論文の概要: GENESIS: Harnessing AI Agents for Autonomous 6G RAN Synthesis, Research, and Testing
- arxiv url: http://arxiv.org/abs/2605.27360v1
- Date: Tue, 26 May 2026 17:58:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.588172
- Title: GENESIS: Harnessing AI Agents for Autonomous 6G RAN Synthesis, Research, and Testing
- Title（参考訳）: genESIS: 自律的な6G RAN合成、研究、テストのためのAIエージェント
- Authors: Tamerlan Aghayev, Maxime Elkael, Michele Polese, Minh Dat Nguyen, Gabriele Gemmi, Andrea Lacava, Ali Saeizadeh, Reshma Prasad, Paolo Testolina, Angelo Feraudo, Soumendra Nanda, Pedram Johari, Salvatore D'Oro, Tommaso Melodia,
- Abstract要約: 大規模言語モデル(LLM)は、一般的なソフトウェア工学における同等のR&D作業を数日から数分で圧縮した。
本稿では,エージェント人工知能(AI)フレームワークであるgenESISについて述べる。
- 参考スコア（独自算出の注目度）: 13.436656977622691
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cellular research and development (R&D) is throttled by six structural processes that each consume months of manual engineering work per iteration: (i) synthesizing new features from standards or research papers into production code; (ii) conformance and interoperability testing; (iii) hardening against field anomalies and diverse deployment environments; (iv) data-driven optimization of network functionalities; (v) discovering and prototyping novel waveforms, functionalities, and capabilities for future standards; and (vi) securing the stack against vulnerabilities. Although Large Language Models (LLMs) have compressed comparable R&D work in general software engineering from days to minutes, their known pitfalls worsen on Radio Access Network (RAN) use cases: they hallucinate Application Programming Interfaces (APIs) and mis-read specifications, which kills interoperability of RAN components at the first mistake, and they heavily rely on simulations for designing algorithms, which is notorious for breaking when transferred to real hardware. To address these challenges, we present GENESIS, an agentic Artificial Intelligence (AI) framework that converts intents (e.g., a specification clause, a telemetry anomaly, or a research hypothesis) into solutions validated with over-the-air experiments, fed back into a persistent knowledge base. GENESIS is built on three composable primitives (agents, skills, hooks) and a knowledge layer (SYNAPSE) that doubles as the source of ground truth and the recipient of every artifact the framework produces, making capabilities compound across runs.
- Abstract（参考訳）: セルラリサーチと開発(R&D)は、6つの構造的プロセスによって妨げられ、それぞれがイテレーション毎に何ヶ月もの手動のエンジニアリング作業を消費する。
一 規格又は研究書類から新フィーチャを生産コードに合成すること。
二 適合性及び相互運用試験
三 分野異常及び多様な展開環境に対する強化
(4) ネットワーク機能のデータ駆動最適化
五 新規な波形、機能及び将来の規格の能力の発見及び原型化
(vi) スタックを脆弱性に対して確保する。
大きな言語モデル(LLM)は、一般的なソフトウェアエンジニアリングにおけるR&D作業を数日から数分で圧縮しているが、その既知の落とし穴は、Radio Access Network(RAN)のユースケースで悪化している。
これらの課題に対処するため、我々は、意図(例えば、仕様条項、テレメトリ異常、または研究仮説)をオーバーザエア実験で検証されたソリューションに変換するエージェント人工知能(AI)フレームワークであるGENESISを紹介し、永続的な知識ベースにフィードバックする。
genESISは3つの構成可能なプリミティブ(エージェント、スキル、フック)と知識層(SYNAPSE)の上に構築されており、それは基礎的な真実の源であり、フレームワークが生成するすべてのアーティファクトの受け取りを兼ね備えている。
関連論文リスト
- PRIMA: Operational Patterns for Resilient Multi-Agent Research with Verifiable Identity and Convergent Feedback [0.0]
PRIMAは、複数時間にわたる協調型マルチエージェント研究システムとして運用されている。
主なコントリビューションは、生存可能な障害モードのための3つの運用パターンである。
グラフ同型ケーススタディは、生成されたアーティファクトのアーキテクチャ的クレームを根拠にしている。
論文 参考訳（メタデータ） (2026-05-23T23:27:46Z) - From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。
本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。
大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-14T18:57:32Z) - The Semi-Executable Stack: Agentic Software Engineering and the Expanding Scope of SE [3.6320170149653985]
AIベースのシステムは、ソフトウェアエンジニアリングに対する脅威として、ますます議論されている。
この論文は別の読み方を主張する。
設計されているものは、実行可能なコードから半実行可能なアーティファクトへと拡張するということです。
論文 参考訳（メタデータ） (2026-04-16T18:36:02Z) - AIRS-Bench: a Suite of Tasks for Frontier AI Research Science Agents [49.67355440164857]
AIRS-Benchは、最先端の機械学習論文から得られた20のタスクからなるスイートである。
Airs-Benchタスクは、研究ライフサイクル全体のエージェント能力を評価する。
本稿では,AIRS-Benchタスク定義と評価コードをオープンソースとして公開し,自律科学研究のさらなる発展を促す。
論文 参考訳（メタデータ） (2026-02-06T16:45:02Z) - Multi-Agent Systems for Dataset Adaptation in Software Engineering: Capabilities, Limitations, and Future Directions [8.97512410819274]
本稿では,データセット適応タスクにおいて,最先端のマルチエージェントシステムがどのように機能するかについて,最初の実証的研究を行う。
我々は、GitHub Copilotを評価し、ROCODEやLogHub2.0といったベンチマークリポジトリからSE研究成果物を適用する。
その結果、現在のシステムはキーファイルを識別し、部分的な適応を生成することができるが、正しい実装を生成することは滅多にない。
論文 参考訳（メタデータ） (2025-11-26T13:26:11Z) - Executable Knowledge Graphs for Replicating AI Research [65.41207324831583]
Executable Knowledge Graphs (xKG) は、科学文献から抽出された技術的洞察、コードスニペット、ドメイン固有の知識を自動的に統合するモジュラーでプラグイン可能な知識基盤である。
コードはhttps://github.com/zjunlp/xKGでリリースされる。
論文 参考訳（メタデータ） (2025-10-20T17:53:23Z) - Spec-Driven AI for Science: The ARIA Framework for Automated and Reproducible Data Analysis [23.28226188948918]
ARIAは、自動および解釈可能なデータ分析のための、仕様駆動のヒューマン・イン・ザ・ループ・フレームワークである。
ARIAは、Command、Context、Code、Data、Orchesttion、AI Moduleという6つのレイヤを統合している。
ARIAは透明で協調的で再現可能な科学的発見のための新しいパラダイムを確立している。
論文 参考訳（メタデータ） (2025-10-13T08:32:43Z) - Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。
その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。
本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
論文 参考訳（メタデータ） (2025-08-28T13:00:28Z) - A Survey on Code Generation with LLM-based Agents [61.474191493322415]
大規模言語モデル(LLM)を利用したコード生成エージェントは、ソフトウェア開発パラダイムに革命をもたらしている。
LLMは3つのコア特徴によって特徴づけられる。
本稿では,LLMに基づくコード生成エージェントの分野を体系的に調査する。
論文 参考訳（メタデータ） (2025-07-31T18:17:36Z)
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。