AI/ML在無(wú)線通信系統(tǒng)中物理層的應(yīng)用

李倫　郁光輝

【摘? 要】針對(duì)現(xiàn)有通信系統(tǒng)物理層中存在的問(wèn)題，提出了人工智能（AI）中的機(jī)器學(xué)習(xí)（ML）技術(shù)來(lái)解決其難題。梳理了AI/ML技術(shù)在這些方面的優(yōu)勢(shì)與挑戰(zhàn)，并給出了有關(guān)干擾檢測(cè)、端到端物理層聯(lián)合優(yōu)化等方面的若干典型范例。AI/ML技術(shù)的崛起會(huì)為下一代通信系統(tǒng)的設(shè)計(jì)提供一種超越傳統(tǒng)理念與性能的可能性。

【關(guān)鍵詞】人工智能;機(jī)器學(xué)習(xí);物理層;干擾檢測(cè);端到端聯(lián)合優(yōu)化

0? ?引言

隨著近些年現(xiàn)代計(jì)算與數(shù)據(jù)存儲(chǔ)技術(shù)的迅猛發(fā)展，人工智能（Artificial Intelligence， AI）技術(shù)也隨之廣泛地應(yīng)用于人們的生產(chǎn)生活中，其中最關(guān)鍵的機(jī)器學(xué)習(xí)（Machine Learning， ML）技術(shù)也為解決很多無(wú)法建立數(shù)學(xué)模型的難題提供技術(shù)支持。因此，研究人員很自然地也希望把AI/ML技術(shù)引入到無(wú)線通信系統(tǒng)中來(lái)解決傳統(tǒng)接入網(wǎng)中的技術(shù)難題。事實(shí)上，無(wú)線接入網(wǎng)中有很多地方無(wú)法用嚴(yán)格的數(shù)學(xué)模型加以準(zhǔn)確地描述，尤其是在無(wú)線接入側(cè)的高層，同時(shí)無(wú)線接入網(wǎng)每時(shí)每刻也會(huì)產(chǎn)生海量的數(shù)據(jù)需要分析，這也大大增加了系統(tǒng)設(shè)計(jì)的復(fù)雜度。當(dāng)下一代通信6G被定義為超通信時(shí)代后，無(wú)線接入網(wǎng)的高層又承擔(dān)了更多業(yè)務(wù)層面的功能，比如對(duì)數(shù)據(jù)包的分類，識(shí)別等，這些功能需求均比較適合AI/ML技術(shù)進(jìn)行處理。

此外，AI/ML的架構(gòu)和無(wú)線接入網(wǎng)的架構(gòu)也有很多不同的地方，前者是數(shù)據(jù)驅(qū)動(dòng)的，而后者是時(shí)間或事件驅(qū)動(dòng)，因此如何有機(jī)地將兩者設(shè)計(jì)在一個(gè)框架中也是具有比較大的挑戰(zhàn)性。通過(guò)上面的分析AI/ML在接入網(wǎng)里主要應(yīng)用場(chǎng)景在高層，而接入網(wǎng)高層在6G時(shí)代可能會(huì)出現(xiàn)基于微服務(wù)的架構(gòu)調(diào)整，這就為AI/ML功能的嵌入提供了非常好的契機(jī)?？梢酝ㄟ^(guò)對(duì)AI/ML的各個(gè)環(huán)節(jié)進(jìn)行功能抽象，如抽象成數(shù)據(jù)收集、訓(xùn)練、結(jié)果分發(fā)等功能，再形成標(biāo)準(zhǔn)API接口融入到無(wú)線接入高層的微服務(wù)體系中，這樣就實(shí)現(xiàn)了AI/ML和無(wú)線接入的有機(jī)結(jié)合。

