物理層AI關(guān)鍵技術(shù)探討

韓雙鋒，劉志明，楊 坤，劉光毅，王曉云

(1.中國移動(dòng)通信有限公司研究院，北京 100053;2.中國移動(dòng)通信集團(tuán)河北有限公司，河北 高陽 071500;3.中國移動(dòng)通信集團(tuán)有限公司，北京 100033)

0 引言

隨著5G標(biāo)準(zhǔn)化和產(chǎn)業(yè)化的快速發(fā)展，面向2030+，預(yù)計(jì)6G有望在5G的基礎(chǔ)之上全面實(shí)現(xiàn)數(shù)字化，推動(dòng)社會(huì)走向“數(shù)字孿生，智慧泛在”的愿景[1-2]。以機(jī)器學(xué)習(xí)和深度學(xué)習(xí)為代表的人工智能(Artificial Intelligence,AI)技術(shù)近些年在自然語言處理和圖像識(shí)別等多個(gè)領(lǐng)域?qū)崿F(xiàn)了快速發(fā)展，已經(jīng)開始深度融入人類生活，助力實(shí)現(xiàn)6G愿景[3-4]。

無線通信系統(tǒng)中存在大量種類豐富的數(shù)據(jù)，例如無線信道、空口信令、網(wǎng)絡(luò)環(huán)境、用戶喜好、業(yè)務(wù)特征等。現(xiàn)階段將AI技術(shù)應(yīng)用在無線網(wǎng)絡(luò)中將有助于更精準(zhǔn)地預(yù)測業(yè)務(wù)特征、用戶移動(dòng)性、用戶行為、信道環(huán)境等信息，最終通過智能資源管理與調(diào)度機(jī)制保證更好的服務(wù)質(zhì)量和用戶體驗(yàn)，實(shí)現(xiàn)更好的公平性和系統(tǒng)資源利用率，促進(jìn)無線通信網(wǎng)絡(luò)的開放與智能[5]。長期來看，基于AI的無線網(wǎng)絡(luò)設(shè)計(jì)有助于實(shí)現(xiàn)通信協(xié)議的自動(dòng)升級(jí)，從而有效降低網(wǎng)絡(luò)部署與運(yùn)維成本，實(shí)現(xiàn)移動(dòng)通信產(chǎn)業(yè)的可持續(xù)發(fā)展。

目前業(yè)界對(duì)無線網(wǎng)絡(luò)AI技術(shù)已經(jīng)開展了深入而廣泛的研究，例如ITU的機(jī)器學(xué)習(xí)焦點(diǎn)組研究機(jī)器學(xué)習(xí)在未來網(wǎng)絡(luò)的應(yīng)用場景、潛在需求，用于移動(dòng)網(wǎng)絡(luò)優(yōu)化的機(jī)器學(xué)習(xí)算法、數(shù)據(jù)結(jié)構(gòu)和個(gè)人信息保護(hù)等，以及支持機(jī)器學(xué)習(xí)的未來網(wǎng)絡(luò)架構(gòu)、接口、協(xié)議等。3GPP也開始了AI在核心網(wǎng)、網(wǎng)管網(wǎng)優(yōu)、接入網(wǎng)等領(lǐng)域的標(biāo)準(zhǔn)化工作。例如在核心網(wǎng)中基于網(wǎng)絡(luò)數(shù)據(jù)的收集和分析，研究如何引入AI能力進(jìn)行網(wǎng)絡(luò)優(yōu)化，包括定制化的移動(dòng)性管理、5G 服務(wù)質(zhì)量增強(qiáng)、動(dòng)態(tài)流量疏導(dǎo)和分流、基于終端業(yè)務(wù)用途的流量策略、業(yè)務(wù)分類等。還有在RAN側(cè)研究數(shù)據(jù)的收集過程以及利用分析結(jié)果進(jìn)行網(wǎng)絡(luò)優(yōu)化的信令過程。

