정책 기반 물리 계층 시스템의 이중 최적화를 위한 자율형 인공지능

Agentic AI for Bilevel Long-Term Optimization of Policy-Driven Physical Layer Systems

네트워크 운영자의 정책 변화, 서비스 요구 사항 및 엄격한 실시간 제약 조건은 고정된 목표와 제약 조건을 가진 기존 방법을 비효율적으로 만듭니다. 본 논문에서는 적응적인 물리 계층 문제 구성을 위한 중첩된 이중 최적화 프레임워크인 자율형 장기 성능 최적화(Agentic-LTPO)를 제시합니다. 핵심 아이디어는 agentic AI를 사용하여 이중 최적화 구조에서 상위 레벨 구성을 생성하는 것입니다. 여기서 변화하는 운영자 정책, 환경 요약 및 과거 경험은 구조화된 하위 레벨 최적화 문제 구성으로 변환됩니다. 하위 레벨은 업데이트된 구성으로 실시간 물리 계층 결정을 위한 문제를 해결합니다. 사례 연구로 셀 프리 MIMO 빔포밍을 고려하여, 본 논문에서는 상위 레벨에 검색 증강 경험 기반 검증 기능을 갖춘 새로운 다중 에이전트 의사 결정 프로세스를 설계하고, 하위 레벨에는 폐쇄형 빔포머를 구현하여 Agentic-LTPO를 구체화합니다. 실험 결과는 Agentic-LTPO가 동적인 운영자 정책에 대한 뛰어난 적응성을 보여주며, 기존 방법과 비교하여 시스템의 장기 성능을 57.2% 향상시킴을 입증합니다.

Network operators' changing policies, service requirements, and stringent real-time constraints render existing methods designed with fixed objectives and constraints ineffective. This paper presents Agentic long-term performance optimization (Agentic-LTPO), a nested bilevel optimization framework that can be applied to adaptive physical layer problem configuration. The key idea is to employ agentic AI to generate upper-level configurations in a bilevel optimization structure, where evolving operator policies, environment summaries, and historical experiences are translated into structured lower-level optimization problem configurations. The lower level solves the problems with updated configurations for real-time physical-layer decisions. Considering cell-free MIMO beamforming as a use case, we embody Agentic-LTPO by designing a new multi-agent decision process with retrieval-augmented experience-based verification in the upper level, together with a closed-form beamformer in the lower level. Experiments demonstrate that Agentic-LTPO exhibits strong adaptability to dynamic operator policies and effectively enhances the system's long-term performance by 57.2% compared to traditional methods.