論文の概要: Agentic AI for Intent-driven Optimization in Cell-free O-RAN

• arxiv url: http://arxiv.org/abs/2602.22539v1
• Date: Thu, 26 Feb 2026 02:26:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.483124
• Title: Agentic AI for Intent-driven Optimization in Cell-free O-RAN
• Title（参考訳）: セルフリーO-RANにおけるインテント駆動最適化のためのエージェントAI
• Authors: Mohammad Hossein Shokouhi, Vincent W. S. Wong,
• Abstract要約: 自律無線アクセスネットワーク(RAN)の鍵となるエージェント人工知能(AI) セルフリーO-RANにおける意図翻訳と最適化のためのエージェントAIフレームワークを提案する。 提案手法は,省エネモードにおける3つのベースライン方式と比較して,アクティブなO-RUの数を41.93%削減することを示す。
• 参考スコア（独自算出の注目度）: 16.841650014499496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic artificial intelligence (AI) is emerging as a key enabler for autonomous radio access networks (RANs), where multiple large language model (LLM)-based agents reason and collaborate to achieve operator-defined intents. The open RAN (O-RAN) architecture enables the deployment and coordination of such agents. However, most existing works consider simple intents handled by independent agents, while complex intents that require coordination among agents remain unexplored. In this paper, we propose an agentic AI framework for intent translation and optimization in cell-free O-RAN. A supervisor agent translates the operator intents into an optimization objective and minimum rate requirements. Based on this information, a user weighting agent retrieves relevant prior experience from a memory module to determine the user priority weights for precoding. If the intent includes an energy-saving objective, then an open radio unit (O-RU) management agent will also be activated to determine the set of active O-RUs by using a deep reinforcement learning (DRL) algorithm. A monitoring agent measures and monitors the user data rates and coordinates with other agents to guarantee the minimum rate requirements are satisfied. To enhance scalability, we adopt a parameter-efficient fine-tuning (PEFT) method that enables the same underlying LLM to be used for different agents. Simulation results show that the proposed agentic AI framework reduces the number of active O-RUs by 41.93% when compared with three baseline schemes in energy-saving mode. Using the PEFT method, the proposed framework reduces the memory usage by 92% when compared with deploying separate LLM agents.
• Abstract（参考訳）: エージェント人工知能(AI)は、複数の大規模言語モデル(LLM)ベースのエージェントを推論し、オペレータ定義の意図を達成するために協力する、自律無線アクセスネットワーク(RAN)のキーイネーブラーとして登場している。 オープンRAN(O-RAN)アーキテクチャは、そのようなエージェントの配置と調整を可能にする。 しかし、既存のほとんどの研究は、独立したエージェントによって扱われる単純な意図を考慮しているが、エージェント間の協調を必要とする複雑な意図は未解明のままである。 本稿では,セルフリーO-RANにおける意図翻訳と最適化のためのエージェントAIフレームワークを提案する。 監督エージェントは、演算子意図を最適化目標と最小レート要件に翻訳する。 この情報に基づいて、ユーザ重み付けエージェントは、メモリモジュールから関連する事前経験を検索し、プリコーディングのユーザの優先度重みを決定する。 省エネ目標を含む場合、オープン無線ユニット(O-RU)管理エージェントも活性化され、深部強化学習(DRL)アルゴリズムを用いてアクティブなO-RUのセットを決定する。 監視エージェントは、ユーザデータレートを測定し、他のエージェントと調整し、最低レート要求が満たされることを保証する。 拡張性を高めるために,パラメータ効率のよい細調整法(PEFT)を採用し,異なるエージェントに対して同じ基礎となるLLMを使用できるようにした。 シミュレーションの結果,提案するエージェントAIフレームワークは,省エネモードにおける3つのベースラインスキームと比較して,アクティブなO-RUの数を41.93%削減することがわかった。 PEFT法を用いて,異なるLCMエージェントをデプロイした場合と比較して,メモリ使用量を92%削減する。

関連論文リスト

• Toward Autonomous O-RAN: A Multi-Scale Agentic AI Framework for Real-Time Network Control and Management [39.17062930275755]
  本稿では,オープン無線アクセスネットワーク(O-RAN)のためのマルチスケールエージェントAIフレームワークを提案する。 RANインテリジェンスは、Non-Real-Time (Non-RT), Near-Real-Time (Near-RT), Real-Time (RT)コントロールループにまたがるコーディネート階層として編成される。 これらのエージェントは,標準化されたO-RANインタフェースとテレメトリによってどのように協調するかを示す。
  論文  参考訳（メタデータ） (2026-02-15T12:34:01Z)
• 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)
• SANet: A Semantic-aware Agentic AI Networking Framework for Cross-layer Optimization in 6G [41.93544556074424]
  Agentic AI Network(AgentNet)は、多数の専門的AIエージェントが協力して自律的な意思決定、動的環境適応、複雑なミッションを実行する、新しいAIネイティブネットワーキングパラダイムである。 本稿では,ユーザのセマンティックな目標を推測し,ネットワークの異なるレイヤに関連付けられたエージェントを自動アサインして推定目標を達成する,無線ネットワークのための新しいセマンティック・アウェア・エージェントネットアーキテクチャであるSANetを提案する。 AgentNetは、一般的に協力するエージェントが異なる、さらには矛盾する目的を持つ分散化フレームワークであるという事実に動機付けられ、我々は、SANetの分散最適化をマルチエージェントマルチエージェントとして定式化する。
  論文  参考訳（メタデータ） (2025-12-27T12:42:47Z)
• AgentRAN: An Agentic AI Architecture for Autonomous Control of Open 6G Networks [14.358601770321235]
  我々は、自然言語(NL)の意図に基づいて分散AIエージェントのファブリックを生成し、オーケストレーションする、AIネイティブなオープンRAN対応フレームワークであるAgenRANを紹介する。 明示的なプログラミングを必要とする従来のアプローチとは異なり、AgentRANのLLMエージェントは自然言語の意図を解釈し、構造化された会話を通じて戦略を交渉し、ネットワーク全体の制御ループを編成する。 AI-RAN Factoryは、エージェントのインタラクションを観察し、改善された制御アルゴリズムを埋め込んだ新しいエージェントを継続的に生成する自動パイプラインである。
  論文  参考訳（メタデータ） (2025-08-25T08:18:10Z)
• 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)
• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)

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。