arXiv cs.AI· Eric Mittag, Lukas Brechtel, Maximilian Stark, Hans D. Schotten·· 11 小时前AI 评分31
面向 6G 物理层的智能体 AI：从算法发现到可验证的基带芯片
Toward Agentic AI for the 6G Physical Layer: From Algorithm Discovery to Verified Baseband Silicon
AI 导读
一个 LLM 编码智能体在商用基带 SoC 上实现物理层算法，优化至智能体自写的向量汇编并在芯片上验证。在 6G4All 平台上，该流程为 AI 发现的 OTFS 检测器组合产出 12 个周期精确的内核，优化版本每帧 18k-405k 周期（30-660 μs）。它还产出一个由芯片实测成本塑造的新检测器，比移植版少 13.9% 周期且误码率相当。
正文 · AI 翻译
摘要：6G 的设计速度将快于其建造速度：AI 驱动的搜索已经能以机器速度提出物理层算法，而将其中单个算法落实到嵌入式基带芯片上仍属专家工作。该芯片施加了严格的存储与数值限制，但也暴露出 GPU 所不具备的成本结构，而一个从不在目标上运行的设计流程对两者都无从知晓。我们提出一种智能体工作流，其中 LLM 编码智能体在商用基带 SoC 上实现算法，将其优化至由智能体编写的向量汇编，并在芯片上验证。该智能体由一个记录实测平台事实的知识库引导，每一步都对照被指示绝不可编辑的评估器进行检查，并按阶段计量。我们在开放的 6G4All 平台上，以一组 AI 发现的正交时频空间（OTFS）检测器组合展示该工作流。它产出十二个在芯片上周期精确运行的内核，其优化版本每帧耗时 18k–405k 周期（30–660 $\mu$s）。它还产出一个由芯片实测成本塑造的新检测器，其所需周期比所发现检测器的移植版本少 13.9%，同时误码率与之相当，并具有我们的评估无法在统计上分辨的实测优势——这是一种对硬件无感知的搜索目标没有理由找到的结构。并非 OTFS 所独有的是该工作流本身：一个 LLM 智能体在真实硬件限制下探索实现空间，每一种选择的成本都经过实测而非假设。
| 评论： | 7 页，3 幅图，5 张表。已被 2026 IEEE Globecom Workshops（GC Wkshps）接收，第二届 Agentic AI Empowered Wireless Communications and Networking 研讨会，中国澳门，2026 年 12 月。(c) 2026 IEEE |
| 主题： | 人工智能（cs.AI）；网络与互联网架构（cs.NI）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.27797 [cs.AI] |
| （或 arXiv:2610.27797v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.27797 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Eric Mittag [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 07:56:10 UTC（31 KB）
来源：arXiv cs.AI · arxiv.org