에이전트형 인공지능(Agentic AI)은 6세대(6G) 네트워크에서 레벨 4 자율성을 실현할 수 있는 유력한 기술이지만, 공유 메모리를 기반으로 추론하는 에이전트는 메모리의 왜곡을 그대로 물려받게 됩니다. 본 연구에서는 에너지를 최소화하는 무선 접속망(RAN) 에이전트와 지연 시간을 최소화하는 엣지 에이전트가 협상하고, 디지털 트윈(DT)을 통해 제안을 검증하며, 집합적 메모리를 공유하는 크로스 도메인 RAN-엣지 오케스트레이션을 연구합니다. 이러한 메모리는 샘플링 장치와 같아서, 에이전트가 무엇을 저장하는가가 아니라 무엇을 검색하는가가 이들의 행동을 결정합니다. 본 논문에서는 유도된 검색 분포와 대표 참조 분포 간의 다이버전스로서 시간적, 확증, 가용성 축을 따라 분해되는 검색 바이어스 지수(Retrieval Bias Index)를 정의하고, 가법적 검색 스코어링이 바이어스가 제거되지 않은 분포의 지수 틸트(exponential tilt)임을 보여 실패 증폭 가중치(failure-amplification weight)에 대한 닫힌 형태의 해(closed form)와 저장소 자체의 구성에 의해 결정되는 포화 하한을 도출합니다. 추가적인 결과로 초과 서비스 수준 협약(SLA) 위반이 검색 바이어스와 DT 불일치에 가법적으로 바운딩됨을 보입니다. 확률적 네트워크 미적분학(stochastic network calculus)이 실행 가능 영역, 오라클, 내시 협상(Nash bargaining) 기준점을 제공하는 탠덤 큐에서, 제안하는 연산자는 최신성 기반 저장소 대비 12.7배의 바이어스 감소를 달성하고 6개의 메모리 아키텍처 중 협상 해와 가장 가까운 거리를 달성합니다.
생성형 인공지능(AI)의 획기적인 발전은 이미지와 비디오 같은 콘텐츠를 생성하는 능력을 빠르게 향상시키며 통신 패러다임을 재편하고 있다. 본 논문은 생성형 통신(GenCom)을 소개한다. 이는 대규모 AI 모델(LAM)이 의미론적 이해, 추론, 콘텐츠 생성을 주도하며 이를 통신 과정에 임베딩하는 6G 네트워크를 위한 새로운 패러다임이다. 정확한 비트 전송을 엄격히 추구하는 기존 시스템과 달리, GenCom은 송신기가 최소한이지만 충분한 정보만 전달할 수 있게 하는 한편, 수신기는 공유된 생성형 사전 정보(generative priors)와 지식 베이스를 활용하여 의도된 출력을 합성한다. 이로써 통신은 데이터 재현이 아닌 제어된 생성으로 재정의된다. 우리는 GenCom의 개념을 형식화하고, AI 네이티브(AI-native) 및 생성 주도형(generation-driven) 특성을 명확히 하며, 핵심 메커니즘을 제시한다. 핵심 기술들로 지원되는 2층 GenCom 아키텍처를 제안하고, 네 가지 대표적인 응용 시나리오 분석을 통해 GenCom이 초효율적 전송, 의미론적 수준의 견고성, 그리고 새로운 네트워크 기능을 제공함을 보여준다. 마지막으로, 기초 이론 및 실시간 처리를 포함한 향후 연구 방향을 제시하며, 6G 네트워크를 향한 유망한 경로를 강조한다.
Industrial 6G networks require ultra-reliable, low-latency, and energy-efficient connectivity in dynamic and blockage-prone environments, where conventional terrestrial deployments often fail to ensure stable coverage. Hence, in this paper, we propose a RIS-enabled Open-RAN framework for integrated terrestrial/non-terrestrial (TN/NTN) industrial 6G networks, in which UAVs-mounted reconfigurable intelligent surfaces (RISs) cooperate with ground radio units and a high-altitude platform (HAP) to enhance connectivity for dense industrial IoT devices. Owing to the high dimensionality and strong coupling among decision variables, conventional optimization techniques become computationally intractable. To overcome this limitation, the joint optimization problem of data rates, latency, and energy consumptions is formulated as a decentralized partially observable Markov decision process (Dec-POMDP) and solved using a multi-agent deep reinforcement learning framework. Simulation results show improvements of up to 75\% in data rate, 25\% latency reduction, and 16\% energy savings compared with state-of-the-art learning-based and non-RIS baselines, demonstrating the effectiveness of RIS-assisted Open-RAN intelligence for industrial 6G networks.
6G SD-RAN에서 VR 슬라이스 동적 자원 관리를 위해 이동성 예측과 정보 병목(information bottleneck) 인코더를 결합한 프라이버시 인식 다중 에이전트 강화학습(MARL) 프레임워크를 제안하여, 협력 에이전트가 사용자 데이터 프라이버시를 보호하면서 end-to-end VR 링크 전반의 자원 분배와 처리량을 최적화한다. 시뮬레이션에서 기존 방법 대비 처리량이 최대 34% 향상되고 자원 사용은 28% 감소하며 프라이버시 유출은 85% 줄어든다.
6G 무선망의 시계열 분류에서 도메인 변화에 대응하는 비지도 도메인 적응(UDA)의 에너지 소비를 단일 과제 학습 및 독립 재학습과 비교하고, 라벨링 비용을 반영해 UDA가 재학습보다 에너지 효율적이 되는 최소 타깃 도메인 수를 산출하는 방법을 제안한다. Green AI 관점에서 UDA가 처음부터 학습하는 방식보다 언제 유리한지 판단 기준을 제시하는 것을 목표로 한다.
무선 접속, 광 전송, 코어 네트워크 등 여러 네트워크 도메인이 통합 지능형 제어 하에 수렴되는 것은 미래 6G 시스템의 핵심 요구사항이다. 이는 중요한데, 기존 네트워크 컨트롤러는 대부분 도메인별로 특화되어 있기 때문이다(예: 무선용 O-RAN RIC), 또는 이기종 인프라 전반에 걸친 AI 기반 자동화에 대한 네이티브 지원이 부족하다. 그 결과, 다중 도메인 네트워크에 대한 안전하고 조율된 에이전트형 제어는 여전히 미해결 과제이다. 본 논문에서는 AI-Native Network Controller(AI-NNC)를 제안한다. 이는 다양한 네트워크 도메인에 걸쳐 에이전트형 AI 제어를 가능하게 하는 오픈소스 모듈형 프레임워크이다. 이 프레임워크는 프로토콜에 구애받지 않는 아키텍처를 중심으로 설계되었으며, 각 물리 장치는 경량 Python 어댑터를 통해 통합되고 제어 로직은 도메인별 제어 애플리케이션을 통해 구현된다. 폐루프 제어를 넘어, 이 프레임워크는 동일한 검증된 제어 및 측정 인터페이스를 사용하여 데이터셋 수집, 에이전트형 AI 실험, 조율된 테스트베드 운용도 지원한다. 이러한 설계는 AI 에이전트가 네트워크 장비에 직접 명령을 내리는 대신 검증된 애플리케이션을 통해 동작하는, 자율 네트워크 관리를 위한 더 안전한 패러다임을 가능하게 한다.