【中国移动】2022年6G物理层AI关键技术白皮书_30页_1mb

6G 物理层 AI 关键技术白皮书总结

核心内容

本白皮书主要聚焦于6G 物理层 AI 技术，旨在探讨其在无线通信系统中的作用、工作原理以及未来研究与标准化方向。白皮书强调了AI技术在提升通信系统性能、降低资源开销、实现系统智能化等方面的关键价值，并提出了针对AI在无线通信中应用的评估准则、数据集构建原则及泛化性提升方法。

主要观点

1. AI 在无线通信中的价值

• AI 技术可以提升无线通信系统对信道、干扰、用户行为等复杂因素的建模与预测能力。
• 在无线通信系统中引入 AI，有助于实现更智能的资源管理、调度和优化，从而提升服务质量与用户体验。
• AI 可以用于物理层多个模块，如信道估计、信道预测、编码、调制、多址、MIMO 等，带来显著的性能增益。

2. 物理层 AI 的两种设计思路

• 数据驱动：将多个通信功能模块视为黑盒，使用深度学习模型进行端到端优化。
• 数据模型双驱动：在现有通信模型基础上，使用深度学习优化部分模块或参数，以提升性能。

3. AI 在大规模 MIMO 中的应用

• 大规模 MIMO 是 6G 通信的重要技术，其信道估计与反馈模块面临高维度与高复杂度挑战。
• 基于 AI 的大规模 MIMO 技术通过数据驱动的方式，利用神经网络等方法优化信道估计、反馈和预测性能。
• 已有多个 AI 方案（如 CsiNet、LAMP、ConvCsiNet 等）在信道状态信息（CSI）反馈与估计方面取得了显著进展。

4. 无线 AI 算法评估与数据集构建

• 当前缺乏统一的无线 AI 数据集和评估标准，这限制了算法的可比性和实际应用。
• 评估指标应包括性能指标（如 NMSE、吞吐量、误码率）和开销指标（如模型复杂度、训练时延、功耗等）。
• 泛化性是无线 AI 的核心挑战之一，需通过迁移学习、元学习、联邦学习等技术进行提升。

5. 未来研究与标准化方向

• 未来 AI 在物理层通信中的应用将涉及自演进通信协议、多模块联合优化、绿色 AI 通信技术等方向。
• 6G 标准化过程中，需制定系统、科学、公平的评估体系，以支持 AI 与传统通信方案的对比。
• 标准化将分阶段推进：初级智能（部分物理层功能增强）、中级智能（接入网与核心网联合优化）、高级智能（全网资源动态分配）。

关键信息

1. AI 在物理层的应用场景

• 信道估计与反馈：通过神经网络优化 CSI 的获取与恢复，减少反馈开销，提升精度。
• 发射机与接收机优化：通过端到端 AI 设计提升通信链路性能，实现联合优化。
• 信道预测：利用时间、频率、空间、用户间的相关性进行 CSI 的预测，以减少资源开销。

2. AI 在大规模 MIMO 中的应用

• CSI 反馈优化：CsiNet、CsiNet-LSTM、ConvCsiNet、BCsiNet 等方案提升了 CSI 压缩反馈的精度。
• 信道估计与预测：基于 AI 的方法在不同信道环境下表现出良好的性能，尤其是在时变信道和多用户场景中。

3. AI 算法评估指标

• 性能相关指标：如 NMSE、余弦相似度、吞吐量、误码率等。
• 开销相关指标：如模型复杂度、训练时延、硬件成本、功耗、泛化性成本等。

4. 数据集与模型开放性

• 数据集的建立需要涵盖多种场景和信道特性，以提升 AI 模型的泛化能力。
• 模型的开放性有助于算法的可复现性和公平评估，因此需要推动开源和标准化。

5. 泛化性提升技术

• 迁移学习：利用已有的知识快速适应新环境。
• 元学习：通过少量样本快速学习新任务。
• 联邦学习：多节点协同训练，提升模型泛化性。

未来挑战与发展方向

• 数据集统一性：缺乏科学公开的数据集限制了 AI 算法的可比性与推广性。
• AI 与通信协议的融合：如何实现 AI 在通信协议中的自适应与自演进仍需深入研究。
• 绿色 AI：AI 的高训练与计算开销对能耗提出了挑战，需研究低功耗、低算力的 AI 算法。
• 多域联合优化：需实现物理层、接入网、核心网、终端等多模块之间的协同与优化。
• 标准化与产业落地：标准化是 AI 通信技术走向成熟的重要环节，需制定统一的评估体系和数据集标准。

结论

本白皮书系统梳理了 AI 在 6G 物理层通信中的关键技术、研究进展及未来发展方向。AI 技术为无线通信系统带来了新的设计思路，有助于实现更高效、更智能的通信网络。然而，要实现 AI 在无线通信中的广泛应用，仍需解决数据集不统一、模型泛化性差、算法可解释性不足、绿色通信等关键问题。未来，随着 AI 与通信技术的深度融合，6G 网络将向“数字孪生、智慧泛在”的方向迈进。