目录 | 2024年第8期 本期专题：6G与AI的融合
无线网络智算融合需求及技术研究
6G智能内生无线通信网络：现状、挑战、系统设计和架构
6G与AI融合：对外AI和对内AI
AI赋能6G：绿色通信的未来
05
【6G与AI的融合】专题
《移动通信》2024年第8期
6G物理层AI赋能技术的思考
李阳1，崔厚虓1，蔡晓雄2，李然2，李昊2，徐明枫1
【摘 要】移动通信与AI融合是6G最重要场景和特征之一，6G是运行AI应用的坚实信息底座，AI作为一种赋能技术能够必将激发6G新活力。深度神经网络对数据的非线性映射能力能够对通信链路模块实现联合优化，重构传统物理层设计，提升6G网络的性能和效率。首先介绍了6G的架构与特点，并简单介绍了基于AI的信道估计算法、基于AI的解调算法以及基于AI的智能收发机。然后以基于AI的解调制技术为例，搭建原型样机进行技术验证。最后展望了AI技术对物理层设计的赋能。
【关键词】6G；人工智能；解调制
中图分类号：TN92 文献标志码：A
文章编号：1006-1010(2024)08-0025-05
引用格式：李阳,崔厚虓,蔡晓雄,等. 6G物理层AI赋能技术的思考[J]. 移动通信, 2024,48(8): 25-29.
LI Yang, CUI Houxiao, CAI Xiaoxiong, et al. Thoughts on AI-Enabled Technologies for 6G Physical Layer[J]. Mobile Communications, 2024,48(8): 25-29.
0 引言
随着5G网络的大规模商用，全球业界已开启对下一代移动通信技术的研究探索。面向2030年及未来，人类社会将进入智能化时代，6G将构建一张泛在互联的智慧网络，实现从服务于人、人与物，到支撑智能体高效联接的跃迁，通过人机物智能互联、协同共生，满足经济社会高质量发展需求，服务智慧化生产与生活，推动构建普惠智能的人类社会，从而实现“万物智联、数字孪生”的6G总体愿景[1]。
伴随着大数据、人工智能（AI, Artificial Intelligence）等智能技术的高速发展，无线通信与人工智能融合（即无线人工智能）已成为具有普遍共识的第六代移动通信技术潜在核心技术方向，将全面赋能无人驾驶、智慧工厂、沉浸式人机交互等新兴智能化应用[2]。已有研究工作表明，AI技术在复杂未知环境建模[3]、无线信道预测[4]、智能信号生成与处理[5]、网络状态跟踪与智能调度[6]、网络优化部署[7]等许多方面均显示出超越传统无线算法的优越性能，具有重要的应用潜力。基于数据驱动的神经网络算法将多维度赋能6G更加强大的能力，使能6G构建人机物智慧互联、智能体高效互通的新型网络，具备智慧内生新特征。
为满足未来6G更加丰富的业务应用以及极致的性能需求，需要传统空口技术的持续演进以及对新型网络架构的深入探索。作为具有广泛共识的技术趋势之一，无线通信与人工智能深度融合，赋予无线空口和网络架构等内生智能特性[8]。
1 6G物理层AI赋能技术
对于智慧内生的6G网络，AI赋能6G物理层技术将会激发6G通信系统新的活力。目前对于6G物理层AI赋能技术的研究主要集中在使用深度神经网络进行通信模块的替换以及基于数据驱动的端到端的物理层设计为主。下面将以智能信道估计、智能解调制以及智能收发机为例进行介绍。
1.1 智能信道估计
信道估计是无线通信系统中的一个基本问题，它的准确性对于信号恢复和干扰管理和无线资源分配等应用都有着重大的影响[9]。根据有无导频配置，目前常见的信道估计方法主要分为三种：基于导频的信道估计、半盲信道估计、盲信道估计。特别地，盲信道估计是基于接收信号的统计特性进行的，而基于导频的信道估计是通过解发端已知的导频信号来获取信道信息的。其中，为了确保高精度的信道估计，后者被广泛加以应用[10]。对于未来5G和6G无线通信系统，由于大量高移动性和超密集连接的场景的出现，获取到高精度的信道估计结果是一件极具挑战性的工作[11]。
