論文の概要: Toward Agentic AI for the 6G Physical Layer: From Algorithm Discovery to Verified Baseband Silicon
- arxiv url: http://arxiv.org/abs/2610.27797v1
- Date: Tue, 20 Oct 2026 07:56:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.711374
- Title: Toward Agentic AI for the 6G Physical Layer: From Algorithm Discovery to Verified Baseband Silicon
- Title（参考訳）: 6G物理層のためのエージェントAIに向けて:アルゴリズム発見から検証ベースバンドシリコンへ
- Abstract要約: 6Gは製造より早く設計される。
AI駆動検索は、すでに物理層アルゴリズムを機械の速度で提案している。
Siliconはハードメモリと数値制限を課すが、GPUに欠けているコスト構造を公開する。
- 参考スコア（独自算出の注目度）: 3.7849507454910114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 6G will be designed faster than it can be built: AI-driven search already proposes physical-layer algorithms at machine speed, while carrying a single one onto embedded baseband silicon remains specialist work. That silicon imposes hard memory and numeric limits, but also exposes cost structures a GPU lacks, and a design flow that never runs on the target sees neither. We present an agentic workflow in which an LLM coding agent implements algorithms on a commercial baseband SoC, optimizes them down to agent-written vector assembly, and validates them on silicon. The agent is guided by a knowledge base of measured platform facts, checked at every step against evaluators it is instructed never to edit, and metered per phase. We showcase the workflow on an AI-discovered orthogonal time frequency space (OTFS) detector portfolio on the open 6G4All platform. It yields twelve kernels that run cycle-exactly on silicon, their optimized versions at 18k-405k cycles (30-660 $μ$s) per frame. It also yields a new detector shaped by the chip's measured costs that needs 13.9% fewer cycles than the port of the discovered detector while matching its error rate, with a measured edge our evaluation cannot statistically resolve, a structure that a hardware-blind search objective had no reason to find. What is not specific to OTFS is the workflow: an LLM agent exploring an implementation space under real hardware limits, with the cost of every choice measured rather than assumed.
- Abstract（参考訳）: AI駆動の検索は、すでにマシンの速度で物理層アルゴリズムを提案している。
このシリコンはハードメモリと数値制限を課すが、GPUに欠けているコスト構造を露呈する。
本稿では、LLM符号化エージェントが商用ベースバンドSoC上でアルゴリズムを実装し、エージェント記述ベクターアセンブリに最適化し、シリコン上で検証するエージェントワークフローを提案する。
エージェントは、測定されたプラットフォーム事実の知識ベースによってガイドされ、編集しないよう指示された評価者に対して各ステップでチェックされ、フェーズ毎に測定される。
オープンな6G4Allプラットフォーム上で、AIが発見した直交時間周波数空間(OTFS)検出器ポートフォリオ上でワークフローを展示する。
12個のカーネルがシリコン上で実行され、18k-405kサイクル(30-660$μ$s)で最適化されている。
また、チップの計測コストによって形成される新しい検出器は、検出された検出器のポートよりも13.9%少ないサイクルを必要とする。
LLMエージェントが実際のハードウェア制限の下で実装スペースを探索し、想定されるよりもすべての選択のコストを計測する。
関連論文リスト
- Goal-Persistent Coding Agents as Scientific Performance Engineers: A Fixed-Radius Nearest-Neighbor Case Study [0.0]
符号化エージェントは、多くのツール使用ターンで永続的な目的を追求することができるが、汎用エージェントが厳密な科学的パフォーマンスエンジニアリングを行うことができるという証拠は依然として限られている。
既製のCodexとClaude Codeのエージェントが最寄りの粒子追跡を最適化するリポジトリスケールケーススタディを提案する。
