[논문 리뷰] Wireless Power Control Based on Large Language Models

Jiacheng Wang, Yingkun Sheng외 3명|arXiv (Cornell University)|2026. 02. 28.

Wireless Signal Modulation Classification인용 수 0

한 줄 요약

PC-LLM은 간섭 인식 편향을 가진 사전 학습된 대형 언어 모델을 재용도하여 MAC 계층 파워 컨트롤을 해결하고, WMMSE 및 GNN 기준선보다 성능이 우수하며 강력한 제로샷 일반화를 보여준다.

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.

연구 동기 및 목표

• 초밀집 무선 네트워크에서 각 노드의 전력 제약 하에 사용자 전송 속도들의 네트워크 전역 유틸리티를 최대화한다.
• 전역 주의력을 갖는 Transformer와 토폴로지 인지 편향을 활용하여 MPNN의 집계 병목 현상을 극복한다.
• MAC 계층 최적화를 위한 관계 추론 백본으로 사전 학습된 LLM을 활용한다.
• 보지 못한 간섭 분포에 대한 제로샷 일반화를 시연하고 계층별 토폴로지 정합을 분석한다.

제안 방법

• 사전 학습된 Transformer 백본(BERT-Large)을 간섭 모델링용 그래프 Transformer로 재용도한다.
• 바이어스 프로젝터를 통해 채널 이득 행렬을 자기 주의 점수로 매핑하여 간섭 인식 편향을 주입한다.
• 트랜스포머에 입력하기 전에 경량의 두 계층 MLP를 통해 노드 특징을 투사한다.
• 주의 계층의 저랭크 어댑터만 미세조정하도록 LoRA를 사용하고 백본은 동결한다.
• 전송 전력을 [0, Pmax] 내에서 생성하기 위해 Sigmoid 활성화를 가진 파워 인퍼런스 헤드를 추가한다.
• 논문 목표에 맞춰 생성된 전력 벡터들에 대해 네트워크 유틸리티를 최대화하는 비지도 학습으로 훈련한다.

실험 결과

연구 질문

• RQ1 간섭 인식 편향으로 증강된 사전 학습된 LLM 백본이 전력 제어에서 전통적인 최적화(WMMSE) 및 GNN 기준선보다 성능을 낳을 수 있는가?
• RQ2 PC-LLM을 사용할 때 간섭에 대한 관계 추론이 네트워크의 어느 계층에서 가장 활발한가(얕은 계층 대 깊은 계층)?
• RQ3 토폴로지 인식 편향이 재학습 없이 보지 못한 간섭 분포에 대한 제로샷 일반화를 가능하게 하는가?
• RQ4 깊이를 줄이면서도 스펙트럴 효율성을 희생하지 않아 추론 비용을 낮출 수 있는가?

주요 결과

• PC-LLM은 다양한 네트워크 조건에서 최적의 WMMSE 벤치마크와 최신 GNN 기준선 모두를 일관되게 능가한다.
• 이 프레임워크는 추가 미세 조정 없이도 보지 못한 간섭 분포에 대한 뛰어난 제로샷 강건성을 보인다.
• 토폴로지 관련 관계 추론은 얕은 Transformer 계층에 집중되고, 더 깊은 계층은 작업과 무관한 의미적 잡음을 인코딩한다.
• 모델 깊이를 약 50% 감소시키는 경량 적응 전략은 최첨단 스펙트럴 효율성을 유지하면서 추론 지연을 줄인다.