但是AI/ML技術(shù)并不是適用于所有的應(yīng)用場(chǎng)景，它在未來(lái)的無(wú)線接入網(wǎng)中的使用也需要根據(jù)不同的場(chǎng)景進(jìn)行嚴(yán)謹(jǐn)?shù)脑O(shè)計(jì)，要發(fā)揮其優(yōu)勢(shì)并合理地使用AI/ML技術(shù)。經(jīng)典的AI/ML技術(shù)是數(shù)據(jù)驅(qū)動(dòng)的，它需要通過(guò)大量的數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，使得網(wǎng)絡(luò)有能力學(xué)習(xí)到數(shù)據(jù)內(nèi)在的規(guī)律，這個(gè)特點(diǎn)與無(wú)線接入網(wǎng)的底層設(shè)計(jì)又產(chǎn)生了很多矛盾。無(wú)線接入網(wǎng)的底層變化是非常快速的，這種變化通常是毫秒級(jí)別的，因此不可能提供充分的訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，同時(shí)無(wú)線接入網(wǎng)的底層對(duì)實(shí)時(shí)性要求很高，一般是毫秒級(jí)甚至是微秒級(jí)的，這種實(shí)時(shí)性要求也不允許網(wǎng)絡(luò)進(jìn)行非常復(fù)雜的訓(xùn)練和計(jì)算。當(dāng)然無(wú)線接入網(wǎng)的底層也并不都是變化非?？旎蛘邔?shí)時(shí)性要求非常高，比如上下行信道互易特征一般是比較穩(wěn)定的，再比如有時(shí)候干擾也可能是比較穩(wěn)定的。因此在一些特定場(chǎng)合，AI/ML技術(shù)在無(wú)線接入網(wǎng)的底層也具有適用性。

常見(jiàn)的AI技術(shù)涵蓋遺傳算法[1]和人工神經(jīng)網(wǎng)絡(luò)[2]兩大類，其本身是一種普適性的機(jī)器學(xué)習(xí)技術(shù)。凡是給定場(chǎng)景涉及到了數(shù)據(jù)的統(tǒng)計(jì)、推斷、擬合、優(yōu)化及聚類，AI均能找到其典型應(yīng)用。機(jī)器學(xué)習(xí)算法主要包括三個(gè)分支：監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)以及增強(qiáng)學(xué)習(xí)。

（1）監(jiān)督學(xué)習(xí)。在監(jiān)督學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)組分為兩部分：輸入對(duì)象與期望的輸出值（也稱作標(biāo)簽）。其訓(xùn)練目標(biāo)是學(xué)習(xí)輸入與標(biāo)簽之間的一種映射關(guān)系，并根據(jù)習(xí)得的映射關(guān)系來(lái)推斷其他輸入數(shù)據(jù)可能的輸出值。監(jiān)督學(xué)習(xí)中的一種典型范例即為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks， DNN），通過(guò)先驗(yàn)的訓(xùn)練數(shù)據(jù)組對(duì)人工神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)間的權(quán)重系數(shù)進(jìn)行離線訓(xùn)練直至網(wǎng)絡(luò)訓(xùn)練收斂。此時(shí)，人工神經(jīng)網(wǎng)絡(luò)將有能力對(duì)新來(lái)的未知數(shù)據(jù)進(jìn)行判別與推斷。

（2）非監(jiān)督學(xué)習(xí)。與監(jiān)督學(xué)習(xí)不同，非監(jiān)督學(xué)習(xí)訓(xùn)練沒(méi)有標(biāo)簽數(shù)據(jù)。通過(guò)非監(jiān)督學(xué)習(xí)，試圖找到這些數(shù)據(jù)中隱藏的結(jié)構(gòu)與內(nèi)在的數(shù)據(jù)特征。經(jīng)典的自動(dòng)編碼器（Autoencoder）結(jié)構(gòu)用到的就是非監(jiān)督學(xué)習(xí)方法，網(wǎng)絡(luò)自主學(xué)習(xí)輸入數(shù)據(jù)的內(nèi)部特征，并通過(guò)非監(jiān)督學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)權(quán)重參數(shù)進(jìn)行調(diào)整直至在輸出端盡可能恢復(fù)出輸入數(shù)據(jù)的真實(shí)值。

（3）增強(qiáng)學(xué)習(xí)。增強(qiáng)學(xué)習(xí)最典型的特征是可在線處理數(shù)據(jù)，它基于智能實(shí)體（Agent）與環(huán)境（Environment）之間的動(dòng)態(tài)交互，其關(guān)注的是智能實(shí)體如何在環(huán)境中采取一系列行為，從而獲得最大的積累回報(bào)。具體來(lái)說(shuō)就是當(dāng)智能實(shí)體感知到環(huán)境信息后，會(huì)依據(jù)自己采取動(dòng)作（Action）所可能帶來(lái)的獎(jiǎng)賞（Reward）或懲罰（Penalty），確定下一步動(dòng)作，并進(jìn)一步觀察環(huán)境的反饋來(lái)決定下一步的動(dòng)作，循環(huán)往復(fù)，直至收斂至某一穩(wěn)態(tài)目標(biāo)。