物理層AI技術(shù)近年來已取得顯著進(jìn)展[6-10]。大量研究表明，將AI技術(shù)融入到新型編碼調(diào)制、多址、波形設(shè)計(jì)、預(yù)編碼、信道估計(jì)、信號(hào)檢測等物理層模塊設(shè)計(jì)中，可帶來顯著的性能增益。3GPP已經(jīng)啟動(dòng)物理層AI 的研究項(xiàng)目，業(yè)界在物理層AI算法和典型用例等重要課題上也開展了深入研究，為將來物理層AI技術(shù)的實(shí)際應(yīng)用打下了重要基礎(chǔ)。

不可否認(rèn)的是，物理層AI技術(shù)是一個(gè)新興研究領(lǐng)域，業(yè)界對(duì)其還有很多的疑惑和問題。例如其最主要的應(yīng)用場景是什么？訓(xùn)練數(shù)據(jù)集如何獲得，仿真還是實(shí)測? 如何提升AI算法的泛化性？評(píng)估準(zhǔn)則、評(píng)估指標(biāo)和傳統(tǒng)的通信系統(tǒng)有何不同？物理層AI的性能極限是怎樣的？AI算法的功耗和成本是不是會(huì)引入巨大的投入？AI算法是設(shè)備商私有還是公開透明？AI算法未來的標(biāo)準(zhǔn)化和產(chǎn)業(yè)化前景如何，要滿足怎樣的條件才可以順利落地？

本文首先分析了物理層AI面臨的問題和挑戰(zhàn)，然后對(duì)AI算法設(shè)計(jì)、數(shù)據(jù)集建立、評(píng)估準(zhǔn)則和指標(biāo)、泛化性提升等方面進(jìn)行系統(tǒng)闡述，并提出了提升AI 算法泛化性的幾種方案，最后提出了幾點(diǎn)未來的研究方向和標(biāo)準(zhǔn)化演進(jìn)思路。

1 物理層AI研究面臨的挑戰(zhàn)

雖然物理層AI的研究日益蓬勃發(fā)展，但仍然存在大量的問題和挑戰(zhàn)，需要業(yè)界持續(xù)深入研究和突破。

① 業(yè)界在數(shù)據(jù)集的構(gòu)建上還沒有達(dá)成一致的意見，不同研究機(jī)構(gòu)采用的數(shù)據(jù)集并不統(tǒng)一，AI模型和訓(xùn)練參數(shù)往往也不公開，導(dǎo)致研究結(jié)果難以相互驗(yàn)證；

② 目前主流的物理層AI算法都是來自于圖像與語音處理領(lǐng)域的經(jīng)典算法，由于無線信道具有自己獨(dú)特的特征，如何將經(jīng)典AI算法與無線數(shù)據(jù)以及無線領(lǐng)域?qū)＜抑R(shí)進(jìn)行有機(jī)融合還是非常開放的問題；

③ 無線通信系統(tǒng)的顯著特征是通信場景復(fù)雜多變(室內(nèi)、室外、高鐵等)與業(yè)務(wù)形式多樣(語音、視頻、圖片、網(wǎng)絡(luò)語音等)，如何讓物理層AI方案在有限算力前提下適用于多種通信場景與業(yè)務(wù)形式，是業(yè)界目前需要克服的重要挑戰(zhàn)；

④ 物理層AI未來標(biāo)準(zhǔn)化和產(chǎn)業(yè)化落地的先決條件是在什么場景下可以帶來怎樣的性能增益，在綜合考慮算力、功耗、數(shù)據(jù)集構(gòu)建開銷、無線信令開銷等成本的前提下，AI方案對(duì)比傳統(tǒng)設(shè)計(jì)是否有性能增益等重要問題還缺乏系統(tǒng)科學(xué)的分析與論證；

⑤ 泛化性是AI算法的固有問題，業(yè)界在泛化性定義、評(píng)估準(zhǔn)則與評(píng)估指標(biāo)等方面還沒有達(dá)成共識(shí)，3GPP等標(biāo)準(zhǔn)化組織已有的用于評(píng)估無線方案性能的方法體系也不能滿足系統(tǒng)性評(píng)估物理層AI方案的需求。

