LLM-Steered Power Allocation for Parallel QPSK-AWGN Channels

1. Probleemstelling

Grote Taalmodellen (LLM's) worden steeds vaker onderzocht als beslissingsmodules in gesloten-lus systemen voor draadloze communicatie. Echter, hun inherente stochastische aard (willekeurigheid) maakt het veilig integreren in real-time optimalisatiecycli moeilijk. Bestaande methoden gebruiken LLM's vaak voor eenmalige taken of passen ze direct toe op hulpbronnen toewijzing zonder mechanismen om te voorkomen dat onvoorspelbare LLM-uitvoer systeembeperkingen schendt.

De kernvraag is niet of een LLM een besturingssignaal kan suggereren, maar hoe deze veilig kan worden geïntegreerd in een real-time, gesloten-lus optimalisator zonder dat de stochastische output leidt tot ongeldige configuraties (bijvoorbeeld het schenden van vermogensbeperkingen). Daarnaast moeten toekomstige systemen veerkrachtig zijn: ze moeten niet alleen numeriek kunnen volgen, maar ook semantisch kunnen herinterpreteren wanneer de omstandigheden veranderen (bijv. van doorvoeroptimalisatie naar eerlijkheid of energiebesparing) zonder menselijke tussenkomst of herschrijving van de code.

2. Methodologie: Dual-Process Architectuur

Het paper stelt een nieuwe architectuur voor, genaamd LLM-Steered Power Allocation, die is geïnspireerd op Kahneman's dual-proces theorie (Systeem 1 en Systeem 2). Deze architectuur is ontworpen voor parallelle QPSK-AWGN kanalen.

Systeem 1: De Snelle Optimalisator (Numeriek)

• Functie: Voert continu een geprojecteerde gradiëntascent uit op een gewogen onderlinge informatie (Mutual Information - MI) doelstelling.
• Schaal: Werkt op een milliseconde-schaal.
• Beperkingen: Handhaaft strikt de totale vermogensbeperking ($\sum P_i \leq P_{total}$) via een projectiestap.
• Onafhankelijkheid: Dit systeem werkt als een oneindige lus. Als Systeem 2 (de LLM) faalt of niet reageert, blijft Systeem 1 werken met de laatst ontvangen parameters, wat zorgt voor een "graceful degradation" (gegraceerde degradatie).

Systeem 2: De LLM-Navigator (Semantisch)

• Functie: Interpreteert natuurlijke taalbeleid (NL-policy) van de gebruiker en vertaalt dit naar besturingsparameters.
• Schaal: Werkt op een traagere tijdschaal (seconden tot meerdere seconden).
• Actie: De LLM manipuleert nooit direct de toewijzingsvariabelen ($\lambda$). In plaats daarvan past het alleen de gewichten ($w_i$) voor elk kanaal en het operationele vermogensbudget ($P_{total}$) aan.
• Veiligheid: Omdat de LLM alleen de doelstelling en de randvoorwaarden aanpast, en niet de directe uitkomsten, kan de LLM de fysieke vermogensbeperkingen niet schenden. De projectie in Systeem 1 garandeert de haalbaarheid.
• Geheugenloos ontwerp: Elke LLM-call is stateless (geen conversatiegeschiedenis). De LLM ontvangt alleen een samenvatting van de huidige systeemstatus en het beleid, wat de tokenkosten verlaagt en de foutopsporing vereenvoudigt.

Multi-Layer Guardrails (Veiligheidsmechanismen)

Om de onbetrouwbaarheid van LLM's te mitigeren, worden vijf lagen van beveiliging toegepast:

1. Structurele veiligheid: Indirecte besturing (zie hierboven).
2. Normalisatie en klemmen: Negatieve gewichten worden op nul gezet, het vector wordt genormaliseerd, en het vermogensbudget wordt geklemd binnen een veilig bereik.
3. EMA-gladmaking: Exponentiële moving average (EMA) wordt gebruikt om abrupte schommelingen in de LLM-uitvoer te dempen.
4. Fallback: Bij een LLM-fout (connectie, parse-fout) blijft het systeem werken met de laatste geldige parameters.
5. Uitlegbaarheid: De LLM levert een "redenering" (reasoning) veld naast zijn beslissingen, wat een audit-trail biedt voor menselijke operators.

3. Belangrijkste Bijdragen

1. Dual-Process Architectuur: Een ontwerp waarbij een snelle numerieke optimizer en een trage LLM-navigator samenwerken, waarbij de LLM alleen indirect bestuurt via gewichten en budgetten, waardoor haalbaarheid "by construction" gegarandeerd is.
2. Praktische Guardrails: Een set van technieken (normalisatie, EMA, fallback) die de risico's van hallucinaties en fouten in LLM-uitvoer minimaliseren en veilige degradatie mogelijk maken.
3. Experimenteel Bewijs: Demonstratie dat één enkele LLM, zonder herschrijving van de code, verschillende kwalitatieve operationele punten kan bereiken op basis van verschillende natuurlijke taalbeleid (bijv. doorvoer maximaliseren, specifieke kanalen prioriteren, of zwakke kanalen uitschakelen).

4. Resultaten

Experimenten werden uitgevoerd op een systeem met 8 parallelle QPSK-kanalen.

• Beleidseffectiviteit: De LLM slaagde erin om vier verschillende beleidstypen correct te vertalen naar vermogenstoewijzing:
  • P1 (Maximale doorvoer): Gelijkmatige verdeling, maximale totale MI.
  • P2 (Prioriteren kanaal 7 & 8): Concentratie van vermogen op deze kanalen, waarbij ze de verzadigingsgrens (2 bits) naderen.
  • P3 (Minimale vermogen, >10 bits): Het vermogensbudget werd verlaagd en vermogen geconcentreerd op sterke kanalen om het doel te halen.
  • P4 (Uitschakelen zwakste 3): De drie zwakste kanalen kregen een gewicht van 0 en werden effectief uitgeschakeld.
• Vergelijking met Waterfilling: De traditionele waterfilling-oplossing (geoptimaliseerd voor Gaussische invoer) bleek suboptimaal voor QPSK (discrete invoer), met een lagere totale MI dan de numerieke optimizer.
• Veerkracht (Resilience): In een scenario waarbij de kanaalwinsten plotseling werden omgedraaid (sterke kanalen werden zwak en vice versa), kon het systeem autonoom reageren.
  • Het doel was om de MI over alle kanalen te egaliseren.
  • De LLM detecteerde de verandering en pasten de gewichten aan.
  • Resultaat: De spreiding van de MI (verschil tussen hoogste en laagste kanaal) nam af met 60% vergeleken met een systeem dat alleen de optimizer gebruikte met vaste gelijke gewichten.

5. Betekenis en Conclusie

Dit paper toont aan dat LLM's veilig kunnen worden gebruikt als semantische vertalers in real-time optimalisatiesystemen voor communicatie. Door de LLM te beperken tot het aanpassen van hoge-level parameters (doelstellingen en budgetten) en de fysieke beperkingen af te dwingen in de numerieke kern, wordt het risico van onveilige besturing geëlimineerd.

De belangrijkste implicatie is dat communicatiesystemen veerkrachtig kunnen worden gemaakt: ze kunnen hun optimalisatiedoelstellingen dynamisch aanpassen aan veranderende omstandigheden of menselijke intenties (via natuurlijke taal) zonder dat de onderliggende controller opnieuw moet worden geïmplementeerd of getraind. Dit biedt een veelbelovend ontwerppatroon voor de integratie van AI in de volgende generatie draadloze netwerken.