6G IoT 물리계층 최적화를 위한 LLM 기반 실시간 피드백 프롬프트 엔지니어링

초록

본 논문은 6세대 IoT 네트워크에서 대형 언어 모델(LLM)을 활용해 물리계층 최적화 작업을 수행하는 새로운 프레임워크인 PE‑RTFV(Prompt‑Engineering‑based Real‑Time Feedback and Verification)를 제안한다. 최적화 전용 LLM(O‑LLM)이 구조화된 프롬프트를 생성하고, 에이전트 LLM(A‑LLM)이 이를 기반으로 솔루션을 제시한다. 무선 시스템의 폐쇄‑루프 피드백을 실시간으로 받아 O‑LLM이 프롬프트를 반복적으로 수정함으로써, 재학습 없이도 유전 알고리즘 수준의 성능을 몇 차례의 반복만에 달한다. 사례 연구로 무선 전력 공급 IoT(WP‑IoT) 환경에서 에너지‑정보 트레이드오프를 최적화하는 별자리 설계 문제를 다루며, 전 피드백(full), 코드북 기반, 양자화된 세 가지 시나리오에서 우수한 결과를 보인다.

상세 분석

PE‑RTFV 프레임워크는 물리계층 최적화라는 전통적으로 고비용 수치해석이 요구되는 문제를 LLM의 자연어 추론 능력과 무선 시스템의 실시간 피드백 루프를 결합해 해결한다는 점에서 혁신적이다. 기존 연구들은 LLM을 활용하더라도 사전 최적해 예시를 제공하는 인‑컨텍스트 학습(ICL)이나 내부 목적함수 평가기를 두어 정적 환경에서만 작동하도록 설계되었다. 반면 PE‑RTFV는 두 개의 독립 LLM을 역할 분리한다. O‑LLM은 “프롬프트 최적화기” 역할을 수행하며, 시스템 상태(채널 품질, QoS, 수집된 에너지 등)를 해석해 구조화된 프롬프트 Pₜ를 생성한다. A‑LLM은 이 프롬프트를 입력받아 전력 할당, 서브캐리어 배치, 별자리 좌표 등 구체적인 물리적 액션을 텍스트 형태로 출력한다. 출력된 솔루션은 실제 AP에 적용되고, 디바이스로부터 얻은 피드백이 O‑LLM에 다시 전달된다. O‑LLM은 피드백을 “손실” 혹은 “제약 위반” 정보로 해석하고, 프롬프트의 가중치(예: 목표 함수 가중치, 제약 조건 표현)와 형식을 미세 조정한다. 이 과정은 수학적 그래디언트 계산 없이도 프롬프트 자체가 일종의 파라미터가 되어 반복적 개선을 가능하게 한다.

핵심 기술적 인사이트는 다음과 같다. 첫째, 프롬프트 자체를 “연속적인 변수”처럼 다루어, 피드백에 따라 텍스트 구조와 키워드 빈도를 조정함으로써 LLM의 출력이 점진적으로 최적해에 수렴한다는 점이다. 둘째, 두 LLM을 분리함으로써 O‑LLM은 메타‑프롬프트(프롬프트 설계 규칙)만을 학습하고, A‑LLM은 일반적인 언어 모델 그대로 사용한다. 이는 파라미터 재학습 비용을 완전히 제거하고, 엣지 디바이스에 경량화된 인퍼런스만을 요구한다. 셋째, 피드백 채널을 전송량 최소화(양자화, 코드북) 형태로 설계해도 프레임워크가 견고하게 동작한다는 실험 결과는, 실제 6G IoT 환경에서 제한된 업링크 대역폭을 고려한 설계가 가능함을 시사한다.

실험에서는 WP‑IoT 시나리오에서 에너지 수확 효율과 전송률을 동시에 최적화하는 비대칭 QAM 별자리를 설계하였다. 전통적인 유전 알고리즘(GA)은 수천 번의 평가와 복잡한 변이 연산이 필요했지만, PE‑RTFV는 3~5회 반복만에 GA와 거의 동일한 RE‑Region 경계를 달성하였다. 특히, 피드백이 양자화된 2비트 수준으로 제한된 경우에도 1‑2% 수준의 성능 저하만을 보이며, 실시간 적응이 가능한 경량 솔루션임을 입증했다.

이와 같은 결과는 LLM이 순수 텍스트 기반 추론을 넘어, 실제 물리 시스템의 실시간 제어 루프에 통합될 수 있음을 보여준다. 다만, 현재 구현은 프롬프트 설계와 피드백 해석을 수동으로 정의한 메타‑프롬프트에 크게 의존한다는 한계가 있다. 향후 연구에서는 자동 프롬프트 생성 메커니즘, 다중 모달(신호 스펙트럼, 이미지) 입력을 활용한 멀티‑모달 LLM, 그리고 보안·프라이버시를 고려한 피드백 암호화 기법 등을 통합해 보다 일반화된 물리계층 최적화 프레임워크를 구축할 필요가 있다.