2 物理層AI算法設(shè)計(jì)理念和泛化性

針對(duì)某個(gè)或者多個(gè)無線通信場景和應(yīng)用性能提升(例如室外環(huán)境中的信道估計(jì))的AI算法設(shè)計(jì)，首先考慮數(shù)據(jù)集的建立，數(shù)據(jù)集應(yīng)該涵蓋所涉及的所有場景。根據(jù)數(shù)據(jù)集，進(jìn)而優(yōu)化設(shè)計(jì)AI算法設(shè)計(jì)，使得系統(tǒng)的性能最好。評(píng)估多個(gè)場景的AI算法性能時(shí)，評(píng)估準(zhǔn)則和指標(biāo)是非常關(guān)鍵的，尤其是和傳統(tǒng)的非AI方案相比，如何拉齊評(píng)估基準(zhǔn)(例如功耗、成本、復(fù)雜度、時(shí)延、空口資源開銷等)，將直接決定設(shè)計(jì)的AI算法性能是否優(yōu)秀。3GPP等標(biāo)準(zhǔn)化組織討論的基于AI的物理層增強(qiáng)也是應(yīng)該全面評(píng)估AI算法與傳統(tǒng)算法的開銷和性能，進(jìn)而決定引入AI技術(shù)對(duì)于系統(tǒng)來說是否有價(jià)值。此外，算法設(shè)計(jì)、數(shù)據(jù)集建立、評(píng)估準(zhǔn)則和指標(biāo)還必須要考慮泛化性的要求，需要聯(lián)合優(yōu)化設(shè)計(jì)。

在滿足數(shù)據(jù)集(數(shù)據(jù)集大小、數(shù)據(jù)的特征分布、采集開銷等)、模型訓(xùn)練與更新(包括訓(xùn)練和推理時(shí)延、復(fù)雜度、模型類型和參數(shù)規(guī)模等)、軟硬件資源(所需的軟硬件規(guī)模、成本等)、功耗(由于引入AI算法所需要的功耗開銷)等約束的前提下，AI架構(gòu)和算法的泛化性定義為對(duì)不同業(yè)務(wù)、用例、通信場景以及優(yōu)化目標(biāo)等多個(gè)指標(biāo)的適用性。

如表1所示，通信場景包括室外、室內(nèi)、城區(qū)、高鐵等典型場景，業(yè)務(wù)包括主流的無線通信業(yè)務(wù)，如話音、視頻、圖片、流媒體等；用例包括主流的物理層AI技術(shù)，例如信道估計(jì)、壓縮、預(yù)測、波束管理、功率控制、無線定位等；評(píng)價(jià)指標(biāo)KPI(Key Performance Indicator)包括信道反饋相關(guān)的歸一化均方誤差(Normalized Mean Square Error,NMSE)或是余弦相似度、吞吐量、服務(wù)質(zhì)量、業(yè)務(wù)體驗(yàn)質(zhì)量、誤碼率、中斷概率等。

表1 泛化性定義

傳統(tǒng)通信系統(tǒng)中針對(duì)不同的場景和業(yè)務(wù)采用不同的傳輸方案，例如不同的編碼調(diào)制方案、MIMO模式等。基于AI的物理層功能增強(qiáng)也很難有一套恒定的AI架構(gòu)和參數(shù)可以滿足不同場景和業(yè)務(wù)下不同的指標(biāo)需求。這就要求在給定的場景、業(yè)務(wù)、用例和指標(biāo)需求的前提下，明確AI模型的輸入輸出關(guān)系，然后建立科學(xué)的數(shù)據(jù)集進(jìn)行訓(xùn)練，形成優(yōu)化的模型架構(gòu)和相應(yīng)的參數(shù)。在業(yè)界大多數(shù)研究成果中，AI算法的泛化性普遍存在問題，尤其是隨著終端工作的信道環(huán)境發(fā)生變化時(shí)，用于訓(xùn)練的信道數(shù)據(jù)集和實(shí)際信道環(huán)境之間的不匹配很容易造成性能的下降。

