LLM-Enabled Automated Algorithm Design for Multiuser Fluid Antenna Communications

技術サマリー：マルチユーザー流体アンテナ通信における LLM 活用型自動アルゴリズム設計

問題定義
流体アンテナシステム（FAS）は、6G 通信に向けた有望な再構成可能アンテナアーキテクチャであり、制約された物理空間内で放射素子の位置を動的に調整して空間多様性を提供することが可能です。しかし、FAS の最適化は、大規模な組み合わせ問題という課題を伴います。すなわち、複数のユーザーにサービスを提供するための最適なアンテナポートのサブセットを選択すると同時に、ビームフォーミングベクトルを設計する必要があります。目的は、総送信電力制約の下で、すべてのユーザーにわたる最小信号対干渉雑音比（SINR）を最大化することです。

既存のアプローチには重大な限界があります。人手で設計されたヒューリスティックアルゴリズムは労働集約的であり、しばしば満足すべき性能を達成できません。深層学習手法は有望ですが、膨大なトレーニングデータ、トレーニングにおける高い計算複雑性、煩雑なパラメータ調整を必要とし、また汎化性能の低さと解釈性の欠如という問題に直面しています。さらに、交互最適化のような従来の最適化手法は高い複雑性を伴い、大域的最適性を保証できません。

手法
本論文は、ヒューリスティックアルゴリズムの自動設計（Automated Heuristic Design、AHD）のために大規模言語モデル（LLM）を活用する新たなパラダイムを提案します。変数（ポート選択）を直接最適化するのではなく、このフレームワークはアルゴリズム自体を最適化します。著者らは、LLM4AD プラットフォームと、ヒューリスティックをコード実装として扱い、生成、評価、選択の反復プロセスを通じて進化させる「ヒューリスティックの進化（EoH）」フレームワークを利用しています。

本研究は、2 つの異なる設計戦略を検証します。

1. 遺伝的アルゴリズム（GA）演算の最適化：

   • この戦略は、標準的な遺伝的アルゴリズムの基本的な構造を維持しつつ、LLM を用いて特定の演算子（交叉と突然変異）を自動的に設計・改良します。
   • LLM は、既存のアルゴリズムの集団に基づいて、新しい交叉関数と突然変異関数を生成するように指示されます。これらの関数はチャネルインスタンス上で評価され、最も高性能なバリアントが選択されて次世代に進化します。
   • 得られた最適化された交叉関数は、周波数ベースの確率的継承戦略を採用し、最適化された突然変異関数は、要素の交換と一様ランダムノイズを通じて多様性を導入します。

2. AutoPort：De Novo ヒューリスティック設計：

   • この戦略は、GA ファミリーに限定されず、LLM にゼロから完全なヒューリスティックアルゴリズムを設計させるように指示します。
   • LLM には、複数のチャネル実現にわたる平均 SINR を最大化するために、N 個のポートから n 個のポートを選択するというタスク説明が提供されます。
   • 進化探索により、貪欲ランダム適応探索手順（GRASP）アルゴリズムが発見されます。このアルゴリズムは、チャネル利得に基づいた確率重み付きランダム選択を用いた構築フェーズと、解を洗練させる局所探索フェーズを採用しています。

主要な貢献

1. FAS 向け初の LLM 活用フレームワーク：本論文は、マルチユーザー FAS 下行リンクシステムにおける最小 SINR の最大化のために、LLM 駆動型の自動アルゴリズム設計を適用した最初の事例を提示します。これは、ドメイン固有の超ヒューリスティック調整や事前学習済みデータを必要とすることなく、カスタマイズされ、完全に解釈可能なヒューリスティックの作成を自動化します。
2. 二重の設計戦略：著者らは、ベースライン GA の演算子を最適化することで強化する漸進的アプローチと、新しいスタンドアロンのヒューリスティックを生成する発見的アプローチ（AutoPort）の 2 つのアプローチを提案し、検証しました。
3. 解釈性と汎化性：「ブラックボックス」の深層学習モデルとは異なり、生成されたアルゴリズムは人間が読み取れる Python コードです。このフレームワークは、再トレーニングなしで、見慣れたチャネル設定（例：リッスアンフェージング）や変化するシステムパラメータに対しても優れた汎化能力を示しています。

シミュレーション結果
多ユーザー MISO-FAS 下行リンクシナリオにおいて、異なる送信電力、ユーザー数（K=4, 8）、チャネルモデル（レイリーおよびリッスアン）で広範な数値評価が行われました。

• 性能：提案手法は従来のベンチマークを大幅に上回ります。
  • GA-CM（LLM 最適化の交叉と突然変異を備えた GA）は、小規模問題における網羅的探索で得られた最適性能の 99% 以上を達成し、基本 GA を大幅に凌駕します。
  • AutoPort は、ほぼ最適または最適性能を達成し、多くの場合 GA-CM を上回ります。
  • 両手法とも、従来のブラックボックス最適化（ラジアル基底関数）、深層学習アプローチ（トランスフォーマー）、ランダム選択を上回ります。特に、トランスフォーマーベースの手法は、高次元のポート選択に対して特徴を効果的に抽出できず、性能が低かったことに注目すべきです。
• 頑健性：LLM 設計のアルゴリズムは、リッスアンチャネルでテストされた際も優れた性能を維持し、強力な汎化能力を示しました。
• スケーラビリティ：ポート数が増加するにつれ、基本 GA とランダム選択は、相関と複雑性の増大により性能が低下しました。一方、GA-CM と AutoPort は性能を向上または安定させ、大規模シナリオにおける有効性を検証しました。
• 複雑性：AutoPort は GA ベースの手法の約 2 倍の実行時間を要しますが（これはゆっくり変化するチャネルに適しています）、網羅的探索と比較すれば計算的に実行可能です。自動探索プロセス自体は、最終的に展開されるアルゴリズムの複雑性を大幅に増加させません。

意義と主張
本論文は、この研究が無線通信における「自動アルゴリズム発見」への第一歩であると主張しています。その意義は、手動によるアルゴリズム工学から、自動化された LLM 駆動型の探索へと設計パラダイムをシフトさせる点にあります。著者らは、自らのアプローチが以下の点で優れていることを強調しています。

• 人間の労力と専門家の直感への依存を軽減する。
• 問題構造に関する洞察（例、周波数ベースの継承や GRASP 様戦略の発見）を提供する解釈可能なアルゴリズムを生成する。
• 深層学習のデータ要求と汎化性の問題を回避する。

著者らは謙虚に、これは初期の探求であると述べています。将来の方向性として、性能と複雑性の同時最適化、チャネル状態情報（CSI）推定誤差への対処、および広帯域チャネル（OFDM）や他の再構成可能アンテナタイプ（移動式または回転式アンテナなど）へのフレームワークの拡張を挙げています。彼らは、この手法がすべての無線問題に対する万能解であると主張するのではなく、この分野における困難な組み合わせ最適化問題を解決するための有望な新たな方向性であると位置づけています。