Agentic-LTPO: агентный подход к двухуровневой долгосрочной оптимизации физических сетевых систем
Исследователи предложили метод Agentic long-term performance optimization (Agentic-LTPO), вложенную двухуровневую схему оптимизации, предназначенную для адаптивной настройки задач физического уровня сети. Подход нацелен на ситуацию, когда политики операторов, требования сервисов и жесткие ограничения реального времени постоянно меняются, из‑за чего методы с фиксированными целями и ограничениями оказываются малоэффективными.
Ключевая идея состоит в использовании agentic AI для генерации конфигураций верхнего уровня в двухуровневой структуре оптимизации. В ней изменения политик операторов, сводки об окружающей среде и накопленный опыт преобразуются в структурированные конфигурации задач для нижнего уровня. Этот нижний уровень решает задачи с обновленными параметрами и принимает решения для физического уровня сети в режиме реального времени.
В качестве примера применения авторы рассматривают cell-free MIMO beamforming. Для реализации Agentic-LTPO они разработали новый многоагентный процесс принятия решений на верхнем уровне с retrieval-augmented experience-based verification, а на нижнем уровне использовали closed-form beamformer. Как сообщает arXiv cs.AI (Artificial Intelligence), эксперименты показывают, что предложенный подход хорошо адаптируется к динамически меняющимся политикам операторов и улучшает показатели системы.
Ключевые факты
На arXiv опубликована работа «Agentic AI for Bilevel Long-Term Optimization of Policy-Driven Physical Layer Systems» (arXiv:2606.24416v1).
В статье предложена структура оптимизации Agentic-LTPO, вложенная bilevel‑модель, где agentic AI формирует конфигурации верхнего уровня для задач оптимизации нижнего уровня.
Верхний уровень переводит политики оператора, сводки о среде и исторический опыт в структурированные конфигурации задач, которые затем решаются на нижнем уровне для решений физического уровня в реальном времени.
В качестве примера применения рассматривается beamforming в cell-free MIMO; верхний уровень реализован как новый многоагентный процесс принятия решений с retrieval-augmented проверкой опыта, а на нижнем уровне используется closed-form beamformer.