3 考慮算法泛化性的評(píng)估準(zhǔn)則和指標(biāo)

為了便于與傳統(tǒng)非AI方案進(jìn)行對(duì)比，所選評(píng)估KPI應(yīng)當(dāng)能夠全面地反映物理層AI方案的性能與引入的開銷。與系統(tǒng)性能相關(guān)的KPI主要用途為量化物理層AI方案，相對(duì)于傳統(tǒng)非AI方案帶來的性能提升，可以參考傳統(tǒng)非AI方案性能的KPI。以空口AI中討論較多的FDD MIMO下行信道反饋增強(qiáng)為例，可以選取NMSE或是余弦相似度作為信道恢復(fù)精度的度量KPI，對(duì)于信道估計(jì)，可以選取信道估計(jì)的NMSE作為KPI，或是選擇鏈路級(jí)/系統(tǒng)級(jí)指標(biāo)(如誤比特率或吞吐量等)作為反映信道精度對(duì)系統(tǒng)性能影響的度量KPI。前者的優(yōu)點(diǎn)在于評(píng)估較為簡單，缺點(diǎn)是無法完全反映引入AI所帶來的開銷；相對(duì)地，后者優(yōu)點(diǎn)為能反映出基于AI的信道反饋方案對(duì)于系統(tǒng)性能的整體影響，缺點(diǎn)為評(píng)估步驟更加繁瑣。

另外，評(píng)估KPI需要考慮算法的泛化性能力需求，例如對(duì)于信道預(yù)測用例來說，在不同的天線數(shù)和不同場景情況下，KPI是要有區(qū)別的，既要反映不同場景下的AI能力所固有的差異性，又要體現(xiàn)不同場景下性能的穩(wěn)定性，不能出現(xiàn)太大的波動(dòng)。

為了引入物理層AI能力，并具有良好的泛化性，需要全面分析相關(guān)的代價(jià)和開銷。在與非AI的技術(shù)方案進(jìn)行比較時(shí)，這些代價(jià)需要綜合考慮。

AI模型訓(xùn)練和推理復(fù)雜度是指AI模型訓(xùn)練和推理階段帶來的計(jì)算開銷，實(shí)際部署中主要關(guān)注推理計(jì)算復(fù)雜度對(duì)運(yùn)行時(shí)間的影響，一般以模型訓(xùn)練和推理所需的浮點(diǎn)數(shù)運(yùn)算量為依據(jù)。對(duì)于在線訓(xùn)練方案來說，訓(xùn)練開銷會(huì)對(duì)方案的時(shí)延有明顯影響，訓(xùn)練時(shí)延是必須要考慮的因素。

訓(xùn)練和測試數(shù)據(jù)集大小是指因數(shù)據(jù)采集而產(chǎn)生的相關(guān)開銷，包含離線開銷和在線開銷。相比之下，非AI方案則不需要數(shù)據(jù)收集與訓(xùn)練過程，出于公平的原則應(yīng)當(dāng)將該過程的開銷計(jì)入AI方案的代價(jià)中。

用例相關(guān)的無線資源開銷是指在具體用例中引入AI帶來的無線資源開銷。以基于AI的下行信道壓縮反饋為例，其模型需要在終端與基站同時(shí)部署，并要求二者保持同步。該過程將涉及到模型本身的傳輸，因此需要將相關(guān)開銷納入考慮之中。但是對(duì)于基于AI的信道反饋等用例來說，只需在終端或基站側(cè)部署模型，不存在模型傳遞帶來的開銷。

這部分開銷相對(duì)很復(fù)雜，不同的泛化性要求會(huì)造成不同的方案設(shè)計(jì)以及相應(yīng)的開銷。例如，對(duì)于信道壓縮反饋的用例來說，如果要求優(yōu)秀的AI模型和算法泛化性，就需要AI模型與算法根據(jù)信道環(huán)境的變化實(shí)時(shí)在線更新，這不可避免地造成無線資源開銷的增加。另外，如果終端有較強(qiáng)的模型訓(xùn)練能力，終端側(cè)可以基于實(shí)時(shí)測量的下行信道信息進(jìn)行終端側(cè)AI編碼器的訓(xùn)練，基站側(cè)的AI譯碼器可以保持不變，從而可以大量降低無線資源開銷。

