論文の概要: From RAN Control to Agentic Intelligence: Architecture and Vision for Energy Efficient AI-RAN

• arxiv url: http://arxiv.org/abs/2606.21955v1
• Date: Sat, 20 Jun 2026 09:04:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 23:39:28.050094
• Title: From RAN Control to Agentic Intelligence: Architecture and Vision for Energy Efficient AI-RAN
• Title（参考訳）: RAN制御からエージェントインテリジェンスへ:エネルギー効率の良いAI-RANのためのアーキテクチャとビジョン
• Authors: Sabrine Aroua, Alexis I. Aravanis, Ilias Chatzistefanidis, Hamza Abbar, Anh-Khoa Dang, Anastasios Giovanidis, Salah-Eddine El Ayoubi, Stephane Senecal, Martha Vlachou Konchylaki, Navid Nikaein,
• Abstract要約: 6Gネットワークは高度に分散されたAIネイティブ無線アクセスネットワーク(RAN)に依存している 本稿では,O-RANの構造制御をAI-RANの統一ビジョンにブリッジするエージェント型AIネイティブRANアーキテクチャを提案する。 このような調整によって資源効率が向上し、運用エネルギー消費が減少することを示す。
• 参考スコア（独自算出の注目度）: 3.5434399133151744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Future 6G networks will rely on highly distributed, AI-native Radio Access Networks (RANs), where communication and AI workloads share a common infrastructure. This evolution, combined with increasing deployment density and continuous AI processing, is expected to significantly increase RAN energy consumption. While Open RAN (O-RAN) introduces a programmable and modular control framework through the RAN Intelligent Controller (RIC) and Service Management and Orchestration (SMO), current approaches remain largely policy-driven, limiting adaptive energy-aware coordination across multiple applications. In parallel, AI-RAN promotes the convergence of AI and RAN infrastructures through AI-for-RAN, AI-on-RAN, and AI-and-RAN paradigms, yet efficient mechanisms to jointly orchestrate performance, latency, and energy remain an open challenge. This article proposes an agentic AI-native RAN architecture that bridges O-RAN's structured control with AI-RAN's unified vision. Leveraging semantic intent abstraction and Large Language Model (LLM)-driven coordination, the framework enables adaptive orchestration, conflict resolution, and energy-aware multi-objective optimization across heterogeneous workloads. Through representative AI-for-RAN and AI-on-RAN use cases, we show how such coordination can improve resource efficiency and reduce operational energy consumption, paving the way toward sustainable 6G networks.
• Abstract（参考訳）: 今後6Gネットワークは、通信とAIワークロードが共通のインフラストラクチャを共有する、高度に分散したAIネイティブ無線アクセスネットワーク(RAN)に依存することになる。 この進化と、デプロイメント密度の増大と継続的AI処理の併用により、RANエネルギー消費は大幅に増加することが期待されている。 Open RAN (O-RAN) は RAN Intelligent Controller (RIC) と Service Management and Orchestration (SMO) を通じてプログラマブルでモジュール化されたコントロールフレームワークを導入しているが、現在のアプローチは政策駆動であり、複数のアプリケーション間での適応的なエネルギー認識の調整を制限している。 並行して、AI-RANはAI-for-RAN、AI-on-RAN、AI-and-RANパラダイムを通じて、AIとRANインフラストラクチャの収束を促進する。 本稿では,O-RANの構造制御をAI-RANの統一ビジョンにブリッジするエージェント型AIネイティブRANアーキテクチャを提案する。 セマンティックインテントの抽象化とLLM(Large Language Model)駆動のコーディネーションを活用することで、異種ワークロード間の適応的なオーケストレーション、コンフリクト解決、エネルギーを意識した多目的最適化が可能になる。 代表的なAI-for-RANおよびAI-on-RANのユースケースを通じて、このような調整が資源効率を向上し、運用エネルギー消費を低減し、持続可能な6Gネットワークへの道を歩むことができるかを示す。

