⚡ electrical engineering

Agentic AI for Intent-driven Optimization in Cell-free O-RAN

Deze paper presenteert een agentic AI-framework voor cell-free O-RAN dat LLM-agenten coördineert om operatorintenties te vertalen en te optimaliseren, waarbij een supervisor, gebruikersgewichtings-, O-RU-beheer- en monitoringagent samenwerken om energiebesparing te realiseren en minimale datasnelheden te garanderen, terwijl parameter-efficient fine-tuning (PEFT) de schaalbaarheid verbetert en het geheugengebruik met 92% verlaagt.

Oorspronkelijke auteurs: Mohammad Hossein Shokouhi, Vincent W. S. Wong

Gepubliceerd 2026-02-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mohammad Hossein Shokouhi, Vincent W. S. Wong

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat een mobiel netwerk (zoals 4G of 5G) niet meer wordt bestuurd door een zware, ingewikkelde computer die alleen door programmeurs te begrijpen is, maar door een slimme, autonome team van digitale helpers. Dit is precies wat dit paper voorstelt: een nieuw systeem voor het mobiele netwerk van de toekomst (6G), genaamd "Cell-free O-RAN", dat werkt met Agentic AI.

Hier is de uitleg in gewone taal, met een paar leuke vergelijkingen:

1. Het Probleem: De Verkeersregelaar die Moet Slapen

Stel je een stad voor met honderden verkeerslichten (de O-RUs, of radio-torens). Normaal gesproken staan al deze lichten aan, zelfs als er niemand rijdt. Dat kost veel stroom.

De oude manier: Een menselijke manager moet naar een dashboard kijken, zien dat er weinig verkeer is, en dan handmatig beslissen welke lichten hij kan uitzetten. Dit is traag en lastig.
De nieuwe manier: De manager zegt tegen het systeem: "Ik wil dat we stroom besparen, maar zorg er wel voor dat de bus (gebruiker 3) altijd op tijd is, en dat de andere auto's niet vastlopen."

Het systeem moet dit natuurlijke taalcommando vertalen naar acties: welke torens uitzetten en hoe snel de data moet stromen.

2. De Oplossing: Een Team van Digitale Agenten

In plaats van één grote, trage computer, gebruikt dit systeem een team van gespecialiseerde AI-agenten die samenwerken. Denk aan een goed georganiseerd restaurant:

De Chef-kok (Supervisor Agent):
Deze zit in de "kantoorruimte" (het Non-RT RIC). Hij hoort de wensen van de eigenaar (de netwerkbeheerder). Als de eigenaar zegt: "Zet de lichten uit om energie te besparen, maar laat de VIP-tafel (gebruiker 3) altijd een snelle verbinding hebben", vertaalt de Chef dit naar een strakke opdracht voor het team. Hij zegt: "Doel: Stroom besparen. Regel: VIP moet 50 Mbps hebben."
De Sfeermeester (User Weighting Agent):
Deze zit in de "keuken" (het Near-RT RIC, waar het snel moet gaan). Hij weet welke gasten (gebruikers) belangrijk zijn. Hij kijkt in een herinneringsboek (Memory Module) om te zien wat er eerder werkte. Hij bepaalt: "Vandaag is gebruiker 3 heel belangrijk, dus we geven die gast een hogere prioriteit bij het verdelen van de data."
De Energiebeheerder (O-RU Management Agent):
Deze is de "slimme schakelaar". Als de Chef zegt "bespaar stroom", gaat deze agent aan het werk. Hij gebruikt een slim leerspel (Deep Reinforcement Learning) om te beslissen welke torens hij mag uitzetten. Hij probeert zo veel mogelijk torens uit te schakelen, maar zonder dat de verbinding van de VIP-gast wegvalt.
De Kwaliteitscontroleur (Monitoring Agent):
Deze kijkt continu naar de snelheid van de gasten. Als hij ziet dat de VIP-gast net onder de limiet zakt, roept hij de Sfeermeester en de Energiebeheerder: "Hé, de VIP heeft te weinig snelheid! Geef die gast meer prioriteit, of zet een extra toren aan!" Ze werken samen tot alles weer perfect is.

3. Het Grote Geheim: De "Gedeelde Brein" (QLoRA)

Een groot probleem bij AI is dat elke agent een heel groot "brein" (een Large Language Model of LLM) nodig heeft. Als je voor elke agent een apart groot brein installeert, kost dat enorm veel geheugen en energie (alsof je voor elke kok in het restaurant een eigen gigantische bibliotheek moet bouwen).

De auteurs hebben een slimme truc bedacht: QLoRA.

