論文の概要: AI-Driven Green Cognitive Radio Networks for Sustainable 6G Communication

• arxiv url: http://arxiv.org/abs/2512.20739v1
• Date: Tue, 23 Dec 2025 19:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.586178
• Title: AI-Driven Green Cognitive Radio Networks for Sustainable 6G Communication
• Title（参考訳）: 持続可能な6G通信のためのAI駆動グリーン認知無線ネットワーク
• Authors: Anshul Sharma, Shujaatali Badami, Biky Chouhan, Pushpanjali Pandey, Brijeena Rana, Navneet Kaur,
• Abstract要約: 6Gワイヤレスは、Tb/sピークデータレートを目標としており、ミリ秒以下のレイテンシ、モノのインターネット/車両接続の大規模化が期待されている。 認知無線ネットワーク CCN はスペクトル不足の問題を緩和するのに役立つが、古典的なセンシングとアロケーションは依然としてエネルギー消費に重きを置いており、急激なスペクトル変動に敏感である。 AI駆動型グリーンCRNを中心とした我々のフレームワークは、深層強化学習(DRL)と、転送、エネルギー収穫、再構成可能な知的表面(RIS)と、他の軽量遺伝子改良とを統合することを目的としている。
• 参考スコア（独自算出の注目度）: 5.764939696219493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The 6G wireless aims at the Tb/s peak data rates are expected, a sub-millisecond latency, massive Internet of Things/vehicle connectivity, which requires sustainable access to audio over the air and energy-saving functionality. Cognitive Radio Networks CCNs help in alleviating the problem of spectrum scarcity, but classical sensing and allocation are still energy-consumption intensive, and sensitive to rapid spectrum variations. Our framework which centers on AI driven green CRN aims at integrating deep reinforcement learning (DRL) with transfer learning, energy harvesting (EH), reconfigurable intelligent surfaces (RIS) with other light-weight genetic refinement operations that optimally combine sensing timelines, transmit power, bandwidth distribution and RIS phase selection. Compared to two baselines, the utilization of MATLAB + NS-3 under dense loads, a traditional CRN with energy sensing under fixed policies, and a hybrid CRN with cooperative sensing under heuristic distribution of resource, there are (25-30%) fewer energy reserves used, sensing AUC greater than 0.90 and +6-13 p.p. higher PDR. The integrated framework is easily scalable to large IoT and vehicular applications, and it provides a feasible and sustainable roadmap to 6G CRNs. Index Terms--Cognitive Radio Networks (CRNs), 6G, Green Communication, Energy Efficiency, Deep Reinforcement Learning (DRL), Spectrum Sensing, RIS, Energy Harvesting, QoS, IoT.
• Abstract（参考訳）: 6Gワイヤレスは、Tb/sピークデータレート、ミリ秒以下のレイテンシ、モノのインターネット/車線接続を目標としている。 認知無線ネットワーク CCN はスペクトル不足の問題を緩和するのに役立つが、古典的なセンシングとアロケーションは依然としてエネルギー消費に重きを置いており、急激なスペクトル変動に敏感である。 我々のフレームワークは、AI駆動のグリーンCRNを中心とし、深層強化学習(DRL)を伝達学習、エネルギー収穫(EH)、再構成可能な知的表面(RIS)と、センシングタイムライン、送信電力、帯域幅分布、RIS位相選択を最適に組み合わせた他の軽量な遺伝的改善操作と統合することを目的としている。 重負荷下でのMATLAB + NS-3の利用、固定政策下でのエネルギーセンシングによる従来のCRN、資源のヒューリスティックな分布下での協調的なセンシングによるハイブリッドCRNの2つのベースラインと比較して、AUCは0.90以上、+6-13 p.p.より高いPDRよりも少ない(25-30%)エネルギー予備区が使用されている。 統合フレームワークは、大規模なIoTおよびコンテナアプリケーションに容易に拡張可能で、6G CRNの実現可能で持続可能なロードマップを提供する。 指標項-認知無線ネットワーク(CRN)、6G、グリーンコミュニケーション、エネルギー効率、深層強化学習(DRL)、スペクトルセンシング、RIS、エネルギーハーベスティング、QoS、IoT。

関連論文リスト

• Federated Multi-Agent Reinforcement Learning for Privacy-Preserving and Energy-Aware Resource Management in 6G Edge Networks [0.0]
  第6世代(6G)ネットワークは、超高密度でインテリジェントなエッジ環境に向かっている。 厳しいプライバシー モビリティ エネルギー制約の下での資源管理が 重要になります 本稿では,フェデレート・マルチエージェント強化学習フレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-09-12T11:41:40Z)
• Resource Allocation for RIS-Assisted CoMP-NOMA Networks using Reinforcement Learning [8.13094889619588]
  この論文は、STAR-RIS、CoMP、NOMAの3つの変換技術の相乗的統合を探求する。 この研究は、データレートの増大、スペクトル効率の向上、進化途上の6G開発環境のカバー範囲の拡大などにより、これらの技術が将来の無線ネットワークに革命をもたらす可能性を調査する。
  論文  参考訳（メタデータ） (2025-04-01T17:14:01Z)
• Dynamic Spectrum Access for Ambient Backscatter Communication-assisted D2D Systems with Quantum Reinforcement Learning [68.63990729719369]
  無線スペクトルは乏しくなり、D2D通信のスペクトル効率は低い。 本稿では, 周囲RF信号の後方散乱を可能にするために, 環境後方散乱通信技術をD2Dデバイスに統合することを目的とする。 我々は、より少ないトレーニングパラメータでより高速な収束率を達成することができる新しい量子強化学習(RL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-23T15:36:43Z)
• Multi-Agent Hybrid SAC for Joint SS-DSA in CRNs [17.162697767466085]
  機会論的スペクトルアクセスは、認知無線ネットワーク(CRN)におけるスペクトル利用の効率を高める可能性がある CRNでは、スペクトルセンシングとリソース割り当て(SSRA)の両方がシステムスループットの最大化に不可欠である。 我々は,ハイブリッドソフトアクター批評家MHSACのマルチエージェント実装を開発した。
  論文  参考訳（メタデータ） (2024-04-22T16:30:03Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。