Empowering Non-Terrestrial Networks with Artificial Intelligence: A Survey
Notice bibliographique
Résumé
The fifth generation (5G) of wireless communication technology has revolutionized the way we connect with each other; enabling faster data transfer rates, lower latency, and higher reliability.However, the demand for even more efficient and ubiquitous connectivity is ever-growing.As such, researchers have already been exploring the potential of the sixth generation (6G) of wireless communications.The 6G networks are expected to provide unprecedented connectivity and reliability.An important component of 6G networks is the use of non-terrestrial networks (NTNs) that have the potential to extend the coverage of 6G networks to areas where connectivity with traditional terrestrial networks is not feasible or cost-effective.NTNs include technologies with low earth orbit (LEO) satellites, high-altitude platforms (HAPs), and unmanned aircraft systems (UASs).However, the deployment and management of NTNs face numerous technical and operational challenges, such as network planning, resource allocation (RA), and interference management.Recent advances in artificial intelligence (AI) offer new opportunities for optimizing the performance of NTNs.By leveraging AI techniques, such as machine learning (ML), deep learning (DL), and reinforcement learning (RL), network operators can enhance the efficiency, reliability, and security of NTNs in 6G wireless communications.This survey paper comprehensively reviews the state-of-the-art research on AI-powered NTNs for 6G wireless communications.It covers key NTN technologies, AI techniques for network optimization, and recent advances in AI-powered NTNs, as well as challenges and opportunities for future research.The paper also discusses the potential impact of advancing AI on the development of 6G networks and beyond.The findings of this survey paper deliver valuable insights for researchers, practitioners, and policy-makers in the field of 6G networks and AI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».