[論文レビュー] Wireless Power Control Based on Large Language Models

Jiacheng Wang, Yingkun Sheng+3 more|arXiv (Cornell University)|Feb 28, 2026

Wireless Signal Modulation Classification被引用数 0

ひとこと要約

PC-LLMは interference-aware biasを用いて事前学習済み大規模言語モデルを再利用し、MAC層の電力制御を解く。WMMSEおよびGNNベースラインを上回り、ゼロショット一般化性能を示す。

ABSTRACT

This paper investigates the power control problem in wireless networks by repurposing pre-trained large language models (LLMs) as relational reasoning backbones. In hyper-connected interference environments, traditional optimization methods face high computational cost, while standard message passing neural networks suffer from aggregation bottlenecks that can obscure critical high-interference structures. In response, we propose PC-LLM, a physics-informed framework that augments a pre-trained Transformer with an interference-aware attention bias. The proposed bias tuning mechanism injects the physical channel gain matrix directly into the self-attention logits, enabling explicit fusion of wireless topology with pre-trained relational priors without retraining the backbone from scratch. Extensive experiments demonstrate that PC-LLM consistently outperforms both traditional optimization methods and state-of-the-art graph neural network baselines, while exhibiting exceptional zero-shot generalization to unseen environments. We further observe a structural-semantic decoupling phenomenon: Topology-relevant relational reasoning is concentrated in shallow layers, whereas deeper layers encode task-irrelevant semantic noise. Motivated by this finding, we develop a lightweight adaptation strategy that reduces model depth by 50\%, significantly lowering inference cost while preserving state-of-the-art spectral efficiency.

研究の動機と目的

• ultra-denseな無線ネットワークにおける利用者速度のネットワーク全体の効用を各ノードの電力制約下で最大化する。
• MPNNの集約ボトルネックを回避するため、グローバルアテンションとトポロジー認識バイアスを持つTransformerを用いる。
• MAC層最適化の関係推論基盤として事前学習済みLLMを活用する。
• unseenな干渉分布に対するゼロショット一般化を実証し、層ごとのトポロジー整合性を分析する。

提案手法

• 干渉モデリング用のグラフTransformerとして事前学習済みのTransformerバックボーン（BERT-Large）を再利用する。
• バイアスプロジェクターを介してチャネル利得行列を自己注意スコアへ写像することで interference-aware biasを注入する。
• Transformerへ入力する前にノード特徴を軽量な二層MLPを通して射影する。
• LoRAを用いて注意層の低ランクアダプタのみを微調整し、バックボーンは凍結したままにする。
• Transmit powerを0からPmaxの範囲で生成するためのSigmoid活性化を用いる出力ヘッドを追加する。
• 論文の目的に沿って生成されたパワー ベクトル上でネットワーク効用を最大化する無監視学習を行う。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みLLMのバックボーンを interference-aware bias と組み合わせると、伝統的な最適化（例: WMMSE）やGNNベースラインを電力制御で上回れるか？
• RQ2 PC-LLMを用いた場合、干渉の関係推論はネットワークのどの層（浅い層 vs 深い層）で最も活発か？
• RQ3 トポロジー認識バイアスは Retrainingせずに unseenな干渉分布へゼロショット一般化を可能にするか？
• RQ4 モデルの深さを減らしてスペクトル効率を損なわず、推論コストを低減できるか？

主な発見

• PC-LLMは多様なネットワーク条件において、最適解とされるWMMSEベンチマークおよび最先端のGNNベースラインを一貫して上回る。
• 未知の干渉分布に対するゼロショットロバスト性が高く、追加の微調整なしで一般化可能。
• 干渉に関する関係推論は浅いTransformer層に集中し、深い層はタスクに無関係な意味ノイズをエンコードする。
• モデル深さを約50%削減する軽量な適応戦略でも最先端のスペクトル効率を維持しつつ推論待機時間を低減できる。