LLM-Enabled Automated Algorithm Design for Multiuser Fluid Antenna Communications

Technische Samenvatting: LLM-gestuurde Geautomatiseerde Algoritmeontwerp voor Multiuser Fluid Antenna Communicatie

Probleemstelling
Fluid Antenna Systems (FAS) bieden een veelbelovende herconfigureerbare antenne-architectuur voor 6G-communicatie, die in staat is om de posities van stralende elementen dynamisch aan te passen om ruimtelijke diversiteit te bieden binnen een beperkte fysieke ruimte. Het optimaliseren van FAS vormt echter een uitdagend groot-schaal combinatorisch probleem: het selecteren van de optimale subset van antenne-poorten om meerdere gebruikers te bedienen, terwijl tegelijkertijd beamforming-vector worden ontworpen. Het doel is het maximaliseren van de minimale Signal-to-Interference-plus-Noise Ratio (SINR) voor alle gebruikers onder een totale zendvermogenbeperking.

Bestaande aanpakken ondervinden aanzienlijke beperkingen. Handmatig ontworpen heuristische algoritmen zijn arbeidsintensief en bereiken vaak geen bevredigende prestaties. Deep learning-methoden, hoewel veelbelovend, vereisen uitgebreide trainingsdata, hoge rekencomplexiteit voor training, tijdrovende parameterafstelling en lijden onder slechte generalisatie en gebrek aan interpreteerbaarheid. Bovendien brengen traditionele optimalisatietechnieken zoals alternerende optimalisatie hoge complexiteit met zich mee en kunnen ze geen globale optimaliteit garanderen.

Methodologie
Het artikel stelt een nieuw paradigma voor waarbij Large Language Models (LLM's) worden ingezet voor het geautomatiseerde ontwerp van heuristische algoritmen (Automated Heuristic Design, of AHD). In plaats van de variabelen (poortselectie) direct te optimaliseren, optimaliseert het kader het algoritme zelf. De auteurs maken gebruik van het LLM4AD-platform en het Evolution of Heuristics (EoH)-kader, dat heuristieken behandelt als code-implementaties die evolueren via een iteratief proces van generatie, evaluatie en selectie.

De studie onderzoekt twee verschillende ontwerpstategieën:

1. Optimalisatie van Genetische Algoritme (GA) Operaties:

   • Deze strategie behoudt de basisstructuur van een standaard Genetisch Algoritme, maar gebruikt de LLM om specifieke operatoren automatisch te ontwerpen en te verfijnen: crossover en mutatie.
   • De LLM wordt geprompt om nieuwe crossover- en mutatiefuncties te genereren op basis van een populatie bestaande algoritmen. Deze functies worden geëvalueerd op kanaalinstanties, en de best presterende varianten worden geselecteerd om de volgende generatie te laten evolueren.
   • De resulterende geoptimaliseerde crossover-functie maakt gebruik van een op frequentie gebaseerde probabilistische erfelijkheidsstrategie, terwijl de geoptimaliseerde mutatiefunctie diversiteit introduceert via elementverwisseling en uniforme ruis.

2. AutoPort: De Novo Heuristisch Ontwerp:

   • Deze strategie prompt de LLM om een volledig heuristisch algoritme vanaf nul te ontwerpen, zonder beperkt te zijn tot de GA-familie.
   • De LLM krijgt een taakomschrijving om $n$ poorten uit $N$ te selecteren om de gemiddelde SINR te maximaliseren over meerdere kanaalrealisaties.
   • De evolutionaire zoektocht ontdekt een Greedy Randomized Adaptive Search Procedure (GRASP)-algoritme. Dit algoritme hanteert een constructieve fase met probabilistische selectie op basis van kanaalversterkingen, gevolgd door een lokaal zoekfase om de oplossing te verfijnen.

