L'apprendimento automatico distribuito riduce del 70% il consumo energetico nelle reti IoT 6G

Un nuovo studio analizza il consumo energetico nelle reti Internet of Things (IoT) 6G alimentate dall'intelligenza artificiale, confrontando architetture centralizzate e decentralizzate. I ricercatori hanno implementato un banco di prova all'interno dell'infrastruttura ferroviaria tedesca, utilizzando dati dei sensori per la manutenzione predittiva basata sull'apprendimento automatico. L'analisi comparativa ha rilevato che i modelli di apprendimento distribuito raggiungono un'accuratezza predittiva di circa il 90% riducendo al contempo il consumo totale di elettricità fino al 70% rispetto agli approcci centralizzati. Questa ricerca affronta le critiche sfide di efficienza energetica mentre le tecnologie di sesta generazione creano nuove esigenze per le applicazioni di machine learning nei sistemi IoT. Il lavoro evidenzia come l'addestramento dei modelli e la trasmissione dei dati influenzino significativamente l'utilizzo energetico in queste reti. L'ottimizzazione di questi processi è diventata essenziale per una progettazione sostenibile dei sistemi negli ambienti 6G emergenti. I risultati dimostrano il potenziale dell'apprendimento automatico distribuito nel migliorare l'efficienza energetica nelle reti IoT che supportano applicazioni di manutenzione predittiva.