AI算法所需的硬件成本和功耗大規(guī)模AI算法通常需要昂貴的硬件設(shè)備，以及巨大的功耗開銷，這些是衡量AI算法性能非常重要的指標(biāo)。由于5G的大規(guī)模MIMO系統(tǒng)的功耗問題已經(jīng)非常嚴(yán)重[11-12]，面向未來6G，引入物理層AI 后如果其功耗和成本大幅增加，會(huì)影響標(biāo)準(zhǔn)化和產(chǎn)業(yè)化落地。

4 數(shù)據(jù)集構(gòu)建

AI模型的性能很大程度上取決于其訓(xùn)練數(shù)據(jù)，如果訓(xùn)練數(shù)據(jù)集未能充分體現(xiàn)數(shù)據(jù)特征，則可能導(dǎo)致AI模型的測試性能大幅下降，甚至改變最終的評(píng)估結(jié)論。物理層AI 的數(shù)據(jù)集的選擇主要有3種方式：① 根據(jù)已有的信道模型通過仿真的方式獲得，其優(yōu)點(diǎn)是多場景數(shù)據(jù)可以比較方便地生成，但是和具體通信場景的數(shù)據(jù)可能存在較大的偏差；② 通過實(shí)際信道測量的方式獲得，優(yōu)點(diǎn)是非常準(zhǔn)確，據(jù)此訓(xùn)練的AI模型效果最好，缺點(diǎn)是采集開銷非常大；③ 仿真模型和實(shí)測數(shù)據(jù)的結(jié)合，一般是利用ray-tracing方式得到某個(gè)區(qū)域的信道模型，然后再結(jié)合實(shí)測數(shù)據(jù)構(gòu)建數(shù)據(jù)集，這樣既可以基于實(shí)際的信道環(huán)境，又可以降低實(shí)際數(shù)據(jù)的采集開銷。

給定場景下采集的信道數(shù)據(jù)訓(xùn)練得到的模型在信道場景變化時(shí)會(huì)出現(xiàn)性能下降。一種直接的克服場景遷移中出現(xiàn)泛化性問題的方式是在訓(xùn)練集中包含多個(gè)場景下的數(shù)據(jù)，但由于模型存在歸因偏好，會(huì)出現(xiàn)某一類場景性能較好，另一類場景性能較差的情況。考慮基于自編碼器的下行信道信息的壓縮，以CDL信道模型為例，數(shù)據(jù)集采用uma LOS/uma NLOS/umi NLOS多個(gè)場景信道的混合數(shù)據(jù)進(jìn)行模型訓(xùn)練。在不同的測試場景下，NMSE的表現(xiàn)如表2所示。可以看出，在不同的反饋開銷下，相較于NLOS,LOS場景的性能較差，可能的原因是模型“遷就”樣式更復(fù)雜的樣本(NLOS)，對(duì)于LOS信道的簡單樣本無法有效利用其先驗(yàn)信息，這也說明數(shù)據(jù)集要根據(jù)通信場景科學(xué)的構(gòu)建。

表2 不同場景下信道壓縮反饋方案NMSE的性能

業(yè)界目前關(guān)于良好的無線數(shù)據(jù)集應(yīng)當(dāng)具備哪些特征存在一定爭論。從運(yùn)營商的角度來看，一個(gè)優(yōu)秀的無線數(shù)據(jù)集應(yīng)當(dāng)在滿足模型性能需求的前提下具有盡可能低的獲取開銷。雖然在評(píng)估階段，可以使用大規(guī)模的數(shù)據(jù)集來保證測試結(jié)果盡量準(zhǔn)確；但在實(shí)際網(wǎng)絡(luò)中，數(shù)據(jù)集獲取的開銷遠(yuǎn)非可以忽略的水平，甚至?xí)加孟喈?dāng)多的無線資源。雖然部分?jǐn)?shù)據(jù)采集過程可以與數(shù)據(jù)傳輸過程分開，并采取一定的錯(cuò)峰策略(例如選擇業(yè)務(wù)量較小的時(shí)候進(jìn)行數(shù)據(jù)采集)，但上述做法仍可能存在與現(xiàn)有部分無線節(jié)能策略沖突的可能性(例如大量的數(shù)據(jù)采集將占用原本基站關(guān)斷的時(shí)間)。因此，數(shù)據(jù)集構(gòu)建的基本原則是實(shí)測開銷要最小化。

