6G 网络中的 AI 和 ML

6G 人工智能和机器学习

虽然人工智能是十大 6G 研究领域之一，但并不是一个独立的研究领域。人工智能和所有其他领域相互交融，例如无蜂窝大规模 MIMO、全双工通信和智能反射面。6G 网络中经过训练的数据驱动型系统能够增强这些应用的性能，提高能源效率，从而实现可持续发展。与目前的 4G LTE 和 5G NR 网络相比，使用经过训练的机器学习模型处理信号，例如进行信道估计、均衡和解映射等任务，将进一步优化空中接口。

罗德与施瓦茨为欧洲、亚洲和美国的研究活动提供支持，并积极参与各种项目，例如 6G 接入、网络中网络、自动化和简化 (6G-ANNA) 灯塔项目。这个项目旨在为 6G 开发包含端到端架构的设计，并使用全新传感器和算法检测人体运动，从而简化人、技术与环境之间的交互。

6G 网络中的 AI 挑战

为 6G 网络建立 AI 原生空中接口，意味着将物理层上信号处理链中的模块替换为经过训练的机器学习模块。这个过程的第一步是替换单个处理模块，最终会将逻辑上关联的任务组合到一个经过训练的机器学习模型中。这些任务包括信道估计、信道均衡和解映射。这些任务组合在一起，共同被替换为经过训练的 ML 模型，即神经接收机。

ML 在许多应用中都具有优势，6G 空中接口的信号处理只是其中的一个领域。当前移动设备和基站中使用的功率放大器或整个射频前端的线性化，同样可以利用 ML。AI 或 ML 可以在不同阶段应用于 6G 中的空中接口和射频前端：

阶段 1：在开始阶段，ML 可能会在功率放大器中取代目前基于软件算法的确定性线性化模型。2020 年已开始进行相关研究，主要参与者为各个院校。一些重要的行业参与者也对此展开了研究。这个过程也适用于整个射频前端（即天线系统和收发信机）。

对于 6G 人工智能来说，数据访问是一个显而易见的挑战。这是因为训练神经网络需要访问数据集。射频前端通常由一家供应商设计。这意味着训练神经网络所需的所有数据都由一家供应商提供，因此访问数据更加简单。

阶段 2：这个阶段重点关注接收机，例如应用神经接收机的概念，以及将信道估计、信道均衡和解映射等信号处理模块替换为经过训练的 ML 模型。

阶段 3：这个阶段会进行端到端 (E2E) 优化。ML 被用于联合优化 TX、RX 和基带处理。这个阶段的最终目标是使传输适应底层应用（语音呼叫、网页浏览、XR 等）和受到传输信道影响的部署场景，并将 ML 设计作为 6G PHY/MAC 的一部分。E2E 学习的第一步是将调制映射器替换为经过学习的定制化星座图，该星座图充分考虑了发射机和接收机的缺陷以及无线信道的影响。定制化调制支持无人传输，进一步提高了整个系统的性能。

这种高度自适应的物理层实现需要进行广泛的验证，之后才能在现场进行部署。这种验证需要确保模型运行可靠，即使现场条件较为罕见也同样如此。但是，对于经过训练的 AI/ML 模型，其性能优劣取决于训练过程中所使用的训练数据。这就需要实施 AI/ML 模型生命周期管理（例如模型训练、选择、交换、激活和监控），因为用户设备和基站/网络之间预计将频繁协作。针对不同供应商提供的组件，必须通过测试与测量验证是否具有适当的互操作性。