De Analogie: In plaats van drie verschillende bibliotheken te bouwen, hebben ze één grote, gedeelde bibliotheek (een klein, efficiënt LLM) in de keuken.
Voor elke agent (Chef, Sfeermeester, etc.) maken ze een klein, speciaal notitieboekje (een adapter).
De Sfeermeester leest uit het grote boek, maar schrijft zijn eigen notities in zijn kleine boekje. De Energiebeheerder doet hetzelfde.
Het resultaat: Ze delen hetzelfde grote brein, maar hebben elk hun eigen specialisatie. Dit bespaart 92% aan geheugen! Het is alsof je drie experts hebt die dezelfde basisopleiding hebben gevolgd, maar elk een eigen specialisatie hebben opgeschreven in een klein notitieblok.

4. Wat Leverde Het Op?

De auteurs hebben dit getest in een simulatie:

Energiebesparing: Het systeem slaagde erin om 42% minder torens aan te hoeven zetten dan de oude methoden, terwijl de snelheid voor iedereen (vooral de VIP's) gegarandeerd bleef.
Efficiëntie: Door de "gedeelde brein"-truc (QLoRA) was het systeem extreem licht en snel, wat het perfect maakt voor de toekomstige 6G-netwerken.

Samenvattend

Dit paper beschrijft een toekomst waarin je tegen je netwerk kunt zeggen: "Zorg voor een rustige avond, maar laat de belangrijke mensen snel internet hebben." Een team van slimme, samenwerkende AI-agenten vertaalt dit commando, schakelt de juiste torens uit, en past de snelheid aan, allemaal zonder dat een mens hoeft in te grijpen. En ze doen dit allemaal met een slimme truc die het systeem 92% lichter maakt.

Het is de overgang van een netwerk dat je moet besturen, naar een netwerk dat je gewoon een doel kunt geven en dat het zelf regelt.

Titel: Agentic AI voor Intent-gedreven Optimalisatie in Cell-free O-RAN

Auteurs: Mohammad Hossein Shokouhi en Vincent W.S. Wong (University of British Columbia)

1. Probleemstelling

De Open Radio Access Network (O-RAN) architectuur biedt de mogelijkheid voor autonome netwerken, maar de huidige implementaties van kunstmatige intelligentie (AI) hebben beperkingen:

Complexiteit van Intenties: Bestaande werken behandelen vaak eenvoudige intenties die door onafhankelijke agents worden afgehandeld. Complexe intenties die samenwerking tussen meerdere agents vereisen (bijvoorbeeld het balanceren van energieverbruik en minimale data-snelheidsgaranties), zijn nog onvoldoende onderzocht.
Schalbaarheid: De meeste benaderingen deployen een apart Large Language Model (LLM) voor elke agent. Gezien de omvang van LLM's leidt dit tot enorme geheugenvereisten, wat de schaalbaarheid in real-time netwerken (zoals de Near-Real-Time RIC) beperkt.
Coördinatie: In cell-free O-RAN (waar gebruikers gelijktijdig worden bediend door meerdere Open Radio Units of O-RUs) zijn de parameters voor precoding (gebruikersgewichten) en O-RU-activatie sterk met elkaar verbonden. Een gebrek aan coördinatie tussen agents kan leiden tot instabiliteit en het niet halen van minimale data-snelheidseisen.

2. Methodologie

Het artikel stelt een Agentic AI-framework voor dat werkt binnen de O-RAN-architectuur, specifiek voor cell-free netwerken. Het framework gebruikt meerdere LLM-based agents die samenwerken via gestandaardiseerde interfaces.

A. Architectuur en Agents

Het systeem bestaat uit vier hoofdcomponenten die opereren op verschillende tijdschalen:

Supervisor Agent (Non-RT RIC):
- Ontvangt operator-intenties in natuurlijke taal (bijv. "Schakel over naar energiebesparingsmodus, maar garandeer 50 Mbps voor gebruiker 3").
- Vertaalt deze intenties naar een wiskundige doelstellingsfunctie (bijv. minimaliseren van actief O-RU-aantal) en minimale snelheidseisen ( $R^{min}_k$ ).
- communiceert deze parameters naar de Near-RT agents via de A1-interface.
User Weighting Agent (Near-RT RIC):
- Bepaalt de prioriteitsgewichten ( $\alpha_k$ ) voor precoding.
- Gebruikt een geheugenmodule om relevante eerdere ervaringen op te halen (retrieval-augmented generation) om de Lagrange-multiplicatoren en gewichten sneller te convergeren.
O-RU Management Agent (Near-RT RIC):
- Activeert in energiebesparingsmodus een Multi-Agent Deep Reinforcement Learning (MAPPO) algoritme.
- Beslist welke O-RUs aan- of uitgaan ( $z_l \in \{0, 1\}$ ) om het energieverbruik te minimaliseren zonder de snelheidseisen te schenden.
Monitoring Agent (Near-RT RIC):
- Bewaakt continu de daadwerkelijke data-snelheden.
- Coördineert feedback tussen de User Weighting en O-RU Management agents. Als een gebruiker de minimale snelheid niet haalt, past deze agent de straffactoren of gewichten aan totdat de constraints worden voldaan.

