Large Language Models Meet Bayesian Optimization: Towards Self-evolving Wireless Digital Twins

📄 arXiv: 2610.31192v1 📥 PDF

作者: Yingzhuo Sun, Haoyun Li, Ming Xiao, Francisco J. Ferrao, Berna Ozbek

分类: eess.SY, cs.IT

发布日期: 2026-10-22

💡 一句话要点

提出LLM辅助的贝叶斯优化框架以实现自演化无线数字双胞胎

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

关键词: 无线数字双胞胎 贝叶斯优化 大语言模型 自演化 高斯过程 网络优化 机器学习

📋 核心要点

  1. 现有无线数字双胞胎方法在适应性方面存在局限，无法有效应对动态变化的无线任务和操作条件。
  2. 本文提出的LLM辅助贝叶斯优化框架，结合了LLM的灵活性与BO的结构化优化，支持算法级自演化。
  3. 仿真实验表明，LLM发现的高斯过程核在多用户无线波束选择问题上，性能提升达19.7%。

📝 摘要（中文）

无线数字双胞胎（DTs）越来越多地与人工智能集成，以支持在线建模、预测和网络优化。然而，现有方法在预定义的学习或优化结构内进行适应，当无线任务和操作条件变化时可能不再适用。本文探讨了大语言模型（LLMs）与贝叶斯优化（BO）的结合，以将无线DTs从在线适应扩展到算法级自演化。我们引入了一个LLM辅助的BO框架，其中BO提供稳定且样本高效的优化基础，而LLM根据当前任务和累积的优化经验决定是否保留或调整选定的BO组件。通过仿真，我们将该框架应用于多用户无线波束选择问题的高斯过程（GP）核发现。仿真结果表明，与最强标准核基线相比，LLM发现的核在训练任务上的最终BO性能提高了19.7%。

🔬 方法详解

问题定义：本文旨在解决现有无线数字双胞胎在动态环境下适应性不足的问题。现有方法通常依赖于固定的学习或优化结构，无法有效应对无线任务和操作条件的变化。

核心思路：论文提出的LLM辅助贝叶斯优化框架，利用大语言模型的灵活性来动态调整贝叶斯优化的组件，从而实现算法级的自演化。通过这种设计，能够根据当前任务和历史优化经验，智能选择保留或调整的优化策略。

技术框架：该框架主要包括两个模块：贝叶斯优化模块和大语言模型模块。贝叶斯优化模块负责提供稳定的优化基础，而大语言模型模块则根据任务需求和优化历史来指导优化过程的调整。

关键创新：最重要的创新在于将LLM与BO结合，形成了一种新的自演化机制。与传统方法相比，该方法不仅提高了适应性，还增强了优化过程的灵活性和效率。

关键设计：在技术细节上，框架中使用的高斯过程核通过LLM进行发现，优化过程中采用了特定的损失函数和参数设置，以确保优化的稳定性和高效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，LLM发现的高斯过程核在多用户无线波束选择问题上的最终贝叶斯优化性能相比最强标准核基线提升了19.7%，验证了该框架的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括无线通信网络优化、智能制造和物联网等。通过实现自演化的无线数字双胞胎，能够更好地适应动态变化的环境，提高系统的整体性能和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Wireless digital twins (DTs) are increasingly integrated with artificial intelligence to support online modeling, prediction, and network optimization. However, most existing approaches perform adaptation within predefined learning or optimization structures, which may become unsuitable when wireless tasks and operating conditions change. In this article, we investigate the integration of large language models (LLMs) and Bayesian optimization (BO) to extend wireless DTs from online adaptation towards algorithm-level self-evolution. We introduce an LLM-assisted BO framework in which BO provides a stable and sample-efficient optimization backbone, while the LLM determines whether selected BO components should be retained or adapted based on the current task and accumulated optimization experience. In simulations, we apply the framework to Gaussian process (GP) kernel discovery for a multi-user wireless beam-selection problem. Simulation results show that the LLM-discovered kernel improves the final BO performance by 19.7% on the training tasks compared with the strongest standard kernel baseline. The results demonstrate the potential of combining LLM flexibility with structured BO for self-evolving wireless DTs.