🔢 mathematics

LLM-Enabled Automated Algorithm Design for Multiuser Fluid Antenna Communications

Dieser Artikel schlägt ein neuartiges, durch große Sprachmodelle (LLM) ermöglichtes Paradigma für die automatisierte Entwicklung von Optimierungsalgorithmen vor, das speziell genetische Algorithmen verbessert und einen neuen Heuristikansatz namens AutoPort einführt, um das anspruchsvolle Problem der Portauswahl in Mehrbenutzer-Fluid-Antennen-Kommunikationssystemen effizient zu lösen und nahezu optimale Fairness-Leistung zu erzielen.

Ursprüngliche Autoren: Gan Zheng, Fei Liu, Qingfu Zhang

Veröffentlicht 2026-05-15

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Gan Zheng, Fei Liu, Qingfu Zhang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Eine neue Art von Antenne

Stellen Sie sich eine traditionelle Mobilfunkmast-Antenne als starre, feste Statue vor. Sie steht an einem Ort und zeigt in eine Richtung. Um ein besseres Signal zu erhalten, müssen Ingenieure normalerweise mehr Statuen (Antennen) bauen, was teuer ist und viel Platz einnimmt.

Fluid Antennen (FAS) sind anders. Denken Sie nicht an Statuen, sondern an einen Gartenschlauch mit hunderten winziger Düsen entlang seiner Länge. Den gesamten Schlauch kann man nicht leicht bewegen, aber man kann sofort umschalten, welche Düse Wasser sprüht. In einem drahtlosen System bedeutet dies, dass die Antenne innerhalb eines kleinen Raums zu verschiedenen Positionen (Ports) „springen" kann, um den klarsten Pfad für das Signal zu finden.

Das Problem: Zu viele Möglichkeiten

Die Herausforderung besteht darin, dass bei hunderten von Düsen (Ports) und vielen Benutzern (Handys), die gleichzeitig sprechen wollen, herauszufinden, welche Düse für welche Person zu verwenden ist, ein riesiges Rätsel ist.

Das Ziel: Sicherstellen, dass der Benutzer mit dem schlechtesten Signal die bestmögliche Verbesserung erhält, damit jeder einen fairen Anschluss bekommt.
Die Schwierigkeit: Es gibt so viele Kombinationen von Düsen zur Auswahl, dass das Überprüfen jeder einzelnen (wie das Ausprobieren jedes Schlüssels an einem riesigen Schlüsselbund) länger dauern würde als das Alter des Universums.
Der alte Weg: Ingenieure schrieben früher „Faustregeln" (Heuristiken) von Hand, um die beste Düse zu erraten. Diese Regeln waren jedoch oft unhandlich, erforderten viel menschliches Feintuning und funktionierten nicht perfekt.

Die Lösung: Lassen Sie eine KI die Regeln schreiben

Anstatt dass ein Ingenieur die Regeln schreibt, verwendeten die Autoren ein Large Language Model (LLM) – eine superintelligente KI, die Code lesen und schreiben kann –, um die Regeln zur Lösung dieses Rätsels automatisch zu entwerfen.

Stellen Sie es sich so vor:

Alter Weg: Ein menschlicher Trainer schreibt ein Spielbuch für eine Fußballmannschaft, probiert es aus, passt es an, schreibt es erneut und wiederholt dies über Monate.
Neuer Weg: Sie geben dem KI-Trainer das Ziel („Gewinnen Sie das Spiel") und die Regeln des Fußballs. Der KI-Trainer erfindet, testet und verfeinert dann seine eigenen Spielbücher Tausende Male in wenigen Stunden und entdeckt Strategien, an die ein Mensch vielleicht nie denken würde.

Wie sie es taten: Zwei Strategien

Das Papier testete zwei Möglichkeiten, wie die KI diese Regeln entwerfen sollte:

1. Die „Feinjustierer"-Strategie (Optimierung genetischer Algorithmen)
Sie begannen mit einer Standardmethode, die als „Genetischer Algorithmus" bekannt ist (die Evolution nachahmt: Man mischt gute Lösungen, um bessere zu machen).

