LLM-Enabled Automated Algorithm Design for Multiuser Fluid Antenna Communications

Riassunto Tecnico: Progettazione Automatica di Algoritmi Abilitata da LLM per Comunicazioni Multiutente con Antenne Fluidiche

Enunciato del Problema
I Sistemi ad Antenne Fluidiche (FAS) offrono un'architettura di antenna riconfigurabile promettente per le comunicazioni 6G, capace di regolare dinamicamente le posizioni degli elementi irradianti per fornire diversità spaziale all'interno di uno spazio fisico limitato. Tuttavia, l'ottimizzazione dei FAS comporta un problema combinatorio su larga scala e impegnativo: selezionare il sottoinsieme ottimale di porte antenna per servire più utenti, progettando simultaneamente i vettori di beamforming. L'obiettivo è massimizzare il rapporto segnale-interferenza-rumore (SINR) minimo tra tutti gli utenti, sotto un vincolo di potenza totale di trasmissione.

Gli approcci esistenti presentano limitazioni significative. Gli algoritmi euristici progettati manualmente sono laboriosi e spesso non raggiungono prestazioni soddisfacenti. I metodi di deep learning, pur promettenti, richiedono dati di addestramento estesi, elevata complessità computazionale per l'addestramento, una sintonizzazione dei parametri tediosa e soffrono di scarsa generalizzazione e mancanza di interpretabilità. Inoltre, le tecniche di ottimizzazione tradizionali, come l'ottimizzazione alternata, comportano un'alta complessità e non possono garantire l'ottimalità globale.

Metodologia
Il documento propone un nuovo paradigma che sfrutta i Modelli Linguistici di Grande Dimensione (LLM) per la progettazione automatica di algoritmi euristici (Progettazione Automatica di Euristiche, o AHD). Invece di ottimizzare direttamente le variabili (selezione delle porte), il framework ottimizza l'algoritmo stesso. Gli autori utilizzano la piattaforma LLM4AD e il framework Evoluzione delle Euristiche (EoH), che tratta le euristiche come implementazioni di codice che evolvono attraverso un processo iterativo di generazione, valutazione e selezione.

Lo studio indaga due strategie di progettazione distinte:

1. Ottimizzazione delle Operazioni dell'Algoritmo Genetico (GA):

   • Questa strategia mantiene la struttura di base di un Algoritmo Genetico standard, ma utilizza l'LLM per progettare e rifinire automaticamente operatori specifici: crossover e mutazione.
   • L'LLM viene sollecitato a generare nuove funzioni di crossover e mutazione basate su una popolazione di algoritmi esistenti. Queste funzioni vengono valutate su istanze di canale e le varianti con le prestazioni migliori vengono selezionate per evolvere la generazione successiva.
   • La funzione di crossover ottimizzata risultante utilizza una strategia di ereditarietà probabilistica basata sulla frequenza, mentre la funzione di mutazione ottimizzata introduce diversità attraverso lo scambio di elementi e rumore casuale uniforme.

2. AutoPort: Progettazione di Euristiche De Novo:

   • Questa strategia sollecita l'LLM a progettare un algoritmo euristico completo da zero, senza essere limitato alla famiglia GA.
   • All'LLM viene fornita una descrizione del compito per selezionare $n$ porte su $N$ per massimizzare il SINR medio su multiple realizzazioni di canale.
   • La ricerca evolutiva scopre un algoritmo Greedy Randomized Adaptive Search Procedure (GRASP). Questo algoritmo impiega una fase costruttiva con selezione casuale pesata per probabilità (basata sui guadagni di canale) seguita da una fase di ricerca locale per affinare la soluzione.

