DQN destekli kablosuz enerjili haberleşme ağlarında enerji optimizasyonu

Havadan Küçük Cihazları Beslemek

Akıllı sokak lambalarından ormanda gizlenmiş yangın alarmlarına kadar sayısız küçük cihaz artık Nesnelerin İnterneti’ni oluşturuyor. Bunların hepsine enerji sağlamak büyük bir sorun: piller biter ve her yere enerji kablosu çekmek pratik değildir. Bu makale, bu tür cihazlara kablosuz enerji göndermeyi ve yapay zekâyı kullanarak enerjiyi akıllıca paylaştırmayı araştırıyor; böylece kritik sensörler daha uzun süre çalışır halde kalır ve ağ genelinde daha düzgün bir işleyiş sağlanır.

Kablosuz Enerjinin Daha Akıllı Denetime İhtiyacı Neden Var

Kablosuz enerjili haberleşme ağları, cihazların hem elektriğe dönüştürebildiği hem de veri iletimi için kullandığı radyo dalgalarını yayar. Önceki çalışmaların çoğunda bu enerji dönüşümü basit, doğrusal bir şekilde davranıyormuş gibi ele alındı: sinyal arttıkça orantılı olarak daha fazla güç elde ediliyordu. Oysa gerçekte enerji hasat devreleri gelen sinyal güçlü olduğunda “düzleşir”, yani gelen enerjinin bir kısmı boşa gider. Aynı zamanda gerçek ortamlar düzensizdir: güneş panelleri için gelen ışık değişir, binalar sinyalleri engeller ve yangın gibi ani olaylar belirli düğümlerde acil veri gereksinimleri yaratabilir. Bu değişimleri ve düzensizlikleri yok sayan sabit kurallar bazı sensörleri enerjisiz bırakırken diğerlerinin enerjiyi israf etmesine yol açabilir; bu da ağın genel yaşam süresini kısaltır.

Güç Ağı İçin Öğrenen Bir Zihin

Bunu çözmek için yazarlar, Derin Q-Ağları (Deep Q-Networks) adı verilen bir güçlendirmeli öğrenme tekniğine dayanan öğrenme tabanlı bir denetleyici tasarlıyor. Sabit matematiksel formüllere güvenmek yerine bu denetleyici ağı zaman içinde oynanan bir oyun olarak ele alıyor. Her turda, her düğümde kalan enerji miktarını, radyo bağlantılarının kalitesini ve her görevin aciliyetini —örneğin yangın izleme ile rutin sıcaklık ölçümleri arasındaki farkı— gözlemler. Bu gözlemler temelinde her düğüme ne kadar güç gönderileceğine karar verir. Her karardan sonra, alınan geri bildirim birden çok hedefi harmanlar: mümkün olduğunca fazla faydalı veri göndermek, hiçbir cihazın sürekli ihmal edilmemesi için enerjiyi adilce paylaşmak ve paylaşılan güç kaynağının israfını önlemek. Birçok tur boyunca denetleyici, hangi enerji paylaşım düzenlerinin uzun vadede en iyi performansı getirdiğini öğrenir.

İleri Görüş ve Çelişen Hedeflerin Dengelenmesi

Mimarideki önemli bileşenlerden biri öngörüdür. Sistem, düğümlerin yakın gelecekte ne kadar enerji hasat edebileceğini tahmin etmek için Gauss Süreç Regresyonu (Gaussian Process Regression) adlı istatistiksel bir yöntem kullanır; örneğin güneş ışığı koşulları değiştikçe bunun etkisini tahmin eder. Ayrıca radyo sinyallerinin gerçekçi şehir ortamlarında nasıl zayıflayıp yansıdığına dair esnek bir model kullanır. Bu parçalar, denetleyicinin her birkaç saniyede bir güncellenen bir karar sürecine beslenir; böylece ağ koşulları değiştiğinde hızla yanıt verilebilir. Öğrenmeyi yönlendiren ödül sinyali üç basit fikri harmanlar: verimlilik (enerji birimi başına kaç bit bilgi iletildiği), adalet (enerjinin düğümler arasında ne kadar eşit dağıldığı) ve öncelik (yüksek aciliyetli görevlerin ihtiyaç duyduklarını almasını sağlama). Bu üç unsurun göreli önemini ayarlayarak ağ işletmecileri maksimum yaşam süresi, sıkı adalet veya yüksek veri hızları arasında tercih yapabilirler.

Simülasyonlar Ne Gösteriyor

Gerçek dünya deneyleri hâlâ devam ettiğinden yazarlar yöntemlerini 30 kablosuz enerjili cihazlı ayrıntılı bilgisayar simülasyonlarında ve 100 düğüme kadar senaryolarda değerlendiriyor. Basit sabit enerji bölüşümüne ve daha geleneksel bir öğrenme yöntemine kıyasla, yeni denetleyici ağın çalışmasını çok daha uzun süre sürdürüyor—düğümlerin kapanmasından önceki tur sayısında yaklaşık yarı oranında ek süre sağlıyor. Ayrıca cihazlar arasındaki enerji seviyelerinin dağılımını çok daha sıkı tutuyor; bu da düğümlerin erken başarısız olduğu “ölü bölgelerin” sayısını önemli ölçüde azaltıyor. Öğrenilmiş strateji, sinyal kalitesindeki düşüş veya görev aciliyetindeki ani artış gibi beklenmedik değişikliklere birkaç kat daha hızlı uyum sağlıyor ve geniş bir radyo koşulları aralığında daha yüksek veri verimi koruyor. Önemli olarak, yazarlar pratik ayrıntılara dikkat ediyor ve öğrenme modelinin sıkıştırılmış bir versiyonunun birçok IoT cihazında kullanılan düşük maliyetli mikrodenetleyicilerde çalışabileceğini, karar sürelerinin onlarca milisaniye mertebesinde olduğunu gösteriyorlar.

Simülasyondan Gerçek Dünyadaki Sensör Ağlarına

Çalışma, kablosuz enerji ile öğrenme tabanlı bir denetleyicinin eşleştirilmesinin özellikle koşullar öngörülemez olduğunda ve görevlerin aciliyeti farklılık gösterdiğinde sensör ağlarının ömrünü ve güvenilirliğini önemli ölçüde uzatabileceği sonucuna varıyor. Hasat devrelerinin doygunlaştığını, radyo ortamının dalgalandığını ve belirli anlarda bazı sensörlerin diğerlerinden daha kritik olduğunu kabul ederek önerilen yaklaşım, sabit kurallardan daha iyi bir şekilde çelişen ihtiyaçları dengelemeyi öğreniyor. Yazarlar sonuçlarının şimdilik simülasyonlardan geldiğini ve kesin kazançların gerçek donanımda doğrulanması gerektiğini açıkça belirtiyorlar. Yine de bu çalışma, geniş ağların uzun süreler boyunca insan müdahalesi az ihtiyaç duyarak havadan akıllıca enerji emip hayati verileri akışını sürdürdüğü bir geleceğe işaret ediyor.

Atıf: Chen, H., Wang, X., Yuan, L. et al. DQN-empowered energy optimization for wireless powered communication networks. Sci Rep 16, 7987 (2026). https://doi.org/10.1038/s41598-026-38904-x

Anahtar kelimeler: kablosuz enerji, Nesnelerin İnterneti, enerji hasadı, güçlendirmeli öğrenme, sensors ağları