정책 기반 물리 계층 시스템의 이중 수준 장기 최적화를 위한 에이전트형 AI (Agentic AI)

네트워크 운영자의 변화하는 정책, 서비스 요구 사항 및 엄격한 실시간 제약 조건은 고정된 목적 함수와 제약 조건으로 설계된 기존 방식들을 비효율적으로 만듭니다. 본 논문은 적응형 물리 계층 문제 구성(physical layer problem configuration)에 적용할 수 있는 중첩된 이중 수준 최적화 (bilevel optimization) 프레임워크인 에이전트형 장기 성능 최적화 (Agentic long-term performance optimization, Agentic-LTPO)를 제시합니다. 핵심 아이디어는 이중 수준 최적화 구조 내에서 에이전트형 AI (Agentic AI)를 사용하여 상위 수준(upper-level) 구성을 생성하는 것이며, 여기서 진화하는 운영자 정책, 환경 요약 및 과거 경험은 구조화된 하위 수준(lower-level) 최적화 문제 구성으로 변환됩니다. 하위 수준은 실시간 물리 계층 결정을 위해 업데이트된 구성으로 문제를 해결합니다. 셀 프리 MIMO 빔포밍 (cell-free MIMO beamforming)을 사용 사례로 고려하여, 우리는 상위 수준에서 검색 증강 경험 기반 검증 (retrieval-augmented experience-based verification)을 갖춘 새로운 멀티 에이전트 의사 결정 프로세스를 설계하고, 하위 수준에서 폐쇄형 빔포머 (closed-form beamformer)를 결합함으로써 Agentic-LTPO를 구현합니다. 실험을 통해 Agentic-LTPO가 동적인 운영자 정책에 대해 강력한 적응성을 보이며, 기존 방식 대비 시스템의 장기 성능을 57.2% 효과적으로 향상시킨다는 것을 입증했습니다.