⚡ electrical engineering

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

Este artigo propõe um framework de IA agencial baseado em LLMs para otimização orientada a intenções em redes O-RAN sem células, onde agentes especializados coordenam a tradução de intenções, o gerenciamento de recursos e o aprendizado por reforço para garantir requisitos de taxa mínima e reduzir o consumo de energia, utilizando ajuste fino eficiente em parâmetros (PEFT) para minimizar o uso de memória.

Autores originais: Mohammad Hossein Shokouhi, Vincent W. S. Wong

Publicado 2026-02-27

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Mohammad Hossein Shokouhi, Vincent W. S. Wong

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que a rede de internet móvel (o 5G e o futuro 6G) é como uma orquestra gigante espalhada por uma cidade inteira. Em vez de ter apenas um maestro central e alguns instrumentos fixos, temos centenas de pequenos músicos (chamados de "O-RUs" ou unidades de rádio) espalhados por prédios, postes e casas, todos tentando tocar juntos para que você receba uma música perfeita (seu sinal de internet) sem ruído.

O problema é: como coordenar centenas de músicos para que a música fique boa, mas sem gastar energia demais (ligando todos os instrumentos o tempo todo)?

Este artigo apresenta uma solução inteligente chamada IA Agêntica. Pense nela não como um robô solitário, mas como uma equipe de gerentes especialistas que trabalham juntos para conduzir essa orquestra.

Aqui está como funciona, explicado de forma simples:

1. O Grande Chefe (O Agente Supervisor)

Imagine que o dono da orquestra (o operador de telecomunicações) chega e diz algo simples: "Quero economizar energia hoje, mas o cantor principal (o usuário 3) precisa cantar muito alto, e todos os outros precisam cantar pelo menos num volume normal."

Esse pedido é a "Intenção". O Agente Supervisor é o tradutor. Ele pega essa frase em linguagem humana e a transforma em uma lista de tarefas matemáticas para a equipe:

"Desligue alguns instrumentos para economizar energia."
"Garanta que o volume do cantor 3 seja de 50 decibéis."
"Garanta que os outros tenham pelo menos 10 decibéis."

2. A Equipe de Especialistas (Os Agentes na Rede)

Assim que o chefe dá o comando, três especialistas entram em ação, cada um com uma função específica:

O Agente de Pesos (O Maestro de Volume): Ele decide quem deve cantar mais alto. Ele olha para o passado (memória) para ver o que funcionou antes. Se o cantor 3 está muito baixo, ele aumenta o "peso" (prioridade) dele, dizendo aos instrumentos: "Ei, foquem mais no cantor 3!".
O Agente de Gestão de Energia (O Técnico de Luz): Se o objetivo é economizar energia, ele decide quais instrumentos devem ficar ligados e quais podem dormir. Ele usa uma técnica de aprendizado chamada DRL (como um jogador de videogame que aprende a jogar sozinho tentando e errando) para desligar os músicos que não são essenciais, sem estragar a música.
O Agente de Monitoramento (O Crítico de Música): Ele fica de olho no resultado final. Se o cantor 3 começa a ficar muito baixo porque desligaram muitos instrumentos, ele corre até o "Maestro de Volume" e diz: "Aumente o peso dele!". Se isso não for suficiente, ele corre até o "Técnico de Luz" e diz: "Ligue mais um instrumento perto dele!". Eles trabalham em equipe até que a música fique perfeita.

3. O Segredo da Eficiência: "Um Cérebro, Múltiplas Máscaras"

Um grande problema de usar Inteligência Artificial é que cada "cérebro" (um modelo de linguagem gigante) ocupa muito espaço na memória do computador. Se tivéssemos um cérebro gigante para cada um dos três especialistas, o sistema ficaria lento e caro.

A solução deste artigo é genial: eles usam um único cérebro gigante (um modelo de IA) e criam "máscaras" ou "óculos" leves (chamados de adapters QLoRA) para cada especialista.

