Resumen Técnico: IA Agéntica para la Optimización de Largo Plazo de Nivel Biesular en Sistemas de Capa Física Impulsados por Políticas

1. Declaración del Problema

Las redes inalámbricas del futuro enfrentan una complejidad creciente debido a la conectividad densa, los diversos requisitos de servicio y las operaciones definidas por software. Un desafío crítico surge de la naturaleza dinámica de las políticas de los operadores de red, las intenciones y los Indicadores Clave de Desempeño (KPI), que pueden cambiar con el tiempo (por ejemplo, pasando de la maximización del rendimiento a la eficiencia energética).

Los marcos de control de capa física existentes sufren de dos limitaciones principales:

1. Objetivos Fijos: Los resolvedores clásicos basados en modelos y los métodos de Aprendizaje por Refuerzo Profundo (DRL) están diseñados típicamente con funciones de utilidad o recompensa preespecificadas. Cuando las intenciones del operador cambian, estos sistemas requieren una reconfiguración y un reentrenamiento manual, lo que los vuelve ineficaces en entornos no estacionarios.
2. Restricciones de Tiempo Real: Aunque los Modelos de Lenguaje Extensos (LLMs) y la IA Agéntica muestran potencial para interpretar intenciones en lenguaje natural, la aplicación directa de estos para generar decisiones instantáneas de capa física (por ejemplo, vectores de formación de haces o beamforming) es inviable debido a las estrictas latencias de tiempo real y los requisitos de factibilidad numérica bajo la Información de Estado del Canal (CSI) instantánea.

El artículo aborda la necesidad de un marco que pueda actualizar adaptativamente las configuraciones de optimización de la capa física en respuesta a las políticas evolutivas del operador, manteniendo al mismo tiempo la optimalidad y la baja latencia de las decisiones de la capa física instantánea.

2. Metodología: Marco Agentic-LTPO

Los autores proponen la Optimización de Desempeño de Largo Plazo Agéntica (Agentic-LTPO), un marco de optimización biesular anidado diseñado para desacoplar la adaptación de la política a largo plazo de la ejecución de la capa física a corto plazo.

A. Estructura Biesular Anidada

El problema se formula como una optimización de dos escalas de tiempo:

• Nivel Superior (Escala de Tiempo Lenta): Opera sobre grandes intervalos de tiempo ($N$ intervalos, cada uno conteniendo $T_s$ ranuras). Un sistema de IA Agéntica interpreta las políticas del operador (lenguaje natural), resume el comportamiento de la red y recupera experiencias históricas para generar un vector de configuración estructurado $c^{(n)}$. Este vector define las restricciones y objetivos para el nivel inferior (por ejemplo, niveles de QoS robustos objetivo $\Gamma^{(n)}_k$ y factores de exposición de presupuesto de potencia por AP $\phi^{(n)}_\ell$).
• Nivel Inferior (Escala de Tiempo Rápida): Opera por cada ranura ($t \in \mathcal{T}$). Dada la configuración $c^{(n)}$ del nivel superior, un resolvedor rápido computa las decisiones instantáneas de formación de haces sujetas a minimizar la potencia de transmisión, sujeto a restricciones de QoS robustas y límites de potencia por AP, utilizando CSI imperfecta.

B. Arquitectura Multi-Agente de Nivel Superior

Para traducir entradas heterogéneas (políticas de lenguaje natural, resúmenes del entorno, datos históricos) en configuraciones factibles, el nivel superior emplea un sistema multi-agente coordinado con cuatro roles distintos:

1. Intérprete de Políticas ($A_{int}$): Convierte las políticas de lenguaje natural del operador en un contexto JSON estructurado y legible por máquina. Utiliza un módulo de Generación Aumentada por Recuperación (RAG) para recuperar evidencia de políticas históricas relevantes, asegurando la consistencia y resolviendo ambigüedades.
2. Observador de Red ($A_{obs}$): Analiza el desempeño del intervalo anterior (estadísticas operativas y diagnóstico semántico) para resumir el estado actual de la red e identificar cuellos de botella.
3. Planificador de Configuración ($A_{plan}$): Propone ajustes de configuración candidatos basados en el contexto de la política actual y el estado de la red.
4. Crítico de Desempeño ($A_{crit}$): Evalúa las configuraciones candidatas del planificador frente a la evidencia de casos históricos recuperados (regímenes operativos pasados similares). Actúa como un bucle de verificación, aceptando la configuración si se alinea con la evidencia empírica o solicitando correcciones al planificador.

Este bucle de refinamiento Planificador-Crítico asegura que las configuraciones no se generen de forma aislada, sino que estén fundamentadas en la evidencia operativa acumulada.

