A Comprehensive Survey on Revolutionizing Connectivity Through Artificial Intelligence-Enabled Digital Twin Network in 6G
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The deployment of 5G has exposed capacity constraints in realizing the key vision of the Internet of Everything (IoE). Therefore, the researchers are exploring potentials of Digital Twin Network (DTN) in wireless networks. DTN is a novel technology to create virtual replicas of physical environment for testing, optimizing, and managing wireless networks. The integration of Artificial Intelligence (AI) and DTN appears to be a promising approach to address communication systems by providing an efficient environment for testing and improving AI models before deployment in real networks for effective network management, optimal resource allocation, and precise behavior prediction. Therefore, AI-enabled DTN in 6G represents a compelling avenue to address multifaceted challenges faced by wireless networks. In this comprehensive work, we offer a holistic survey that delves into the state-of-the-art approaches for AI-enabled DTNs in 6G. Firstly, we discuss the evolution of wireless networks and concept of AI-enabled DTN in 6G. Secondly, we discuss the role of AI-enabled DTN in 6G and driving advancements in fundamental components of 6G including resource allocation, caching, data offloading, and data security. Thirdly, we conduct a detailed discussion on key enabling technologies for realizing the capabilities of AI-enabled DTN in 6G. Fourthly, several applications of AI-enabled DTN in 6G are discussed for the practical relevance and significance in various industries such as smart cities, healthcare, and transportation etc. Finally, we provide lessons learned and highlight existing challenges and research directions to embark on further research efforts in the realm of AI-enabled DTN in 6G.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle