3月 27, 2025
Andreas，2023 年世界移动大会上首次展示了神经接收机。当时业界对此有何看法？
从无线通信和下一代移动通信的角度来看，AI 和 ML 在 MWC 2023 上并不像 2024 年或 2025 年那样突出。罗德与施瓦茨和英伟达确实开辟了这个领域的新局面。我们的演示成果来自两个独立的合作伙伴，这是它的独特之处。我们整合了两家公司的解决方案，并一起进行了测试。以前从来没有这种情况，所以人们出于好奇心和职业兴趣而对其广泛关注也就不足为奇了。
与芯片组和调制解调器开发、基础设施制造和手机生产领域的客户进行讨论也很重要。我们讨论了场景选择、相关挑战、技术背景和细节以及增益等主题。
在那之后，项目进展得如何？
自 MWC 2023 以来，项目一直在持续推进，真正的突破是将发射机融入到训练过程中。我们认为第一版 6G 标准将首先在固定监测站这样的网络基础设施中使用基于 AI 的信号处理，并由此展开工作。复杂程度和计算能力的提升，意味着能耗也会增加。这一挑战仍然是研究的焦点，旨在提高功率效率。
发射机如何发挥作用？
对于定制或非均匀星座图，发射机有一定的作用。这涉及到训练 AI 模型，以在考虑信道的情况下针对所选调制方法学习最佳星座。我们扩展了神经接收机模型，并在测试与测量设备 R&S®SMW200A 矢量信号发生器和 FSW 信号与频谱分析仪中添加了最新的 5G 选件。基于经过训练的 AI 模型，现在可以在 IQ 层面重新定义每个星座点的幅度和相位。
图 1：神经接收机测试装置
2024 年世界移动大会上，罗德与施瓦茨在展位上展示了由信号发生器和接收机组成的神经接收机测试装置（左）。
这种方法的优点在于发射信号中不再需要导频音，从而释放了数据传输资源。整个传输过程变得更加高效。经过我们的分析，效率提高了 7%，其他研究发现频谱效率提高了 14%。但是，这在很大程度上取决于所选配置和导频音的频率。
你们如何训练 AI 呢？
我们使用英伟达的 Sionna 软件进行离线训练。如果针对特定的信道模型训练神经接收机，往往会导致过拟合。我们一般都会避免这个问题，所以利用了 3GPP UMi 信道模型针对不同的多普勒频移和扩频来训练接收机。这可以确保结果的普适性，并覆盖尽可能多的场景。
神经接收机基于当前的 5G 新空口标准，其结果具有可比性。接收机以 16QAM 调制进行训练。由于 QAM 星座嵌入在神经网络架构的训练权重中，因此如果更改为 QPSK、64QAM 甚至 256QAM 调制，需要重新训练。也就是说，不同的调制方式需要不同的 AI 模型。
5G 基于 OFDM，这是一种多载波调制方案。该模型以 30 kHz 的子载波间隔进行训练，所有商用 5G 网络在 TDD 模式下都使用此间隔。和更改调制一样，切换到 60 kHz 子载波后也要重新训练。
下方的误块率 1 中的误块率曲线来自我们的神经接收机视频（滑动图片 2）。图 1 显示的是什么？它展示了神经接收机性能的哪些信息？
相关产品
为了评估性能，我们绘制了误块率与信噪比 (SNR) 关系图，并对比了四种不同的接收机实现。
黑色曲线代表理想情况下的性能，其中所有信道特性都是已知的。这代表了可以达到的理论极限。性能不可能超过这个限值。绿色曲线是神经接收机，橙色和蓝色曲线是两种常规实现。
第一个蓝色曲线使用最小二乘法进行信道估计，并使用线性 MMSE 多用户 MIMO 检测器来消除干扰。与其他场景相比，这种实现的计算复杂度相对较低，是一种基础但实用的实现方式。
橙色曲线所表示的第二种常规实现基于最大似然估计。这种方法更加复杂，因此需要更大的计算能力。虽然神经接收机的性能没有超过这种方法，但二者非常接近，而且前者所需的计算能力要小得多。所有四条曲线都使用相同的输入数据得出模拟结果。
除了这些模拟曲线之外，图上还绘有实际的测量值。
这得益于罗德与施瓦茨的测量设备。我们利用上述信号发生器和分析仪装置生成符合 3GPP 5G NR 标准的信号，然后将该数据输入到神经接收机的架构中。本例中，我们从 -1 dB SNR 开始。我们在每一步中将 SNR 增加 1 dB。这些数据存储在控制测试装置的软件中。
演示中有两个用户接收不同的信道。在本例中，用户一对应的是 TDL-B 模型，其延迟扩展为 100 ns，多普勒频率为 400 Hz。用户二是 TDL-C 模型，其延迟扩展为 300 ns，多普勒频率为 100 Hz。所示曲线是在设定的信噪比 (SNR) 下实现的横截面吞吐量。用测试装置进行测量时，仅对（模拟的）绿色曲线进行了重新测量。
