[논문 리뷰] BRAIN: Bayesian Reasoning via Active Inference for Agentic and Embodied Intelligence in Mobile Networks

Osman Tugay Başaran, Martin Maier외 1명|arXiv (Cornell University)|2026. 02. 15.

Software-Defined Networks and 5G인용 수 0

한 줄 요약

BRAIN은 AI-RAN 폐루프 슬라이싱에 대한 심층 적극적 추론 에이전트를 도입하여 강인성을 개선하고 내재적 설명을 제공하며 retraining 없이 DRL 벤치마크를 능가합니다.

ABSTRACT

Future sixth-generation (6G) mobile networks will demand artificial intelligence (AI) agents that are not only autonomous and efficient, but also capable of real-time adaptation in dynamic environments and transparent in their decisionmaking. However, prevailing agentic AI approaches in networking, exhibit significant shortcomings in this regard. Conventional deep reinforcement learning (DRL)-based agents lack explainability and often suffer from brittle adaptation, including catastrophic forgetting of past knowledge under non-stationary conditions. In this paper, we propose an alternative solution for these challenges: Bayesian reasoning via Active Inference (BRAIN) agent. BRAIN harnesses a deep generative model of the network environment and minimizes variational free energy to unify perception and action in a single closed-loop paradigm. We implement BRAIN as O-RAN eXtended application (xApp) on GPU-accelerated testbed and demonstrate its advantages over standard DRL baselines. In our experiments, BRAIN exhibits (i) robust causal reasoning for dynamic radio resource allocation, maintaining slice-specific quality of service (QoS) targets (throughput, latency, reliability) under varying traffic loads, (ii) superior adaptability with up to 28.3% higher robustness to sudden traffic shifts versus benchmarks (achieved without any retraining), and (iii) real-time interpretability of its decisions through human-interpretable belief state diagnostics.

연구 동기 및 목표

• 6G/6G+-시대 네트워크에서 구현형이고 해석 가능한 AI의 필요성을 동기화하고, 비정상적 환경에서 기존 DRL의 한계를 확인한다.
• 생성 모델과 변분 자유에너지 최소화를 통해 지각과 행동을 통합하는 심층 적극적 추론 에이전트로서 BRAIN을 제안한다.
• BRAIN이 비정상적 트래픽에 지속적으로 적응하면서 슬라이스별 QoS 목표를 유지할 수 있음을 보인다.
• 잠재 상태에 대한 후방 확률에 의한 내재적 설명 가능성과 행동을 정당화하는 기대 자유에너지 분해를 통해 내재적 설명 가능성을 시연한다.

제안 방법

• 적극적 추론 프레임워크를 사용하여 불확실성 하의 순차적 의사결정 문제로 폐루프 RAN 슬라이싱을 형식화한다.
• 잠재 네트워크 상태를 관찰 가능한 성능 지표와 원하는 결과에 연결하는 심층 생성 모델을 우선 확률로 정의한다.
• 변분 자유에너지를 최소화하여 가설의 은닉 네트워크 상태를 변분 베이즈를 통해 추론한다.
• 기대 자유에너지를 최소화하여 행동을 선택하고, 외재적 선호와 인식적 가치(정보 획득)를 균형 잡는다.
• 후방 확률(사후 신념)과 자유에너지 항을 노출하여 의사결정에 대한 내재적이고 해석 가능한 설명을 가능하게 한다.

실험 결과

연구 질문

• RQ1 깊은 적극적 추론 에이전트가 동적이고 비정상적 트래픽 하에서 재훈련 없이도 슬라이스 QoS 목표를 유지할 수 있는가?
• RQ2 에이전트의 생성 모델에 설명 가능성을 내재화하는 것이 자원 배분 결정에 대해 감사 가능한 통찰을 제공하는가?
• RQ3 비정상적 조건에서 갑작스러운 트래픽 변화에 대한 BRAIN의 강인성이 표준 DRL 벤치마크와 어떻게 비교되는가?
• RQ4 실시간 RAN 슬라이싱 의사결정을 안내하는 후방 확률(사후 믿음)과 EFE 분해의 역할은 무엇인가?

주요 결과

• 다이나믹 슬라이싱 실험에서 비정상적 조건에 지속적으로 적응하는 BRAIN을 보여준다.
• 다이나믹 로드 하에서 이질적인 슬라이스 의도를 기준보다 더 안정적으로 유지한다.
• 후방 확률과 EFE 분해를 통해 자원 배분을 정당화하는 해석 가능한 내부 변수들을 제공한다.
• 재훈련 없이 벤치마크 대비 최대 28.3%의 갑작스러운 트래픽 변화에 대한 강인성을 달성한다.
• 행동은 고유의 믿음 상태와 자유에너지 구성요소를 통해 설명 가능하여 감사 가능한 의사결정 프로세스를 가능하게 한다.