エキスパート混合と大規模言語モデルによるエージェンティックAIベースの統合計算・ネットワーク

将来の第6世代（6G）モバイルネットワークには、強力かつ高度に専門化された最適化エキスパートが多数搭載されると想定されています。しかし、そのような多様性は、高レベルの運用意図や不確実性の記述に基づいて、これらのエキスパートを選択、組み合わせ、オーケストレーションするためのスケーラブルなメカニズムの必要性を同時に生み出します。本論文では、エキスパート混合（MoE）アーキテクチャと大規模言語モデル（LLM）を統合した、エージェンティック人工知能（AI）ベースのネットワーク最適化フレームワークを提案します。このフレームワークでは、LLMがセマンティックゲートとして機能し、オペレーターの目標（例えば「遅延を最小化する」や「スループットを最大化する」など）を推論し、適切な最適化エージェントを動的に構成します。フレームワークはモデル非依存で設計されているため、異なるネットワークモデルや最適化アルゴリズムに適応でき、多様な目的や運用条件下での柔軟な最適化を可能にします。具体的な例として、著者らはこのフレームワークを、通信リンクの品質と計算リソースの割り当ての両方を考慮する統合通信・計算ネットワークに適用しました。彼らは、スループット、公平性、遅延に特化したエキスパートを含む専門最適化エキスパートライブラリを設計し、通常条件とロバスト条件の両方をカバーしました。広範な数値シミュレーションの結果、提案されたエージェンティックMoEフレームワークは、網羅的なエキスパート組み合わせと比較して常に準最適な性能を達成し、個別のエキスパートを大幅に上回ることが示されました。例えば、遅延最小化タスクでは、最適な単一エキスパートと比較して約15%の遅延削減を達成し、スループット最大化タスクでも同様の優位性を示しました。この研究は、6Gネットワークのインテリジェントオーケストレーションに新たな道を開き、より自律的で柔軟かつ効率的な未来のネットワークの実現に貢献する可能性があります。本論文はRobert-Jeron Reifert、Alaa Alameer Ahmad、Hayssam Dahrouj、Aydin Sezginによって執筆され、2026年4月にarXivに提出され、IEEEへの投稿が予定されています。