为了克服传统信道估计方法的性能瓶颈，业界研究了一些基于深度学习的信道估计方法。根据是否结合了传统信道估计方法，这些基于深度学习的方法可以分为两类。一方面，有些研究集中于设计神经网络结构用作去噪模块并添加到传统方法流程中。文献[12]提出了基于两个卷积神经网络级联的方法，旨在去噪并平滑由传统估计和插值方法得到的完整信道矩阵。文献[13]则提出了先基于卷积神经网络去除接收信号噪声再应用传统方法的方案。另一方面，许多研究致力于应用神经网络模型学习导频信道和数据信道间的相关性。文献[14]提出了一种应用卷积神经网络模型学习信道的时-频相关性的方案，并基于输入的导频信息和学习到的相关性恢复数据信道。进一步，文献[15]针对多输入多输出通信系统设计了一个基于卷积神经网络模型的学习时-频-空相关性的方案。虽然上述方案能够取得相较于传统方案更精确的信道估计结果，但是其网络结构的设计往往深度依赖于具体的导频配置方案。这意味着当改变导频配置方案时，模型可能需要重新进行训练，不能支持灵活自适应的模型部署。文献[16]提出了一种基于GAN的信道估计方法，利用生成学习的思想将导频图样设计和信道估计方法进行联合优化，解决了传统深度学习方案不能支持灵活自适应的模型部署的问题。
1.2 智能解调制
解调制在移动通信系统中也是十分重要的一环，解调的主要作用是从接收到的信号中提取出原始的基带信号，解调技术能够帮助改善信号的传输特性，提高通信质量，确保信号能够稳定、可靠地传输到目的地。为了克服传统解调方法的性能瓶颈，采用深度学习进行信号的解调成为了一种全新的技术趋势。文献[17]设计了一种基于通用神经网络解调架构LLRnet，作者通过链路级仿真平台验证了这种基于深度神经网络的解调算法能够在提升解调算法性能的同时显著降低整体计算复杂度。文献[18]提出了一种DemodNet深度神经网络的架构，采用硬比特信息进行训练，并提出了基于训练后的DemodNet输出层的对数概率比（LPR）来实现软解调的功能。
进一步，对调制解调模块的优化还体现在星座图的设计上，此时，调制和解调常常联合优化。文献[19]采用自编码器的神经网络架构对发送端的调制和接收端的解调模块进行联合优化设计实现了对星座图的概率整形，优化了星座点的位置和出现概率，提升了系统解调制的性能。
1.3 智能收发机
上述关于智能信道估计和智能解调制的介绍均属于面向6G移动通信物理层技术单模块的替换，由于传统算法建立在严谨的数学推导之上，缺少潜在的优化空间，但是对于物理层多模块的联合优化以及端到端的设计，神经网络的非线性拟合能力将会发挥出巨大的潜力。文献[20]提出了一种基于模型驱动深度学习的OFDM接收机ComNet，网络分为信道估计和信号检测两个部分，采用逐块信号处理方法对接收机进行赋能。文献[21]基于Autoencoder的结构对发射机和接收机的多个模块进行联合优化，提出了一种基于深度神经网络的端到端的通信系统设计。
2 基于AI的解调算法技术验证平台
为了更好对AI技术对于6G物理层设计的赋能进行评估，本节将以智能解调制为例，搭建基于软件无线电的原型系统样机进行技术可行性和性能增益的验证。
2.1 AI解调方法和模型结构
如图1所示，本测试例所提AI解调方法是在原有传统解调流程的基础上增加了独立的AI模型模块，功能是对使用传统均衡方法获得的星座调制数据做去噪和平滑处理，以进一步提升收端设备的抗噪声能力。该方法对现有通信平台的架构不做改动，能以引入少量额外的计算开销为代价，换取更优的通信性能，便于硬件平台实现。
参照 表1中所给的OFDM时频结构和导频配置情况，每帧待解调的数据位的时频资源维度为128个子载波12个时域符号，因此，模型的输入数据维度为128×12×2个时域符号，其中2表示输入数据的实部和虚部两个维度。所用AI模型的结构基于卷积神经网络，具体结构 如图2所示，模型包含六层串联的卷积层，所有卷积层均使用大小为3×3的卷积核，六个卷积层的卷积核数分别为64、128、256、128、64和2个。为了确保每个卷积层的输出与其输入保持相同的尺寸，对输入特征图的外围补上了一圈0值。此外，前5个卷积层后还串联了Relu激活函数和BatchNorm2d归一化函数，用以保障收敛效果。
2.2 平台搭建
如图3所示，技术验证平台的硬件环境是基于1套USRP 2974软件无线电设备所搭建的，包含2个发射天线和2个接收天线端口，支持自发自收，可支持ms量级的实时数据收发。本节的测试示例基于1发1收天线实现，天线具体接口如图1所示。