Was die KI tat: Anstatt das gesamte System zu ändern, agierte die KI wie ein Mechaniker. Sie betrachtete die zwei Haupt„Gänge" der Maschine – das Crossover (Mischen von Lösungen) und die Mutation (zufälliges Ändern von Lösungen) – und schrieb den Code für diese Gänge um, damit sie schneller und intelligenter laufen.
Das Ergebnis: Die KI fand einen Weg, die Lösungen zu mischen und zu ändern, der viel besser war als die von Menschen entworfene Standardmethode.

2. Die „Von Grund auf"-Strategie (AutoPort)
Hier gaben sie der KI keine bestehenden Regeln zum Feinjustieren. Sie sagten einfach: „Hier ist das Problem: Wählen Sie die besten Düsen für diese Handys aus. Erstellen Sie ein Programm, um es zu lösen."

Was die KI tat: Die KI erfand eine brandneue Strategie von Grund auf. Sie probierte Ideen wie „gierige Ansätze" (Auswahl der besten unmittelbaren Option) und „simuliertes Abkühlen" (Abkühlen eines heißen Metalls, um seine stärkste Form zu finden).
Der Gewinner: Die KI entschied sich für eine Methode namens GRASP (Greedy Randomized Adaptive Search Procedure). Es ist wie ein Schatzsucher, der zufällig einige vielversprechende Stellen zum Graben auswählt, aber dann sorgfältig die Umgebung überprüft, um sicherzustellen, dass er nicht eine größere Goldnugget in der Nähe verpasst hat.

Die Ergebnisse: Die Konkurrenz schlagen

Die Autoren führten Simulationen durch, um zu sehen, wie gut diese von der KI entworfenen Regeln im Vergleich zu alten Methoden funktionierten.

Die „Erschöpfende Suche" (Die perfekte Lösung): Dies ist der theoretische „Goldstandard", bei dem jede einzelne Möglichkeit überprüft wird. Sie ist zu langsam für den tatsächlichen Einsatz, setzt aber den Maßstab.
Das „Deep Learning" (Die Blackbox): Dies ist eine beliebte KI-Methode, die normalerweise enorme Datenmengen benötigt, um zu lernen. Bei diesem Test schnitt sie schlecht ab, da das Rätsel zu komplex war, um schnell zu lernen.
Die „Von Menschen entworfene" (Basis-GA): Die Standardmethode, die Ingenieure normalerweise verwenden.
Die „Von KI entworfene" (Dieses Papier):
- Die „Feinjustierer"-Version (GA-CM) erreichte 99 % der Weg zur perfekten Lösung.
- Die „Von Grund auf"-Version (AutoPort) erreichte in vielen Tests tatsächlich 100 % der perfekten Lösung und fand die absolut beste Düsenkonfiguration.

Warum dies wichtig ist

Das Papier behauptet, dies sei ein neuer Weg, um schwierige Ingenieursprobleme zu lösen. Anstatt dass Menschen Jahre damit verbringen, komplexe Algorithmen manuell zu entwerfen und zu justieren, kann dies eine KI automatisch tun. Die resultierenden „Regeln" sind zudem in klarem Code (Python) geschrieben, sodass Menschen sie lesen und verstehen können, warum sie funktionieren, im Gegensatz zu anderen KI-Methoden, die „Blackboxen" sind.

Kurz gesagt: Das Papier zeigt, dass, wenn man einer intelligenten KI erlaubt, die „Spielregeln" für Fluid-Antennen zu entwerfen, sie eine Gewinnstrategie finden kann, die nahezu perfekt ist und sowohl menschliche Experten als auch andere KI-Typen schlägt.

Technische Zusammenfassung: LLM-gestützter automatisierter Algorithmusentwurf für Multiuser-Fluid-Antennen-Kommunikation

Problemstellung
Fluid-Antennen-Systeme (FAS) bieten eine vielversprechende rekonfigurierbare Antennenarchitektur für die 6G-Kommunikation, die in der Lage ist, die Positionen der Strahlungselemente dynamisch anzupassen, um innerhalb eines begrenzten physischen Raums eine räumliche Diversität zu gewährleisten. Die Optimierung von FAS stellt jedoch eine herausfordernde kombinatorische Großproblematik dar: Es gilt, die optimale Teilmenge von Antennenports auszuwählen, um mehrere Benutzer zu bedienen, und gleichzeitig Beamforming-Vektoren zu entwerfen. Das Ziel besteht darin, das minimale Signal-zu-Interferenz-plus-Rausch-Verhältnis (SINR) über alle Benutzer hinweg unter einer Gesamtsendeleistungsbeschränkung zu maximieren.

