طراحی و بهینه سازی معماری شبکه های نسل ششم (۶G) مبتنی بر هوش مصنوعی توزیع شده و یادگیری فدرال برای کاربردهای فراجهانی و همه حاضری

با در نظر گرفتن الزامات شبکه های نسل ششم (۶G) برای پشتیبانی از کاربردهای فراجهانی و همه حاضری (مانند متاورس، فراگیر، جراحی از راه دور و کنترل صنعتی در مقیاس سیار)، معماری های متمرکز سنتی با چالش های جدی در زمینه ی تاخیر، حریم خصوصی، مقیاس پذیری و مصرف انرژی مواجه هستند. این مقاله به طراحی و بهینه سازی یک معماری شبکه ی نوین مبتنی بر هوش مصنوعی توزیع شده (Distributed AI) و یادگیری فدرال (Federated Learning) می پردازد. چارچوب پیشنهادی با بهره گیری از یک لایه ی هوشمند لبه دار (Layer Edge Intelligent) و ساختار سلسله مراتبی گره های یادگیرنده، امکان آموزش مدل های جهانی را بدون انتقال داده های خام کاربران فراهم می آورد. برای بهینه سازی عملکرد، یک الگوریتم تطبیقی برای تخصیص منابع و هماهنگی میان گره ها بر اساس پویایی های جغرافیایی و کیفیت کانال (QoS) توسعه داده شده است. نتایج شبیه سازی نشان می دهد که معماری ارائه شده در مقایسه با رویکردهای متمرکز و مبتنی بر یادگیری عمیق توزیع نشده، به ترتیب ۴۲% کاهش در تاخیر پایان به پایان، ۳۵% بهبود در بازده انرژی و حفظ دقت پیش بینی بالای ۹۶٪ را حتی در سناریوهای با ناهمگونی شدید داده محقق می سازد. تحلیل همگرایی مدل نیز پایداری روش پیشنهادی را در شبکه های با تحرک بالا تایید می کند. این پژوهش نشان می دهد که هم آمیزی یادگیری فدرال با کنترل کننده های هوش مصنوعی توزیع شده مسیری عملی برای تحقق چشم انداز هوش "همه جا و متصل" در نسل ششم ارتباطات فراهم می سازد.

کلیدواژه ها:

شبکه های نسل ششم ، هوش مصنوعی توزیع شده ، یادگیری فدرال ، رایانش لبه ، تخصیص منابع