李倫　郁光輝

【摘? 要】針對現(xiàn)有通信系統(tǒng)物理層中存在的問題，提出了人工智能（AI）中的機器學(xué)習(xí)（ML）技術(shù)來解決其難題。梳理了AI/ML技術(shù)在這些方面的優(yōu)勢與挑戰(zhàn)，并給出了有關(guān)干擾檢測、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)的崛起會為下一代通信系統(tǒng)的設(shè)計提供一種超越傳統(tǒng)理念與性能的可能性。

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

0? ?引言

隨著近些年現(xiàn)代計算與數(shù)據(jù)存儲技術(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)鍵的機器學(xué)習(xí)（Machine Learning， ML）技術(shù)也為解決很多無法建立數(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)引入到無線通信系統(tǒng)中來解決傳統(tǒng)接入網(wǎng)中的技術(shù)難題。事實上，無線接入網(wǎng)中有很多地方無法用嚴格的數(shù)學(xué)模型加以準確地描述，尤其是在無線接入側(cè)的高層，同時無線接入網(wǎng)每時每刻也會產(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)計的復(fù)雜度。當下一代通信6G被定義為超通信時代后，無線接入網(wǎng)的高層又承擔(dān)了更多業(yè)務(wù)層面的功能，比如對數(shù)據(jù)包的分類，識別等，這些功能需求均比較適合AI/ML技術(shù)進行處理。

此外，AI/ML的架構(gòu)和無線接入網(wǎng)的架構(gòu)也有很多不同的地方，前者是數(shù)據(jù)驅(qū)動的，而后者是時間或事件驅(qū)動，因此如何有機地將兩者設(shè)計在一個框架中也是具有比較大的挑戰(zhàn)性。通過上面的分析AI/ML在接入網(wǎng)里主要應(yīng)用場景在高層，而接入網(wǎng)高層在6G時代可能會出現(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。可以通過對AI/ML的各個環(huán)節(jié)進行功能抽象，如抽象成數(shù)據(jù)收集、訓(xùn)練、結(jié)果分發(fā)等功能，再形成標準API接口融入到無線接入高層的微服務(wù)體系中，這樣就實現(xiàn)了AI/ML和無線接入的有機結(jié)合。

但是AI/ML技術(shù)并不是適用于所有的應(yīng)用場景，它在未來的無線接入網(wǎng)中的使用也需要根據(jù)不同的場景進行嚴謹?shù)脑O(shè)計，要發(fā)揮其優(yōu)勢并合理地使用AI/ML技術(shù)。經(jīng)典的AI/ML技術(shù)是數(shù)據(jù)驅(qū)動的，它需要通過大量的數(shù)據(jù)來訓(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，這個特點與無線接入網(wǎng)的底層設(shè)計又產(chǎn)生了很多矛盾。無線接入網(wǎng)的底層變化是非常快速的，這種變化通常是毫秒級別的，因此不可能提供充分的訓(xùn)練數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)，同時無線接入網(wǎng)的底層對實時性要求很高，一般是毫秒級甚至是微秒級的，這種實時性要求也不允許網(wǎng)絡(luò)進行非常復(fù)雜的訓(xùn)練和計算。當然無線接入網(wǎng)的底層也并不都是變化非?？旎蛘邔崟r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，再比如有時候干擾也可能是比較穩(wěn)定的。因此在一些特定場合，AI/ML技術(shù)在無線接入網(wǎng)的底層也具有適用性。

常見的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器學(xué)習(xí)技術(shù)。凡是給定場景涉及到了數(shù)據(jù)的統(tǒng)計、推斷、擬合、優(yōu)化及聚類，AI均能找到其典型應(yīng)用。機器學(xué)習(xí)算法主要包括三個分支：監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)以及增強學(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：輸入對象與期望的輸出值（也稱作標簽）。其訓(xùn)練目標是學(xué)習(xí)輸入與標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），通過先驗的訓(xùn)練數(shù)據(jù)組對人工神經(jīng)網(wǎng)絡(luò)中節(jié)點間的權(quán)重系數(shù)進行離線訓(xùn)練直至網(wǎng)絡(luò)訓(xùn)練收斂。此時，人工神經(jīng)網(wǎng)絡(luò)將有能力對新來的未知數(shù)據(jù)進行判別與推斷。

