arXiv cs.AI· Adhwaa Al-Chaab, Ayman Younis, Dario Pompili·· 2 天前AI 评分22
X-RIC：面向强化学习的智能体化 RAN 智能控制器基准
X-RIC: An Agentic RAN-Intelligent Controller Benchmark for Enhancing Reinforcement Learning
AI 导读
研究提出 X-RIC 框架，将智能体 AI 引入 O-RAN 架构，把反应式强化学习与智能体推理结合，包含基于领域启发式的自动行为克隆、提供上下文抽象与可解释性的 Telecom Language Model（TLM），以及在 Near-RT RIC 控制环内的闭环协同自适应。
正文 · AI 翻译
摘要：O-RAN ALLIANCE 通过解耦和 AI 驱动的控制引入了架构灵活性。虽然 RAN 智能控制器（RIC）实现了集中式优化，但当前的 AI 方法缺乏推理能力和可解释性。我们提出了可解释 RIC（X-RIC），这是一个将智能体 AI 集成到 O-RAN 架构中的新颖框架。X-RIC 将反应式强化学习（RL）与策略性智能体推理相结合，通过以下方式实现：(i) 使用领域启发式进行自动行为克隆（BC）以实现样本高效的训练，(ii) 电信语言模型（TLM），一个基于 transformer 的推理模块，提供上下文抽象和可解释性，以及 (iii) 在 Near-RT RIC 控制回路内进行闭环协同自适应，实现持续的策略优化。为确保部署就绪，我们引入了 BARX（Benchmarking Agentic Reasoning for RAN），一个领域特定的评估框架，从延迟、合规性和确定性指标评估智能体控制。我们在仿真中的 SLA 感知网络切片和符合 O-RAN 的测试平台部署中验证了 X-RIC。X-RIC 实现了 89% 的运营成本降低，同时保持 SLA 合规性，收敛速度快 75%，训练步骤少 50%，方差低 46%。
| 评论： | 9 页，10 幅图。已被 IEEE 国际移动自组网与智能系统会议（MASS）论文集接受发表，2026 年 10 月 21-23 日，中国香港特别行政区 |
| 主题： | 人工智能（cs.AI）；硬件架构（cs.AR） |
| 引用为： | arXiv:2610.22269 [cs.AI] |
| （或 arXiv:2610.22269v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22269 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Adhwaa Alchaab [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 17:34:17 UTC（2,191 KB）
来源：arXiv cs.AI · arxiv.org