Fugu-MT 論文翻訳(概要): Beyond Connectivity: An Open Architecture for AI-RAN Convergence in 6G

論文の概要: Beyond Connectivity: An Open Architecture for AI-RAN Convergence in 6G

arxiv url: http://arxiv.org/abs/2507.06911v1
Date: Wed, 09 Jul 2025 14:49:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-10 17:37:43.63223
Title: Beyond Connectivity: An Open Architecture for AI-RAN Convergence in 6G
Title（参考訳）: Beyond Connectivity: 6GにおけるAI-RANコンバージェンスのためのオープンアーキテクチャ
Authors: Michele Polese, Niloofar Mohamadi, Salvatore D'Oro, Tommaso Melodia,
Abstract要約: 本稿では、共有インフラストラクチャ上での通信およびAIワークロードのオーケストレーションと管理を統一する、新しい収束型O-RANおよびAI-RANアーキテクチャを提案する。 i) O-RAN Service Management and Orchestration(SMO)を拡張してRANおよびAIワークロード間の統合リソースとアロケーションを可能にするAI-RAN Orchestrator、(ii)分散エッジAIプラットフォームにリアルタイム処理機能を提供するAI-RANサイト。
参考スコア（独自算出の注目度）: 20.07205081315289
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The proliferation of data-intensive Artificial Intelligence (AI) applications at the network edge demands a fundamental shift in RAN design, from merely consuming AI for network optimization, to actively enabling distributed AI workloads. This paradigm shift presents a significant opportunity for network operators to monetize AI at the edge while leveraging existing infrastructure investments. To realize this vision, this article presents a novel converged O-RAN and AI-RAN architecture that unifies orchestration and management of both telecommunications and AI workloads on shared infrastructure. The proposed architecture extends the Open RAN principles of modularity, disaggregation, and cloud-nativeness to support heterogeneous AI deployments. We introduce two key architectural innovations: (i) the AI-RAN Orchestrator, which extends the O-RAN Service Management and Orchestration (SMO) to enable integrated resource and allocation across RAN and AI workloads; and (ii) AI-RAN sites that provide distributed edge AI platforms with real-time processing capabilities. The proposed system supports flexible deployment options, allowing AI workloads to be orchestrated with specific timing requirements (real-time or batch processing) and geographic targeting. The proposed architecture addresses the orchestration requirements for managing heterogeneous workloads at different time scales while maintaining open, standardized interfaces and multi-vendor interoperability.
Abstract（参考訳）: ネットワークエッジにおけるデータ集約型人工知能(AI)アプリケーションの普及は、単にネットワーク最適化のためにAIを消費することから、分散AIワークロードのアクティブ有効化に至るまで、RAN設計の根本的なシフトを要求する。このパラダイムシフトは、ネットワークオペレーターが既存のインフラ投資を活用しながらエッジでAIを収益化する大きな機会を提供する。このビジョンを実現するために,本稿では,共有インフラストラクチャ上での通信処理とAIワークロードのオーケストレーションと管理を統合する,新たなO-RANアーキテクチャとAI-RANアーキテクチャを提案する。提案されたアーキテクチャは、モジュール性、分離性、クラウドネイティブ性のOpen RAN原則を拡張して、異種AIデプロイメントをサポートする。アーキテクチャの革新は2つあります。 i) O-RAN Service Management and Orchestration (SMO)を拡張して、RANおよびAIワークロード間の統合リソースとアロケーションを可能にするAI-RAN Orchestrator。 (ii) リアルタイム処理機能を備えた分散エッジAIプラットフォームを提供するAI-RANサイト。提案システムは柔軟なデプロイメントオプションをサポートし、特定のタイミング要求(リアルタイムまたはバッチ処理)と地理的ターゲティングを備えたAIワークロードのオーケストレーションを可能にする。提案アーキテクチャは、オープンで標準化されたインターフェースとマルチベンダの相互運用性を維持しながら、異種ワークロードを異なる時間スケールで管理するためのオーケストレーション要件に対処する。

関連論文リスト

ORAN-GUIDE: RAG-Driven Prompt Learning for LLM-Augmented Reinforcement Learning in O-RAN Network Slicing [5.62872273155603]
マルチエージェント(MARL)をタスク関連で意味的にリッチな状態表現で拡張するデュアルLLMフレームワークである textitORAN-GUIDE を提案する。その結果、ORAN-GUIDEは標準MARLおよび単一LLMベースライン上でのサンプル効率、ポリシー収束、性能一般化を改善することが示された。
論文参考訳（メタデータ） (2025-05-31T14:21:19Z)
Towards Agentic AI Networking in 6G: A Generative Foundation Model-as-Agent Approach [35.05793485239977]
本稿では,AIエージェント間のインタラクション,協調学習,知識伝達を支援する新しいフレームワークであるAgentNetを提案する。本稿では,デジタルツイン方式の産業自動化とメタバース方式のインフォテインメントシステムという,2つの応用シナリオについて考察する。
論文参考訳（メタデータ） (2025-03-20T00:48:44Z)
End-to-End Edge AI Service Provisioning Framework in 6G ORAN [7.6934511825411045]
本稿では,O-RAN rAppsとしてデプロイされたLarge Language Model (LLM)エージェントを活用する,新しいエッジAIおよびネットワークサービスオーケストレーションフレームワークを提案する。提案システムでは,ユーザのユースケース記述をデプロイ可能なAIサービスと対応するネットワーク構成に変換することで,インタラクティブかつ直感的なオーケストレーションを可能にする。
論文参考訳（メタデータ） (2025-03-15T00:48:50Z)
Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文参考訳（メタデータ） (2025-02-17T03:05:20Z)
Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
論文参考訳（メタデータ） (2024-10-02T02:20:42Z)
Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。 IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
論文参考訳（メタデータ） (2024-07-09T17:33:24Z)
A Wireless AI-Generated Content (AIGC) Provisioning Framework Empowered by Semantic Communication [53.78269720999609]
本稿では,セマンティック通信(SemCom)を利用したAIGC(SemAIGC)の生成と伝送フレームワークを提案する。具体的には、セマンティックエンコーダとデコーダに拡散モデルを統合し、ワークロード調整可能なトランシーバを設計する。提案するSemAIGCフレームワークは,従来の手法に比べてレイテンシとコンテンツ品質が優れていることがシミュレーションによって検証された。
論文参考訳（メタデータ） (2023-10-26T18:05:22Z)
Actor-Critic Network for O-RAN Resource Allocation: xApp Design, Deployment, and Analysis [3.8073142980733]
Open Radio Access Network (O-RAN)は、オープンネス、インテリジェンス、自動制御を可能にする新しいRANアーキテクチャを導入した。 RAN Intelligent Controller (RIC)は、RANコントローラの設計とデプロイのためのプラットフォームを提供する。 xAppsは、機械学習(ML)アルゴリズムを活用してほぼリアルタイムで動作することで、この責任を負うアプリケーションである。
論文参考訳（メタデータ） (2022-09-26T19:12:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。