近年來(lái)AI/ML技術(shù)方法逐漸成熟，很多領(lǐng)域也都取得了巨大的突破并受到了廣泛的關(guān)注，這些機(jī)器學(xué)習(xí)的方法也適用于更廣泛、更復(fù)雜的應(yīng)用場(chǎng)景，這也為AI/ML在無(wú)線接入網(wǎng)中的應(yīng)用帶來(lái)了新的機(jī)遇。

1? ?AI/ML技術(shù)應(yīng)用在物理層的機(jī)遇與挑戰(zhàn)

1.1? AI/ML技術(shù)應(yīng)用在物理層的新機(jī)遇

在下一代6G通信系統(tǒng)中，AI/ML技術(shù)也將成為系統(tǒng)中不可缺少的一部分，但是目前AI/ML技術(shù)應(yīng)用于無(wú)線接入網(wǎng)的物理層中仍處于預(yù)研階段，是否真的可以突破傳統(tǒng)方法的性能現(xiàn)在還是一個(gè)未知數(shù)，但是一些傳統(tǒng)方法所無(wú)法解決的問(wèn)題AI/ML技術(shù)將為之提供一定的可能性。為此，本節(jié)將AI/ML技術(shù)如何與未來(lái)無(wú)線通信系統(tǒng)中物理層的應(yīng)用相結(jié)合的情況劃分為以下五個(gè)層次，具體分析如下：

（1）AI/ML技術(shù)實(shí)現(xiàn)特定功能。目前無(wú)線通信系統(tǒng)中依然存在一些不太容易解決的問(wèn)題，比如干擾發(fā)現(xiàn)與檢測(cè)、FDD上下行互易、信道預(yù)測(cè)等等，這些問(wèn)題往往由于非線性或者無(wú)法準(zhǔn)確建立模型而導(dǎo)致的，在使用傳統(tǒng)方法時(shí)，往往性能表現(xiàn)得并不是很好，然而這些方面機(jī)器學(xué)習(xí)卻是比較擅長(zhǎng)的。機(jī)器學(xué)習(xí)并不需要預(yù)先對(duì)問(wèn)題建立明確的數(shù)學(xué)模型，而是通過(guò)對(duì)已有的大量數(shù)據(jù)進(jìn)行訓(xùn)練得到相應(yīng)的訓(xùn)練模型，這樣的模型也會(huì)更加接近于真實(shí)的情況。因此系統(tǒng)可以引入機(jī)器學(xué)習(xí)的方法來(lái)代替?zhèn)鹘y(tǒng)方法解決類似的問(wèn)題。

（2）AI/ML技術(shù)對(duì)現(xiàn)有分立模塊進(jìn)行更新。傳統(tǒng)通信系統(tǒng)物理層的設(shè)計(jì)一般都是基于線性模型，因此一旦系統(tǒng)中遇到比較強(qiáng)烈的非線性因素影響，則系統(tǒng)的性能會(huì)急劇下降，同時(shí)接收側(cè)如果有意引入一些非線性的操作，則系統(tǒng)性能會(huì)有所提升。這樣的模塊非常多，比如編碼譯碼模塊、調(diào)制解調(diào)模塊、波形設(shè)計(jì)、導(dǎo)頻設(shè)計(jì)及信道估計(jì)、MIMO檢測(cè)等，都是通過(guò)引入一些非線性的處理算法來(lái)提升整體性能。類似地，如果系統(tǒng)中引入非模型的機(jī)器學(xué)習(xí)算法，或許會(huì)有一些意外的效果出現(xiàn)。因?yàn)槌Ｓ玫降纳疃葘W(xué)習(xí)（Deep Learning， DL）網(wǎng)絡(luò)已經(jīng)在圖像識(shí)別領(lǐng)域展現(xiàn)了強(qiáng)大的非線性處理能力，這也為通信系統(tǒng)物理層應(yīng)對(duì)非線性因素干擾的情況提供了新的解決方案。