B. Optimisatie en Coördinatie

Probleemformulering: Het doel is het maximaliseren van een nuttigheidsfunctie (of minimaliseren van actief O-RU-aantal) onder beperkingen voor minimale data-snelheid en zendvermogen. Dit is een niet-concave, gemengd-integer optimalisatieprobleem.
Oplossing:
- Voor nuttigheidsmaximalisatie wordt een dual gradient ascent methode gebruikt (gebaseerd op Weighted Minimum Mean Square Error - WMMSE).
- Voor energiebesparing wordt een MAPPO (Multi-Agent Proximal Policy Optimization) algoritme ingezet. Elke O-RU fungeert als een agent die lokaal observeert en een actie kiest, maar een gedeelde criticus gebruikt voor coördinatie.
Retrieval-Augmented Coefficient Tuning: Om de convergentie te versnellen, worden gevonden optimale parameters (zoals $\alpha_k$ en $\lambda_k$ ) opgeslagen in een vector database. Bij nieuwe intenties wordt via cosine-similarity de meest vergelijkbare situatie opgehaald, waardoor het systeem niet bij nul hoeft te beginnen.

C. Schaalbaarheid via QLoRA

Om het geheugenvraagstuk op te lossen, wordt geen apart LLM per agent gebruikt. In plaats daarvan:

Er wordt één gedeelde, lichtgewicht LLM (student model) gedeployeerd in de Near-RT RIC.
Er wordt QLoRA (Quantized Low-Rank Adaptation) toegepast: de basis-LLM wordt gekwantiseerd (4-bit) en voor elke agent wordt een kleine, trainbare adapter (Low-Rank matrices) toegevoegd.
Dit behoudt de specialisatie van elke agent terwijl het geheugengebruik drastisch wordt verlaagd.

3. Belangrijkste Bijdragen

Framework voor complexe intenties: Een nieuw framework dat operator-intenties in natuurlijke taal vertaalt naar gecoördineerde optimalisatieproblemen in cell-free O-RAN, waarbij meerdere agents samenwerken.
Intelligente Coördinatie: Een mechanisme waarbij een monitoring agent feedback geeft aan weighting en management agents om minimale snelheidseisen te garanderen, zelfs in dynamische energiebesparingsmodi.
Efficiënte LLM-deployatie: Toepassing van QLoRA op een gedeelde LLM in de Near-RT RIC, wat de schaalbaarheid mogelijk maakt door het geheugenvraagstuk op te lossen.
Retrieval-versterkt leren: Integratie van een geheugenmodule om prior ervaring op te halen en de convergentie van optimalisatieparameters te versnellen.

4. Resultaten

De prestaties zijn geëvalueerd via simulaties in een cell-free O-RAN met 50 O-RUs en variërend aantal gebruikers.

Energiebesparing: In de energiebesparingsmodus reduceert het voorgestelde framework het aantal actieve O-RUs met 41,93% ten opzichte van drie baseline-schema's (Full-power, Greedy algoritme, en DRL met Gradient Ascent zonder coördinatie).
- De "DRL+GA" baseline faalde vaak door instabiliteit (te snelle toename van straffactoren), wat leidde tot het activeren van onnodige O-RUs.
Geheugen-efficiëntie: Door QLoRA te gebruiken, wordt het geheugengebruik met 92% gereduceerd in vergelijking met het deployen van drie aparte, volledige LLM-agents (bijvoorbeeld voor een 7B model: van 45,7 GB naar 3,8 GB).
Convergentie: Het gebruik van de retrieval-gebaseerde geheugenmodule zorgt ervoor dat het systeem sneller convergeren naar een stabiele toestand bij het wisselen van intenties, omdat het eerder gevonden optimale parameters direct kan hergebruiken.

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat Agentic AI een krachtige oplossing is voor de autonomie van 6G-netwerken. Het toont aan dat:

Natuurlijke taal-intenties effectief kunnen worden vertaald naar complexe, gecoördineerde netwerkoptimalisaties.
Samenwerking tussen agents essentieel is om tegenstrijdige doelen (zoals energiebesparing vs. QoS) te balanceren.
Door middel van geavanceerde technieken zoals QLoRA en retrieval-augmented learning, kan AI in real-time netwerkcontrollers worden ingezet zonder de hardware-eisen onhaalbaar te maken.

De auteurs plannen voor de toekomst om het framework uit te breiden met agents voor resource block-toewijzing en kanaalschatting.