Uma abordagem de aprendizado por reforço profundo para ajuste dinâmico de taxas de transação no Ethereum

Por que isso importa para usuários comuns de criptomoedas

Qualquer pessoa que já tentou enviar um pagamento ou cunhar um token não fungível no Ethereum provavelmente enfrentou taxas confusas que pulam de forma imprevisível e longas esperas quando a rede está ocupada. Este artigo explora uma nova forma de definir essas taxas usando uma técnica de inteligência artificial para que a rede se mantenha estável e previsível mesmo quando a demanda aumenta repentinamente.

Como as taxas do Ethereum funcionam hoje

O Ethereum cobra por cada operação usando uma unidade chamada gás, e os usuários pagam um preço do gás para que suas transações sejam incluídas em um bloco. Desde 2021, uma regra embutida chamada EIP-1559 tenta tornar esse processo mais justo e previsível ajustando uma taxa base que todos devem pagar, ao mesmo tempo em que permite uma gorjeta extra para serviço mais rápido. Quando os blocos estão quase cheios, a taxa base sobe, e quando há espaço disponível, ela cai. Essa abordagem baseada em regras foi uma melhoria em relação aos leilões de taxas anteriores, mas ainda tem dificuldades durante picos agudos de demanda, como lançamentos populares de NFTs, e quando muitos usuários valorizam suas transações em níveis semelhantes.

Onde as regras atuais falham

Os autores mostram que a EIP-1559 pode se comportar mal em períodos de alta demanda, reais e simulados. Durante uma conhecida mint de NFT em 2022, por exemplo, o uso de gás ficou perto do limite do bloco enquanto a taxa base oscilava violentamente, levando a custos instáveis e congestionamento. Pesquisas anteriores também descobriram que quando os usuários atribuem valores muito semelhantes às suas transações, pequenas mudanças na taxa base podem empurrar os blocos de quase vazios para completamente cheios e de volta. Esse tipo de padrão de boom e queda desperdiça espaço em blocos e dificulta para os usuários estimarem quanto devem pagar.

Deixar um agente de IA aprender a taxa correta

Em vez de codificar rígida como a taxa base reage à demanda, os autores tratam a definição de taxas como um problema de aprendizado. Eles constroem um ambiente simulado parecido com o Ethereum onde um agente observa a taxa base atual, quanto gás foi usado no último bloco e vários detalhes sobre o pool de transações compartilhado, como quantas transações novas e pendentes existem e quais taxas os usuários estão oferecendo. Com base nesse estado, o agente escolhe um pequeno ajuste na taxa base. Após cada bloco, ele recebe uma recompensa maior quando o uso de gás está próximo de um nível alvo e menor quando os blocos estão muito vazios ou muito cheios. Usando aprendizado por reforço profundo, o agente gradualmente descobre um padrão de ajustes que mantém o uso próximo ao alvo enquanto evita oscilações extremas.

Testando o novo mecanismo de taxas sob muitas condições

Os pesquisadores executam simulações extensas que imitam diferentes humores do mercado. Em alguns cenários, a demanda por transações sobe ou cai suavemente; em outros, atinge picos acentuados ou despenca subitamente. Eles também variam o comportamento dos usuários, distinguindo entre aqueles que simplesmente pagam uma gorjeta fixa e os que aumentam a gorjeta quando os blocos estão lotados. Nesses cenários, a política aprendida é comparada com a regra padrão EIP-1559. As medidas-chave são quão próximo o uso médio de gás permanece do alvo, quanto o uso de gás flutua de bloco a bloco e quão volátil a taxa base é ao longo do tempo.

O que os resultados mostram sobre estabilidade e flexibilidade

O mecanismo baseado em aprendizado profundo mantém consistentemente o uso de gás próximo ao nível desejado enquanto reduz sua variabilidade em comparação com a EIP-1559. A melhoria é especialmente marcante quando as valorações dos usuários estão em uma faixa estreita, exatamente o cenário em que a regra atual pode entrar em padrões caóticos. Nesses casos, o novo método reduz as flutuações no uso de gás em cerca de um fator de dez e torna a taxa base muito mais estável. O agente também reage de forma mais suave a picos repentinos: ele aumenta a taxa base rapidamente o suficiente para puxar o uso de volta ao alvo sem ultrapassar tanto quanto a regra antiga. Ajustando quão rápido a taxa pode se mover e adicionando ou removendo informações do pool de transações, os autores mostram que os operadores de rede poderiam sintonizar o trade-off entre capacidade de resposta e suavidade.

O que isso significa para as taxas de blockchain no futuro

Do ponto de vista de um leigo, o estudo sugere que algoritmos inteligentes poderiam fazer as taxas do Ethereum parecerem menos um jogo de adivinhação. Um sistema de taxas que aprende a partir da atividade em tempo real, em vez de seguir uma fórmula fixa, pode manter os blocos bem aproveitados, limitar oscilações violentas de taxas e lidar com períodos de alta atividade com menos interrupções. Embora o trabalho seja baseado em simulações e precise de testes cuidadosos antes do lançamento, ele aponta para mecanismos de taxa que se adaptam às condições mutáveis e podem melhorar tanto a experiência do usuário quanto a eficiência da rede.

Citação: 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

Palavras-chave: Taxas do Ethereum, aprendizado por reforço, economia de blockchain, preço do gás, congestionamento de transações