移动通信和人工智能的融合

donnar

随着无线通信信道的性能指标逐步逼近香农极限，新一代移动通信网络转而开始研究通过人工智能实现空中接口和无线资源管理（RRM）的升级。人工智能和机器学习能够以更高的准确性完成空中接口的建模，并且提供一系列的方法对空中接口进行优化。但是，基于机器学习的空中接口也面临着许多前所未有的挑战。




准确地为无线信道、无线环境、网络硬件和终端硬件建立动态模型是有效利用无线资源，提高移动通信系统的性能指标的先决条件。



浸入式远程临场体验（immersive telepresence）能够让用户体验到完全投身于一个他们实际上并没有到场的遥远的地方，感觉自己实际上就在那里，并且能够与这个环境互动。这种远程临场体验是一种新的数据密集型应用。为了满足这类新型数据密集型应用的需求，新一代的移动通信网络需要开发利用高于FR2频段（24.25GHz 到 52.6GHz），甚至高于100GHz的频率资源。在这样的高频频段，电磁波的波长将缩小到与天然物体或者人工制造物体的表面粗糙颗粒的尺寸差不多的数量级，电磁波的传输将面临更多的衍射和更多的阻挡障碍，产生前所未有的传输损伤。



为了采取有效的措施弥补或者克服这些电磁波传输损伤，首先需要对包括电磁波传输路径在内的端到端无线链路进行建模。机器学习提供了一组强大工具来学习无线信道的表征形式，准确模拟发射机和接收机之间的通信链路。比如，机器学习能够基于信道的隐藏变量提高无线资源管理的效率，或者基于字典学习进行信道评估。这些基于实时机器学习技术通信模型能够准确地捕捉到无线信道的动态特征，让通信系统以较低的算力成本充分使用这些信道完成尽可能多的信息传输。机器学习，特别是神经网络，也被认为擅长应对无线硬件质量劣化问题，能够使用基于数据的非线性算法评估硬件的暂时或者永久的状态波动。



基于准确的空中接口模型，机器学习能够高效地优化空中接口。



部署在高频频段的移动通信网络面临着提高网容量和覆盖面积的巨大挑战，而传统的MIMO技术（包括大规模平面阵列天线系统）是应对这些挑战的重要工具。当电磁波频率从3GHz提高到300GHz时，它在自由空间中发生的衰减将因为天线有效口径的缩小而增加40dB。大规模MIMO技术提高了网络端设备和终端设备的复杂性，而基于机器学习数据驱动设计的波束赋形和波束管理，比如基于强化学习的更快速的初始接入（IA）波束搜寻、基于强化学习的多基站多用户MIMO等等，无疑能够显著提高大规模MIMO技术在高频频段的工作效率。



包括6G在内的新一代移动通信系统预期将结合以无蜂窝或者少蜂窝分布式架构为特征的新型无线接入网（RAN）。这些以用户终端为支点的新网络架构提升了无线资源管理的复杂性，能够以全新的方式将导频信号（pilots）和接入节点功能（Access Points，APs）分配给用户终端设备。这种范式转变挑战了现有的无线资源分配机制，要求引入能够降低实施复杂性，即尽最大可能挣脱最大可容忍基站间干扰、功率限制、资源公平分配等约束的束缚的优化策略，从而推动了很多基于数据驱动的新的无线优化解决方案的出现。



机器学习与传统的基于显性规则的算法相结合，能够提高空中接口的适应性，增强编码和解码的效率，实现在不了解编码机制的前提下盲解码无线数据。在传统的基于功能分块的方法中，通信协议栈是由一组有着明确界定的功能模块组成，每个模块都有特定的功能，可以根据局部的度量标准进行优化；而基于机器学习的端到端整体方法则将通信链路传输看作一个单一的任务，或者少量几个合并了多个功能模块的任务。端到端的整体方法有可能通过协同优化多个子任务获得额外的性能增益。上述两种方法也被称为“白盒”方法和“黑盒”方法。白盒方法根据标准的信号处理算法和专家知识建立复杂性较低且可解释的模型。相反，黑盒方法根据更有颠覆性的深度学习方法建立复杂性较高，但却更快速、潜在性能更好的模型。



但是，基于机器学习的空中接口也面临一系列前所未有的挑战。


在空中接口使用机器学习带来了设计范式的改变。按照传统的方法，算法解决方案根据事先已知的需要处理的问题的模型而设计——比如信道编码设计的基础假设是把无线链路看作二进制删除信道。很多时候，我们可以对这个已知的模型的性能算法进行分析性研究，包括分析性能的边界极限。相反，基于数据的机器学习的算法解决方案为训练数据集所束缚，无法保证训练出来的模型能够在一个受控的组织结构内百分之百地兑现期望的性能表现，除了输出实际结果之外也无法提供严格的正确性证明。这些现象凸显了提供可解释的机器学习模型的迫切需求，因为这能让使用者将黑盒子变成白盒子，分析和解释基于机器学习的功能模块的行为。



为了确保模型能够如预期般地在商用网络上运行，训练数据集和验证数据集的质量至关重要。作为机器学习的关键赋能者，用于训练的数据必须准确地表征真实世界中的无线信号的状况，从而能够从中提取出准确的模型。这就带来了与数据“质量”和评估标准有关的种种问题，比如数据的“新鲜度”，数据集中不同数据之间的相关性，等等。这同时也强调了数据管编和数据选择流程的重要性。采用线下训练方式时需要特别警惕如何保证学习到的模型的普遍适应性。线上自动训练带来了别的棘手挑战，比如怎样定义监管训练和推理惯例的KPI，以及确定用来评估训练数据相关性（或者真实环境的代表性）的度量标准。



能耗效率和硬件复杂性是另一个关键挑战。支持低功耗硬件的神经网络常常只能支持有限数量的运算符集合（比如矩阵乘法和简单激活函数——线性整流函数ReLU等等），以及较小的数据类型（比如8比特或者16比特的无符号整数）。根据这些规格构建模型是确保它们的效率的关键。此外，必须尽快确定专门用于通信系统领域的关键运算符，以便能够应用于未来的基于神经网络的移动网络专用硬件，加速移动通信和人工智能的融合。