論文の概要: Agentic AI for Scalable and Robust Optical Systems Control
- arxiv url: http://arxiv.org/abs/2602.20144v1
- Date: Mon, 23 Feb 2026 18:54:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.96173
- Title: Agentic AI for Scalable and Robust Optical Systems Control
- Title（参考訳）: スケーラブルでロバストな光システム制御のためのエージェントAI
- Authors: Zehao Wang, Mingzhe Han, Wei Cheng, Yue-Kai Huang, Philip Ji, Denton Wu, Mahdi Safari, Flemming Holtorf, Kenaish AlQubaisi, Norbert M. Linke, Danyang Zhuo, Yiran Chen, Ting Wang, Dirk Englund, Tingjun Chen,
- Abstract要約: AgentOpticsは、MCP(Model Context Protocol)上に構築された高忠実で自律的な光学系制御のためのエージェントAIフレームワークである。
8つの代表的な光学デバイスに64の標準MPPツールを実装し,要求理解,役割認識応答,多段階協調,言語的変動に対する堅牢性,エラー処理を評価するための410タスクベンチマークを構築した。
AgentOpticsは平均タスク成功率87.7%--99.0%を達成した。
- 参考スコア（独自算出の注目度）: 23.755794071124853
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present AgentOptics, an agentic AI framework for high-fidelity, autonomous optical system control built on the Model Context Protocol (MCP). AgentOptics interprets natural language tasks and executes protocol-compliant actions on heterogeneous optical devices through a structured tool abstraction layer. We implement 64 standardized MCP tools across 8 representative optical devices and construct a 410-task benchmark to evaluate request understanding, role-aware responses, multi-step coordination, robustness to linguistic variation, and error handling. We assess two deployment configurations--commercial online LLMs and locally hosted open-source LLMs--and compare them with LLM-based code generation baselines. AgentOptics achieves 87.7%--99.0% average task success rates, significantly outperforming code-generation approaches, which reach up to 50% success. We further demonstrate broader applicability through five case studies extending beyond device-level control to system orchestration, monitoring, and closed-loop optimization. These include DWDM link provisioning and coordinated monitoring of coherent 400 GbE and analog radio-over-fiber (ARoF) channels; autonomous characterization and bias optimization of a wideband ARoF link carrying 5G fronthaul traffic; multi-span channel provisioning with launch power optimization; closed-loop fiber polarization stabilization; and distributed acoustic sensing (DAS)-based fiber monitoring with LLM-assisted event detection. These results establish AgentOptics as a scalable, robust paradigm for autonomous control and orchestration of heterogeneous optical systems.
- Abstract（参考訳）: 我々は、モデルコンテキストプロトコル(MCP)上に構築された高忠実で自律的な光学系制御のためのエージェントAIフレームワークであるAgentOpticsを提案する。
AgentOpticsは自然言語タスクを解釈し、構造化ツール抽象化層を通じて異種光学デバイス上でプロトコル準拠のアクションを実行する。
8つの代表的な光学デバイスに64の標準MPPツールを実装し,要求理解,役割認識応答,多段階協調,言語的変動に対する堅牢性,エラー処理を評価するための410タスクベンチマークを構築した。
商用のオンラインLLMと、ローカルにホストされているオープンソースLLMの2つのデプロイメント構成を評価し、LLMベースのコード生成ベースラインと比較する。
AgentOpticsは平均タスク成功率87.7%--99.0%を達成した。
さらに,デバイスレベルの制御からシステムオーケストレーション,監視,クローズドループ最適化まで,5つのケーススタディを通じて,より広範な適用性を示す。
その中には、コヒーレント400GbEとアナログラジオオーバーファイバ(ARoF)チャネルのDWDMリンクプロビジョニングと協調監視、5Gフロントハウルトラフィックを含む広帯域ARoFリンクの自律的特徴とバイアス最適化、起動電力最適化によるマルチスパンチャネルプロビジョニング、閉ループファイバ偏光安定化、LLM支援イベント検出による分散音響センシング(DAS)ベースのファイバ監視が含まれる。
これらの結果は、ヘテロジニアス光学系の自律制御とオーケストレーションのためのスケーラブルで堅牢なパラダイムとしてAgentOpticsを確立する。
関連論文リスト
- ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - LLM-Empowered Agentic MAC Protocols: A Dynamic Stackelberg Game Approach [13.272022414257224]
ゲーム理論のLLMを用いたマルチエージェントDRL(MARL)フレームワークを提案する。
基地局と各種ユーザ機器間のアップリンク伝送は、動的マルチフォローラー・スタックルバーグゲーム(MFSG)としてモデル化される。
このゲームの中で、LLM駆動エージェントは、近似ポリシー最適化(PPO)を通じて調整され、適応的セマンティックMACプロトコルを合成する。
論文 参考訳（メタデータ） (2025-10-13T01:47:24Z) - Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。
本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
論文 参考訳（メタデータ） (2025-09-08T15:56:06Z) - Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている
これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
論文 参考訳（メタデータ） (2025-07-24T16:04:59Z) - Symbiotic Agents: A Novel Paradigm for Trustworthy AGI-driven Networks [1.5684305805304426]
大規模言語モデル(LLM)に基づく自律エージェントは、6Gネットワークの進化において重要な役割を果たすことが期待されている。
我々は、LLMのリアルタイム最適化アルゴリズムをTrustworthy AIに組み合わせた新しいエージェントパラダイムを導入する。
本稿では,AGIネットワークのエンドツーエンドアーキテクチャを提案し,移動車からのチャネル変動をキャプチャする5Gテストベッド上で評価する。
論文 参考訳（メタデータ） (2025-07-23T17:01:23Z) - Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。
その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
論文 参考訳（メタデータ） (2025-07-03T11:20:22Z) - Heterogeneous Group-Based Reinforcement Learning for LLM-based Multi-Agent Systems [25.882461853973897]
本稿では、相対報酬の利点を推定して政策更新を導くマルチエージェント不均一グループ政策最適化(MHGPO)を提案する。
MHGPOは、批判的ネットワークの必要性を排除し、安定性を向上し、計算オーバーヘッドを減らす。
また,効率性と有効性を両立させる3つのグループロールアウトサンプリング戦略も導入する。
論文 参考訳（メタデータ） (2025-06-03T10:17:19Z) - Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。
制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。
本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
論文 参考訳（メタデータ） (2025-03-27T17:34:25Z)
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。