（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)練沒有標簽數(shù)據(jù)。通過非監(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，并通過非監(jiān)督學(xué)習(xí)算法對網(wǎng)絡(luò)權(quán)重參數(shù)進行調(diào)整直至在輸出端盡可能恢復(fù)出輸入數(shù)據(jù)的真實值。

（3）增強學(xué)習(xí)。增強學(xué)習(xí)最典型的特征是可在線處理數(shù)據(jù)，它基于智能實體（Agent）與環(huán)境（Environment）之間的動態(tài)交互，其關(guān)注的是智能實體如何在環(huán)境中采取一系列行為，從而獲得最大的積累回報。具體來說就是當智能實體感知到環(huán)境信息后，會依據(jù)自己采取動作（Action）所可能帶來的獎賞（Reward）或懲罰（Penalty），確定下一步動作，并進一步觀察環(huán)境的反饋來決定下一步的動作，循環(huán)往復(fù)，直至收斂至某一穩(wěn)態(tài)目標。

近年來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，這些機器學(xué)習(xí)的方法也適用于更廣泛、更復(fù)雜的應(yīng)用場景，這也為AI/ML在無線接入網(wǎng)中的應(yīng)用帶來了新的機遇。

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

1.1? AI/ML技術(shù)應(yīng)用在物理層的新機遇

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)在還是一個未知數(shù)，但是一些傳統(tǒng)方法所無法解決的問題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)如何與未來無線通信系統(tǒng)中物理層的應(yīng)用相結(jié)合的情況劃分為以下五個層次，具體分析如下：

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

（2）AI/ML技術(shù)對現(xiàn)有分立模塊進行更新。傳統(tǒng)通信系統(tǒng)物理層的設(shè)計一般都是基于線性模型，因此一旦系統(tǒng)中遇到比較強烈的非線性因素影響，則系統(tǒng)的性能會急劇下降，同時接收側(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、導(dǎo)頻設(shè)計及信道估計、MIMO檢測等，都是通過引入一些非線性的處理算法來提升整體性能。類似地，如果系統(tǒng)中引入非模型的機器學(xué)習(xí)算法，或許會有一些意外的效果出現(xiàn)。因為常用到的深度學(xué)習(xí)（Deep Learning， DL）網(wǎng)絡(luò)已經(jīng)在圖像識別領(lǐng)域展現(xiàn)了強大的非線性處理能力，這也為通信系統(tǒng)物理層應(yīng)對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模型過于理想化，但是畢竟能描述一個過程的主要特征，也可以將其當作一種先驗信息。如果在機器學(xué)習(xí)的設(shè)計過程中借鑒一些已有模型的特征，作為額外的信息輸入到機器學(xué)習(xí)中，則很有可能會克服機器學(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)計是分模塊分別優(yōu)化的，這樣的設(shè)計雖然可以保證每個模塊是最優(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)計的，一旦把三者綜合起來考慮，則往往因為接收端復(fù)雜度太高而放棄[3]。但是對于機器學(xué)習(xí)來說，可以不需要精心地設(shè)計各類的編碼方案，也不需要仔細思考各種星座圖，可以通過神經(jīng)網(wǎng)絡(luò)來代替這種模塊級聯(lián)的方式，通過網(wǎng)絡(luò)自主學(xué)習(xí)的方式來獲取最優(yōu)的端到端映射方式。物理層中哪些模塊之間使用機器學(xué)習(xí)進行聯(lián)合優(yōu)化，這是一個未來值得探討的方向。

（5）物理層的機器學(xué)習(xí)結(jié)構(gòu)化。物理層的機器學(xué)習(xí)本身需要一個結(jié)構(gòu)化的、能被標準化的一個功能實體，因此需要對物理層的機器學(xué)習(xí)中的各個功能進行抽象，比如抽象為數(shù)據(jù)收集、訓(xùn)練及分法等各種標準接口，從而可以靈活編排出各種機器學(xué)習(xí)算法來實現(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)計理念，為下一代的通信物理層設(shè)計帶來新的機遇，但是隨之而來的也有新的挑戰(zhàn)。

