6G ağlarında ISAC sistemleri için Yapay Zekâ destekli dinamik kaynak tahsisi: akıllı ışın biçimlendirme, enterferans yönetimi ve güç dağılımı

Günlük Yaşam İçin Daha Akıllı Kablosuz Ağlar

Geleceğin 6G ağları yalnızca telefonlarımızı, arabalarımızı ve ev cihazlarımızı bağlamakla kalmayacak—aynı zamanda çevreyi sürekli tarayan ince ayarlı sensörler gibi davranacak. Bu makale, yapay zekânın bu çift amaçlı ağların sinyallerini nereye yönlendireceğine, ne kadar güç kullanılacağına ve enterferansı nasıl önleyeceğine otomatik olarak karar vermesine nasıl yardımcı olabileceğini inceliyor. Amaç, otonom sürüş, akıllı şehirler ve güvenlik izleme gibi uygulamalar için hassas algılama sağlarken kablosuz bağlantıları daha hızlı ve daha güvenilir hale getirmek.

Konuşma ve Algılama İçin Tek Bir Ağ

İletişim ve radar benzeri algılama için ayrı sistemler kurmak yerine, entegre algılama ve iletişim (ISAC) her ikisini aynı donanım ve radyo kanallarında birleştirir. Tek bir 6G baz istasyonu, kullanıcılara veri taşıyan ve nesnelere çarpıp konumlarını ve hareketlerini ortaya çıkaran sinyaller göndermek için çok sayıda küçük anten kullanır. Bu paylaşılan yapı daha iyi spektrum kullanımı, daha düşük maliyetler ve yeni servisler vaat eder, ancak aynı zamanda gerilim yaratır: kullanıcılara yönelik sinyaller algılamayı bozabilir ve algılama sinyalleri veri iletimine müdahale edebilir. Hızla değişen ortamlarda—yüksek hızda hareket eden araçlar, kalabalık şehir sokakları veya dalgalanan trafik yükleri—eski "sabit" ayarlar artık yeterli değildir.

Neden Sabit Kurallar Yetersiz Kalıyor

Geleneksel kablosuz sistemler genellikle yavaş değişen koşulları ve kanallar hakkında neredeyse mükemmel bilgiyi varsayan önceden tasarlanmış kurallara veya ağır matematiksel optimizasyona dayanır. ISAC'de baz istasyonu, kendi sinyallerinin yankıları, farklı kullanıcılar arasındaki çakışmalar ve algılama ile iletişim bağlantıları arasındaki karşılıklı girişim gibi çeşitli enterferans türlerini yönetirken ışın yönlerini, güç seviyelerini ve frekans seçimlerini sürekli idare etmelidir. Bu dengeleme eylemini geleneksel araçlarla tekrarlamak, kullanıcılar hareket ettiğinde, talep değiştiğinde ve enterferans desenleri anbean değiştiğinde gerçek 6G senaryoları için çok yavaş ve çok katıdır.

Yapay Zekâ Denetleyicisi Nasıl Uyumu Öğreniyor

Yazarlar derin pekiştirmeli öğrenmeye dayalı bir Yapay Zekâ denetleyicisi öneriyor. Denetleyici sürekli olarak ağın durumunu gözlemler: kanalların ne kadar iyi olduğu, kullanıcıların ne kadar hızlı hareket ettiği, ne kadar enterferans bulunduğu, algılamanın ne kadar hassas olması gerektiği ve ne kadar gücün mevcut olduğu. Her an aldığı eylemler—ışınları nasıl biçimlendireceği, güçü kullanıcılar ve algılama görevleri arasında nasıl paylaşacağı ve frekansları nasıl atayacağı—kararın parçalarıdır. Her karardan sonra sistem, daha yüksek veri hızları, daha iyi algılama doğruluğu, daha düşük enerji kullanımı ve daha az enterferans gibi birkaç hedefi bir arada yansıtan bir ödül alır. Çok sayıda simüle edilmiş etkileşim boyunca yapay zekâ, bu hedefleri sabit tasarımlardan daha iyi dengeleyen stratejiler keşfeder ve eğitildikten sonra öğrenilmiş politika sınırlı hesaplama çabasıyla gerçek zamanlı uygulanabilir.

