AI-driven Intentbaserad Optimering med Algoritmisk Maskininlärning för 6G-nätverk

Syfte och mål

Detta examensarbete syftar till att ge en solid grund för att tackla en kritisk utmaning i 6G-nätverk: optimera resursallokering i storskaliga nätverk. Nuvarande heuristikbaserade algoritmer för nätverkshantering lider av suboptimalitet (vilket leder till högre energiförbrukning), och nuvarande lärandebaserade tillvägagångssätt är problemspecifika och lösningsanpassade. Vi siktar på att utforska maskininlärningsmetoder som möjliggör avsiktsdriven optimering för resursallokeringsproblem.

Förväntade effekter och resultat

Vi kommer att utforska kombinationen av Graph Neural Networks (GNN) och Large Language Models (LLMs) för avsiktsbaserad optimering. Eftersom många resursallokeringsproblem kan spåras tillbaka till traditionella kombinatoriska optimeringsproblem (COP), kommer vi att välja en delmängd av COP som är relevanta för 6G. Projektet syftar till att utveckla en grundmodell för att hantera de utvalda COP:erna, genom att kombinera GNN:er och LLM:er för att tjäna som grund för avsiktsbaserad optimering.

Planerat upplägg och genomförande

Examensarbetet kommer att ha följande struktur: - Välj delmängd av COP som är relevanta för 6G-resursallokering. - Litteraturgranskning av GNN:er eller LLM:er som tillämpas på COP:er. - Designa en modellarkitektur som kombinerar GNN:er och LLM:er för avsiktsbaserad optimering, såväl som nödvändiga data och utbildningsprocedur. - Experimentering och validering av designad modell. All kod, datamängder och förtränade modeller som utvecklats under examensarbetet kommer att vara allmänt tillgängliga.