（3）AI/ML技術(shù)與傳統(tǒng)方法的融合。傳統(tǒng)通信系統(tǒng)中基于模型的方法雖然有時(shí)模型過(guò)于理想化，但是畢竟能描述一個(gè)過(guò)程的主要特征，也可以將其當(dāng)作一種先驗(yàn)信息。如果在機(jī)器學(xué)習(xí)的設(shè)計(jì)過(guò)程中借鑒一些已有模型的特征，作為額外的信息輸入到機(jī)器學(xué)習(xí)中，則很有可能會(huì)克服機(jī)器學(xué)習(xí)的一些固有缺陷，如需要龐大的訓(xùn)練數(shù)據(jù)，欠擬合或者過(guò)擬合、收斂速度慢的情況等。

（4）物理層各模塊間的聯(lián)合優(yōu)化。通信系統(tǒng)物理層的傳統(tǒng)設(shè)計(jì)是分模塊分別優(yōu)化的，這樣的設(shè)計(jì)雖然可以保證每個(gè)模塊是最優(yōu)的情況，但是整體上做不到最優(yōu)。比如編碼、調(diào)制與波形在傳統(tǒng)系統(tǒng)中是分別設(shè)計(jì)的，一旦把三者綜合起來(lái)考慮，則往往因?yàn)榻邮斩藦?fù)雜度太高而放棄[3]。但是對(duì)于機(jī)器學(xué)習(xí)來(lái)說(shuō)，可以不需要精心地設(shè)計(jì)各類的編碼方案，也不需要仔細(xì)思考各種星座圖，可以通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)代替這種模塊級(jí)聯(lián)的方式，通過(guò)網(wǎng)絡(luò)自主學(xué)習(xí)的方式來(lái)獲取最優(yōu)的端到端映射方式。物理層中哪些模塊之間使用機(jī)器學(xué)習(xí)進(jìn)行聯(lián)合優(yōu)化，這是一個(gè)未來(lái)值得探討的方向。

（5）物理層的機(jī)器學(xué)習(xí)結(jié)構(gòu)化。物理層的機(jī)器學(xué)習(xí)本身需要一個(gè)結(jié)構(gòu)化的、能被標(biāo)準(zhǔn)化的一個(gè)功能實(shí)體，因此需要對(duì)物理層的機(jī)器學(xué)習(xí)中的各個(gè)功能進(jìn)行抽象，比如抽象為數(shù)據(jù)收集、訓(xùn)練及分法等各種標(biāo)準(zhǔn)接口，從而可以靈活編排出各種機(jī)器學(xué)習(xí)算法來(lái)實(shí)現(xiàn)各種物理層功能。

1.2? AI/ML技術(shù)應(yīng)用在物理層的新挑戰(zhàn)

AI/ML技術(shù)雖然可以打破傳統(tǒng)的設(shè)計(jì)理念，為下一代的通信物理層設(shè)計(jì)帶來(lái)新的機(jī)遇，但是隨之而來(lái)的也有新的挑戰(zhàn)。

（1）實(shí)時(shí)性。通信系統(tǒng)的物理層對(duì)數(shù)據(jù)處理發(fā)送的實(shí)時(shí)性要求很高，一般是毫秒級(jí)甚至是微秒級(jí)的，因此這種實(shí)時(shí)性要求也不可能允許網(wǎng)絡(luò)進(jìn)行充分的訓(xùn)練和復(fù)雜的計(jì)算。因此機(jī)器學(xué)習(xí)的方法應(yīng)用至這種實(shí)時(shí)性要求很高的場(chǎng)景需要慎重思考，實(shí)時(shí)性的問(wèn)題也是目前AI/ML技術(shù)應(yīng)用至物理層的主要難題之一。

（2）魯棒性。通信系統(tǒng)的物理層環(huán)境變化很快，很多實(shí)際場(chǎng)景下噪聲以及干擾的影響也隨時(shí)間變化很大，這就要求我們使用的AI/ML算法具有魯棒性，能對(duì)多種不同環(huán)境下的數(shù)據(jù)進(jìn)行正確接收判別，這對(duì)網(wǎng)絡(luò)的訓(xùn)練要求比較嚴(yán)格。訓(xùn)練數(shù)據(jù)集要盡可能完整，包括不同環(huán)境下獲得的數(shù)據(jù);同時(shí)數(shù)據(jù)不能受噪聲污染太嚴(yán)重也不能太過(guò)于干凈，這樣機(jī)器學(xué)習(xí)算法很難習(xí)得真正有效部分?jǐn)?shù)據(jù)的信息并且對(duì)噪聲魯棒。因此，訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)要對(duì)測(cè)試場(chǎng)景魯棒也是現(xiàn)階段一大難題。

