Reflection-Driven Self-Optimization 6G Agentic AI RAN via Simulation-in-the-Loop Workflows

doi:10.1109/mwc.2026.3713130

Reflection-Driven Self-Optimization 6G Agentic AI RAN via Simulation-in-the-Loop Workflows

2026-07-27

0

PRE

AI

DOI：10.1109/mwc.2026.3713130

原文链接

原文求助

摘要

En 中文

第六代（6G）网络日益增长的复杂性需要超越传统优化基和当前AI基资源管理方法能力的空前自主水平。尽管代理式AI已作为自主无线接入网（RAN）的有前景范式出现，但现有框架本质上仍为开环，擅长推理和规划，但缺乏经验验证机制来验证决策和从结果中学习。本文将仿真闭环验证识别为自主网络的关键使能技术，其中AI代理可以经验性地验证决策并从结果中学习。我们提出了一种基于反射的自优化框架，将代理式AI与高保真网络仿真集成在闭环架构中。我们的系统编排四个专业化代理，包括场景、求解器、仿真和反射代理，协同工作将未经验证的开环规划转变为连续的、基于证据的自优化工作流程。大量实验验证了相对于非代理基线的显著性能提升：干扰优化吞吐量提高17.1%，通过意图识别使用户服务质量满意度提升67%，在低流量期间资源利用率降低25%的同时保持服务质量。

Keyword:

6G networks

reflection-driven agentic AI

simulation-in-the-loop

autonomous RAN

Reflection-Driven Self-Optimization 6G Agentic AI RAN via Simulation-in-the-Loop Workflows

摘要

期刊

机构

引用论文