bloki dobrze wykorzystane, ograniczyć gwałtowne skoki opłat i obsługiwać okresy intensywnego ruchu z mniejszym zakłóceniem. Choć praca opiera się na symulacjach i wymagałaby ostrożnych testów przed wdrożeniem, wskazuje na mechanizmy opłat adaptujące się do zmieniających się warunków, które mogłyby poprawić zarówno doświadczenie użytkownika, jak i efektywność sieci.

Cytowanie: 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

Słowa kluczowe: Opłaty Ethereum, uczenie ze wzmocnieniem, ekonomia blockchain, cena gas, korki transakcyjne