Açıklanabilir yapay zeka ve optimizasyon teorisine dayalı kablosuz radyo kaynak yönetimi

Uluslararası Telekomünikasyon Birliği'nin IMT-2030 çerçevesi, "Entegre yapay zeka (AI) ve İletişim"i 6G ağlarının temel yönlerinden biri olarak tanımlıyor. Yapay zeka odaklı çözümlere yönelik bu geçiş, karar verme süreçlerinde daha fazla şeffaflık gerektiriyor; burada açıklanabilirlik, yapay zeka sistemlerine güven oluşturmada çok önemli, ağ operatörlerinin ve mühendislerin derin öğrenme (DL) modelleri tarafından alınan kararları anlamalarına, doğrulamalarına ve sorunlarını gidermelerine olanak tanıyor. Ayrıca, dağıtım dışı girdilere ve düşmanca saldırılara karşı dayanıklılık, çeşitli ve gelişen ortamlarda güvenilir performans sağlamak için çok önemlidir. Bu iki faktör (açıklanabilirlik ve sağlamlık), yapay zekanın yalnızca bir geliştirme değil aynı zamanda iletişim sistemlerine entegre edilmiş temel bir bileşen olduğu yapay zekaya özgü 6G ağlarının daha geniş hedeflerini gerçekleştirmek için gereklidir. Bu tez, Yapay Zeka destekli 6G ağlarında sağlam ve şeffaf radyo kaynağı yönetimi (RRM) için Açıklanabilir Yapay Zeka (XAI) uygulamasını incelemektedir. İlk olarak, bu araştırmanın önemi, 6G RRM için açıklanabilirlik ve sağlamlığın yararları verilerek, bir dizi temel açıklanabilirlik ve sağlamlığın ana hatları üzerinden sunulmaktadır. Daha sonra, bu XAI tekniklerinin pratik uygulaması, belirli 6G senaryolarında temel performans göstergeleri (KPI'ler) üzerindeki etkilerinin niceliksel bir değerlendirmesiyle analiz ediliyor. Model basitleştirme ve RRM sağlamlığının arttırılmasındaki uygulamalarını gösteren iki vaka çalışması sunulmaktadır. İlk vaka çalışması, milimetre dalga (mmWave) çoklu giriş çoklu çıkış (MIMO) iletişim sisteminde ışın yönetimi için açıklanabilir ve sağlam bir DL tabanlı çerçeve önermektedir. Işın hizalaması için sinyalleme yükünü en aza indirmek amacıyla, giriş özelliklerini sıralayıp öncelik sırasına koymak, giriş boyutunu ve ışın tarama süresini azaltmak için yeni bir model-agnostik, özellik alaka odaklı XAI çerçevesi tasarlanmıştır. Şeffaflığı ve dayanıklılığı DL tabanlı ışın hizalama motoruna (BAE) dahil etmek için, kötü niyetli/dağıtım dışı girdilere karşı yorumlanabilirlik ve sağlamlık sağlamak için derin sinir ağları (DNN) tarafından öğrenilen dahili temsilleri inceleyen, düşmanca girdilere karşı bir savunma mekanizması geliştirilmiştir. İkinci vaka çalışması, ortak iletim gücü ve spektrum tahsisi için araç ağlarında derin takviyeli öğrenme (DRL) tabanlı RRM'ye odaklanmaktadır. İlk olarak, birden fazla eğitilmiş DRL aracısının çıkarım sürecini açıklamak için model-agnostik XAI tabanlı bir metodoloji tasarlanmıştır. Daha sonra, DRL aracılarının giriş durumu boyutunu basitleştirmek için Shapley eklemeli açıklamaları (SHAP) kullanan yeni bir XAI tabanlı özellik önem sıralaması algoritması geliştirilir ve ardından model karmaşıklığını azaltmak için otomatik bir özellik seçimi stratejisi uygulanır. Düşük öneme sahip özellikleri ortadan kaldırarak, metodoloji performansını korurken daha az ağ parametresi ve daha düşük eğitim süresine sahip basitleştirilmiş bir model üretir. Bu tez ayrıca, ultra güvenilir ve düşük gecikmeli iletişim (URLLC) tabanlı araç ağları için en kötü durum kod çözme hatası olasılığını en aza indirmek amacıyla ortak güç kontrolü ve blok uzunluğu tahsisi için yeni bir DRL tabanlı çerçeve sunmaktadır. Başlangıçta bloktaki kod çözme hatası olasılığının ilgilenilen bölgedeki uzunluk ve iletim gücü değişkenlerindeki ortak dışbükeyliğini kullanan optimizasyon teorisine dayalı bir algoritma geliştirilmiştir. Daha sonra, ortak optimizasyon problemini çözmek için olayla tetiklenen kontrol sistemlerinden ilham alınarak, etkin, olayla tetiklenen DRL tabanlı bir algoritma önerilmiştir. Birleştirme DRL çerçevesine olayla tetiklenen öğrenmeyi dahil etmek DRL sürecinin başlatılıp başlatılmayacağına karar vererek, güvenilirlik performansını makul düzeyde tutarken DRL işlem yürütme sayısını azaltmayı sağlamaktadır. Sonuçlar geleneksel optimizasyon tabanlı çözümlere kıyasla eğitim ve çalışma zamanı karmaşıklığında dikkate değer bir azalmayı gösteriyor.