2022-10-19-IMT-2030（6G）推进组-无线人工智能（AI）技术研究报告_112页_14mb

<IMT-2030 中智增强无线通信：AI/ML 技术综述>

引言
人工智能（AI）通过算力、算法、数据三大驱动力重塑社会。机器学习（ML）结合深度神经网络（DNN）技术已在通信领域展现强大潜力，在图像识别、语音处理等领域超越人类，当前重点转向物理层和系统层的AI赋能研究。

物理层关键技术
• 信道建模与感知：融合AR、CNN、LSTM实现信道建模；提出了基于多维信道嵌入的建模方法，可在高维空间提取信道特征；验证DL方法在信道预测方面优于传统算法。
• 信道估计与反馈：

• 数据驱动方法：包括基于编解码器的自编码器方法、残差学习和模型驱动的LDAMP [5]等。
• 模型驱动方法：利用迭代结构增强端到端优化，解决传统算法的计算复杂性问题。
  • 端到端优化设计：如DetNet网络解决了大规模MIMO检测问题；AI方法还能消除循环前缀（CP）与导频，降低接收机复杂度。
  • 编译码技术创新：包括改进式BP算法、分段神经网络译码、BP-CNN集成方法、LSTM辅助SCF译码等。

链路层与网络层设计
• 无线资源调度：基于强化学习方法，实现功率分配、频谱管理、接入控制等功能；DetNet、OAMPNet等算法提升MIMO检测性能。
• 业务预测与缓存：开发了基于RNN、LSTM、Transformer等模型的时间序列预测方法；联邦学习支持分布式边缘计算，降低网络带宽消耗。
• 网络架构演化：提出基于AI的自适应、高可用、绿色无线通信架构，提高了网络效率与可靠性。

应用层创新
• 传输层拥塞控制：改进TCP算法用AI方法进行自优化；DCQCN结合深度学习实现数据中心高效调度。
• 语义通信架构：构建发送端、信道、接收端三部分的完整模型，成功将Transformer用于语义信息传输；模型准确率在特定条件下优于传统通信方案。

挑战与产业化方向
• 数据与算法融合：AI模型需更多高质量数据以提升泛化能力。
• 标准化与伦理问题：可内生AI的部署尚处初期，涉及模块标准化、算法优化等；AI应用引发数据安全与隐私保护问题。
• 产业化路径：终端设备NPU性能增长迅速，加速实用化进程；联邦学习从本地训练向云边协同演进。

结论
人工智能技术，特别是深度学习与强化学习，正深度赋能无线通信各层面，带来系统层次的性能提升。具体包括：全面增强信道建模、估计、预测；推动智能无线资源调度；构建多样化AI应用场景。尽管面临数据、算法、标准等挑战，其产业化前景广阔。未来网络发展将更加注重内生智能、可解释性和安全隐私。

<缩略词表>
缩略词 中文
AI 人工智能
DNN 深度神经网络
OFDM 正交频分复用
CSI 信道状态信息
CNN 卷积神经网络
LSTM 长短期记忆网络
GMM-EM 期望最大算法
QoS 用户质量
V2I 车辆到基础措施
IMT-2030 中智合作推进组