MAxLM: Multi-Agent Language Model-Based Scheduling and Resource Allocation in MU-MIMO-OFDMA-Enabled Wireless Networks

Resumen Técnico: MAxLM: Programación y Asignación de Recursos Basada en Modelos de Lenguaje Multiagente en Redes Inalámbricas Habilitadas para MU-MIMO-OFDMA

Planteamiento del Problema
En las Redes de Área Local Inalámbricas (WLAN) habilitadas para la combinación de Múltiple-Entrada Múltiple-Salida para Múltiples Usuarios (MU-MIMO) y Acceso Múltiple por División Ortogonal de Frecuencia (OFDMA), optimizar la Programación de Usuarios y la Asignación de Recursos (SRA) para el Acceso Programado de Enlace Ascendente (UL-SA) constituye un problema combinatorio complejo. El Punto de Acceso (AP) debe programar simultáneamente múltiples estaciones (STAs) a través del tiempo, la frecuencia (Unidades de Recursos o RUs) y el espacio (antenas) para maximizar el rendimiento. Los métodos de optimización tradicionales requieren búsquedas exhaustivas computacionalmente costosas para determinar grupos de STAs espacialmente compatibles y sus distribuciones de potencia, particularmente porque el AP no puede evaluar completamente el impacto de su estrategia de programación en las condiciones del canal de enlace ascendente y la interferencia antes de la transmisión. Si bien se han propuesto el Aprendizaje Profundo y el Aprendizaje por Refuerzo Multiagente (MARL), a menudo carecen de viabilidad práctica o dependen de modelos de vanguardia computacionalmente intensivos.

Metodología
Los autores proponen MAxLM, un marco que aprovecha Modelos de Lenguaje (xLMs) pequeños y medianos preentrenados y de acceso abierto para realizar una SRA descentralizada. El enfoque central consiste en modelar el canal inalámbrico entre el AP y cada STA como un agente independiente dentro de un sistema Multiagente.

1. Marco Multiagente: En lugar de que el AP tome una única decisión compleja para todos los usuarios, cada "agente" (que representa una conexión AP-STA) determina independientemente sus asignaciones de RU. Esto reduce la complejidad del espacio de acciones en comparación con un enfoque centralizado donde el AP debe seleccionar entre todas las posibles combinaciones de grupos de usuarios MIMO.
2. Representación del Estado: El estado de cada agente incluye:
   • Ganancias del Canal ($\zeta$): La norma de Frobenius de los estados del canal sobre las RUs disponibles.
   • Factores de Impacto ($\eta$): Una medida de compatibilidad espacial que indica qué tan no correlacionado está el canal de un agente con los de los demás.
   • Retroalimentación ($F$): Notificaciones del sistema sobre el éxito o errores del análisis sintáctico.
3. La Plataforma WiSER: Para facilitar la ejecución autónoma, los autores introducen la plataforma de Ingeniería y Investigación de Sistemas Inalámbricos Asistida por IA (WiSER). Su flujo de trabajo incluye:
   • Gestor de Contexto: Utiliza un procedimiento de Gestión de Contexto Adaptativa (ACM) para construir prompts para el xLM. Traduce datos crudos del canal en análisis semánticos (por ejemplo, "El agente es uno de los M agentes más fuertes") y datos numéricos, asegurando que el xLM comprenda el entorno dinámico.
   • Programador: Carga asíncronamente los prompts para todos los agentes en la ventana de contexto del xLM.
   • Analizador: Convierte la intención en lenguaje natural o formato JSON del xLM en matrices binarias de asignación de RU.
   • Gestor de Entorno y Autocorrección: Simula la transmisión y valida las asignaciones. Crucialmente, incluye un paso de autocorrección que revoca cualquier asignación de RU que viole la restricción espacial MIMO (es decir, asignar más STAs a una sola RU que el número de antenas del AP, $M$).
4. Ingeniería de Prompts: El estudio compara dos plantillas de prompts: una que proporciona un análisis semántico de los atributos del agente (Plantilla 1) y otra que proporciona arrays numéricos crudos (Plantilla 2). Los resultados indican que los prompts semánticos reducen significativamente los errores de inferencia.

Contribuciones Clave

• SRA Descentralizada mediante xLM: El artículo adopta un marco multiagente utilizando Modelos de Lenguaje de tamaño pequeño/mediano para simplificar el problema de optimización combinatoria de SRA, alejándose de los modelos de IA de vanguardia computacionalmente intensivos.
• Gestión de Contexto Adaptativa (ACM): Un procedimiento desarrollado para promptar eficazmente al xLM con información actualizada del entorno WLAN, permitiendo que el modelo anticipe estrategias de SRA efectivas antes de que ocurra el UL-SA.
• Plataforma WiSER: La introducción de una plataforma modular (disponible en [9]) que orquesta el flujo de trabajo de la SRA basada en xLM, incluyendo la gestión de contexto, la programación asíncrona, el análisis sintáctico y la autocorrección.
• Validación Empírica: El estudio evalúa el rendimiento de MAxLM a través de diferentes números de STAs (10 y 20) y configuraciones de antenas del AP (4 y 8 antenas).

Resultados
El rendimiento de la SRA optimizada por MAxLM se evaluó frente a un esquema de referencia de Mejor Calidad de Canal (BCQ), que asigna RUs a las STAs con las ganancias de canal más fuertes.

• Eficiencia de los Prompts: El uso de plantillas de prompts semánticos (Plantilla 1) redujo significativamente los errores de asignación en comparación con los prompts numéricos crudos (Plantilla 2). Por ejemplo, con un AP de 4 antenas, las tasas de error disminuyeron de ~43% (Plantilla 2) a <1% (Plantilla 1) para el modelo Mistral-NeMo.
• Ganancias de Rendimiento:
  • En escenarios con 10 estaciones y un AP de 8 antenas, el modelo Mistral-NeMo:12b logró una ganancia de rendimiento del 10% en la suma de tasas del enlace ascendente sobre la referencia BCQ.
  • En escenarios con 20 estaciones y un AP de 4 antenas, Mistral-NeMo logró una ganancia de rendimiento del 30% sobre la referencia.
  • El modelo Gemma mostró una alta varianza; aunque logró ganancias en algunos casos, violó frecuentemente las restricciones espaciales MIMO, lo que llevó a pasos de autocorrección que revocaron asignaciones y resultaron en sumas de tasas cero para intervalos de transmisión específicos.
• Consistencia: Mistral-NeMo demostró un rendimiento consistente en todos los escenarios probados, superando tanto a la referencia BCQ como a otros xLMs (Llama, Gemma).

Significado y Afirmaciones
El artículo afirma que el marco MAxLM propuesto aborda con éxito la complejidad de la SRA combinatoria en WLANs conjuntas MU-MIMO-OFDMA aprovechando la IA generativa. La importancia radica en demostrar que Modelos de Lenguaje de tamaño pequeño/mediano y de acceso abierto pueden realizar eficazmente tareas complejas de gestión de recursos de red cuando se guían mediante un marco multiagente estructurado y prompts adaptativos. Los autores afirman que su técnica logra un mayor rendimiento de enlace ascendente que las técnicas de referencia tradicionales (específicamente BCQ) sin la sobrecarga computacional de entrenar modelos personalizados de aprendizaje por refuerzo profundo. El trabajo posiciona a la plataforma WiSER como una herramienta viable para la gestión de redes autónoma y basada en intenciones en entornos inalámbricos dinámicos.