Machine Learning in 6G Wireless Networks  

ระบบไร้สายยุคที่หก (6G) คาดหวังการเปลี่ยนกระบวนทัศน์จากสิ่งที่เชื่อมต่อกันไปสู่อัจฉริยะที่เชื่อมต่อกันโดยมีจุดเด่นคือความหนาแน่นสูงเป็นพิเศษ ขนาดใหญ่ ความแตกต่างแบบไดนามิก ความต้องการด้านการทำงานที่หลากหลาย และความสามารถในการเรียนรู้ของเครื่องจักร (machine learning: ML) ซึ่งนำไปสู่ ไปสู่ความต้องการอัลกอริธึมอัจฉริยะที่มีประสิทธิภาพสูงเพิ่มมากขึ้น โดยอัลกอริธึมที่ใช้ optimization แบบคลาสสิกต้องการแบบจำลองทางคณิตศาสตร์ที่มีความแม่นยำสูงของการเชื่อมโยงข้อมูล และประสบปัญหาประสิทธิภาพต่ำและมีต้นทุนการคำนวณสูงในแอปพลิเคชัน 6G จากความรู้ในโดเมน เช่น โมเดล optimization และเครื่องมือทางทฤษฎี ML มีความโดดเด่นในวิธีการที่มีแนวโน้มและใช้งานได้จริงสำหรับปัญหา optimization ขนาดใหญ่ที่ซับซ้อนจำนวนมากใน 6G เนื่องจากประสิทธิภาพที่เหนือกว่า ประสิทธิภาพในการคำนวณ ความสามารถในการปรับขนาด และ ลักษณะทั่วไป

การเรียนรู้เพื่อเพิ่มประสิทธิภาพเป็นระบบในโดเมนที่หลากหลายของเครือข่ายไร้สาย 6G โดยการระบุคุณลักษณะโดยธรรมชาติของปัญหา optimizationที่ซ่อนอยู่ และตรวจสอบกรอบงาน ML ที่ออกแบบมาโดยเฉพาะจากมุมมองของ optimizationโดยเฉพาะการครอบคลุมถึงอัลกอริทึม การเรียนรู้เกี่ยวกับ branch-and-bound โครงข่ายประสาทเทียมแบบกราฟสำหรับการเพิ่มประสิทธิภาพเชิงโครงสร้าง การเรียนรู้ Reinforcement เชิงลึกสำหรับการเพิ่มประสิทธิภาพแบบสุ่ม การเรียนรู้ end-to-end สำหรับการเพิ่มประสิทธิภาพ semantic optimization รวมถึงการเรียนรู้แบบรวมศูนย์แบบไร้สายสำหรับการเพิ่มประสิทธิภาพแบบกระจาย ซึ่งสามารถจัดการกับปัญหาอันเกิดจากแอปพลิเคชันไร้สาย ประสิทธิภาพที่ดีของอัลกอริธึมการเพิ่มประสิทธิภาพโดยการใช้ ML เมื่อเทียบกับวิธีการแบบเดิม และให้คำแนะนำในการพัฒนาเทคนิค ML ขั้นสูงในเครือข่าย 6G การออกแบบโครงข่ายประสาทเทียม เครื่องมือทางทฤษฎีของวิธี ML ปัญหาการใช้งาน ตลอดจนความท้าทายและทิศทางการพัฒนาในอนาคต รองรับการใช้งานจริงของโมเดล ML ในเครือข่ายไร้สาย 6G