大语言模型驱动的多任务物理层网络
信息论
2025-03-10 v2 信号处理
math.IT
摘要
人工智能的不断发展正在深刻改变6G无线通信的未来。尤其，大型语言模型（LLM）的发展为有效提升AI在不同物理层（PHY）任务中的性能和泛化能力提供了可行路径。然而，现有大多数研究仅针对单个无线通信任务独立微调专用LLM网络。因此，执行多样化PHY任务需要极高的训练资源、内存使用和部署成本。为此，我们提出一种LLM驱动的多任务PHY网络，以单一LLM统一处理多个任务，利用LLM在语义理解和生成方面的优势。具体而言，我们首先提出一种多任务LLM框架，该框架使LLM能够同时执行多用户预编码、信号检测和信道预测。此外，设计了多任务指令模块、输入编码器和输出解码器，以区分不同任务。该设计允许不同类型无线数据的良好对齐至LLM输入格式。此外，采用低秩适应（LoRA）进行LLM微调。为减少LLM微调期间的内存需求，引入了一种受LoRA微调感知的量化方法。大量数值仿真也展示了所提方法的有效性。
引用
@article{arxiv.2412.20772,
title = {Large Language Model Enabled Multi-Task Physical Layer Network},
author = {Tianyue Zheng and Linglong Dai},
journal= {arXiv preprint arXiv:2412.20772},
year = {2025}
}