ComAgent: 다중 LLM 기반 에이전트형 AI로 강화된 지능형 무선 네트워크

ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks

차세대 6G 네트워크는 복잡한 계층 간 최적화에 의존하지만, 고수준의 의도를 수학적 정식화로 수동 변환하는 작업은 여전히 병목 현상으로 남아 있다. 거대 언어 모델(LLM)이 유망한 가능성을 보여주지만, 단일 모델 접근 방식은 충분한 도메인 기반 지식(grounding), 제약 조건 인식 및 검증 능력이 부족한 경우가 많다. 이를 해결하기 위해 본 논문에서는 다중 LLM 에이전트형 AI 프레임워크인 ComAgent를 제안한다. ComAgent는 인지-계획-실행-성찰(Perception-Planning-Action-Reflection)의 폐루프 사이클을 활용하며, 문헌 검색, 코딩, 평가에 특화된 에이전트들을 조율하여 솔버로 해결 가능한 수식과 재현 가능한 시뮬레이션을 자율적으로 생성한다. 문제를 반복적으로 분해하고 오류를 스스로 수정함으로써, 이 프레임워크는 사용자 의도와 실행 사이의 간극을 효과적으로 해소한다. 평가 결과 ComAgent는 복잡한 빔포밍 최적화에서 전문가 수준의 성능을 달성했고 다양한 무선 태스크에서 단일 LLM을 능가하였으며, 이는 차세대 무선 네트워크 설계를 자동화할 수 있는 잠재력을 시사한다.

Emerging 6G networks rely on complex cross-layer optimization, yet manually translating high-level intents into mathematical formulations remains a bottleneck. While Large Language Models (LLMs) offer promise, monolithic approaches often lack sufficient domain grounding, constraint awareness, and verification capabilities. To address this, we present ComAgent, a multi-LLM agentic AI framework. ComAgent employs a closed-loop Perception-Planning-Action-Reflection cycle, coordinating specialized agents for literature search, coding, and scoring to autonomously generate solver-ready formulations and reproducible simulations. By iteratively decomposing problems and self-correcting errors, the framework effectively bridges the gap between user intent and execution. Evaluations demonstrate that ComAgent achieves expert-comparable performance in complex beamforming optimization and outperforms monolithic LLMs across diverse wireless tasks, highlighting its potential for automating design in emerging wireless networks.