Autonomous Discovery of Wireless Communications Algorithms

📄 arXiv: 2607.17762v1 📥 PDF

作者: Fayçal Aït Aoudia, Jakob Hoydis, Sebastian Cammerer, Gian Marti, Merlin Nimier-David, Nicolas Roussel, Alexander Keller

分类: cs.IT, cs.AI, cs.MA

发布日期: 2026-07-20

💡 一句话要点

提出AITE框架以自主设计无线通信算法

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

关键词: 无线通信 算法发现 进化搜索 大型语言模型 自适应设计 性能优化 物理层问题 OTFS与OFDM

📋 核心要点

  1. 现有无线通信算法设计方法面临性能与复杂性之间的权衡，难以满足复杂通信问题的需求。
  2. 本文提出AITE框架，利用大型语言模型驱动的进化搜索技术，自动设计高效的无线通信算法。
  3. 实验结果表明，AITE在OTFS和OFDM系统中分别实现了性能提升和计算延迟显著降低，展示了其强大能力。

📝 摘要（中文）

大型语言模型（LLM）驱动的进化搜索是一种新兴的算法发现范式，已在多个科学领域取得了新成果。然而，其在无线通信领域的应用仍然较少。为此，本文提出了AI Telco Engineer（AITE）框架，旨在自主设计复杂通信问题的算法，同时平衡性能与复杂性之间的权衡。我们在两个具有挑战性的物理层问题上展示了AITE的应用：为正交时频空间（OTFS）系统设计均衡器，以及为正交频分复用（OFDM）系统构建接收算法。AITE在第一个任务中开发的算法在性能上超越了已知最佳解决方案，并将计算延迟降低了3.6倍；在第二个任务中，AITE发现了首个明确且可解释的算法，达到了与最先进神经接收器相当的性能。这些结果展示了LLM驱动的进化搜索在自主发现下一代无线通信算法中的巨大潜力。

🔬 方法详解

问题定义：本文旨在解决无线通信领域中算法设计的复杂性与性能之间的权衡问题。现有方法往往无法有效地在这两者之间取得平衡，导致性能不足或计算效率低下。

核心思路：AITE框架利用大型语言模型（LLM）驱动的进化搜索，自动生成和优化无线通信算法。通过这种方式，AITE能够在复杂的设计空间中探索并发现高效的解决方案。

技术框架：AITE的整体架构包括数据输入模块、算法生成模块和性能评估模块。首先，输入通信问题的特征数据，然后通过进化搜索生成候选算法，最后评估其性能并进行迭代优化。

关键创新：AITE的主要创新在于将LLM与进化搜索结合，首次实现了无线通信算法的自主发现。这一方法与传统的手动设计方法本质上不同，能够自动适应复杂的通信环境。

关键设计：在算法生成过程中，AITE使用特定的损失函数来评估算法性能，并通过自适应参数设置来优化算法结构，确保生成的算法既高效又具可解释性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在OTFS系统中，AITE开发的算法在性能上超越了已知最佳解决方案，并将计算延迟降低了3.6倍；在OFDM系统中，AITE发现的算法首次实现了与最先进神经接收器相当的性能。这些实验结果展示了AITE在无线通信算法设计中的显著优势。

🎯 应用场景

该研究的潜在应用领域包括5G及未来6G无线通信系统的算法设计、智能交通系统、物联网等。AITE框架能够为复杂通信问题提供高效的解决方案，提升通信系统的整体性能和可靠性，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Large language model (LLM)-driven evolutionary search is an emerging algorithm-discovery paradigm that has already produced novel results in several scientific fields. Yet its application to wireless communications remains largely unexplored. To bridge this gap, we introduce The AI Telco Engineer (AITE), a framework to autonomously design algorithms for complex communication problems, while navigating performance-complexity tradeoffs. We showcase AITE on two challenging physical-layer problems: designing an equalizer for an orthogonal time-frequency space (OTFS) system, and constructing a receiver algorithm for an orthogonal frequency-division multiplexing (OFDM) system using a custom constellation and operating without pilots. For the first task, AITE develops algorithms that outperform the best-known solutions while reducing computational latency by a factor of 3.6 compared to the strongest baseline. For the second task, it discovers the first explicit, explainable algorithms that achieve performance parity with state-of-the-art neural receivers. These results demonstrate the strong potential of LLM-driven evolutionary search for the autonomous discovery of next-generation wireless communications algorithms.