Belangrijkste Bijdragen

1. Eerste LLM-gestuurde Kader voor FAS: Het artikel presenteert de eerste toepassing van LLM-gedreven geautomatiseerd algoritmeontwerp specifiek voor het maximaliseren van de minimale SINR in multiuser FAS-downlinksystemen. Het automatiseert het creëren van op maat gemaakte, volledig interpreteerbare heuristieken zonder dat domeinspecifieke hyper-heuristische afstelling of vooraf getrainde data vereist is.
2. Twee Ontwerpstategieën: De auteurs stellen twee benaderingen voor en valideren deze: een incrementele aanpak die een basis-GA verbetert door zijn operatoren te optimaliseren, en een ontdekkingsbenadering (AutoPort) die een nieuw, zelfstandig heuristisch algoritme genereert.
3. Interpreteerbaarheid en Generalisatie: In tegenstelling tot "black-box" deep learning-modellen zijn de resulterende algoritmen door mensen leesbare Python-code. Het kader toont sterke generalisatievermogens, presteert goed op ongezichte kanaalinstellingen (bijvoorbeeld Rician-verval) en variërende systeemparameters zonder hertraining.

Simulatie-resultaten
Uitgebreide numerieke evaluaties zijn uitgevoerd in een multiuser MISO-FAS-downlinksituatie met variërende zendvermogens, aantallen gebruikers ($K=4, 8$) en kanaalmodellen (Rayleigh en Rician).

• Prestaties: De voorgestelde methoden presteren aanzienlijk beter dan conventionele benchmarks.
  • GA-CM (GA met LLM-geoptimaliseerde crossover en mutatie) bereikt meer dan 99% van de optimale prestatie (verkregen via exhaustive search voor kleinschalige problemen) en presteert aanzienlijk beter dan het basis-GA.
  • AutoPort bereikt bijna optimale of optimale prestaties, en overtreft vaak GA-CM.
  • Beide methoden presteren beter dan traditionele black-box optimalisatie (Radiale Basisfunctie), deep learning-benaderingen (Transformer) en willekeurige selectie. Opmerkelijk is dat de Transformer-gebaseerde methode slecht presteerde en niet in staat bleek om effectief kenmerken te extraheren voor hoog-dimensionale poortselectie.
• Robuustheid: De door de LLM ontworpen algoritmen behielden superieure prestaties bij testen op Rician-kanalen, wat een robuuste generalisatie aantoont.
• Schaalbaarheid: Naarmate het aantal poorten toenam, verslechterden de prestaties van basis-GA en willekeurige selectie door toegenomen correlatie en complexiteit. Daarentegen verbeterden of stabiliseerden GA-CM en AutoPort, wat hun effectiviteit in grootschalige scenario's bevestigt.
• Complexiteit: Hoewel AutoPort ongeveer twee keer zo lang nodig heeft voor uitvoering als GA-gebaseerde methoden (wat het geschikt maakt voor traag variërende kanalen), blijft het rekenkundig haalbaar in vergelijking met exhaustive search. Het geautomatiseerde zoekproces zelf verhoogt de complexiteit van de uiteindelijk ingezette algoritmen niet significant.

Betekenis en Claims
Het artikel claimt dat dit werk een eerste stap vormt naar geautomatiseerd algoritme-ontdekking in draadloze communicatie. De betekenis ligt in de verschuiving van het ontwerpparadigma van handmatig algoritme-engineering naar geautomatiseerde, LLM-gestuurde zoektocht. De auteurs benadrukken dat hun aanpak:

• Menselijke inspanning en afhankelijkheid van expert-intuïtie reduceert.
• Interpreteerbare algoritmen produceert die inzicht bieden in probleemstructuren (bijvoorbeeld de ontdekking van op frequentie gebaseerde erfelijkheid of GRASP-achtige strategieën).
• De honger naar data en generalisatieproblemen van deep learning vermijdt.

De auteurs merken bescheiden op dat dit een eerste verkenning is. Zij identificeren toekomstige richtingen, waaronder het gezamenlijk optimaliseren van prestaties en complexiteit, het adresseren van Channel State Information (CSI) schattingsfouten, en het uitbreiden van het kader naar breedbandkanalen (OFDM) en andere herconfigureerbare antennetypes (bijvoorbeeld beweegbare of roteerbare antennes). Zij claimen niet dat de methode een universele oplossing is voor alle draadloze problemen, maar eerder een veelbelovende nieuwe richting voor het oplossen van moeilijke combinatorische optimalisatieproblemen op dit gebied.