É como se você tivesse um único ator talentoso.
Para ser o Maestro, ele coloca uma peruca e um bigode.
Para ser o Técnico de Luz, ele usa um capacete e óculos escuros.
O ator é o mesmo, mas o "look" muda a forma como ele age.

Isso economiza 92% de memória, permitindo que o sistema funcione em computadores menores e mais rápidos, sem perder a inteligência.

O Resultado?

Quando os pesquisadores testaram esse sistema:

Economia de Energia: Eles conseguiram desligar 42% dos instrumentos (unidades de rádio) que estavam ligados, economizando muita energia, sem que a música (internet) parasse ou ficasse ruim.
Velocidade: O sistema aprendeu com experiências passadas (usando a memória) para não ter que "adivinhar" do zero toda vez, acelerando o processo.

Em resumo:
O papel propõe uma maneira de gerenciar redes de internet do futuro usando uma equipe de "agentes de IA" que conversam entre si. Eles transformam pedidos simples em humanos em ações complexas, economizam energia desligando equipamentos desnecessários e usam um truque de "um cérebro, várias personalidades" para não sobrecarregar o sistema. É como ter um maestro, um técnico e um crítico trabalhando em perfeita harmonia para garantir que sua chamada de vídeo nunca caia, mesmo que a cidade inteira esteja usando a internet ao mesmo tempo.

1. Problema e Contexto

O artigo aborda o desafio de gerenciar redes de acesso rádio abertas (O-RAN) em cenários de Cell-Free (sem células), onde múltiplas Unidades de Rádio Abertas (O-RUs) servem cooperativamente os usuários. O objetivo é habilitar redes autônomas que respondam a intenções de alto nível expressas em linguagem natural pelos operadores (ex: "economizar energia mantendo 50 Mbps para o usuário 3").

Desafios Identificados:

Complexidade de Intenções: Trabalhos anteriores focam em intenções simples tratadas por agentes independentes. Intenções complexas que exigem coordenação entre múltiplos agentes (ex: equilibrar economia de energia e garantia de taxa mínima de dados) são pouco exploradas.
Escalabilidade de LLMs: A maioria das soluções propõe implantar um Modelo de Linguagem Grande (LLM) separado para cada agente, o que consome muita memória e limita a escalabilidade, especialmente em controladores de tempo quase real (near-RT RIC) com restrições de latência e recursos.
Coordenação de Otimização: Garantir que os requisitos mínimos de taxa de dados sejam satisfeitos enquanto se otimiza a ativação de O-RUs para economia de energia requer uma coordenação fina entre parâmetros de precodificação e estados de ativação de hardware.

2. Metodologia Proposta

Os autores propõem um framework de IA Agente baseado em LLMs que opera em diferentes escalas de tempo dentro da arquitetura O-RAN:

Arquitetura dos Agentes

Agente Supervisor (Non-RT RIC): Traduz a intenção do operador (linguagem natural) em uma função objetivo matemática e requisitos de taxa mínima. Atua como um rApp.
Agente de Pesagem de Usuário (Near-RT RIC):
- Recebe os objetivos do supervisor.
- Recupera experiências anteriores de um módulo de memória (usando similaridade de cosseno em embeddings gerados por um autoencoder).
- Calcula os pesos de prioridade do usuário ( $\alpha_k$ ) para a precodificação, baseando-se em multiplicadores de Lagrange e derivadas de funções de utilidade.
Agente de Gerenciamento de O-RU (Near-RT RIC):
- Atua no modo de economia de energia.
- Utiliza um algoritmo de Aprendizado por Reforço Profundo Multi-Agente (MAPPO) para decidir quais O-RUs devem permanecer ativas ( $z_l \in \{0, 1\}$ ).
- O agente de recompensa penaliza o número de O-RUs ativas e violações de taxa de dados.
Agente de Monitoramento (Near-RT RIC):
- Mede as taxas de dados dos usuários em tempo real.
- Coordena os agentes de pesagem e gerenciamento. Se as taxas mínimas não forem atendidas, ajusta os pesos de prioridade ( $\alpha_k$ ) ou os coeficientes de penalidade de violação ( $\lambda_k$ ) para ativar mais O-RUs, criando um ciclo de feedback até a convergência.

