From Intent to Infrastructure: LLM-Driven Agent Compilers for ISAC Networks

Stel je voor dat de lucht om ons heen een drukke, onzichtbare snelweg is. Decennialang hebben we deze snelweg alleen gebruikt om tekstberichten, video's en gesprekken te versturen—dit is de wereld van draadloze communicatie. Maar wetenschappers bouwen nu een nieuw soort voertuig voor deze snelweg: een auto die tegelijkertijd kan praten én kijken. Dit wordt Integrated Sensing and Communications (ISAC) genoemd. In plaats van alleen een signaal naar je telefoon te sturen, stuurt het netwerk een signaal dat afketst op objecten, zoals een vleermuis die echolocatie gebruikt, om te achterhalen waar auto's, mensen of drones zich bevinden. Het is alsover een superkracht waarbij je telefoon de wereld kan zien terwijl hij met je praat.

Het bouwen van een dergelijk dubbeldoelmatig systeem is echter ontzettend lastig. Het is alsof je een symfonie probeert te schrijven waarbij de muzikanten ook als technici moeten optreden, die lichten aanpassen en rekwisieten verplaatsen, terwijl ze tegelijkertijd perfect in toon spelen. De "muzikanten" zijn de radiogolven, de "rekwisieten" zijn de antennes, en het "podium" is het spectrum van frequenties die zij delen. Als je de muziek harder maakt om beter te kunnen horen (sensing), kun je het gesprek overstemmen (communicatie). Als je het podium te snel beweegt, kunnen de muzikanten het niet bijbenen. Naarmate deze netwerken groeien om 6G (de volgende generatie internet) te ondersteunen, wordt het aantal keuzes zo groot dat menselijke ingenieurs niet meer handmatig elke knop kunnen afstellen. Ze hebben een slimmere manier nodig om deze chaos te beheersen.

Hier komt een nieuw idee genaamd de "Agent Compiler" om de hoek kijken, voorgesteld in een recent artikel voor IEEE Communications Magazine. Zie dit niet als een robot die de ingenieurs vervangt, maar als een superintelligente "vertaler" of "dirigent" aangedreven door een Large Language Model (LLM)—hetzelfde soort AI dat met je kan chatten of verhalen kan schrijven. Het artikel suggereert dat we, in plaats van een mens te vragen om duizenden instellingen aan te passen telkens wanneer een drone vliegt of een storm toeslaat, de AI gewoon ons doel in gewone mensentaal moeten vertellen. De AI fungeert dan als een compiler (een hulpmiddel dat menselijke code omzet in machine-instructies), die onze eenvoudige wens vertaalt naar een complex, werkend plan voor het hele netwerk.

Het artikel beweert niet dat het een perfect, afgewerkt product heeft gebouwd dat vandaag de dag op elke telefoon draait. In plaats daarvan stelt het een nieuw framework voor en test het dit in een computersimulatie. De onderzoekers ontdekten dat deze "Agent Compiler" een rommelige, hoogwaardige aanvraag—zoals "zoek overlevenden in een rampgebied"—kan nemen en deze kan afbreken tot een stapsgewijs recept voor het netwerk. Het beslist welke drones worden gebruikt, hoe snel ze moeten scannen en hoe ze de etherdelen moeten delen, terwijl het de systemen veilig en snel houdt.

Hier is hoe de magie werkt, uitgelegd aan de hand van een verhaal:

Het Probleem: Te veel knoppen om te draaien

Stel je voor dat je de kapitein van een ruimteschip bent. Je hebt een knop voor "Zoeken naar asteroïden" en een knop voor "Bericht naar de aarde sturen". Maar deze knoppen zijn verbonden met dezelfde motor. Als je de "Zoek"-knop te hard indrukt, wordt de motor heet en raakt het bericht verstoord. Als je de "Bericht sturen"-knop te hard indrukt, wordt de scanner blind.

In de echte wereld staan ISAC-netwerken voor precies dit probleem. Ze moeten dezelfde hardware, dezelfde radiogolven en dezelfde tijd delen. Het artikel wijst erop dat oude manieren om dit op te lossen—zoals het volgen van een strikt regelboek of het laten leren van een computer door middel van vallen en opstaan (Deep Reinforcement Learning)—ofwel te rigide of te traag zijn. Een regelboek kan niet omgaan met een onverwachte storm, en een lerende computer kan te lang bezig zijn met uitzoeken wat te doen wanneer de situatie verandert.

De Oplossing: De "Agent Compiler"

De auteurs stellen een nieuw systeem voor genaamd de Agent Compiler. Denk aan een meesterkok die niet het eten kookt, maar het perfecte recept schrijft voor een team van gespecialiseerde koks.

