LLM4AMC: Adapting Large Language Models for Adaptive Modulation and Coding

一、文章主要内容总结

本文聚焦5G新空口（NR）中的自适应调制编码（AMC）技术，针对传统AMC方案中因信道质量指示符（CQI）时效性衰减（反馈延迟导致）引发的链路性能下降问题，提出了一种基于大语言模型（LLM）的信道质量预测与AMC优化方法——LLM4AMC。

1. 研究背景：AMC作为链路自适应的核心技术，通过根据信道条件（基于信号与干扰加噪声比SINR推导的CQI）动态选择调制编码方案（MCS），平衡传输效率与可靠性。传统AMC方法（规则基、深度学习基、强化学习基）均难以有效解决CQI时效性衰减问题，而LLM在上下文理解和时序建模方面的优势与AMC的动态信道适配需求天然契合。

2. 核心方案：

   • 模型架构：设计包含预处理层、嵌入层、骨干网络（LLM）和输出层的四模块结构，将历史SINR数据转换为LLM可处理的特征形式，实现对未来信道SINR的精准预测，再映射为CQI以优化MCS选择。
   • 训练策略：冻结LLM大部分预训练参数，仅微调层归一化参数，在充分利用预训练知识的同时降低训练成本。
   • 实验验证：基于QuaDRiGa信道仿真平台生成3GPP兼容数据，在城市场景（UMa-NLOS、UMi-NLOS）和不同用户速率（40-500 km/h）下，与无预测（NP）、RNN、LSTM、GRU等基线模型对比，验证了方法的有效性。

3. 实验结果：LLM4AMC在预测精度（NMSE）、链路性能（BLER降低、吞吐量提升）、噪声鲁棒性、少