論文の概要: Towards AI-Native RAN: An Operator's Perspective of 6G Day 1 Standardization

• arxiv url: http://arxiv.org/abs/2507.08403v1
• Date: Fri, 11 Jul 2025 08:21:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.292664
• Title: Towards AI-Native RAN: An Operator's Perspective of 6G Day 1 Standardization
• Title（参考訳）: AI-Native RANに向けて - 6G Day 1標準化のオペレータの視点から
• Authors: Nan Li, Qi Sun, Lehan Wang, Xiaofei Xu, Jinri Huang, Chunhui Liu, Jing Gao, Yuhong Huang, Chih-Lin I,
• Abstract要約: 6Gはその複雑さに対処し、ユビキタスAIアプリケーションをサポートするために、最初からAIを取り入れる。 本稿では6G用AI-Native Radio Access Network(RAN)の設計と標準化の原則について検討する。 AI駆動のRAN処理/最適化/自動化、信頼性のあるAIライフサイクル管理(LCM)、AI-as-a-Service(AI-as-a-Service)である。 検証のため,5000以上の5G-A基地局を有する大規模フィールドトライアルが構築され,大幅な改良が加えられた。
• 参考スコア（独自算出の注目度）: 21.71207441688328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence/Machine Learning (AI/ML) has become the most certain and prominent feature of 6G mobile networks. Unlike 5G, where AI/ML was not natively integrated but rather an add-on feature over existing architecture, 6G shall incorporate AI from the onset to address its complexity and support ubiquitous AI applications. Based on our extensive mobile network operation and standardization experience from 2G to 5G, this paper explores the design and standardization principles of AI-Native radio access networks (RAN) for 6G, with a particular focus on its critical Day 1 architecture, functionalities and capabilities. We investigate the framework of AI-Native RAN and present its three essential capabilities to shed some light on the standardization direction; namely, AI-driven RAN processing/optimization/automation, reliable AI lifecycle management (LCM), and AI-as-a-Service (AIaaS) provisioning. The standardization of AI-Native RAN, in particular the Day 1 features, including an AI-Native 6G RAN architecture, were proposed. For validation, a large-scale field trial with over 5000 5G-A base stations have been built and delivered significant improvements in average air interface latency, root cause identification, and network energy consumption with the proposed architecture and the supporting AI functions. This paper aims to provide a Day 1 framework for 6G AI-Native RAN standardization design, balancing technical innovation with practical deployment.
• Abstract（参考訳）: 人工知能/機械学習(AI/ML)は6Gモバイルネットワークの最も確実で目立った特徴となっている。 AI/MLがネイティブに統合されたのではなく、既存のアーキテクチャのアドオン機能である5Gとは異なり、6Gはその複雑さに対処し、ユビキタスなAIアプリケーションをサポートするために、最初からAIを取り入れる。 本稿では,2Gから5Gまでの大規模なモバイルネットワーク運用と標準化経験に基づいて,AI-Native Radio Access Network (RAN) for 6Gの設計と標準化の原則について考察する。 我々は、AI-Native RANのフレームワークを調査し、標準化の方向性、すなわち、AI駆動のRAN処理/最適化/自動化、信頼性の高いAIライフサイクル管理(LCM)、AI-as-a-Service(AIaaS)プロビジョニングについて、その3つの重要な機能を示す。 AI-Native 6G RANアーキテクチャを含むAI-Native RANの標準化が提案された。 検証のために、5000以上の5G-Aベースステーションを持つ大規模フィールドトライアルが構築され、提案アーキテクチャとサポートするAI機能により、平均的な空気インターフェース遅延、根本原因同定、ネットワークエネルギー消費が大幅に改善された。 本稿では,6G AI-Native RAN標準化設計のための第1日目のフレームワークの提供を目的とする。

関連論文リスト

• Beyond Connectivity: An Open Architecture for AI-RAN Convergence in 6G [20.07205081315289]
  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。
  論文  参考訳（メタデータ） (2025-07-09T14:49:11Z)
• 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)
• Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities [148.601430677814]
  本稿では,6GネットワークにおけるAIと通信の概要を概観する。 我々はまず、AIを無線通信に組み込むことの背景にある要因と、AIと6Gの収束のビジョンを概観する。 講演はその後、6Gネットワーク内でAIの統合を想定する詳細な説明へと移行する。
  論文  参考訳（メタデータ） (2024-12-19T05:36:34Z)
• Distributed AI Platform for the 6G RAN [3.1924413019103692]
  複雑なRAN問題を解決する上で、AIは重要な有効要因として現れます。 これらの課題に対処する既存のアプローチは、真にAIネイティブな6Gネットワークのビジョンを実現するには不十分である。 このソリューションの欠如によって動機づけられた同社は、汎用的な分散AIプラットフォームアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-01T18:35:25Z)
• Decentralized Multi-Party Multi-Network AI for Global Deployment of 6G Wireless Systems [31.754166695074353]
  本稿では、大規模にデプロイされた6GネットワークにAIを統合するための分散マルチパーティ・マルチネットワークAI(DMMAI)フレームワークを紹介する。 DMMAIは、さまざまなネットワークプラットフォームにわたるAI駆動コントロールを調和させ、自らを自律的に構成、監視、修復するネットワークを促進する。 弊社のアプローチでは、マルチネットワークオーケストレーションとAIコントロールの統合について検討し、6GネットワークにおけるAI駆動のコーディネーションのための標準フレームワークにおける重要なギャップを埋める。
  論文  参考訳（メタデータ） (2024-04-15T15:21:25Z)
• Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework [55.73948386625618]
  データ、AIモデル、運用パラダイムの観点から、6GネイティブAIを達成する上での課題を分析します。 基礎モデルに基づく6GネイティブAIフレームワークを提案し、専門家の知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• Zero-touch realization of Pervasive Artificial Intelligence-as-a-service in 6G networks [8.500820283596774]
  ブロックチェーンベースのスマートシステムをサポートする6Gネットワークに,ゼロタッチPAI-as-a-Service(PAI)をデプロイするための,新たなプラットフォームアーキテクチャを導入する。 本稿では,提案システムによる6Gネットワークの動的特性の自己最適化と自己適応性を評価する概念実証について述べる。
  論文  参考訳（メタデータ） (2023-07-21T10:02:24Z)
• In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile Networks [61.416494781759326]
  In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。 提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。 我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T13:41:15Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• Federated Learning for 6G Communications: Challenges, Methods, and Future Directions [71.31783903289273]
  6Gとフェデレーション学習の統合を導入し、6Gのための潜在的なフェデレーション学習アプリケーションを提供する。 6G通信の文脈において,重要な技術的課題,それに対応するフェデレーション学習手法,および今後のフェデレーション学習研究のためのオープンな課題について述べる。
  論文  参考訳（メタデータ） (2020-06-04T15:17:19Z)

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。