関連論文リスト

• Digital Twin-Assisted Adaptive Multi-Agent DRL for Intelligent Spectrum and Resource Management in Open-RAN UAV-Enabled 6G Networks [49.19977685617281]
  6G無線ネットワークは、無人航空機(UAV)がカバー範囲を広げ、レジリエンスを向上し、地上ユーザのデプロイメントに信頼性の高い接続性を確保する上で重要な役割を果たす、シームレスにインテリジェントでオープンなRAN対応アーキテクチャを想定している。 高度にダイナミックなUAV支援環境でのスペクトルと資源の効率的な管理は、非線形システム相互作用、モビリティによって引き起こされるトポロジの変動、厳密なレイテンシとエネルギー制約により、依然として大きな課題である。 本稿では,デジタルツイン(DT)を利用した適応型深層強化学習(DRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-31T16:19:28Z)
• Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
  本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。 我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。 我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
  論文  参考訳（メタデータ） (2026-04-09T06:13:59Z)
• 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)
• Towards 6G Native-AI Edge Networks: A Semantic-Aware and Agentic Intelligence Paradigm [85.7583231789615]
  6Gはインテリジェンスをネイティブネットワークの能力として位置づけ、無線アクセスネットワーク(RAN)の設計を変革する このビジョンの中では、セマンティック・ネイティブのコミュニケーションとエージェント・インテリジェンスが中心的な役割を果たすことが期待されている。 エージェントインテリジェンスは、RANエンティティに目標駆動の自律性、推論、計画、マルチエージェントコラボレーションを提供する。
  論文  参考訳（メタデータ） (2025-12-04T03:09:33Z)
• Pinching Antennas Meet AI in Next-Generation Wireless Networks [95.7524555556776]
  次世代(NG)無線ネットワークは、新興アプリケーションをサポートするために、本質的にインテリジェンスを受け入れる必要がある。 本稿では,AIとピンチアンテナ(PA)の「冬」連携について考察する。
  論文  参考訳（メタデータ） (2025-11-03T21:32:00Z)
• The LLM as a Network Operator: A Vision for Generative AI in the 6G Radio Access Network [0.0]
  本稿では,Large Language Model (LLM)-RAN Operatorの概念を提案する。 LLMはRAN制御ループに埋め込まれ、高レベルの人間の意図を最適なネットワークアクションに変換する。 本稿では,NextG時代のAI理論と無線システム工学のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2025-08-27T20:47:45Z)
• Intent-Based Network for RAN Management with Large Language Models [1.5588799679661638]
  本稿では,Large Language Models (LLM) を利用した無線アクセスネットワーク(RAN)管理のための新しい自動化手法を提案する。 提案手法は、意図翻訳を強化し、高レベルな目的を自律的に解釈し、複雑なネットワーク状態を推論し、RANの正確な構成を生成する。 LLM-orchestrated agentic systemによるリアルタイムフィードバックに基づく戦略を適用することにより,RANにおける堅牢なリソース管理を実現する可能性を示す。
  論文  参考訳（メタデータ） (2025-07-17T04:57:55Z)
• 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)
• Network-Aided Intelligent Traffic Steering in 6G O-RAN: A Multi-Layer Optimization Framework [47.57576667752444]
  オープンRAN(O-RAN)におけるインテリジェントステアリングアプリケーションを実現するために,フロースプリット分布,渋滞制御,スケジューリング(JFCS)を共同で最適化する。 i) 適切な無線ユニットへのトラフィックを効率よく、適応的に誘導する新しいJFCSフレームワークを提案し、i) 強化学習、内近似、二項探索に基づく低複雑さアルゴリズムを開発し、異なる時間スケールでJFCS問題を効果的に解決し、iv) 厳密な理論的性能結果を分析し、遅延とユーティリティ最適化のトレードオフを改善するためのスケーリング係数が存在することを示す。
  論文  参考訳（メタデータ） (2023-02-06T11:37:06Z)

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。