（1）實時性。通信系統(tǒng)的物理層對數(shù)據(jù)處理發(fā)送的實時性要求很高，一般是毫秒級甚至是微秒級的，因此這種實時性要求也不可能允許網(wǎng)絡(luò)進行充分的訓(xùn)練和復(fù)雜的計算。因此機器學(xué)習(xí)的方法應(yīng)用至這種實時性要求很高的場景需要慎重思考，實時性的問題也是目前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，很多實際場景下噪聲以及干擾的影響也隨時間變化很大，這就要求我們使用的AI/ML算法具有魯棒性，能對多種不同環(huán)境下的數(shù)據(jù)進行正確接收判別，這對網(wǎng)絡(luò)的訓(xùn)練要求比較嚴格。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);同時數(shù)據(jù)不能受噪聲污染太嚴重也不能太過于干凈，這樣機器學(xué)習(xí)算法很難習(xí)得真正有效部分數(shù)據(jù)的信息并且對噪聲魯棒。因此，訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)要對測試場景魯棒也是現(xiàn)階段一大難題。

（3）網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計。當前在圖像識別中取得突破的各種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)都是基于實數(shù)設(shè)計的，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復(fù)數(shù)域問題研究復(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）等相比于實數(shù)網(wǎng)絡(luò)有更大的局限性，沒有一套標準的理論體系，因此合適的復(fù)數(shù)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計也是未來一個重要的研究方向。

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典型范例：干擾的檢測技術(shù)、基于AI的物理層端到端優(yōu)化設(shè)計。

2.1? 基于AI/ML的干擾檢測技術(shù)

在實際場景的數(shù)據(jù)傳輸過程中難免會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更窄帶寬的傳輸信號所影響，后者將對系統(tǒng)造成窄帶干擾。而且有時這些干擾給系統(tǒng)引入了很強的非線性相關(guān)性，這種強相關(guān)性給傳統(tǒng)的接收機處理帶來很大的困難，導(dǎo)致性能嚴重下降并且處理起來會帶給系統(tǒng)很大的計算復(fù)雜度。相比于傳統(tǒng)數(shù)學(xué)方法，AI/ML算法面對具有內(nèi)部相關(guān)性的信號特征提取有很大的優(yōu)勢，并且也會有意想不到的結(jié)果。

文獻[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）的信道干擾檢測方法來識別信道中具有強相關(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)勢來提取具有相關(guān)性的干擾特征并進行學(xué)習(xí)，圖中兩級網(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。但是，在物理層傳輸?shù)姆栃问骄鶠閺?fù)數(shù)，傳統(tǒng)的CNN網(wǎng)絡(luò)卻是實數(shù)網(wǎng)絡(luò)，其對復(fù)數(shù)的分離處理會損失一部分的復(fù)數(shù)相位信息，因此引入了復(fù)數(shù)的CNN網(wǎng)絡(luò)來進一步提升對復(fù)數(shù)符號的學(xué)習(xí)性能。這種設(shè)計的接收端結(jié)構(gòu)可以對更為復(fù)雜的干擾形式進行學(xué)習(xí)，因為第二級網(wǎng)絡(luò)可以在第一級網(wǎng)絡(luò)學(xué)習(xí)后估計的干擾數(shù)據(jù)基礎(chǔ)上進行二次學(xué)習(xí)，進一步提升干擾估計的準確性并且第二個網(wǎng)絡(luò)也可以基于第一個網(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)練的開銷，但是訓(xùn)練是在離線階段完成的，在線測試階段的時間并不會增加太多，隨之帶來的譯碼增益也是相對可觀的。圖2給出了在10M帶寬的OFDM系統(tǒng)中加入2M帶寬的高頻時域干擾場景下的性能仿真，信噪比在13 dB時兩級網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)可以完全正確譯碼，但是一級網(wǎng)絡(luò)結(jié)構(gòu)卻在15 dB時誤塊率僅降至0.15，這也遠遠提升了傳統(tǒng)譯碼器的性能。而且訓(xùn)練好的該系統(tǒng)還對不同相關(guān)性的干擾形式具有一定的魯棒性，比如時域濾波后的相關(guān)色噪聲等具有一定內(nèi)部相關(guān)性的信號。這也體現(xiàn)了機器學(xué)習(xí)算法可以對無法準確數(shù)學(xué)建模的信號提取特征的優(yōu)點。