完整的空口数据收发过程是基于LABVIEW开发工具设计实现的，发送端可通过LABVIEW设计界面实现射频参数的硬件交互调整，控制面板如图4所示，可调参数包括载波频率、发射功率和采样率等。接收端则可通过在LABVIEW设计界面嵌入MATLAB程序实现数据接收解调算法的自主设计。本测试例采用正交频分复用（OFDM, Orthogonal Frequency Division Multiplexing）载波调制方式，在传输过程中收发天线保持相对静止，相关参数设置如表1所示。
2.3 测试验证
基于表1所给出的空口参数配置情况，首先采集不同信噪比下的接收数据用于模型训练。具体地，本测试例采集了100 000条训练数据，模型训练的优化器选用了Adam优化器，学习率设置为0.001，训练的epoch数设置为200次。训练得到的模型在实验室环境下的实测结果如图5所示，其中（a）、（b）和（c）分别为信噪比为20 dB、15 dB和10 dB场景下的测试结果。
图5展示了在不同信噪比场景下所提AI解调方法与传统通信解调方法的性能对比实测结果。特别地，对于传统通信解调方法，接收端采用的导频信道估计方法为最小二乘（LS, Least Square）估计方法，数据信道估计方法为Spline插值方法，均衡方法为迫零（ZF, Zero-Forcing）方法。此外，信噪比是在固定发射功率的情况下，通过改变收发天线间距离进行调整的。如图所示，对于信噪比为10～20 dB的场景，所提AI解调方法均能显著降低噪声对于解调信号的影响。当信噪比为20 dB时，尽管所提AI解调方法能够有效降低星座点间的矢量幅度误差（EVM, Error Vector Magnitude），也难以获得解调上的性能增益，这是由于此时基于传统通信方法得到的星座图上各调制符号间距分明，星座符号可以顺利解出。随着信噪比的逐渐降低，基于传统通信方法得到的星座图剧烈发散，解调性能随之迅速下降，而基于所提AI解调方法发散趋势则更为平缓，此时不仅能获得显著的EVM增益，解调性能所受影响也较小，从而获得显著的解调增益。
3 未来研究展望
无线AI技术的发展进入了一个新的阶段，从理论研究和技术创新阶段向标准制定和产业化推进阶段转变，同时也面临了其他国家的激烈的竞争和挑战。无线AI技术的研究正从技术方案研究和性能仿真评估，逐步落地为工程实践验证。后续面向物理层的无线AI设计用例仍面临着很多不可回避的问题，如模型的泛化性以及跨厂商双边部署模型的适配性。希望后续与大家共同开展移动通信和AI融合新实践，推动应用落地。
4 结束语
本文主要阐述了AI技术赋能6G无线物理层设计方面的重要性，以智能信道估计、智能解调制以及智能收发机为例对6G物理层基于AI神经网络的物理层模块化替换和数据驱动的物理层设计进行介绍。为了进一步对AI技术对于6G物理层设计的赋能进行评估，搭建基于AI的智能解调的硬件原型验证平台对可行性与性能增益进行了验证。最后为进一步推动无线AI产业成熟，并对未来物理层无线AI工作进行了展望。
参考文献：（上下滑动浏览）
[1] IMT-2030（6G）推进组. 6G总体愿景与潜在关键技术白皮书[R]. 2021.
[4] Li Z, Wang C-X, Huang J, et al. A GAN-LSTM based AI framework for 6G wireless channel prediction [C]//Proceedings of IEEE 95th Vehicular Technology Conference (VTC2022-spring), 2022.
[5] Li W, Wang K, You L, et al. A new deep learning framework for HF signal detection in wideband spectrogram[J]. IEEE Signal Processing Letters, 2022,29: 1342-1346.
[7] 王志勤,江甲沫,刘沛西,等. 6G联邦边缘学习新范式：基于任务导向的资源管理策略[J]. 通信学报, 2022,43(6): 16-27.
