論文の概要: BeamAgent: LLM-Aided MIMO Beamforming with Decoupled Intent Parsing and Alternating Optimization for Joint Site Selection and Precoding

• arxiv url: http://arxiv.org/abs/2603.18855v1
• Date: Thu, 19 Mar 2026 13:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.150138
• Title: BeamAgent: LLM-Aided MIMO Beamforming with Decoupled Intent Parsing and Alternating Optimization for Joint Site Selection and Precoding
• Title（参考訳）: BeamAgent:LLM支援MIMOビームフォーミングと複合サイト選択とプリコーディングの代替最適化
• Authors: Xiucheng Wang, Yue Zhang, Nan Cheng,
• Abstract要約: BeamAgentは数値最適化から意味的意図を明示的に分離するフレームワークである。 二重層意図分類を用いた多層間相互作用機構により、ロバストな制約検証が保証される。 実験により、BeamAgentは84.0,dBの明るいゾーンのパワーを達成し、同じ暗いゾーンの制約下では7.1dBの排気ゼロ強制力を上回ることが示されている。
• 参考スコア（独自算出の注目度）: 27.910007505066655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrating large language models (LLMs) into wireless communication optimization is a promising yet challenging direction. Existing approaches either use LLMs as black-box solvers or code generators, tightly coupling them with numerical computation. However, LLMs lack the precision required for physical-layer optimization, and the scarcity of wireless training data makes domain-specific fine-tuning impractical. We propose BeamAgent, an LLM-aided MIMO beamforming framework that explicitly decouples semantic intent parsing from numerical optimization. The LLM serves solely as a semantic translator that converts natural language descriptions into structured spatial constraints. A dedicated gradient-based optimizer then jointly solves the discrete base station site selection and continuous precoding design through an alternating optimization algorithm. A scene-aware prompt enables grounded spatial reasoning without fine-tuning, and a multi-round interaction mechanism with dual-layer intent classification ensures robust constraint verification. A penalty-based loss function enforces dark-zone power constraints while releasing optimization degrees of freedom for bright-zone gain maximization. Experiments on a ray-tracing-based urban MIMO scenario show that BeamAgent achieves a bright-zone power of 84.0\,dB, outperforming exhaustive zero-forcing by 7.1 dB under the same dark-zone constraint. The end-to-end system reaches within 3.3 dB of the expert upper bound, with the full optimization completing in under 2 s on a laptop.
• Abstract（参考訳）: 大規模言語モデル(LLM)を無線通信最適化に統合することは、有望だが挑戦的な方向である。 既存のアプローチでは、ブラックボックスソルバやコードジェネレータとしてLLMを使用しており、数値計算と密結合している。 しかし、LCMは物理層最適化に必要な精度に欠けており、無線トレーニングデータの不足により、ドメイン固有の微調整が不可能になる。 本研究では,LLMを用いたMIMOビームフォーミングフレームワークであるBeamAgentを提案する。 LLMは、自然言語の記述を構造化空間制約に変換するセマンティックトランスレータとしてのみ機能する。 専用勾配最適化器は、交互最適化アルゴリズムにより、離散基地局サイト選択と連続プリコーディング設計を共同で解決する。 シーン認識プロンプトにより微調整をせずに空間的推論が可能であり、二重層意図分類による複数ラウンドの相互作用機構により、堅牢な制約検証が保証される。 ペナルティに基づく損失関数は、暗黒ゾーンの電力制約を強制し、明るいゾーンゲイン最大化のための最適化自由度を解放する。 レイトレーシングに基づく都市MIMOシナリオの実験では、BeamAgentは84.0\,dBの明るさ帯のパワーを達成し、同じ暗黒帯の制約下では7.1dBの排気ゼロフォースよりも優れていた。 エンド・ツー・エンドのシステムはエキスパート・アッパーバウンドの3.3dB以内に達し、完全な最適化はラップトップ上で2秒以下で完了する。

関連論文リスト

• Globally optimized SVD compression of LLMs via Fermi-function-based rank selection and gauge fixing [0.0]
  LLM(Large Language Models)の低ランク分解は、計算資源の観点から非常に要求される。 我々はSVD圧縮に物理に着想を得た2つの改良点を提示する: textbfFermiGrad, 世界的最適層次数を決定する勾配差アルゴリズム, textbfPivGa, そして低ランク因子の余分な圧縮である textbfPivGa。
  論文  参考訳（メタデータ） (2025-11-26T10:54:01Z)
• FedDTPT: Federated Discrete and Transferable Prompt Tuning for Black-Box Large Language Models [14.719919025265224]
  特定のシナリオからのデータを調整した大きな言語モデル(LLM)は、プライバシリークのリスクを引き起こす。 ブラックボックス大言語モデルに対して,フェデレートされた離散的かつ転送可能なプロンプトチューニングであるFedDTPTを初めて提案する。 提案手法は,ブラックボックス設定における非IDデータに対する高い精度,通信オーバーヘッドの低減,ロバスト性を実現する。
  論文  参考訳（メタデータ） (2024-11-01T19:19:23Z)
• MobiZO: Enabling Efficient LLM Fine-Tuning at the Edge via Inference Engines [28.18421624702502]
  本稿では,大規模言語モデル(LLM)のための資源効率の高い微調整フレームワークであるMobiZOを紹介する。 MobiZOは、微調整精度を向上しつつ、実行時の大幅な高速化とメモリ節約を実現する。 MobiZOは、微調整精度を向上しつつ、実行時の大幅なスピードアップとメモリ節約を実現している。
  論文  参考訳（メタデータ） (2024-09-23T20:14:09Z)
• Federated Full-Parameter Tuning of Billion-Sized Language Models with Communication Cost under 18 Kilobytes [53.4856038354195]
  事前訓練された大規模言語モデル(LLM)は、自然言語命令に対する応答性を改善するために微調整が必要である。 FedKSeedは、ランダムシードの有限セットによるゼロ階最適化を採用している。 サーバとクライアント間の通信要求を大幅に減らし、ランダムなシードをわずかに減らします。
  論文  参考訳（メタデータ） (2023-12-11T13:03:21Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。