1. De Chef (De LLM): Je vertelt de chef: "Ik moet 4 overlevenden vinden in een gebied van 3 km bij 3 km met behulp van 6 drones, en ik moet binnen 100 milliseconden video terugsturen naar de basis." De chef (de AI) begrijpt deze natuurlijke taal.
2. Het Receptenboek (De IPG): De chef roept niet alleen bevelen. Het schrijft een gedetailleerde "ISAC Policy Graph" (IPG). Dit is als een blauwdruk. Het breekt de grote taak af in kleine taken: "Drone A scant hier," "Drone B stuurt video," "Drone C wacht op data." Het tekent ook lijnen die laten zien hoe de data tussen hen stroomt.
3. De Gespecialiseerde Koks (De Algoritmen): De chef probeert niet zelf de wiskunde voor de radar of de videocompressie te doen. Het kiest de beste bestaande instrumenten (algoritmen) voor de taak en vertelt hen precies wat ze moeten doen.
4. De Veiligheidscontrole: Voordat het recept naar de keuken wordt gestuurd, controleert de chef: "Is dit mogelijk? Hebben we genoeg vermogen? Zal de video te traag zijn?" Als het plan onmogelijk is, past de chef het recept aan voordat er iemand begint met koken.

De Drie-Snelheid Adaptatie

Het coolste deel van dit systeem is hoe het omgaat met zaken die misgaan. Het artikel beschrijft een "Runtime Engine" die het netwerk als een havik in de gaten houdt. Het heeft drie niveaus van reactie, zoals een videogame-personage met verschillende power-ups:

• Niveau 1: De Snelle Fix (Milliseconden): Als een signaal een klein beetje zwakker wordt, past het systeem een knop aan (zoals het volume harder zetten) direct aan. Dit gebeurt zo snel dat de AI er niet eens bij betrokken is; het is een reflex.
• Niveau 2: De Gedeeltelijke Herschrijving (Seconden): Als een drone vast komt te zitten in een stofwolk en voor een paar seconden slecht kan zien, grijpt de AI in. Het herschrijft niet het hele plan, maar alleen het deel van het recept voor die specifieke drone.
• Niveau 3: De Volledige Herstart (Minuten): Als een drone crasht of de missie volledig verandert (bijv. "Stop met zoeken naar overlevenden, begin met zoeken naar brand"), gooit de AI het oude recept weg en schrijft een gloednieuw recept vanaf nul.

De Test: Een Simulatie van een Rampenbestrijding

Om te zien of dit werkt, hebben de onderzoekers een simulatie van een reddingsoperatie na een ramp uitgevoerd. Stel je voor dat er een aardbeving een stad heeft getroffen. Zes drones worden uitgezonden. Vier zijn "scanners" die naar overlevenden zoeken, en twee zijn "relays" die video terugsturen naar een commandocentrum.

Ze stelden een scenario op waarin dingen misgaan:

• Bij 80 seconden: Een stapel metaalafval creëert een "clutter"-zone (rommelzone), waardoor het voor de scanners moeilijk wordt om te zien.
• Bij 200 seconden: Eén drone raakt zonder batterij en crasht, en het commandocentrum geeft een nieuwe, dringende opdracht.

De onderzoekers vergeleken hun "Agent Compiler" met vijf andere methoden, waaronder een "Fixed" methode (die nooit verandert) en een "Direct LLM" meth methode (die de AI elke seconde om advies vraagt).

De resultaten waren interessant. De "Fixed" methode faalde onmiddellijk toen het afval verscheen. De "Direct LLM" methode begreep de juiste richting, maar was te traag om te reageren omdat het te lang duurde om na te denken. De "Agent Compiler" was echter de ster.

• Toen het afval verscheen, paste het snel de instellingen aan (Niveau 1) en herschreef het vervolgens het scanplan (Niveau 2) om te focussen op de vrije gebieden.
• Toen de drone crashte, reorganiseerde het de missie volledig (Niveau 3) om het gat te dichten met de resterende drones.

In de simulatie behaalde de Agent Compiler de hoogste "utility" (een score die combineert hoe goed het zag en hoe goed het communiceerde) van 0,524, waarmee het de op één na beste methode (Direct LLM) versloeg, die een score van 0,519 behaalde.

Wat dit Betekent (en Wat het Niet Betekent)

Het artikel is zeer duidelijk over wat het wel en niet heeft gedaan. Het heeft geen fysiek netwerk gebouwd dat je vandaag de dag kunt kopen. Het heeft niet bewezen dat dit in elke denkbare echte situatie zal werken. De resultaten zijn gebaseerd op een computersimulatie van 300 seconden.

De auteurs suggereren dat deze aanpak een veelbelovende manier is om de complexiteit van toekomstige 6G-netwerken te beheersen. Ze betogen dat we moeten stoppen met proberen elke individuele radiogolf handmatig af te stellen en dat we AI moeten gebruiken om onze hoogwaardige doelen te vertalen naar instructies op laag niveau.

Ze waarschuwen echter ook dat er hindernissen zijn. De AI kan soms een fout maken in zijn recept (een plan hallucineren dat niet werkt). Het kan te lang duren om na te denken als de situatie te snel verandert. En natuurlijk moeten we ervoor zorgen dat de AI niet wordt misleid door hackers of privé-informatie over waar mensen zich verschuilen prijsgeeft.

Kortom, dit artikel biedt een nieuwe manier om over de toekomst van draadloze netwerken na te denken: niet als een verzameling machines die we minutieus moeten micromanagen, maar als een team dat we een eenvoudige missie kunnen geven, waarbij we vertrouwen op een slimme "compiler" om de rest uit te zoeken. Het is een stap naar een wereld waarin technologie zich aan ons aanpast, in plaats van dat wij ons aan de technologie moeten aanpassen.