从通用大语言模型到面向低空通感一体化网络的专用波束成形:基于 LoRA 的多专家框架
《Science China-Information Sciences》:From general-purpose LLM to specialized beamforming for low-altitude ISAC networks: a LoRA-based multi-expert framework
【字体:
大
中
小
】
时间:2026年09月20日
来源:Science China-Information Sciences 8.1
编辑推荐:
融合感知与通信(ISAC)同时保障感知与传输性能,其中波束赋形设计是释放其潜力的关键,通常涉及耦合约束和复杂的数学优化。最近,大语言模型(LLM)凭借其丰富的先验知识,在数学推理方面展现出显著的潜力。因此,将LLM整合到ISAC优化中已成为一个备受关注的有前景的方向。然而,现
融合感知与通信(ISAC)同时保障感知与传输性能,其中波束赋形设计是释放其潜力的关键,通常涉及耦合约束和复杂的数学优化。最近,大语言模型(LLM)凭借其丰富的先验知识,在数学推理方面展现出显著的潜力。因此,将LLM整合到ISAC优化中已成为一个备受关注的有前景的方向。然而,现有大多数研究仅仅将LLM视为在回归框架中训练的数值编码器,未能将通用模型适配为任务导向的专家。本文率先利用LLM构建端到端ISAC优化器,并设计了一种多专家框架,使其能够适应多种ISAC场景。借助LLM在自然语言(NL)理解方面的优势,我们将任务场景重构为自然语言描述,这不仅捕获了优化目标与约束之间的语义关系以促进模型推理,还消除了对人工数据预处理的依赖。此外,受混合专家(Mixture-of-Experts)范式的启发,我们在共享的LLM骨干网络上,通过低秩适配(LoRA)赋予其针对不同需求的专业ISAC知识。我们开发了一个两阶段训练框架:在监督微调阶段,模型学习从场景描述到结构化波束赋形解的监督映射,而强化学习(RL)则进一步优化约束满足度和目标质量。大量实验表明,我们的方法取得了卓越的性能,显著优于现有的基于AI的方法。代码已在 https://github.com/BUAA-SIC-LAB/LLM4BF 上发布。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号