Large Language Models for Base Station Siting: Intelligent Deployment based on Prompt or Agent

要約

従来の基地局位置特定（BSS）方法は、ドライブのテストとユーザーのフィードバックに大きく依存していましたが、これは手間がかかり、通信、ネットワーキング、最適化に関する広範な専門知識を必要とします。
大規模言語モデル (LLM) とその関連テクノロジーが進歩するにつれて、特にプロンプ​​ト エンジニアリングとエージェント エンジニアリングの分野で、ネットワークの最適化には革命的なアプローチが見られるようになります。
このアプローチには、これらの洗練された LLM に人間の経験と知識を注入するための巧妙に作成されたプロンプトの戦略的使用と、自然言語を使用して機械語ベースの LLM と人間のユーザーをシームレスに接続するための通信ブリッジとしての自律エージェントの展開が必要です。
この統合は、サービスとしての人工知能 (AI) とより使いやすい AI の将来のパラダイムを表しています。
予備調査として、この研究はまず新しい LLM を活用した BSS 最適化フレームワークを開発し、4 つの異なる実装可能性をヒューリスティックに提案します。プロンプト最適化 LLM (PoL)、ヒューマンインザループ LLM (HiLL)、
LLM 機能を備えた自律 BSS エージェント (LaBa)、および協調的な複数の LLM ベースの自律 BSS エージェント (CLaBa)。
この実験では、実世界のデータの評価を通じて、プロンプト支援型 LLM および LLM ベースのエージェントが、より効率的でコスト効率が高く、信頼性の高いネットワーク展開を生成できることを実証し、BSS 最適化の効率を大幅に高め、些細な手動参加を削減します。

要約(オリジナル)

Traditional base station siting (BSS) methods rely heavily on drive testing and user feedback, which are laborious and require extensive expertise in communication, networking, and optimization. As large language models (LLMs) and their associated technologies advance, particularly in the realms of prompt engineering and agent engineering, network optimization will witness a revolutionary approach. This approach entails the strategic use of well-crafted prompts to infuse human experience and knowledge into these sophisticated LLMs, and the deployment of autonomous agents as a communication bridge to seamlessly connect the machine language based LLMs with human users using natural language. This integration represents the future paradigm of artificial intelligence (AI) as a service and AI for more ease. As a preliminary exploration, this research first develops a novel LLM-empowered BSS optimization framework, and heuristically proposes four different potential implementations: the strategies based on Prompt-optimized LLM (PoL), human-in-the-Loop LLM (HiLL), LLM-empowered autonomous BSS agent (LaBa), and Cooperative multiple LLM-based autonomous BSS agents (CLaBa). Through evaluation on real-world data, the experiments demonstrate that prompt-assisted LLMs and LLM-based agents can generate more efficient, cost-effective, and reliable network deployments, noticeably enhancing the efficiency of BSS optimization and reducing trivial manual participation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google