（3）網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)。當(dāng)前在圖像識(shí)別中取得突破的各種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)都是基于實(shí)數(shù)設(shè)計(jì)的，但是在通信物理層中數(shù)據(jù)的形式卻為復(fù)數(shù)，因此將實(shí)數(shù)網(wǎng)絡(luò)應(yīng)用至復(fù)數(shù)系統(tǒng)中目前也不是最合適的選擇。近幾年雖然有研究人員針對(duì)復(fù)數(shù)域問(wèn)題研究復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)，但是復(fù)數(shù)網(wǎng)絡(luò)中的激活函數(shù)、損失函數(shù)及反向傳播算法（Back Propagation， BP）等相比于實(shí)數(shù)網(wǎng)絡(luò)有更大的局限性，沒(méi)有一套標(biāo)準(zhǔn)的理論體系，因此合適的復(fù)數(shù)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)也是未來(lái)一個(gè)重要的研究方向。

2? ? AI/ML應(yīng)用至物理層典型范例

本節(jié)將具體介紹AI應(yīng)用于通信物理層的兩個(gè)典型范例：干擾的檢測(cè)技術(shù)、基于AI的物理層端到端優(yōu)化設(shè)計(jì)。

2.1? 基于AI/ML的干擾檢測(cè)技術(shù)

在實(shí)際場(chǎng)景的數(shù)據(jù)傳輸過(guò)程中難免會(huì)遇到各種噪聲以及其他用戶數(shù)據(jù)的干擾，在頻譜資源有限的情況，不同系統(tǒng)共享同一頻帶相互干擾的情景也不可避免。而在軍用通信中，傳輸信號(hào)可能遭受敵方惡意干擾。這都可能導(dǎo)致頻帶的一部分被相對(duì)更窄帶寬的傳輸信號(hào)所影響，后者將對(duì)系統(tǒng)造成窄帶干擾。而且有時(shí)這些干擾給系統(tǒng)引入了很強(qiáng)的非線性相關(guān)性，這種強(qiáng)相關(guān)性給傳統(tǒng)的接收機(jī)處理帶來(lái)很大的困難，導(dǎo)致性能?chē)?yán)重下降并且處理起來(lái)會(huì)帶給系統(tǒng)很大的計(jì)算復(fù)雜度。相比于傳統(tǒng)數(shù)學(xué)方法，AI/ML算法面對(duì)具有內(nèi)部相關(guān)性的信號(hào)特征提取有很大的優(yōu)勢(shì)，并且也會(huì)有意想不到的結(jié)果。

文獻(xiàn)[4]提出了一種基于復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)（Complex-valued Convolutional Neural Net works， CCNN）的信道干擾檢測(cè)方法來(lái)識(shí)別信道中具有強(qiáng)相關(guān)性的干擾并幫助線性譯碼器提升譯碼性能，具體結(jié)構(gòu)示意圖如圖1所示。