Bestehende Ansätze weisen erhebliche Einschränkungen auf. Manuell entworfene heuristische Algorithmen sind arbeitsintensiv und erzielen häufig keine zufriedenstellende Leistung. Deep-Learning-Methoden sind zwar vielversprechend, erfordern jedoch umfangreiche Trainingsdaten, weisen eine hohe rechnerische Komplexität für das Training auf, bedürfen einer mühsamen Parametereinstellung und leiden unter schlechter Generalisierung sowie mangelnder Interpretierbarkeit. Darüber hinaus verursachen traditionelle Optimierungstechniken wie die alternierende Optimierung eine hohe Komplexität und können keine globale Optimalität garantieren.

Methodik
Der vorliegende Beitrag stellt ein neues Paradigma vor, das Large Language Models (LLMs) für den automatisierten Entwurf heuristischer Algorithmen nutzt (Automated Heuristic Design, AHD). Anstatt die Variablen (Portauswahl) direkt zu optimieren, optimiert das Framework den Algorithmus selbst. Die Autoren nutzen die LLM4AD-Plattform und das Evolution of Heuristics (EoH)-Framework, das Heuristiken als Code-Implementierungen behandelt, die sich durch einen iterativen Prozess aus Generierung, Evaluierung und Selektion weiterentwickeln.

Die Studie untersucht zwei unterschiedliche Entwurfsstrategien:

Optimierung von genetischen Algorithmus-Operationen (GA):
- Diese Strategie behält die Grundstruktur eines Standard-Genetischen Algorithmus bei, nutzt das LLM jedoch, um spezifische Operatoren automatisch zu entwerfen und zu verfeinern: Crossover und Mutation.
- Das LLM wird aufgefordert, neue Crossover- und Mutationsfunktionen basierend auf einer Population bestehender Algorithmen zu generieren. Diese Funktionen werden an Kanalinstanzen evaluiert, und die am besten performenden Varianten werden ausgewählt, um die nächste Generation zu entwickeln.
- Die resultierende optimierte Crossover-Funktion nutzt eine frequenzbasierte probabilistische Vererbungsstrategie, während die optimierte Mutations-Funktion durch Elementtausch und gleichverteiltes zufälliges Rauschen für Diversität sorgt.
AutoPort: De-novo-Entwurf heuristischer Algorithmen:
- Diese Strategie fordert das LLM auf, einen vollständigen heuristischen Algorithmus von Grund auf neu zu entwerfen, ohne auf die GA-Familie beschränkt zu sein.
- Dem LLM wird eine Aufgabenbeschreibung bereitgestellt, um $n$ Ports aus $N$ auszuwählen, um das durchschnittliche SINR über mehrere Kanalrealisierungen zu maximieren.
- Die evolutionäre Suche entdeckt einen Greedy Randomized Adaptive Search Procedure (GRASP)-Algorithmus. Dieser Algorithmus verwendet eine konstruktive Phase mit einer probabilistischen, gewichteten Zufallsauswahl (basierend auf Kanalverstärkungen), gefolgt von einer lokalen Suchphase zur Verfeinerung der Lösung.

Hauptbeiträge

Erstes LLM-gestütztes Framework für FAS: Der Beitrag stellt die erste Anwendung eines LLM-gesteuerten automatisierten Algorithmusentwurfs speziell zur Maximierung des minimalen SINR in Multiuser-FAS-Downlink-Systemen vor. Er automatisiert die Erstellung maßgeschneiderter, vollständig interpretierbarer Heuristiken ohne Notwendigkeit domänenspezifischer Hyper-Heuristik-Tuning oder vortrainierter Daten.
Duale Entwurfsstrategien: Die Autoren schlagen zwei Ansätze vor und validieren diese: einen inkrementellen Ansatz, der einen Baseline-GA durch Optimierung seiner Operatoren verbessert, und einen Entdeckungsansatz (AutoPort), der einen neuen, eigenständigen heuristischen Algorithmus generiert.
Interpretierbarkeit und Generalisierung: Im Gegensatz zu „Black-Box"-Deep-Learning-Modellen sind die resultierenden Algorithmen in für Menschen lesbarer Python-Code umsetzt. Das Framework zeigt starke Generalisierungsfähigkeiten und performt gut bei nicht gesehenen Kanaleinstellungen (z. B. Rician-Fading) und variierenden Systemparametern ohne erneutes Training.