一個(gè)降低數(shù)據(jù)集構(gòu)建難度的思路是設(shè)計(jì)高度可解釋性的AI算法，使其少量關(guān)鍵參數(shù)反映信道的特征，例如天線之間的相關(guān)性和多徑分布等。隨著通信信道環(huán)境的變化，終端或者基站可以根據(jù)實(shí)時(shí)測量的信道特征快速地更新AI架構(gòu)參數(shù)。這樣可以大幅度降低數(shù)據(jù)集構(gòu)建對(duì)實(shí)測數(shù)據(jù)的要求，而且還可以實(shí)時(shí)更新AI模型，使其快速適配信道狀態(tài)。

5 泛化性提升技術(shù)

基于前面泛化性的定義，由于無線系統(tǒng)中的數(shù)據(jù)與無線環(huán)境密切相關(guān)，且無線環(huán)境本身存在不穩(wěn)定性，再加上實(shí)際部署中對(duì)于模型推理時(shí)間的要求，所以在實(shí)際系統(tǒng)中使用單個(gè)強(qiáng)大而復(fù)雜的模型應(yīng)對(duì)所有無線環(huán)境的做法將會(huì)面對(duì)模型訓(xùn)練與推理開銷巨大的挑戰(zhàn)。物理層AI模型都將有一定的適用范圍，一旦超出這種范圍，例如終端由于移動(dòng)性發(fā)生了小區(qū)切換，甚至是直接來到另一個(gè)城市，則之前使用的模型很可能因出現(xiàn)明顯的性能下降甚至導(dǎo)致不可用的情況。為了克服該挑戰(zhàn)而使用的各種方案(包括模型更新等)帶來的開銷均可視為泛化性相關(guān)的開銷。

相關(guān)研究發(fā)現(xiàn)，物理層AI方案的性能與適用場景存在一定的折衷關(guān)系，同時(shí)要求一個(gè)模型具備很好的性能與較大的適用場景是極具挑戰(zhàn)的目標(biāo)。在基于深度學(xué)習(xí)的信道信息反饋中，往往采用自監(jiān)督學(xué)習(xí)方式訓(xùn)練自編碼器網(wǎng)絡(luò)，以基站側(cè)解碼器重建的信道信息與終端側(cè)的原始信道信息之間的誤差最小化為目標(biāo)進(jìn)行優(yōu)化，由于基站側(cè)沒有原始信道信息作為標(biāo)簽信息，需要終端將大量原始信道信息樣本傳輸至擁有較強(qiáng)算力的基站側(cè)進(jìn)行訓(xùn)練，由此引發(fā)了大量上行通信開銷，特別在信道環(huán)境快速變化的情況下，不符合實(shí)際系統(tǒng)的實(shí)時(shí)性要求。本文提出如下幾種泛化性提升的方案：

泛化性提升方案1以FDD MIMO系統(tǒng)下行信道的壓縮反饋為例[13-14]，采用自編碼器的AI架構(gòu)，編碼器和譯碼器需要聯(lián)合訓(xùn)練。一種提升泛化性能力的方法是根據(jù)信道的多徑分布情況進(jìn)行分類，例如LOS徑、3徑信道、5徑信道等。 針對(duì)不同的信道類別，首先選擇合適的數(shù)據(jù)集進(jìn)行訓(xùn)練，然后把AI模型和對(duì)應(yīng)的信道分類告知基站和終端。終端基于下行信道的測量結(jié)果選擇相應(yīng)的編碼器。隨著通信場景的變化，終端總是可以選擇最恰當(dāng)?shù)腁I編碼器，從而提升了算法的泛化性能力。