該方法借鑒了CNN網(wǎng)絡(luò)在提取圖像內(nèi)部特征方面的優(yōu)勢(shì)來(lái)提取具有相關(guān)性的干擾特征并進(jìn)行學(xué)習(xí)，圖中兩級(jí)網(wǎng)絡(luò)的接收端結(jié)構(gòu)可以盡可能地恢復(fù)其原始干擾形式并在接收端將其去除為置信傳播（Belief Propagation， BP）譯碼器提供更干凈的接收符號(hào)。但是，在物理層傳輸?shù)姆?hào)形式均為復(fù)數(shù)，傳統(tǒng)的CNN網(wǎng)絡(luò)卻是實(shí)數(shù)網(wǎng)絡(luò)，其對(duì)復(fù)數(shù)的分離處理會(huì)損失一部分的復(fù)數(shù)相位信息，因此引入了復(fù)數(shù)的CNN網(wǎng)絡(luò)來(lái)進(jìn)一步提升對(duì)復(fù)數(shù)符號(hào)的學(xué)習(xí)性能。這種設(shè)計(jì)的接收端結(jié)構(gòu)可以對(duì)更為復(fù)雜的干擾形式進(jìn)行學(xué)習(xí)，因?yàn)榈诙?jí)網(wǎng)絡(luò)可以在第一級(jí)網(wǎng)絡(luò)學(xué)習(xí)后估計(jì)的干擾數(shù)據(jù)基礎(chǔ)上進(jìn)行二次學(xué)習(xí)，進(jìn)一步提升干擾估計(jì)的準(zhǔn)確性并且第二個(gè)網(wǎng)絡(luò)也可以基于第一個(gè)網(wǎng)絡(luò)完成快速訓(xùn)練收斂。雖然這種接收端系統(tǒng)增加了復(fù)雜度以及訓(xùn)練的開(kāi)銷，但是訓(xùn)練是在離線階段完成的，在線測(cè)試階段的時(shí)間并不會(huì)增加太多，隨之帶來(lái)的譯碼增益也是相對(duì)可觀的。圖2給出了在10M帶寬的OFDM系統(tǒng)中加入2M帶寬的高頻時(shí)域干擾場(chǎng)景下的性能仿真，信噪比在13 dB時(shí)兩級(jí)網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)可以完全正確譯碼，但是一級(jí)網(wǎng)絡(luò)結(jié)構(gòu)卻在15 dB時(shí)誤塊率僅降至0.15，這也遠(yuǎn)遠(yuǎn)提升了傳統(tǒng)譯碼器的性能。而且訓(xùn)練好的該系統(tǒng)還對(duì)不同相關(guān)性的干擾形式具有一定的魯棒性，比如時(shí)域?yàn)V波后的相關(guān)色噪聲等具有一定內(nèi)部相關(guān)性的信號(hào)。這也體現(xiàn)了機(jī)器學(xué)習(xí)算法可以對(duì)無(wú)法準(zhǔn)確數(shù)學(xué)建模的信號(hào)提取特征的優(yōu)點(diǎn)。

雖然機(jī)器學(xué)習(xí)方法給我們帶來(lái)了更多的干擾檢測(cè)方法，但是也有一定的局限性。當(dāng)系統(tǒng)中干擾信號(hào)的相關(guān)性弱至網(wǎng)絡(luò)無(wú)法學(xué)習(xí)到內(nèi)部特征的時(shí)候，例如：頻域干擾信號(hào)的帶寬較寬時(shí)，時(shí)域就會(huì)呈現(xiàn)雜亂無(wú)章的形式，該方法就會(huì)失效。而且我們還需要考慮網(wǎng)絡(luò)的訓(xùn)練復(fù)雜度、網(wǎng)絡(luò)在不同環(huán)境下的魯棒性等因素，因此還需要深入地研究設(shè)計(jì)出合理的解決方案。

2.2? 基于AI/ML的物理層端到端優(yōu)化

AI/ML算法在物理層若干模塊上成功實(shí)現(xiàn)了功能優(yōu)化，例如文獻(xiàn)[5]提出的基于神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識(shí)別，文獻(xiàn)[6]提出的DNN極化譯碼器及文獻(xiàn)[7]提出的基于DNN的MIMO檢測(cè)算法等。但是單個(gè)模塊的優(yōu)化并不能保證整個(gè)物理層端到端通信的整體優(yōu)化，而在端到端通信的實(shí)現(xiàn)中，多個(gè)基于迭代算法的AI模塊的拼接反而會(huì)帶來(lái)更高的訓(xùn)練和計(jì)算復(fù)雜度[8]，因此，一種對(duì)物理層端到端的聯(lián)合優(yōu)化方法需要被進(jìn)一步研究。

