論文の概要: Where Should Agents Live? Energy-Memory Characterization of Agentic AI for the Edge-Cloud Continuum

• arxiv url: http://arxiv.org/abs/2609.18283v1
• Date: Wed, 16 Sep 2026 08:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.706103
• Title: Where Should Agents Live? Energy-Memory Characterization of Agentic AI for the Edge-Cloud Continuum
• Title（参考訳）: エージェントはどこに住むべきか?エッジクラウド連続体のためのエージェントAIのエネルギーメモリ特性
• Abstract要約: 大規模言語モデル(LLM)は、多段階推論を実行し、診断ツールを実行し、ドメイン知識を取得し、エージェントチーム間で調整する。 既存のAIライフサイクルメトリクスは、独立した単一モデル推論のみを評価したり、マルチエージェント実行グラフを完全に見落としたりする。 分散エージェント通信が有意義なエネルギーコストをもたらすかどうかを判定するためにエージェントeCALを導入する。
• 参考スコア（独自算出の注目度）: 4.489167091323233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As telecommunication networks evolve toward autonomous 5G-Advanced and 6G operations, agentic artificial intelligence (AI) workflows, where large language models (LLMs) execute multi-step reasoning, invoke diagnostic tools, retrieve domain knowledge, and coordinate across agent teams, are increasingly embedded across the edge-cloud continuum. While the biological brain accomplishes complex cognition on an exceptionally modest metabolic power budget of approximately 20W contemporary LLMs are profoundly energy- and memory-intensive, making sustainable lifecycle orchestration a critical operational priority. However, existing AI lifecycle metrics evaluate only isolated, single-model inferences or overlook multi-agent execution graphs entirely. Consequently, network operators lack foundational models to determine whether distributed agent communication incurs meaningful energy costs and where across edge-cloud tiers agent teams should physically reside. To address this gap, we introduce agentic-eCAL, generalizing the Energy Cost of AI Lifecycle (eCAL) metric to directed multi-agent workflows by coupling a closed-form two-rate single-call energy model (compute-bound prefill and memory-bound decode) with 7-layer OSI data transport. Grounded in hundreds of GPU benchmark configurations on NVIDIA A100 and H100, 16 open-weight models and 8 orchestration topologies, we validate components of the metric and study workflow placement implications. Our findings demonstrate that inter-agent text transport incurs 0.25% of workflow energy across 5G RAN, metro, and optical links. Therefore in edge-cloud agent placement the dominant energy cost of distribution is often not the transmission of inter-agent text itself, but the additional inference and context processing induced by that communication.
• Abstract（参考訳）: 通信ネットワークが自律的な5G-Advancedおよび6Gオペレーションへと進化するにつれて、大規模言語モデル(LLM)が多段階推論を実行し、診断ツールを実行し、ドメインの知識を取得し、エージェントチーム間で協調するエージェント人工知能(AI)ワークフローが、エッジクラウド連続体にますます浸透している。 生物の脳は、およそ20Wの現代のLCMの、非常に控えめな代謝力の予算において複雑な認知を達成する一方で、エネルギーと記憶集約が深く、持続的なオーケストレーションが重要な運用上の優先事項となっている。 しかし、既存のAIライフサイクルメトリクスは、独立した単一モデル推論のみを評価したり、マルチエージェント実行グラフを完全に見落としたりする。 その結果、ネットワークオペレーターは、分散エージェント通信が有意義なエネルギーコストを発生させるかどうか、エッジクラウド層間エージェントチームが物理的に居住すべき場所を決定するための基礎モデルが欠如している。 このギャップに対処するために、エージェント-eCALを導入し、7層OSIデータトランスポートとクローズドフォームの2レートシングルコールエネルギモデル(計算バウンドプリフィルとメモリバウンドデコード)を結合することにより、AIライフサイクルのエネルギコスト(eCAL)メトリックを多エージェントワークフローに一般化する。 NVIDIA A100とH100上の数百のGPUベンチマーク設定、16のオープンウェイトモデルと8のオーケストレーショントポロジに基づいて、メトリックと研究のワークフロー配置の影響を検証します。 以上の結果から,5G RAN,メトロ,光リンクのワークフローエネルギーの0.25%がエージェント間テキスト転送によって引き起こされることが明らかとなった。 したがって、エッジクラウドエージェント配置では、分配のエネルギーコストは、エージェント間テキスト自体の送信ではなく、その通信によって引き起こされる追加の推論とコンテキスト処理であることが多い。

関連論文リスト

• 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)
• 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)
• 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)
• Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
  大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。 我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。 Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
  論文  参考訳（メタデータ） (2025-11-20T05:01:57Z)
• 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)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。