雖然機器學(xué)習(xí)方法給我們帶來了更多的干擾檢測方法，但是也有一定的局限性。當系統(tǒng)中干擾信號的相關(guān)性弱至網(wǎng)絡(luò)無法學(xué)習(xí)到內(nèi)部特征的時候，例如：頻域干擾信號的帶寬較寬時，時域就會呈現(xiàn)雜亂無章的形式，該方法就會失效。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現(xiàn)了功能優(yōu)化，例如文獻[5]提出的基于神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識別，文獻[6]提出的DNN極化譯碼器及文獻[7]提出的基于DNN的MIMO檢測算法等。但是單個模塊的優(yōu)化并不能保證整個物理層端到端通信的整體優(yōu)化，而在端到端通信的實現(xiàn)中，多個基于迭代算法的AI模塊的拼接反而會帶來更高的訓(xùn)練和計算復(fù)雜度[8]，因此，一種對物理層端到端的聯(lián)合優(yōu)化方法需要被進一步研究。

目前，文獻[9]提出將物理層通信看成是一個端到端的信號重構(gòu)問題，引入深度學(xué)習(xí)中自編碼器的方法來表示物理層的通信過程，進行端到端通信的聯(lián)合優(yōu)化。自編碼器是一種典型的無監(jiān)督學(xué)習(xí)方法，其結(jié)構(gòu)是由神經(jīng)網(wǎng)絡(luò)組成，通過對輸入數(shù)據(jù)的壓縮形式提取特征進行“編碼”，并對壓縮數(shù)據(jù)進行重構(gòu)實現(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One-hot編碼之后的符號向量，對應(yīng)地在接收端連接一個Softmax激活函數(shù)層來給出符號向量的概率來判定接收到的信息。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）為性能評判標準，以此來判斷網(wǎng)絡(luò)性能的優(yōu)劣。文獻[10]至文獻[13]也針對其中自編碼器的神經(jīng)網(wǎng)絡(luò)層進行新的結(jié)構(gòu)設(shè)計來提升譯碼性能，同時在信道層之間加入衰落信道、MIMO信道等條件來實現(xiàn)更復(fù)雜的功能。

基于自編碼器設(shè)計的端到端系統(tǒng)的優(yōu)勢在于它是一個基于神經(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、檢測等方法，而是通過信息重構(gòu)的損失函數(shù)來聯(lián)合優(yōu)化整個端到端網(wǎng)絡(luò)。自編碼器是一種無監(jiān)督的學(xué)習(xí)方法，它可以自主地對輸入數(shù)據(jù)進行學(xué)習(xí)，而不需要預(yù)先建立好準確的數(shù)學(xué)模型。圖4也給出了網(wǎng)絡(luò)根據(jù)大量的輸入符號而習(xí)得的64點星座圖，它是由中心點呈多邊形逐層擴散的形式，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)進行比特恢復(fù)，這也為傳統(tǒng)調(diào)制星座圖的設(shè)計提供了更多的可能性。同時，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)所帶來的高訓(xùn)練、計算復(fù)雜度。

雖然這種基于自編碼器的物理層設(shè)計達到了整體優(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聯(lián)設(shè)計所能達到的性能還有一定差距，而且變化快、實時性高的環(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)對不同測試環(huán)境下的魯棒性也同樣是一個難題需要攻破，因此未來AI端到端的物理層優(yōu)化設(shè)計還需要深入研究并逐步完善。

3? ?結(jié)束語

綜上所述，AI技術(shù)的廣泛應(yīng)用是未來不可阻擋的發(fā)展潮流，下一代通信系統(tǒng)也會與AI技術(shù)進行更緊密有機地結(jié)合，不管在無線接入網(wǎng)的高層還是底層，AI技術(shù)都能發(fā)揮其優(yōu)勢，為現(xiàn)有傳統(tǒng)通信系統(tǒng)中無法有效解決的難題提供新的理念。但是不能盲目樂觀，將AI技術(shù)應(yīng)用至未來通信系統(tǒng)也會帶來更多新的挑戰(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：

[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/機器學(xué)習(xí)應(yīng)用至無線通信系統(tǒng)物理層的研究工作。

郁光輝：正高級工程師，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線技術(shù)預(yù)研總工，主要從事無線移動通信標準預(yù)研工作，先后深度參與我國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等無線通信系統(tǒng)的標準預(yù)研工作。獲得中國專利優(yōu)秀獎兩次，中國專利銀獎一次，深圳市科技進步獎兩次，深圳市專利獎一次，深圳市地方級領(lǐng)軍人物等榮譽稱號。