目前，文獻(xiàn)[9]提出將物理層通信看成是一個(gè)端到端的信號(hào)重構(gòu)問(wèn)題，引入深度學(xué)習(xí)中自編碼器的方法來(lái)表示物理層的通信過(guò)程，進(jìn)行端到端通信的聯(lián)合優(yōu)化。自編碼器是一種典型的無(wú)監(jiān)督學(xué)習(xí)方法，其結(jié)構(gòu)是由神經(jīng)網(wǎng)絡(luò)組成，通過(guò)對(duì)輸入數(shù)據(jù)的壓縮形式提取特征進(jìn)行“編碼”，并對(duì)壓縮數(shù)據(jù)進(jìn)行重構(gòu)實(shí)現(xiàn)“解碼”。在基于自編碼器的端到端系統(tǒng)中，主要包含三個(gè)模塊：發(fā)送端、信道與接收端。發(fā)送端與接收端是由全連接的DNN網(wǎng)絡(luò)構(gòu)成，中間加入AWGN信道層。發(fā)送的數(shù)據(jù)是0、1比特經(jīng)過(guò)One-hot編碼之后的符號(hào)向量，對(duì)應(yīng)地在接收端連接一個(gè)Softmax激活函數(shù)層來(lái)給出符號(hào)向量的概率來(lái)判定接收到的信息。為了發(fā)送端輸出值符合物理約束，發(fā)射端網(wǎng)絡(luò)需要連接一個(gè)功率歸一化層，具體的結(jié)構(gòu)如圖3所示。與傳統(tǒng)系統(tǒng)相類似，基于自編碼器的系統(tǒng)也是將誤比特率（BER）或誤塊率（BLER）為性能評(píng)判標(biāo)準(zhǔn)，以此來(lái)判斷網(wǎng)絡(luò)性能的優(yōu)劣。文獻(xiàn)[10]至文獻(xiàn)[13]也針對(duì)其中自編碼器的神經(jīng)網(wǎng)絡(luò)層進(jìn)行新的結(jié)構(gòu)設(shè)計(jì)來(lái)提升譯碼性能，同時(shí)在信道層之間加入衰落信道、MIMO信道等條件來(lái)實(shí)現(xiàn)更復(fù)雜的功能。

基于自編碼器設(shè)計(jì)的端到端系統(tǒng)的優(yōu)勢(shì)在于它是一個(gè)基于神經(jīng)網(wǎng)絡(luò)搭建的端到端信息重構(gòu)體系，不依賴于任何經(jīng)典的編碼、調(diào)制、檢測(cè)等方法，而是通過(guò)信息重構(gòu)的損失函數(shù)來(lái)聯(lián)合優(yōu)化整個(gè)端到端網(wǎng)絡(luò)。自編碼器是一種無(wú)監(jiān)督的學(xué)習(xí)方法，它可以自主地對(duì)輸入數(shù)據(jù)進(jìn)行學(xué)習(xí)，而不需要預(yù)先建立好準(zhǔn)確的數(shù)學(xué)模型。圖4也給出了網(wǎng)絡(luò)根據(jù)大量的輸入符號(hào)而習(xí)得的64點(diǎn)星座圖，它是由中心點(diǎn)呈多邊形逐層擴(kuò)散的形式，這也與傳統(tǒng)的方形64QAM星座圖有很大不同。但是新的星座圖同樣可以使得網(wǎng)絡(luò)進(jìn)行比特恢復(fù)，這也為傳統(tǒng)調(diào)制星座圖的設(shè)計(jì)提供了更多的可能性。同時(shí)，該系統(tǒng)也有效避免了多種模塊拼接而產(chǎn)生的多層網(wǎng)絡(luò)所帶來(lái)的高訓(xùn)練、計(jì)算復(fù)雜度。

雖然這種基于自編碼器的物理層設(shè)計(jì)達(dá)到了整體優(yōu)化的目的，但是目前的性能結(jié)果還不是特別令人滿意，相比于成熟的模塊級(jí)聯(lián)設(shè)計(jì)所能達(dá)到的性能還有一定差距，而且變化快、實(shí)時(shí)性高的環(huán)境下訓(xùn)練網(wǎng)絡(luò)的效率需要考慮，訓(xùn)練好的網(wǎng)絡(luò)對(duì)不同測(cè)試環(huán)境下的魯棒性也同樣是一個(gè)難題需要攻破，因此未來(lái)AI端到端的物理層優(yōu)化設(shè)計(jì)還需要深入研究并逐步完善。

3? ?結(jié)束語(yǔ)

綜上所述，AI技術(shù)的廣泛應(yīng)用是未來(lái)不可阻擋的發(fā)展潮流，下一代通信系統(tǒng)也會(huì)與AI技術(shù)進(jìn)行更緊密有機(jī)地結(jié)合，不管在無(wú)線接入網(wǎng)的高層還是底層，AI技術(shù)都能發(fā)揮其優(yōu)勢(shì)，為現(xiàn)有傳統(tǒng)通信系統(tǒng)中無(wú)法有效解決的難題提供新的理念。但是不能盲目樂(lè)觀，將AI技術(shù)應(yīng)用至未來(lái)通信系統(tǒng)也會(huì)帶來(lái)更多新的挑戰(zhàn)，尤其在復(fù)雜的物理層環(huán)境中需要攻克的難題更多，需要深入研究新理論，合理分析技術(shù)的適用場(chǎng)景及可行性，充分發(fā)揮AI技術(shù)的潛力，為下一代通信提供更多的可能性。

參考文獻(xiàn)：

[1]? ? ? WHITLEY D. A genetic algorithm tutorial[J]. Statistics?& Computing， 1994，4（2）： 65-85.

