LLM-Enabled Automated Algorithm Design for Multiuser Fluid Antenna Communications

Resumo Técnico: Projeto Automatizado de Algoritmos Habilitado por LLM para Comunicações com Antenas Fluidas Multiusuário

Declaração do Problema
Sistemas de Antenas Fluidas (FAS) oferecem uma arquitetura de antena reconfigurável promissora para comunicações 6G, capaz de ajustar dinamicamente as posições dos elementos radiantes para fornecer diversidade espacial dentro de um espaço físico restrito. No entanto, a otimização de FAS envolve um problema combinatório em grande escala e desafiador: selecionar o subconjunto ótimo de portas de antena para atender múltiplos usuários enquanto projeta simultaneamente vetores de formação de feixe. O objetivo é maximizar o mínimo Razão Sinal-Interferência-Ruído (SINR) entre todos os usuários sob uma restrição de potência total de transmissão.

As abordagens existentes enfrentam limitações significativas. Algoritmos heurísticos projetados manualmente são intensivos em mão de obra e frequentemente falham em alcançar desempenho satisfatório. Métodos de aprendizado profundo, embora promissores, exigem extensos dados de treinamento, alta complexidade computacional para o treinamento, ajuste tedioso de parâmetros e sofrem com baixa generalização e falta de interpretabilidade. Além disso, técnicas de otimização tradicionais, como a otimização alternada, incorrem em alta complexidade e não garantem optimalidade global.

Metodologia
O artigo propõe um novo paradigma que aproveita Modelos de Linguagem de Grande Escala (LLMs) para o projeto automatizado de algoritmos heurísticos (Projeto Automatizado de Heurísticas, ou AHD). Em vez de otimizar diretamente as variáveis (seleção de portas), o framework otimiza o próprio algoritmo. Os autores utilizam a plataforma LLM4AD e o framework Evolução de Heurísticas (EoH), que trata heurísticas como implementações de código que evoluem por meio de um processo iterativo de geração, avaliação e seleção.

O estudo investiga duas estratégias de design distintas:

1. Otimização de Operações de Algoritmo Genético (GA):

   • Esta estratégia mantém a estrutura básica de um Algoritmo Genético padrão, mas utiliza o LLM para projetar e refinar automaticamente operadores específicos: cruzamento e mutação.
   • O LLM é instruído a gerar novas funções de cruzamento e mutação com base em uma população de algoritmos existentes. Essas funções são avaliadas em instâncias de canal, e as variantes de melhor desempenho são selecionadas para evoluir a próxima geração.
   • A função de cruzamento otimizada resultante utiliza uma estratégia de herança probabilística baseada em frequência, enquanto a função de mutação otimizada introduz diversidade por meio de troca de elementos e ruído aleatório uniforme.

2. AutoPort: Projeto de Heurística De Novo:

   • Esta estratégia instrui o LLM a projetar um algoritmo heurístico completo do zero, sem estar restrito à família GA.
   • O LLM recebe uma descrição da tarefa para selecionar $n$ portas de $N$ disponíveis, a fim de maximizar o SINR médio entre múltiplas realizações de canal.
   • A busca evolutiva descobre um algoritmo do tipo Procedimento de Busca Adaptativa Aleatória Gulosa (GRASP). Este algoritmo emprega uma fase construtiva com seleção aleatória ponderada por probabilidade (baseada nos ganhos de canal), seguida por uma fase de busca local para refinar a solução.

Contribuições Principais

1. Primeiro Framework Habilitado por LLM para FAS: O artigo apresenta a primeira aplicação de projeto automatizado de algoritmos impulsionado por LLM especificamente para maximizar o SINR mínimo em sistemas de enlace descendente FAS multiusuário. Automatiza a criação de heurísticas personalizadas e totalmente interpretáveis, sem exigir ajuste de hiper-heurísticas específicas de domínio ou dados pré-treinados.
2. Estratégias de Design Duais: Os autores propõem e validam duas abordagens: uma abordagem incremental que aprimora um GA de base otimizando seus operadores, e uma abordagem de descoberta (AutoPort) que gera uma nova heurística autônoma.
3. Interpretabilidade e Generalização: Ao contrário de modelos de aprendizado profundo "caixa preta", os algoritmos resultantes são código Python legível por humanos. O framework demonstra fortes capacidades de generalização, apresentando bom desempenho em configurações de canal não vistas (por exemplo, desvanecimento Rician) e parâmetros de sistema variados, sem necessidade de retreinamento.

Resultados de Simulação
Avaliações numéricas extensas foram conduzidas em um cenário de enlace descendente MISO-FAS multiusuário com potências de transmissão variáveis, números de usuários ($K=4, 8$) e modelos de canal (Rayleigh e Rician).

• Desempenho: Os métodos propostos superam significativamente os benchmarks convencionais.
  • GA-CM (GA com cruzamento e mutação otimizados por LLM) alcança mais de 99% do desempenho ótimo (obtido via busca exaustiva para problemas de pequena escala) e supera significativamente o GA básico.
  • AutoPort alcança desempenho próximo ao ótimo ou ótimo, frequentemente superando o GA-CM.
  • Ambos os métodos superam a otimização tradicional de caixa preta (Função de Base Radial), abordagens de aprendizado profundo (Transformer) e seleção aleatória. Notavelmente, o método baseado em Transformer apresentou desempenho pobre, falhando em extrair características efetivamente para a seleção de portas de alta dimensão.
• Robustez: Os algoritmos projetados por LLM mantiveram desempenho superior quando testados em canais Rician, demonstrando generalização robusta.
• Escalabilidade: À medida que o número de portas aumentava, o desempenho do GA básico e da seleção aleatória degradou-se devido ao aumento da correlação e complexidade. Em contraste, GA-CM e AutoPort melhoraram ou estabilizaram, verificando sua eficácia em cenários de grande escala.
• Complexidade: Embora o AutoPort exija aproximadamente o dobro do tempo de execução dos métodos baseados em GA (tornando-o adequado para canais de variação lenta), permanece computacionalmente viável em comparação com a busca exaustiva. O próprio processo de busca automatizada não aumenta significativamente a complexidade dos algoritmos finais implantados.

Significado e Alegações
O artigo afirma que este trabalho representa um primeiro passo em direção à descoberta automatizada de algoritmos em comunicações sem fio. O significado reside na mudança do paradigma de design da engenharia manual de algoritmos para uma busca automatizada e impulsionada por LLM. Os autores enfatizam que sua abordagem:

• Reduz o esforço humano e a dependência da intuição de especialistas.
• Produz algoritmos interpretáveis que oferecem insights sobre estruturas de problemas (por exemplo, a descoberta de herança baseada em frequência ou estratégias semelhantes ao GRASP).
• Evita a fome de dados e os problemas de generalização do aprendizado profundo.

Os autores observam modestamente que esta é uma exploração inicial. Eles identificam direções futuras, incluindo a otimização conjunta de desempenho e complexidade, o tratamento de erros de estimação de Informação de Estado do Canal (CSI) e a extensão do framework para canais de banda larga (OFDM) e outros tipos de antenas reconfiguráveis (por exemplo, antenas móveis ou rotativas). Eles não afirmam que o método é uma solução universal para todos os problemas sem fio, mas sim uma nova direção promissora para resolver problemas difíceis de otimização combinatória no campo.