Contributi Chiave

1. Primo Framework Abilitato da LLM per FAS: Il documento presenta la prima applicazione della progettazione automatica di algoritmi guidata da LLM specificamente per la massimizzazione del SINR minimo nei sistemi downlink FAS multiutente. Automatizza la creazione di euristiche personalizzate e completamente interpretabili senza richiedere sintonizzazione iper-euristica specifica del dominio o dati pre-addestrati.
2. Doppie Strategie di Progettazione: Gli autori propongono e validano due approcci: un approccio incrementale che potenzia un GA di base ottimizzandone gli operatori, e un approccio di scoperta (AutoPort) che genera una nuova euristica autonoma.
3. Interpretabilità e Generalizzazione: A differenza dei modelli di deep learning "scatola nera", gli algoritmi risultanti sono codice Python leggibile dall'uomo. Il framework dimostra forti capacità di generalizzazione, performando bene su impostazioni di canale non viste (ad esempio, fading Riciano) e parametri di sistema variabili senza ri-addestramento.

Risultati delle Simulazioni
Sono state condotte valutazioni numeriche estese in uno scenario downlink MISO-FAS multiutente con potenze di trasmissione variabili, numeri di utenti ($K=4, 8$) e modelli di canale (Rayleigh e Riciano).

• Prestazioni: I metodi proposti superano significativamente i benchmark convenzionali.
  • GA-CM (GA con crossover e mutazione ottimizzati da LLM) raggiunge oltre il 99% delle prestazioni ottimali (ottenute tramite ricerca esaustiva per problemi su piccola scala) e supera significativamente il GA di base.
  • AutoPort raggiunge prestazioni quasi ottimali o ottimali, spesso superando GA-CM.
  • Entrambi i metodi superano l'ottimizzazione tradizionale a scatola nera (Funzione di Base Radiale), gli approcci di deep learning (Transformer) e la selezione casuale. Si nota che il metodo basato su Transformer ha performato male, fallendo nell'estrazione efficace delle caratteristiche per la selezione di porte ad alta dimensionalità.
• Robustezza: Gli algoritmi progettati da LLM hanno mantenuto prestazioni superiori quando testati su canali Riciani, dimostrando una robusta generalizzazione.
• Scalabilità: All'aumentare del numero di porte, le prestazioni del GA di base e della selezione casuale si sono degradate a causa dell'aumento di correlazione e complessità. Al contrario, GA-CM e AutoPort hanno migliorato o stabilizzato le prestazioni, verificando la loro efficacia in scenari su larga scala.
• Complessità: Sebbene AutoPort richieda circa il doppio del tempo di esecuzione rispetto ai metodi basati su GA (rendendolo adatto a canali a lenta variazione), rimane computazionalmente fattibile rispetto alla ricerca esaustiva. Il processo di ricerca automatizzato stesso non aumenta significativamente la complessità degli algoritmi finali distribuiti.

Significato e Affermazioni
Il documento afferma che questo lavoro rappresenta un primo passo verso la scoperta automatica di algoritmi nelle comunicazioni wireless. Il significato risiede nello spostamento del paradigma di progettazione dall'ingegneria manuale degli algoritmi alla ricerca automatizzata guidata da LLM. Gli autori sottolineano che il loro approccio:

• Riduce lo sforzo umano e la dipendenza dall'intuizione degli esperti.
• Produce algoritmi interpretabili che offrono approfondimenti sulle strutture dei problemi (ad esempio, la scoperta di strategie di ereditarietà basate sulla frequenza o strategie simili a GRASP).
• Evita la fame di dati e i problemi di generalizzazione del deep learning.

Gli autori notano modestamente che questa è un'esplorazione iniziale. Identificano direzioni future che includono l'ottimizzazione congiunta di prestazioni e complessità, la gestione degli errori di stima delle informazioni sullo stato del canale (CSI) e l'estensione del framework a canali a banda larga (OFDM) e ad altri tipi di antenne riconfigurabili (ad esempio, antenne mobili o rotabili). Non affermano che il metodo sia una soluzione universale per tutti i problemi wireless, ma piuttosto una nuova direzione promettente per risolvere difficili problemi di ottimizzazione combinatoria nel settore.