[8] Wang Z, Ying D U, Wei K, et al. Vision,application scenarios,and key technology trends for 6G mobile communications[J]. 中国科学, 2022(5): 065.
[9] Liu Y, Tan Z, Hu H, et al. Channel estimation for OFDM[J]. IEEE Commun. Surv. Tutorials, 2014,16: 1891-1908.
[10] Kao Y, Wu K. A low-complexity channel estimation based on a least-squares algorithm in OFDM systmes[J]. Appl. Sci. 2022,12: 4258.
[11] Wang Z, Du Y, Wei K, et al. Vision, application scenarios, key technology trends for 6G mobile communications[J]. Sci. China Inf. Sci, 2022,65: 1-27.
[12] Soltani M, Pourahmadi V, Mirzaei A, et al. Deep learning-based channel estimation[J]. IEEE Commun. Lett., 2019,23: 652-655.
[13] Balevi E, Doshi A, Andrews J G. Massive MIMO channel estimation with an untrained deep neural network[J]. IEEE Trans. Wirel. Commun., 2020,19: 2079-2090.
[14] Safari M S, Pourahmadi V, Sodagari S. Deep UL2DL: Data-driven channel knowledge transfer from uplink to downlink[J]. IEEE Open J. Veh. Technol., 2019,1: 29-44.
[15] Dong P, Zhang H, Li G Y, et al. Deep CNN based channel estimation for mmWave massive MIMO systems[J]. IEEE J. Sel. Top. Signal Process, 2019,13: 989-1000.
[16] Du Y, Li Y, Xu M, et al. A Joint Channel Estimation and Compression Method Based on GAN in 6G Communication Systems[J]. Applied Sciences, 2023,13(4): 2319.
[17] Shental O, Hoydis J. “Machine LLRning”: Learning to Softly Demodulate[J]. 2019.
[18] Stark M, Aoudia F A, Hoydis J. Joint Learning of Geometric and Probabilistic Constellation Shaping[J]. IEEE, 2019.
[19] Zheng S, Zhou X, Chen S, et al. DemodNet: Learning Soft Demodulation from Hard Information Using Convolutional Neural Network[J]. 2020.
[21] Timothy O’Shea, Hoydis J. An Introduction to Deep Learning for the Physical Layer[J]. IEEE Transactions on Cognitive Communications and Networking, 2017. ★
★原文刊发于《移动通信》2024年第8期★
中图分类号：TN92 文献标志码：A
文章编号：1006-1010(2024)08-0025-05
引用格式：李阳,崔厚虓,蔡晓雄,等. 6G物理层AI赋能技术的思考[J]. 移动通信, 2024,48(8): 25-29.
LI Yang, CUI Houxiao, CAI Xiaoxiong, et al. Thoughts on AI-Enabled Technologies for 6G Physical Layer[J]. Mobile Communications, 2024,48(8): 25-29.
作者简介
李阳：中国信息通信研究院移动通信创新中心工程师，主要研究方向为新一代移动通信与人工智能结合技术等。
崔厚虓：中国信息通信研究院移动通信创新中心助理工程师，主要研究方向为通信感知一体化信道测量、建模与应用。
蔡晓雄：中国铁塔股份有限公司中级工程师，从事移动通信、物联网、信息安全等技术研究与产品创新。
李然：中国铁塔股份有限公司中级工程师，主要从事无线移动通信、物联网、数据通信等技术研究与产品创新。
李昊：中国铁塔股份有限公司中级通信工程师，从事未来网络、物联网、低空经济等新业务与未来产业方向研究。
徐明枫：中国信息通信研究院移动通信创新中心工程师，主要研究方向为面向6G的无线人工智能等。
《移动通信》投稿方式为在线投稿
请您登录网页投稿系统
链接地址：http://ydtx.cbpt.cnki.net
【2024年专题征稿第12期】6G毫米波和太赫兹通信
【专题征稿 | 6G内生智能理论与关键技术】 2025年第1期
目录｜2024年第7期 专题：6G内生智能技术
目录 | 2024年第8期 专题：6G与AI的融合
《移动通信》2024年目录汇总（第1-6期）
#扫码关注我们#
《移动通信》
用论文解读通信
《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国通信学会《信息通信领域高质量科技期刊分级目录》入选期刊、中国电子学会《电子技术、通信技术领域高质量科技期刊分级目录》入选期刊、 中国应用型核心期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。 返回搜狐，查看更多