[2]? ? ?SCHMIDHUBER J. Deep learning in neural networks： An overview[J]. Neural Netw， 2015，61： 85-117.

[3]? ? ? S ALI， W SAAD， N RAJATHEVA， et al. 6G White Paper?on Machine Learning in Wireless Communication Networks[Z]. 2020.

[4]? ? L LI， G YU， J XU， et al. Channel Decoding Based on Complex-valued Convolutional Neural Networks[C]//2020 2nd 6G Wireless Summit （6G SUMMIT）. Levi， Finland， 2020： 1-5.

[5]? ? HONG S， ZHANG Y， WANG Y， et al. Deep Learning based Signal Modulation Identification in OFDM Systems[J]. IEEE Access， 2019： 1.

[6]? ? ? XU W， WU Z， UENG Y L， et al. Improved polar decoder based on deep learning[C]//2017 IEEE International Workshop on Signal Processing Systems （SiPS）. IEEE， 2017.

[7]? ? CHEN Q， ZHANG S， XU S， et al. Efficient MIMO Detection with Imperfect Channel Knowledge - A Deep Learning Approach[C]//2019 IEEE Wireless Communications and Networking Conference （WCNC）. IEEE， 2019.

[8]? ? 尤肖虎，張川，談曉思，等. 基于AI的5G技術(shù)——研究方向與范例[J]. 中國(guó)科學(xué)：信息科學(xué)， 2018，48（12）： 1589-1602.

[9]? ? ?OSHEA T， HOYDIS J. An Introduction to Deep Learning?for the Physical Layer[J]. IEEE Transactions on Cognitive?Communications & Networking， 2017，3（4）： 563-575.

[10]? N WU， X WANG， B LIN， et al. A CNN-Based End-to-End Learning Framework Toward Intelligent Communication Systems[J]. IEEE Access， 2019，7： 110197-110204.

[11]? ?O'SHEA T J， ERPEK T， CLANCY T C. Physical layer deep learning of encodings for the MIMO fading channel[C]//Allerton Conference on Communication. IEEE， 2018.

[12]? ERPEK T， O'SHEA T J， CLANCY T C. Learning a Physical Layer Scheme for the MIMO Interference Channel[C]//2018 IEEE International Conference on Communications （ICC 2018）. IEEE， 2018.

[13]? ?JI D J， PARK J， CHO D H. ConvAE： A New Channel Autoencoder Based on Convolutional Layers and Residual Connections[J]. IEEE Communications Letters， 2019（10）： 1.

作者簡(jiǎn)介

李倫（orcid.org/0000-0002-2234-9401）：通信工程師，碩士畢業(yè)于哈爾濱工業(yè)大學(xué)，現(xiàn)任職于中興通訊股份有限公司，主要從事人工智能/機(jī)器學(xué)習(xí)應(yīng)用至無(wú)線通信系統(tǒng)物理層的研究工作。

郁光輝：正高級(jí)工程師，博士畢業(yè)于北京理工大學(xué)，現(xiàn)任中興通訊股份有限公司無(wú)線技術(shù)預(yù)研總工，主要從事無(wú)線移動(dòng)通信標(biāo)準(zhǔn)預(yù)研工作，先后深度參與我國(guó)TD-S-CDMA、Wimax、802.16m、802.11系列、LTE、LTE-A、NR等多種3G、B3G、4G、B4G、5G、B5G及6G等無(wú)線通信系統(tǒng)的標(biāo)準(zhǔn)預(yù)研工作。獲得中國(guó)專利優(yōu)秀獎(jiǎng)兩次，中國(guó)專利銀獎(jiǎng)一次，深圳市科技進(jìn)步獎(jiǎng)兩次，深圳市專利獎(jiǎng)一次，深圳市地方級(jí)領(lǐng)軍人物等榮譽(yù)稱號(hào)。