Şehir Sokaklarında ve Açık Arazide Performans

Bu yaklaşımı test etmek için araştırmacılar üç tipik 6G ortamını simüle eder: hızlı hareket eden araçların bulunduğu yüksek hızlı kentsel ortam, birçok sıkışık kullanıcının olduğu yoğun akıllı şehir ve az cihaz ama yüksek algılama gereksinimi olan sakin kırsal alan. Üçünün tamamında yapay zekâ kontrollü sistem belirgin kazançlar sağlar. Bazı durumlarda toplam veri taşıma kapasitesini klasik optimizasyona kıyasla yaklaşık %45'e kadar ve statik ışın desenlerine göre yaklaşık %50 civarında artırır; bu özellikle baz istasyonunun çok sayıda antene veya daha yüksek iletim gücüne sahip olduğu durumlarda belirgindir. Aynı zamanda, istenen algılama yönlerinde enerji odağını yoğunlaştırarak ışın desen kazancını artırır ve hedef konumu üzerindeki teorik hata sınırlarını düşürür; bu da nesnelerin ve çevrenin daha hassas algılanmasına dönüşür.

Güç Tasarrufu ve Sinyal Karmaşasını Azaltma

Faydalar hız ve doğrulukla sınırlı değildir. Yapay zekâ tabanlı yöntem, gücün gerçekten ne zaman ve nerede gerektiğini öğrenerek, belirli bir veri hızını geleneksel çözümlere kıyasla yaklaşık %40 daha az iletim gücüyle sürdürebilir. Ayrıca kendi kendine enterferans, kullanıcılar arası çakışmalar ve algılama ile iletişim arasındaki karşılıklı girişim gibi farklı enterferans biçimlerini yaklaşık %50'ye kadar bastırmayı öğrenir. Bu daha temiz sinyal ortamı, özellikle kalabalık veya hızlı değişen koşullarda hem kablosuz bağlantıları hem de algılama performansını iyileştirir. Yazarlar ayrıca hesaplama maliyetini analiz ederek ağır öğrenme fazının çevrimdışı yapılabileceğini, çevrimiçi kararların ise sıkı 6G zamanlama gereksinimleri için yeterince hızlı olduğunu gösterir.

Geleceğin 6G Sistemleri İçin Ne Anlama Geliyor

Genel okuyucu için ana çıkarım, makalenin yapay zekânın geleceğin 6G altyapısında radyo dalgaları için gerçek zamanlı bir "hava trafik kontrolörü" gibi hareket edebileceğini göstermesidir. Sabit ayarlara güvenmek yerine ağ, ışınlarını nasıl yönlendireceğini, gücü nasıl paylaşacağını ve konuşma ile algılama arasındaki karşılıklı rahatsızlığı anında nasıl önleyeceğini öğrenir. Sonuç, otonom araçlar, akıllı fabrikalar ve diğer veri yoğun, güvenlik açısından kritik uygulamaları daha iyi destekleyebilen daha esnek, enerji bilincine sahip ve hassas bir kablosuz sistemdir. Çalışma, bu tür yapay zekâ destekli kaynak tahsisine 6G'de entegre algılama ve iletişimin pratik olarak konuşlandırılmasını sağlayacak anahtar bir teknoloji olma potansiyeli olduğunu öne sürer.

Atıf: Aman, M., Rehman, G.U., Zubair, M. et al. AI-driven dynamic resource allocation for ISAC systems in 6G networks: intelligent beamforming, interference management, and power allocation. Sci Rep 16, 12613 (2026). https://doi.org/10.1038/s41598-026-42247-y

Anahtar kelimeler: 6G kablosuz, entegre algılama ve iletişim, derin pekiştirmeli öğrenme, ışın biçimlendirme, enterferans yönetimi