論文 参考訳（メタデータ） (2026-09-25T20:32:33Z) - APEXA: Execution-Integrity Enforcement for Multi-Agent LLM Automation of Synchrotron Data Reduction [0.23332469289621782]
我々は、シンクロトロンデータリダクションのための61のツールをコーディネートするフレームワークAPEXAを提案する。
決定論的実行統合ガードは、実行されていないツール呼び出しの結果を返すのを防ぐ。
また,APEXA-Benchは科学的正当性と身体的影響によって構成された58の施設タスクである。
論文 参考訳（メタデータ） (2026-09-21T06:33:11Z) - Speculative Probing: LLM Monitoring at Speculative-Decoding Cost [8.480625921580154]
言語モデル推論中のリアルタイム分類は、安全フィルタリング、行動分析、モデル監視に有用である。
現在のアプローチでは、正確性と効率性のトレードオフが強まります。
最近のLSMにおける投機的復号化モジュールは、効率的な高品質な分類のために再利用することができる。
論文 参考訳（メタデータ） (2026-08-28T09:07:58Z) - LoopsBench: From Harness Engineering to Loop Engineering in Benchmarking Coding Agent [60.27239351179265]
LOOPSBENCHは、符号化エージェント評価におけるループエンジニアリングのベンチマークである。
8つのプログラミング言語と9つのドメインにまたがる、本物のソースからの112のタスクで構成されている。
フロー対応ランタイムは、準備されたフロンティアに沿ってテストをリリースし、レグレッション義務として完了したノードを保持します。
論文 参考訳（メタデータ） (2026-07-31T20:18:25Z) - Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution [1.733151600403503]
大規模言語モデル(LLM)エージェントは、ますます多段階のエンジニアリングと情報処理を自動化する。
彼らはしばしば、最大コンテキストファーストの戦略に従い、ファイルや依存関係を読み取り、一行の編集を小さなコードベースの監査に切り替える。
タスク対応型実行-スコープ推定の欠如を論じる。
論文 参考訳（メタデータ） (2026-07-14T17:59:31Z) - MLS-Bench: A Holistic and Rigorous Assessment of AI Systems on Building Better AI [92.82821272460423]
MLS-Benchは、AIシステムが一般化可能なスケーラブルなMLメソッドを発明できるかどうかを評価するためのベンチマークである。
本研究では, エージェントの探索性能に及ぼすテスト時間スケーリング, 適応型計算アロケーション, コンテキストプロビジョニングの影響について検討する。
論文 参考訳（メタデータ） (2026-05-09T04:29:46Z) - GENIUS: An Agentic AI Framework for Autonomous Design and Execution of Simulation Protocols [32.505127447635864]
GENIUSは、スマート量子ESPRESSO知識グラフと有限状態エラー回復マシンによって管理される大規模言語モデルの階層構造を融合するAIエージェントワークフローである。
GENIUSは、フリーフォームの人為的なプロンプトを検証済みの入力ファイルに変換し、295の多様なベンチマークの80%の$approxで実行し、76%が自律的に修復され、成功は指数関数的に7%のベースラインに崩壊する。
このフレームワークは、プロトコル生成、検証、修復をインテリジェントに自動化して電子構造DFTシミュレーションを民主化し、大規模なスクリーニングとICME設計ループを世界中の学界や業界に開放する。
論文 参考訳（メタデータ） (2025-12-06T11:28:35Z) - $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
$textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。
我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
論文 参考訳（メタデータ） (2025-06-15T05:50:05Z) - ArchGym: An Open-Source Gymnasium for Machine Learning Assisted
Architecture Design [52.57999109204569]
ArchGymは、さまざまな検索アルゴリズムをアーキテクチャシミュレータに接続するオープンソースのフレームワークである。
我々は、カスタムメモリコントローラ、ディープニューラルネットワークアクセラレータ、AR/VRワークロード用のカスタムSOCを設計する際に、複数のバニラおよびドメイン固有の検索アルゴリズムにわたってArchGymを評価する。
論文 参考訳（メタデータ） (2023-06-15T06:41:23Z) - AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。
我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
論文 参考訳（メタデータ） (2020-07-14T09:07:29Z) - FCOS: A simple and strong anchor-free object detector [111.87691210818194]
物体検出を画素ごとの予測方式で解くために, 完全畳み込み型一段物検出器 (FCOS) を提案する。
RetinaNet、SSD、YOLOv3、Faster R-CNNといった最先端のオブジェクト検出器のほとんどは、事前に定義されたアンカーボックスに依存している。
対照的に、提案した検出器FCOSはアンカーボックスフリーであり、提案はフリーである。
論文 参考訳（メタデータ） (2020-06-14T01:03:39Z)
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。