Bridging 6G IoT and AI: LLM-Based Efficient Approach for Physical Layer's Optimization Tasks

📄 arXiv: 2602.06819v1 📥 PDF

作者: Ahsan Mehmood, Naveed Ul Hassan, Ghassan M. Kraidy

分类: eess.SP, cs.AI

发布日期: 2026-02-06

备注: This paper is submitted to IEEE IoT Journal and is currently under review

💡 一句话要点

提出基于LLM的PE-RTFV框架，用于6G IoT物理层优化

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 6G IoT 大型语言模型 物理层优化 提示工程 实时反馈 无线供电 星座设计

📋 核心要点

  1. 现有物理层优化方法在复杂IoT场景中面临挑战，难以兼顾效率和实时性。
  2. PE-RTFV框架利用LLM的推理能力，通过闭环反馈迭代优化物理层参数，无需重新训练模型。
  3. 实验表明，该框架在无线供电IoT网络中，能以较少迭代次数达到接近遗传算法的性能。

📝 摘要（中文）

本文研究了大型语言模型（LLM）在第六代（6G）物联网（IoT）网络中的作用，并提出了一种基于提示工程的实时反馈和验证（PE-RTFV）框架，该框架通过迭代过程执行物理层优化任务。通过利用无线通信系统中固有的自然闭环反馈，PE-RTFV无需模型重新训练即可实现实时物理层优化。所提出的框架采用优化LLM（O-LLM）来生成特定于任务的结构化提示，这些提示被提供给代理LLM（A-LLM）以生成特定于任务的解决方案。利用实时系统反馈，O-LLM迭代地改进提示，以引导A-LLM在类似梯度下降的优化过程中获得改进的解决方案。我们在无线供电的物联网测试平台上测试了PE-RTFV方法，通过语义解决速率-能量（RE）区域优化问题，进行了用户目标驱动的星座设计案例研究，结果表明PE-RTFV在几次迭代中实现了接近遗传算法的性能，验证了其在资源受限的物联网网络中复杂物理层优化任务中的有效性。

🔬 方法详解

问题定义：论文旨在解决6G IoT网络中物理层优化问题，特别是在资源受限的场景下，如何高效、实时地进行参数调整以满足用户目标。现有方法，如传统的优化算法或深度学习方法，可能计算复杂度高、收敛速度慢，或者需要大量训练数据，难以适应动态变化的IoT环境。

核心思路：论文的核心思路是利用大型语言模型（LLM）的强大推理和生成能力，将物理层优化问题转化为一个提示工程问题。通过设计合适的提示，引导LLM生成可行的解决方案，并利用系统反馈迭代优化提示，从而实现物理层参数的自适应调整。这种方法避免了传统优化算法的计算瓶颈和深度学习方法的训练成本。

技术框架：PE-RTFV框架包含两个主要模块：优化LLM（O-LLM）和代理LLM（A-LLM）。O-LLM负责生成任务特定的结构化提示，这些提示描述了物理层优化目标和约束。A-LLM接收O-LLM生成的提示，并生成相应的解决方案，例如星座图设计。系统根据A-LLM生成的解决方案进行评估，并将评估结果反馈给O-LLM。O-LLM根据反馈结果调整提示，引导A-LLM生成更优的解决方案。这个过程类似于梯度下降，通过迭代优化提示，最终找到满足用户目标的物理层参数。

关键创新：该方法最重要的创新点在于将物理层优化问题转化为一个LLM提示工程问题，并利用闭环反馈机制实现迭代优化。与传统的优化方法相比，该方法无需显式地建立物理层模型，而是利用LLM的隐式知识和推理能力。与深度学习方法相比，该方法无需大量训练数据，而是通过少量迭代即可达到较好的性能。

关键设计：O-LLM和A-LLM的具体选择取决于任务的复杂度和资源限制。提示的设计是关键，需要清晰地描述优化目标、约束条件和可行的操作空间。反馈机制的设计也很重要，需要准确地评估解决方案的性能，并将评估结果有效地传递给O-LLM。论文中，速率-能量（RE）区域优化问题被建模为用户目标驱动的星座设计问题，通过调整星座点的能量和相位来实现速率和能量的平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PE-RTFV框架在用户目标驱动的星座设计任务中，仅需几次迭代即可达到接近遗传算法的性能。具体而言，在无线供电的IoT测试平台上，PE-RTFV框架能够有效地平衡速率和能量消耗，并在资源受限的条件下实现较高的性能。

🎯 应用场景

该研究成果可应用于各种6G IoT场景，例如无线供电的传感器网络、智能家居、工业自动化等。通过自适应地优化物理层参数，可以提高网络的能量效率、频谱利用率和可靠性，从而延长设备寿命、降低运营成本，并提升用户体验。未来，该方法还可以扩展到其他物理层优化任务，例如波束成形、信道编码等。

📄 摘要（原文）

This paper investigates the role of large language models (LLMs) in sixth-generation (6G) Internet of Things (IoT) networks and proposes a prompt-engineering-based real-time feedback and verification (PE-RTFV) framework that perform physical-layer's optimization tasks through an iteratively process. By leveraging the naturally available closed-loop feedback inherent in wireless communication systems, PE-RTFV enables real-time physical-layer optimization without requiring model retraining. The proposed framework employs an optimization LLM (O-LLM) to generate task-specific structured prompts, which are provided to an agent LLM (A-LLM) to produce task-specific solutions. Utilizing real-time system feedback, the O-LLM iteratively refines the prompts to guide the A-LLM toward improved solutions in a gradient-descent-like optimization process. We test PE-RTFV approach on wireless-powered IoT testbed case study on user-goal-driven constellation design through semantically solving rate-energy (RE)-region optimization problem which demonstrates that PE-RTFV achieves near-genetic-algorithm performance within only a few iterations, validating its effectiveness for complex physical-layer optimization tasks in resource-constrained IoT networks.