LLM-Enabled Automated Algorithm Design for Multiuser Fluid Antenna Communications

Resumen Técnico: Diseño Automatizado de Algoritmos Habilitado por Modelos de Lenguaje Grande para Comunicaciones con Antenas Fluidas Multiusuario

Enunciado del Problema
Los Sistemas de Antenas Fluidas (FAS) ofrecen una arquitectura de antena reconfigurable prometedora para las comunicaciones 6G, capaz de ajustar dinámicamente las posiciones de los elementos radiantes para proporcionar diversidad espacial dentro de un espacio físico restringido. Sin embargo, optimizar los FAS implica un problema combinatorio a gran escala y desafiante: seleccionar el subconjunto óptimo de puertos de antena para servir a múltiples usuarios mientras se diseñan simultáneamente vectores de formación de haces. El objetivo es maximizar la relación señal-interferencia-ruido (SINR) mínima entre todos los usuarios bajo una restricción de potencia total de transmisión.

Los enfoques existentes enfrentan limitaciones significativas. Los algoritmos heurísticos diseñados manualmente son intensivos en mano de obra y a menudo no logran un rendimiento satisfactorio. Los métodos de aprendizaje profundo, aunque prometedores, requieren grandes volúmenes de datos de entrenamiento, alta complejidad computacional para el entrenamiento, un ajuste tedioso de parámetros, y sufren de una generalización deficiente y falta de interpretabilidad. Además, las técnicas de optimización tradicionales, como la optimización alterna, incurren en una alta complejidad y no pueden garantizar optimalidad global.

Metodología
El artículo propone un paradigma novedoso que aprovecha los Modelos de Lenguaje Grande (LLM) para el diseño automatizado de algoritmos heurísticos (Diseño Automatizado de Heurísticas, o AHD). En lugar de optimizar directamente las variables (selección de puertos), el marco optimiza el algoritmo en sí mismo. Los autores utilizan la plataforma LLM4AD y el marco Evolución de Heurísticas (EoH), que trata las heurísticas como implementaciones de código que evolucionan a través de un proceso iterativo de generación, evaluación y selección.

El estudio investiga dos estrategias de diseño distintas:

1. Optimización de las Operaciones del Algoritmo Genético (GA):

   • Esta estrategia conserva la estructura básica de un Algoritmo Genético estándar, pero utiliza el LLM para diseñar y refinar automáticamente operadores específicos: cruce y mutación.
   • Se solicita al LLM que genere nuevas funciones de cruce y mutación basadas en una población de algoritmos existentes. Estas funciones se evalúan en instancias de canal, y las variantes de mejor rendimiento se seleccionan para evolucionar la siguiente generación.
   • La función de cruce optimizada resultante utiliza una estrategia de herencia probabilística basada en la frecuencia, mientras que la función de mutación optimizada introduce diversidad mediante el intercambio de elementos y ruido aleatorio uniforme.

2. AutoPort: Diseño de Heurística De Novo:

   • Esta estrategia solicita al LLM que diseñe un algoritmo heurístico completo desde cero sin estar restringido a la familia de los Algoritmos Genéticos.
   • Se proporciona al LLM una descripción de la tarea para seleccionar $n$ puertos de un total de $N$ para maximizar el SINR promedio a través de múltiples realizaciones de canal.
   • La búsqueda evolutiva descubre un algoritmo de Procedimiento de Búsqueda Adaptativa Aleatoria Codiciosa (GRASP). Este algoritmo emplea una fase constructiva con selección aleatoria ponderada por probabilidad (basada en las ganancias del canal) seguida de una fase de búsqueda local para refinar la solución.

Contribuciones Clave

1. Primer Marco Habilitado por LLM para FAS: El artículo presenta la primera aplicación de diseño automatizado de algoritmos impulsado por LLM específicamente para maximizar la SINR mínima en sistemas de enlace descendente FAS multiusuario. Automatiza la creación de heurísticas personalizadas y totalmente interpretables sin requerir ajuste de hiper-heurísticas específicas del dominio ni datos preentrenados.
2. Estrategias de Diseño Duales: Los autores proponen y validan dos enfoques: un enfoque incremental que mejora un GA de referencia optimizando sus operadores, y un enfoque de descubrimiento (AutoPort) que genera una nueva heurística independiente.
3. Interpretabilidad y Generalización: A diferencia de los modelos de aprendizaje profundo de "caja negra", los algoritmos resultantes son código Python legible por humanos. El marco demuestra capacidades de generalización sólidas, funcionando bien en configuraciones de canal no vistas (por ejemplo, desvanecimiento Rician) y parámetros de sistema variables sin reentrenamiento.

Resultados de la Simulación
Se realizaron evaluaciones numéricas extensas en un escenario de enlace descendente MISO-FAS multiusuario con potencias de transmisión variables, números de usuarios ($K=4, 8$) y modelos de canal (Rayleigh y Rician).

• Rendimiento: Los métodos propuestos superan significativamente a los puntos de referencia convencionales.
  • GA-CM (GA con cruce y mutación optimizados por LLM) logra más del 99% del rendimiento óptimo (obtenido mediante búsqueda exhaustiva para problemas a pequeña escala) y supera significativamente al GA básico.
  • AutoPort logra un rendimiento cercano al óptimo o óptimo, superando a menudo a GA-CM.
  • Ambos métodos superan a la optimización tradicional de caja negra (Función de Base Radial), enfoques de aprendizaje profundo (Transformer) y selección aleatoria. Cabe destacar que el método basado en Transformer tuvo un rendimiento deficiente, fallando en extraer características efectivamente para la selección de puertos de alta dimensión.
• Robustez: Los algoritmos diseñados por LLM mantuvieron un rendimiento superior al ser probados en canales Rician, demostrando una generalización robusta.
• Escalabilidad: A medida que aumentó el número de puertos, el rendimiento del GA básico y la selección aleatoria se degradó debido al aumento de la correlación y la complejidad. Por el contrario, GA-CM y AutoPort mejoraron o se estabilizaron, verificando su efectividad en escenarios a gran escala.
• Complejidad: Aunque AutoPort requiere aproximadamente el doble de tiempo de ejecución que los métodos basados en GA (lo que lo hace adecuado para canales de variación lenta), sigue siendo computacionalmente viable en comparación con la búsqueda exhaustiva. El proceso de búsqueda automatizado en sí mismo no aumenta significativamente la complejidad de los algoritmos desplegados finales.

Significado y Afirmaciones
El artículo afirma que este trabajo representa un primer paso hacia el descubrimiento automatizado de algoritmos en las comunicaciones inalámbricas. El significado radica en el cambio del paradigma de diseño de la ingeniería manual de algoritmos a una búsqueda automatizada impulsada por LLM. Los autores enfatizan que su enfoque:

• Reduce el esfuerzo humano y la dependencia de la intuición experta.
• Produce algoritmos interpretables que ofrecen perspectivas sobre las estructuras de los problemas (por ejemplo, el descubrimiento de herencia basada en frecuencia o estrategias tipo GRASP).
• Evita la voracidad de datos y los problemas de generalización del aprendizaje profundo.

Los autores notan modestamente que esto es una exploración inicial. Identifican direcciones futuras que incluyen la optimización conjunta del rendimiento y la complejidad, abordar los errores de estimación de la Información del Estado del Canal (CSI), y extender el marco a canales de banda ancha (OFDM) y otros tipos de antenas reconfigurables (por ejemplo, antenas móviles o rotatorias). No afirman que el método sea una solución universal para todos los problemas inalámbricos, sino más bien una nueva dirección prometedora para resolver problemas difíciles de optimización combinatoria en el campo.