MIMO-NOMA ağlarında kaynak optimizasyonu için derin pekiştirmeli öğrenme: Minimum ek yükle maksimum kullanım sağlama

Akıllı cep telefonu ağlarının önemi

Telefonlarımız, otomobillerimiz ve sayısız sensör kablosuz bant genişliği için yarışırken, bugünün ağları özellikle kullanıcılar şehir içinde veya kara yollarında hızlı hareket ettiğinde herkesin sorunsuz bağlanmasını sağlamakta zorlanıyor. Bu makale, ağın hangi bağlantıları kullanacağını ve sınırlı radyo kaynaklarını birçok kullanıcı arasında israfı en aza indirerek nasıl paylaşacağını gerçek zamanlı olarak öğrenmesini sağlayarak geleceğin 5G ve 6G benzeri ağlarını çok daha verimli ve güvenilir hâle getirecek yeni bir yaklaşım sunuyor.

Meşgul hava dalgaları ve kalabalıklaşma sorunu

Modern kablosuz sistemler, sürekli hareket halinde olan çok sayıda kullanıcıya hizmet vermek zorunda. Aynı anda birçok anten kullanan MIMO ve spektrumun aynı dilimini birden çok kullanıcının paylaşmasına izin veren NOMA gibi yeni teknolojiler kapasitede büyük artış vaat ediyor. Ancak pratikte, insanlar araba ya da trenle seyahat edip sinyaller hızla değiştiğinde, her kullanıcıyı hangi baz istasyonuna bağlayacağımza, ne kadar güç atayacağımıza ve kullanıcıların birbirine müdahalesini nasıl engelleyeceğimize karar vermek son derece zorlaşıyor. Mevcut birçok optimizasyon yöntemi oldukça istikrarlı koşullar veya kanalın kusursuz bilgisi gibi varsayımlar yapıyor; bu varsayımlar hızlı ve kalabalık gerçek dünya ortamlarında geçersizleşiyor.

Ağın en iyi bağlantıyı tahmin etmesine izin vermek

Yazarlar, cihazların ağlara ve kanallara nasıl atanacağını iyileştiren OSIANRO adlı bir yaklaşım öneriyor. Sabit kurallara güvenmek yerine, popüler bir makine öğrenmesi yöntemi olan gradient boosting'in güçlendirilmiş bir sürümünü kullanıyor. Bu geliştirilmiş model, sinyal gücü, gecikme ve kullanılan uygulama türü gibi geçmiş ağ davranışlarının birçok örneğinden öğrenerek belirli bir bağlantı seçiminin başarılı olup olmayacağını tahmin ediyor. Yöntem, aşırı karmaşık kararları cezalandıracak ve zor hizmet verilen kullanıcılar gibi nadir ama önemli durumları ele alacak şekilde matematiksel olarak yeniden tasarlanıyor. Hangi bilgi parçalarının en önemli olduğunu dikkatle puanlayıp sıralayarak yalnızca en yararlı özelliklere odaklanıyor; bu da karar süresini ve hataları azaltıyor.

Ağın adil paylaşmayı öğrenmesi ve çakışmaları önlemesi

OSIANRO umut vadeden bir ağ veya kanal seçtikten sonra spektrumu ve gücü birçok kullanıcı arasında nasıl paylaşacağına karar vermeli. Yazarlar, kullanıcıların ne kadar veri gönderebileceğini, sinyallerin nasıl girişim yaptığını ve kullanıcıların aynı anda hava dalgalarını kullanmaya çalışırken ne sıklıkta çakıştıklarını tanımlayan ayrıntılı bir matematiksel model kuruyor. Bu karmaşık bulmacayı sabit formüllerle çözmek yerine sistem, deneme yanılma yoluyla öğrenen birçok yazılım "ajanı" içeren derin pekiştirmeli öğrenme kullanıyor. Her ajan, hangi kaynak bloğuna erişileceğini ve ona ne kadar agresifçe talip olunacağını seçen bir kullanıcıyı temsil ediyor. Ajanlar, toplam veri hızları arttığında ödül, girişim veya kanal ek yükü yükseldiğinde ceza alıyor ve böylece çakışmaları düşük tutarken toplam verimi artıran stratejilere yavaşça yakınsıyorlar.

Şehir sokakları ve otoyollarda performans

OSIANRO'yu test etmek için yazarlar, iyi bilinen kanal modelleri ve açık kaynak araçları kullanarak gerçekçi kentsel ve otoyol senaryolarını simüle ediyor. Sistemlerini, kaynak tahsisini optimize etmek için uzmanlaşmış kuantum esinli bir cihaz kullanan gelişmiş bir kıyasla karşılaştırıyorlar. Birçok deneyde OSIANRO, toplam veri hızını sürekli artırıyor, spektrumun her bir biriminden daha fazla bilgi sıkıştırıyor ve kullanıcı sayısı ile hız arttıkça bile çakışma sayısını keskin biçimde azaltıyor. İyileştirilmiş gradient-boosted ağ seçim yöntemi standart sürümlere göre daha doğru ve daha hızlı olurken, pekiştirmeli öğrenme bileşeni kusursuz ön bilgiye dayanmak zorunda kalmadan değişen radyo koşullarına sorunsuz şekilde uyum sağlıyor.

Günlük bağlantı için anlamı

Basitçe söylemek gerekirse, çalışma kablosuz ağlara tahmin etme ve kendi kendine öğrenme yeteneği kazandırmanın kalabalık hava dalgalarını kaotik otoparklar yerine iyi düzenlenmiş otoyollara daha çok benzetebileceğini gösteriyor. Hangi cihazın hangi kuleyi ve kanalı kullanacağını akıllıca seçerek ve kullanıcıların spektrumu nasıl paylaştığını sürekli ayarlayarak OSIANRO daha az yavaşlama ve aksaklıkla daha fazla veriyi daha fazla kullanıcıya ulaştırıyor. Sonuçlar canlı uygulamalardan ziyade ayrıntılı simülasyonlardan gelmesine rağmen, hareket halindeki arabalar, trenler ve milyarlarca bağlı cihazla doldursak bile hızlı, adil ve kararlı kalan mobil ağlara yönelik pratik bir yol öneriyor.

Atıf: Lahza, H., Sreenivasa, B.R., Lahza, H. et al. Deep reinforcement learning for network resource optimization in MIMO-NOMA networks to maximize utilization with minimal overhead. Sci Rep 16, 12635 (2026). https://doi.org/10.1038/s41598-026-42953-7

Anahtar kelimeler: 5G kaynak tahsisi, MIMO NOMA, derin pekiştirmeli öğrenme, ağ optimizasyonu, kablosuz girişim