泛化性提升方案2設(shè)計(jì)具有可解釋性的AI模型，當(dāng)信道環(huán)境發(fā)生變化時(shí)，可以基于實(shí)時(shí)的信道測量結(jié)果對(duì)AI模型進(jìn)行小樣本訓(xùn)練或者配置。這種方案的難點(diǎn)在于如何根據(jù)發(fā)送/接收天線的配置和信道環(huán)境設(shè)計(jì)具有可解釋性的AI模型。

泛化性提升方案3遷移學(xué)習(xí)和元學(xué)習(xí)[15]。前者旨在將某領(lǐng)域或某任務(wù)中學(xué)到的知識(shí)應(yīng)用在其他目標(biāo)領(lǐng)域或任務(wù)中。通過遷移學(xué)習(xí)，僅使用少量樣本就可以快速獲得新的模型。后者是通過多次學(xué)習(xí)的經(jīng)驗(yàn)來改善和加快學(xué)習(xí)。通過元學(xué)習(xí)，可以通過少量的訓(xùn)練樣本快速學(xué)習(xí)新的任務(wù)。

6 未來研究和標(biāo)準(zhǔn)化趨勢

雖然業(yè)界在物理層AI方面的研究取得了豐碩的成果，基于前面的分析，面向未來仍然有大量的開放性課題。首先是基于AI的全物理層鏈路(發(fā)射機(jī)與接收機(jī))的優(yōu)化設(shè)計(jì)，目前的研究還比較初步，后續(xù)需要根據(jù)信道狀態(tài)和業(yè)務(wù)需求進(jìn)行發(fā)射與接收神經(jīng)網(wǎng)絡(luò)的聯(lián)合設(shè)計(jì)。另外，AI算法通常需要大量的訓(xùn)練數(shù)據(jù)開銷和大規(guī)模的神經(jīng)網(wǎng)絡(luò)，對(duì)系統(tǒng)的成本和功耗有很大的挑戰(zhàn)，未來迫切需要低訓(xùn)練開銷、低成本、低功耗的AI算法實(shí)現(xiàn)。由于AI算法的功耗和具體軟硬件設(shè)計(jì)密切相關(guān)，軟硬件的聯(lián)合優(yōu)化設(shè)計(jì)也是重要的降低功耗的手段。

面向標(biāo)準(zhǔn)化，物理層AI將逐步從物理層具體模塊功能增強(qiáng)方面的研究向多模塊甚至鏈路聯(lián)合優(yōu)化方面演進(jìn)。雖然用到的AI算法很可能不會(huì)被標(biāo)準(zhǔn)化，但是完全的代碼公開(包含模型本身的結(jié)構(gòu)與訓(xùn)練過程)將會(huì)成為一個(gè)要求，從而讓任意參與方可以完整復(fù)現(xiàn)其他方面的評(píng)估結(jié)果。另外，為了便于物理層AI的輸出決策信息可以直接作用于基站的調(diào)度器，接入網(wǎng)AI模塊和調(diào)度器之間的接口需要開放，這樣可以促進(jìn)智能開放的網(wǎng)絡(luò)實(shí)現(xiàn)和運(yùn)維。

7 結(jié)論

圍繞物理層AI關(guān)鍵技術(shù)，本文剖析了AI算法設(shè)計(jì)、數(shù)據(jù)集構(gòu)建、評(píng)估準(zhǔn)則和指標(biāo)以及泛化性增強(qiáng)等技術(shù)問題的內(nèi)在關(guān)系，給出了物理層AI算法設(shè)計(jì)中泛化性的定義，提出了系統(tǒng)性能的評(píng)估準(zhǔn)則和指標(biāo)，并深入分析了物理層AI 的代價(jià)。還提出了數(shù)據(jù)集構(gòu)建準(zhǔn)則，以及泛化性提升的多種方案，并對(duì)未來研究和標(biāo)準(zhǔn)化進(jìn)行了展望。