科学家们正在研发(AI) 模型可以帮助 6G 等下一代无线网络提供更快、更可靠的连接。
在一个学习研究人员在 2024 年 12 月版《IEEE 无线通信汇刊》中详细介绍了一种人工智能系统，该系统通过关注角度、延迟和信号强度等关键信息，减少设备和无线基站（例如蜂窝塔）之间需要发送的信息量。
该研究的主要作者表示：“为了满足下一代无线网络中快速增长的数据需求，必须利用毫米波频段中丰富的频率资源。”李秉州韩国仁川国立大学电信系教授。
有关的：
“我们的方法可确保精确的波束成形，即使用户在运动中，信号也能与设备无缝连接。”李说。
塑造波浪的更智能方法
使用毫米波等高频无线电频谱的网络当前面临的挑战是，它们依赖于通过大规模多输入多输出 (MIMO) 协同工作的大量天线。该过程需要精确的信息——称为“信道状态信息”(CSI)——以在基站和具有兼容天线的移动设备之间提供连接。
由于网络环境的变化，例如天线随人员和交通移动，或者设备和蜂窝塔之间的视线中出现障碍物，这种情况变得更加复杂。这会导致“信道老化”——预测的信道状态与其实际状态不匹配，从而导致性能下降，例如数据吞吐量和信号质量下降。
为了尝试克服这些挑战，该研究的作者使用了一种称为变压器的新型人工智能模型。卷积神经网络 (CNN)可通过识别信号模式和分类来帮助预测和优化无线网络流量。
但研究人员采取了不同的方法：通过在网络分析方法中使用 Transformer 模型而不是 CNN，可以跟踪信号变化的短期和长期模式。因此，被称为“变压器辅助参数CSI反馈”的人工智能系统可以在无线网络中进行实时调整，以提高基站和用户之间的连接质量，即使后者移动速度很快。
改进的解释是CNN 和 Transformer 之间的区别。两者都是分析视觉模式（例如图像）的神经网络模型（在本例中是电磁频谱上的模式），但 CNN 倾向于在较小的数据集上进行训练并专注于“局部”特征，而 Transformer 模型则使用较大的数据集并具有自注意力机制这使他们能够确定不同输入要素的重要性及其在全球和地方层面的关系。
简单来说，Transformer 模型将学习整个图像，而 CNN 则偏向于边缘和纹理等特征。可以说，变形金刚看到了更大的图景。
然而，Transformer 模型比 CNN 的计算要求更高。但如果它们能够提供强大的下一代无线网络，它们可能会成为不久的将来高速无线通信的关键。
