A Survey on GenAI-Driven Digital Twins: Toward Intelligent 6G Networks and Metaverse Systems
Notice bibliographique
Résumé
Sixth-Generation (6G) networks aim to deliver unprecedented network performance by facilitating intelligent, ultra-low-latency, and massively connected applications that seamlessly integrate the physical and digital domains through context-aware operation. These applications work across physical and digital environments. Within this broader shift, digital twins (DTs) have demonstrated notable improvements in overall network performance by creating high-fidelity digital counterparts of physical 6G systems. These DTs give researchers and operators a way to view network behavior as it evolves, to forecast likely performance patterns, and – crucially – to adjust key processes such as beamforming, resource allocation, and interference management. Even so, the value of DT-based optimization is limited by several practical factors. Their effectiveness depends a great deal on access to reliable and sufficiently rich data, and the inherent complexity of 6G environments often makes accurate modeling and efficient resource coordination challenging. This paper examines how a range of generative artificial intelligence (GenAI) models can be used alongside DTs to strengthen resource allocation and improve security in 6G networks. It also sets out a GenAI-enabled DT framework for various 6G-enabling applications, highlighting the potential roles of different GenAI models in supporting semantic communications, the metaverse, integrated sensing and communication (ISAC), AI-generated content (AIGC), and reconfigurable intelligent surfaces (RIS). This paper concludes by drawing attention to emerging conceptual frameworks for DT–GenAI integration. It notes several research challenges that have yet to be resolved, and outlines future directions for deploying GenAI-augmented DTs to achieve intelligent, adaptive, and resilient 6G networks.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,005 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».