Otimização e Escalabilidade (QLoRA)

Otimização: Para maximização de utilidade agregada, usa-se o método de gradiente dual com WMMSE (Weighted Minimum Mean Square Error). Para economia de energia, usa-se Descida de Coordenada de Bloco combinada com MAPPO.
Eficiência de Memória: Para evitar a implantação de múltiplos LLMs pesados, o framework utiliza um LLM compartilhado no Near-RT RIC. Cada agente possui um adaptador QLoRA (Quantized Low-Rank Adaptation) treinado especificamente para sua tarefa.
- Os pesos do modelo base são quantizados para 4 bits (FP4).
- Apenas as matrizes de baixo rank (A e B) são atualizadas durante o treinamento.
- Isso permite que o mesmo modelo base sirva a múltiplos agentes com especialização distinta, mas com custo de memória drasticamente reduzido.

3. Principais Contribuições

Framework de IA Agente Coordenado: Uma arquitetura onde agentes especializados (Supervisor, Pesagem, Gerenciamento, Monitoramento) colaboram para traduzir intenções complexas em parâmetros de controle de rede, garantindo requisitos de QoS (Qualidade de Serviço).
Mecanismo de Memória e Recuperação: Implementação de um módulo de memória que armazena pares chave-valor de configurações de ambiente e coeficientes ótimos, permitindo que os agentes recuperem "experiência prévia" para acelerar a convergência em novos cenários.
Solução de Escalabilidade via QLoRA: Demonstração de que é possível implantar múltiplos agentes baseados em LLM no Near-RT RIC compartilhando um único modelo base quantizado, reduzindo o uso de memória em até 92% comparado a LLMs separados.
Algoritmo MAPPO para Ativação de O-RU: Uso de aprendizado por reforço distribuído para resolver o problema NP-difícil de seleção de O-RUs ativas, coordenado com o ajuste de pesos de usuários.

4. Resultados de Simulação

Os experimentos foram realizados em um cenário de O-RAN Cell-Free com 50 O-RUs e até 20 usuários.

Economia de Energia: O framework proposto reduziu o número de O-RUs ativas em 41,93% em comparação com três esquemas de base (Modo de Potência Total, Algoritmo Ganancioso e DRL+Gradiente Ascent sem coordenação adequada).
Desempenho de Memória: A abordagem QLoRA reduziu o uso de memória em 92% comparado à implantação de três LLMs separados (para modelos de 7B e 14B parâmetros).
Estabilidade e Convergência: O framework demonstrou estabilidade onde outras abordagens falharam (ex: o método DRL+GA causou instabilidade devido à falta de coordenação entre pesos de usuário e ativação de RU). O agente de monitoramento garantiu que as taxas mínimas fossem satisfeitas ajustando dinamicamente os parâmetros.
Robustez: O desempenho foi consistente entre modelos de 7B e 14B parâmetros, indicando que modelos menores com QLoRA são suficientes para esta tarefa.

5. Significado e Impacto

Este trabalho é significativo porque avança a visão de Redes de Acesso Rádio Autônomas (Autonomous RANs) para a era 6G. Ele demonstra como a IA Agente pode superar a complexidade da gestão de redes Cell-Free, traduzindo intenções humanas em otimizações técnicas complexas.

A principal inovação técnica reside na solução do dilema entre inteligência avançada (LLMs) e restrições de recursos de rede (Near-RT RIC). Ao provar que a especialização de agentes pode ser alcançada via adaptação de baixo rank (QLoRA) em um modelo compartilhado, o artigo abre caminho para a implantação prática de sistemas de IA complexos em hardware de rede real, onde a latência e a memória são críticas. Além disso, a integração de um ciclo de feedback coordenado entre agentes resolve o problema de otimização conjunta de recursos de rádio e energia, algo que abordagens anteriores tratavam de forma isolada.