Simulationsergebnisse
Umfangreiche numerische Evaluierungen wurden in einem Multiuser-MISO-FAS-Downlink-Szenario mit variierenden Sendeleistungen, Anzahlen von Benutzern ( $K=4, 8$ ) und Kanalmodellen (Rayleigh und Rician) durchgeführt.

Leistung: Die vorgeschlagenen Methoden übertreffen konventionelle Benchmarks erheblich.
- GA-CM (GA mit LLM-optimiertem Crossover und Mutation) erreicht über 99 % der optimalen Leistung (erhalten durch erschöpfende Suche bei Kleinstproblemen) und übertrifft den Basis-GA signifikant.
- AutoPort erreicht nahezu optimale oder optimale Leistung und übertrifft GA-CM häufig.
- Beide Methoden übertreffen traditionelle Black-Box-Optimierung (Radial Basis Function), Deep-Learning-Ansätze (Transformer) und zufällige Auswahl. Bemerkenswerterweise schnitt die Transformer-basierte Methode schlecht ab und scheiterte daran, Merkmale für die hochdimensionale Portauswahl effektiv zu extrahieren.
Robustheit: Die von LLM entworfene Algorithmen behielten ihre überlegene Leistung bei Tests auf Rician-Kanälen bei und demonstrierten eine robuste Generalisierung.
Skalierbarkeit: Mit zunehmender Anzahl der Ports verschlechterte sich die Leistung des Basis-GA und der zufälligen Auswahl aufgrund erhöhter Korrelation und Komplexität. Im Gegensatz dazu verbesserten oder stabilisierten sich GA-CM und AutoPort, was ihre Wirksamkeit in Großskalenszenarien bestätigt.
Komplexität: Obwohl AutoPort etwa die doppelte Laufzeit von GA-basierten Methoden benötigt (was es für langsam veränderliche Kanäle geeignet macht), bleibt es im Vergleich zur erschöpfenden Suche rechnerisch machbar. Der automatisierte Suchprozess selbst erhöht die Komplexität der final eingesetzten Algorithmen nicht signifikant.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass diese Arbeit einen ersten Schritt hin zur automatisierten Algorithmenentdeckung in der drahtlosen Kommunikation darstellt. Die Bedeutung liegt in der Verschiebung des Entwurfsparadigmas vom manuellen Algorithmus-Engineering hin zur automatisierten, LLM-gesteuerten Suche. Die Autoren betonen, dass ihr Ansatz:

Den menschlichen Aufwand und die Abhängigkeit von Expertenintuition reduziert.
Interpretierbare Algorithmen hervorbringt, die Einblicke in Problemstrukturen bieten (z. B. die Entdeckung frequenzbasierter Vererbung oder GRASP-ähnlicher Strategien).
Den Datenhunger und Generalisierungsprobleme von Deep Learning vermeidet.

Die Autoren vermerken bescheiden, dass dies eine erste Exploration ist. Sie identifizieren zukünftige Richtungen, darunter die gemeinsame Optimierung von Leistung und Komplexität, die Behandlung von Kanalzustandsinformations-(CSI)-Schätzfehlern sowie die Erweiterung des Frameworks auf Breitbandkanäle (OFDM) und andere rekonfigurierbare Antennentypen (z. B. bewegliche oder rotierbare Antennen). Sie beanspruchen nicht, dass die Methode eine universelle Lösung für alle drahtlosen Probleme ist, sondern vielmehr eine vielversprechende neue Richtung zur Lösung schwieriger kombinatorischer Optimierungsprobleme in diesem Bereich.