تتكون شبكات 6G من شبكات فرعية من المتوقع أن تلبي متطلبات التواصل الفائق الاعتمادية ذو الكمون المنخفض (URLLC) للتطبيقات الحرجة مثل التحكم الصناعي والأتمتة. أحد الجوانب التي يتم تجاهلها غالباً في URLLC هو انقطاع الحزم المتتالي، والذي يمكن أن ي destabilize دوائر التحكم ويعرض السلامة للخطر في البيئات الصناعية. لذلك، يقترح العمل الحالي إطار تكيف للرابط لدعم متطلبات الاعتمادية القصوى باستخدام خوارزمية التعلم العميق المعزز (SAC) التي تعزز كفاءة الطاقة (EE) والموثوقية تحت ظروف القناة والتداخل الديناميكية. على عكس الأعمال السابقة التي تركز على الموثوقية المتوسطة، تستهدف طريقتنا بشكل صريح تقليل الانقطاعات المتتالية من خلال التحكم التكيفي في طاقة الإرسال وطول الكتلة استنادًا فقط إلى نسبة الإشارة إلى التداخل بالإضافة إلى الضوضاء (SINR) الملحوظة. تم صياغة مشكلة التحسين المشترك تحت قيود الطول النهائي للجملة وجودة الخدمة، مع الموازنة بين الموثوقية وكفاءة الطاقة. تُظهر نتائج المحاكاة أن الطريقة المقترحة تتفوق بشكل كبير على الخوارزميات الأساسية، مما يقلل من انقطاعات الحزم بينما تستهلك فقط 18% من تكلفة الإرسال المطلوبة من قبل سياسة تخصيص الموارد الكاملة/القصوى في السيناريو المقيَّم. كما يدعم الإطار أيضاً ضبط التوازن المرن بين كفاءة الطاقة والموثوقية من خلال تعديل أوزان المكافأة، مما يجعله قابلاً للتكيف مع المتطلبات الصناعية المتنوعة.
درس سليا وآخرون (الأربعاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: