Agentic AI-Driven UAV Network Deployment: A LLM-Enhanced Exact Potential Game Approach

이 논문은 대규모 공간에서 링크 구성을, 소규모 공간에서 UAV 배치 및 자원 할당을 최적화하는 정밀 잠재 게임 기반 알고리즘에 LLM 을 결합하여 동적 환경에서의 UAV 네트워크 성능을 향상시키는 이중 공간 규모 최적화 프레임워크를 제안합니다.

핵심

🚁 핵심 비유: "하늘의 통신 중계기 팀"

상상해 보세요. 지진이나 재해로 통신이 끊긴 도시 위로 드론 10 대가 날아갑니다. 이 드론들은 서로 연결되어 지상의 사람들 (사용자) 에게 인터넷을 쏘아주는 '하늘 위의 중계기' 역할을 해야 합니다.

하지만 여기서 큰 문제가 생깁니다.

1. 너무 많은 연결: 드론들이 서로 너무 많이 연결되면 전파 간섭이 생기고 배터리가 빨리 닳습니다.
2. 장애물: 빌딩이나 산 때문에 신호가 막힐 수 있습니다.
3. 에너지 부족: 드론은 배터리가 한정되어 있어 오래 날 수 없습니다.
4. 복잡한 계산: "누가 어디에 서서, 누구와 연결하고, 전력을 얼마나 써야 할까?"를 계산하는 것은 수학적으로 매우 어렵습니다.

이 논문은 이 문제를 해결하기 위해 세 가지 혁신적인 아이디어를 섞었습니다.

---

1. "두 단계 작전" (이중 공간 스케일 전략)

이 논문은 문제를 한 번에 해결하려 하지 않고, 두 단계로 나누어 해결합니다. 마치 집을 지을 때 먼저 '기초 공사'를 하고 그다음 '인테리어'를 하는 것과 같습니다.

• 1 단계: 거대한 스케일 (드론들 사이의 연결 정리하기)

  • 상황: 드론들이 처음에 날아오면 서로 다 연결되어 있습니다. 하지만 이건 불필요한 연결이 너무 많아요.
  • 해결책 (L3-EPG): 드론들이 서로 "너와 나, 굳이 연결할 필요 없어!"라고 판단해서 불필요한 연결을 끊습니다. 하지만 중요한 연결은 유지해서 네트워크가 끊어지지 않게 합니다.
  • 비유: 혼잡한 도로에서 불필요한 차선을 없애고, 핵심 도로만 남기는 교통 체증 해소 작업입니다.

• 2 단계: 작은 스케일 (드론의 위치와 전력 조절)

  • 상황: 연결은 정리되었지만, 드론들이 너무 낮게 날아서 빌딩에 가려지거나, 전력을 너무 많이 쓸 수 있습니다.
  • 해결책 (AG-EPG): 드론들이 높이를 조절하거나 약간 이동해서 지상 사용자에게 더 잘 닿게 하고, 전력을 아끼도록 조정합니다.
  • 비유: 등산객들이 길을 잃지 않고 가장 빠른 코스를 찾아 자세와 보폭을 조절하는 것과 같습니다.

2. "스마트한 팀장" (에이전트 AI)

이 드론들은 중앙에서 모든 것을 지시하는 '엄마'나 '컴퓨터'가 없습니다. 각 드론은 **스스로 판단하는 '지능형 에이전트'**입니다.

• 게임 이론 (Potential Game): 드론들은 서로 경쟁하지 않고, **"내가 조금만 움직이면 우리 팀 전체의 이익이 얼마나 커질까?"**를 계산합니다.
• 결과: 각 드론이 이기심 없이 팀 전체를 위해 움직이다 보니, 결국 **전체 네트워크가 가장 좋은 상태 (균형)**에 도달하게 됩니다.

3. "지식 기반의 AI 비서" (LLM 활용)

기존 방법들은 "이때는 전력을 50% 로 써라"라고 사람이 직접 숫자를 정해줘야 했습니다. 하지만 상황 (날씨, 드론 수, 장애물) 이 변하면 다시 숫자를 다 짜야 해서 매우 번거로웠습니다.