C. Optimización de Nivel Inferior

Para el caso de uso específico de la formación de haces (beamforming) de bajada en MIMO sin celdas (Cell-Free - CF), el nivel inferior resuelve un problema de minimización de energía.

• Robustez: El sistema tiene en cuenta la incertidumbre de la CSI utilizando un modelo de error acotado por norma.
• Eficiencia: Al adoptar una estructura de formación de haces de Eliminación de Interferencia Cero (Zero-Forcing - ZF), los autores derivan un límite de la Relación Señal a Interferencia más Ruido (SINR) en el peor de los casos con forma cerrada. Esto transforma el problema de formación de haces robusto en un problema de programación lineal, resoluble con optimalidad global y complejidad lineal, cumpliendo con los estrictos requisitos de latencia por ranura.

3. Contribuciones Clave

El artículo describe las siguientes contribuciones específicas:

• Formulación: Formula el control de capa física adaptativo bajo políticas cambiantes como un problema biesular anidado, desacoplando la interpretación de la política (escala de tiempo grande) de la optimización instantánea (escala de tiempo pequeña).
• Diseño Multi-Agente: Diseña una arquitectura de colaboración multi-agente (Intérprete, Observador, Planificador, Crítico) con un módulo RAG para convertir las entradas de política y la experiencia histórica en parámetros de configuración físicamente factibles.
• Mecanismo de Verificación: Introduce un bucle de refinamiento planificador-crítico donde el agente Crítico utiliza la evidencia de casos recuperada para validar y refinar las configuraciones candidatas antes de su despliegue, reduciendo los errores de decisión.
• Resolvedor Eficiente: Revela que el problema de minimización de energía robusta para CF-MIMO admite un límite de SINR en el peor de los casos de forma cerrada, permitiendo un resolvedor por ranura eficiente con optimalidad global.

4. Resultados Experimentales

El marco fue evaluado en un sistema CF-MIMO con 16 APs distribuidos sirviendo a 8 usuarios bajo configuraciones de política de operador aleatorias y de estacionariedad por tramos.

• Ganancia de Desempeño: Agentic-LTPO mejoró la utilidad de comunicación acumulada en un 57.2% en comparación con una estrategia base estática.
• Adaptabilidad de la Política: A diferencia de las estrategias estáticas o los controladores de un solo agente, Agentic-LTPO rastreó con éxito los cambios en los regímenes de política (por ejemplo, cambiando entre modos orientados al rendimiento y de ahorro de energía), ajustando los parámetros de configuración (objetivos de QoS y presupuestos de potencia) en consecuencia.
• Análisis de Componentes: Los estudios de ablación demostraron que eliminar el módulo RAG o el agente Crítico degradaba el desempeño, confirmando que tanto la recuperación de evidencia histórica como el bucle de refinamiento son esenciales para una adaptación sostenida.
• Robustez: El marco mantuvo un alto desempeño y bajos ratios de violación de QoS incluso bajo estrés de carga de servicio (variando la densidad de APs), superando a los enfoques de un solo agente y estáticos.
• Fundamentación de Lenguaje: Al comparar entradas de lenguaje natural bruto con entradas de política estructurada tipo "oráculo", Agentic-LTPO mostró una brecha de desempeño de solo un 1.9%, mientras que un controlador de un solo agente mostró una brecha del 6.8%. Esto sugiere que la estructura multi-agente mitiga eficazmente la ambigüedad del lenguaje natural.
• Compromiso (Trade-off): El marco incurre en una mayor sobrecarga de razonamiento (uso de tokens) que los métodos estáticos o de un solo agente, pero este costo produce una utilidad de comunicación a largo plazo significativamente mayor.

5. Significado y Reivindicaciones

El artículo afirma que Agentic-LTPO proporciona una interfaz confiable entre las intenciones de política heterogéneas de alto nivel y las configuraciones de la capa física ejecutables de bajo nivel. Su importancia radica en:

• Adaptabilidad: Permite que los controladores de la capa física se adapten a las políticas variables del operador sin requerir reentrenamiento o reconfiguración manual de las funciones de recompensa.
• Confiabilidad: Al fundamentar las decisiones en la evidencia histórica (vía RAG) y verificar mediante un mecanismo de crítico, el marco produce configuraciones estructuradas y factibles que son robustas a la ambigüedad del lenguaje y a los errores de decisión.
• Escalabilidad: La separación de responsabilidades permite el uso de una IA Agéntica potente de escala de tiempo lenta para el razonamiento, preservando al mismo tiempo la velocidad y la optimalidad de los resolvedores matemáticos especializados para la ejecución en tiempo real.

Los autores concluyen que este enfoque cierra eficazmente la brecha entre la intención de red de alto nivel y la ejecución de la capa física de bajo nivel, ofreciendo un camino viable para la optimización impulsada por políticas en las futuras redes inalámbricas 6G.