• 이 논문의 혁신: **LLM(대형 언어 모델)**을 '비서'로 고용했습니다.
• 작동 방식:
  1. 드론 네트워크의 상황 (예: "비행기가 10 대, 빌딩이 많음") 을 비서에게 알려줍니다.
  2. 비서 (LLM) 는 방대한 지식 (논문, 기술 문서) 을 검색해서 지금 상황에 가장 적합한 '비율 (가중치)'을 자동으로 만들어냅니다.
  3. 드론들은 이 비율을 바탕으로 스스로 최적의 행동을 결정합니다.
• 비유: 요리사가 매번 레시피를 새로 짜는 대신, 상황을 보고 "오늘은 비가 오니까 간을 조금 더 짜게 해라"라고 자동으로 조언해주는 똑똑한 조리 보조기를 쓴 것과 같습니다.

---

🏆 결론: 왜 이 방법이 좋은가요?

이 논문이 제안한 방법을 시뮬레이션으로 테스트한 결과, 기존 방법들보다 다음과 같은 장점이 있었습니다:

1. 배터리 절약: 불필요한 연결을 끊고 전력을 조절해서 드론이 더 오래 날 수 있습니다.
2. 빠른 속도: 신호가 막히지 않고 최적의 경로를 통해 데이터가 전달되어 속도가 빨라집니다.
3. 유연성: 드론의 수나 환경이 바뀌어도 사람이 직접 설정을 고치지 않아도 AI 가 자동으로 적응합니다.

한 줄 요약:

"이 논문은 드론 떼가 스스로 연결을 정리하고, 위치를 조절하며, 상황별 비서 (AI) 의 도움을 받아 가장 효율적으로 통신할 수 있는 방법을 찾아냈습니다."

기술 요약

논문 요약: Agentic AI 기반 UAV 네트워크 배치 및 LLM 강화 정밀 잠재 게임 접근법

1. 연구 배경 및 문제 정의 (Problem)

무인 항공기 네트워크 (UAVN) 는 동적 환경에서 유연한 연결성과 광범위한 커버리지를 제공해야 하지만, 네트워크 토폴로지 최적화는 다음과 같은 심각한 도전 과제에 직면해 있습니다.

• 혼합 정수 비볼록 (MINLP) 문제의 복잡성: UAV 간 연결 (이산 변수) 과 배치, 전송 전력 (연속 변수) 간의 강한 결합으로 인해 전역 최적해를 구하는 것이 NP-하드 문제로 분류됩니다.
• 기존 방법의 한계:
  • 중앙집중식 최적화: 계산 부하가 크고, 단일 실패 지점 (Single-point failure) 및 프라이버시 문제를 야기하며, 동적 분산 환경에 부적합합니다.
  • 휴리스틱 및 학습 기반 방법: 유전 알고리즘 등 휴리스틱은 지역 최적해에 빠지기 쉽고, 심층 강화 학습 (DRL) 은 대량의 학습 데이터와 계산 자원을 요구하여 실제 배포가 어렵습니다.
  • 게임 이론의 일반화 부족: 기존 잠재 게임 (Potential Game) 기반 분산 최적화는 수렴성은 보장하지만, 복잡한 다중 시나리오에서의 적응성과 일반화 능력이 부족하며, 수동적인 매개변수 튜닝에 의존합니다.

2. 제안된 방법론 (Methodology)

이 논문은 Agentic AI(행동 주체형 AI) 관점에서 UAVN 을 다중 에이전트 시스템으로 간주하고, 정밀 잠재 게임 (Exact Potential Game, EPG) 기반의 이중 공간 스케일 (Dual Spatial-Scale) 최적화 프레임워크를 제안합니다. 또한, 대형 언어 모델 (LLM) 을 활용하여 유틸리티 함수의 가중치를 자동 생성하는 지식 기반 의사결정 강화 방식을 도입했습니다.

가. 이중 공간 스케일 최적화 전략
복잡한 MINLP 문제를 두 단계로 분해하여 해결합니다.

1. 대규모 공간 스케일 (이산 링크 최적화): L3-EPG 알고리즘

   • 목적: UAV 간 통신 링크 구성을 최적화하여 불필요한 링크를 제거하고 간섭을 줄이면서도 네트워크 연결성을 유지합니다.
   • 방식: 로그 - 선형 학습 (Log-Linear Learning, L3) 기반의 EPG 를 사용합니다. 각 UAV 는 로컬 정보를 기반으로 확률적 정책 업데이트를 수행하여 링크 연결/해제를 결정합니다.
   • 특징: 전역 최적성을 보장하는 잠재 함수 (Potential Function) 를 설계하여 분산 최적화의 수렴성을 보장합니다.

2. 소규모 공간 스케일 (연속 매개변수 최적화): AG-EPG 알고리즘

   • 목적: UAV 배치 (좌표), 전송 전력 할당, 지상 사용자 (GU) 연결을 공동으로 최적화하여 처리량 (Throughput) 을 극대화하고 지연 (Latency) 및 에너지 소비를 최소화합니다.
   • 방식: 근사 기울기 (Approximate Gradient) 기반의 EPG 를 사용합니다. 기존 BRD(Best Response Dynamics) 와 달리, 근사 기울기 정보와 역사적 행동 결과를 결합하고 무작위 탐색 (Random Exploration) 메커니즘을 도입하여 지역 최적해 탈출 능력을 향상시켰습니다.

나. LLM 기반 유틸리티 함수 자동 생성 (LLM-Enhanced Solution)

• RAG(검색 증강 생성) 프레임워크: UAV 네트워크 최적화 관련 학술 논문 및 도메인 지식을 벡터 데이터베이스로 구축합니다.
• 자동 가중치 생성: 네트워크 시나리오 (노드 수, 사용자 분포, 장애물 정도 등) 를 입력받으면, LLM 이 RAG 를 통해 관련 지식을 검색하고 이를 바탕으로 유틸리티 함수의 가중치 계수 (Weight Coefficients) 를 자동으로 생성합니다.
• 효과: 수동 매개변수 튜닝의 의존성을 줄이고, 다양한 이질적 환경에서의 알고리즘 적응성과 일반화 능력을 획기적으로 향상시킵니다.

3. 주요 기여 (Key Contributions)

1. Agentic AI 기반 프레임워크 구축: UAVN 배포 문제를 고수준 의사결정 작업으로 정의하고, 이를 이산/연속 하위 문제로 분해하여 게임 기반 에이전트 상호작용을 통해 해결하는 구조를 제안했습니다.
2. 이중 스케일 최적화 알고리즘 개발:
   • L3-EPG: 불필요한 링크를 제거하면서도 연결성을 유지하는 희소 토폴로지 구성.
   • AG-EPG: 좌표, 전력, 사용자 연결을 통합 최적화하여 시스템 성능 극대화.
3. LLM 통합 지식 기반 설계: RAG 기반의 LLM 을 도입하여 시나리오별 유틸리티 가중치를 자동 생성함으로써, 알고리즘의 유연성과 배포 효율성을 높였습니다.
4. 성능 검증: 다양한 시나리오에서 제안된 프레임워크가 기존 방법 (BRD-EPG, BRD-NCG, 진화 게임, 유전 알고리즘 등) 대비 에너지 소비, 지연 시간, 처리량 측면에서 우월함을 입증했습니다.

4. 실험 결과 (Results)

• 수렴성 및 일관성: L3-EPG 와 AG-EPG 모두 국소 유틸리티 변화가 전역 잠재 함수 변화와 높은 상관관계를 보이며, 분산 업데이트 중 진동 (Oscillation) 없이 안정적으로 수렴함을 확인했습니다.
• 토폴로지 최적화: 초기 밀집된 링크 구조에서 L3-EPG 를 통해 불필요한 링크가 제거되었고, AG-EPG 를 통해 장애물을 우회하거나 고도 조정을 통해 가시선 (LoS) 조건이 개선된 토폴로지로 진화했습니다.
• 성능 비교:
  • 처리량 (Throughput): 기존 4 가지 베이스라인 알고리즘 대비 약 8.4% 향상.
  • 에너지 및 지연: 불필요한 연결 제거와 최적화된 전력/좌표 조정으로 인해 전체 에너지 소비와 종단간 지연이 가장 낮게 유지되었습니다.
  • LLM 효과: 적절한 블록 크기와 검색 수 (K) 설정 시, LLM 이 생성한 가중치로 인해 다양한 환경에서 높은 정확도의 최적화가 가능함을 확인했습니다.

5. 의의 및 결론 (Significance)

이 연구는 UAV 네트워크 최적화의 핵심 난제인 '이산 - 연속 변수의 결합 문제'를 Agentic AI와 게임 이론 (EPG) 을 결합하여 분산적으로 해결한 선구적인 사례입니다. 특히, LLM 을 단순한 생성 도구가 아닌 '지식 기반 의사결정 엔핸서'로 활용하여 매개변수 튜닝의 자동화를 실현한 점은 매우 중요합니다. 이는 동적이고 복잡한 저고도 UAV 네트워크 환경에서 자율적이고 효율적인 네트워크 배치를 가능하게 하며, 향후 6G 및 스마트 시티 통신 인프라 구축에 중요한 기술적 토대를 제공합니다.