PART 01為什么需要AI接收機？

當無線鏈路進入高速移動、強干擾、硬件非線性和時變多徑等復雜場景時，傳統(tǒng)接收機按照“建?！烙嫛a償”的流水線逐段處理，難免出現(xiàn)失配與累積誤差。AI接收機以數(shù)據(jù)驅動為核心，把這些環(huán)節(jié)融入一個端到端可學習的模型中，更穩(wěn)定地把接收波形還原成比特。

PART 02它怎么工作的？

在傳統(tǒng)體系中，接收端要完成同步、信道估計（如 LS/LMMSE）、MIMO 均衡和軟解調（計算 LLR），再交給 LDPC/Polar 等外部譯碼器。利用AI去優(yōu)化上述任何模塊都可以成為AI接收機。當然更宏偉的目標是利用AI替換上述多個模塊，實現(xiàn)更大的性能增益。以下介紹中，我們就以這種接收機類型為例進行介紹。

如圖1所示，在AI接收機的具體實現(xiàn)中，它可以把接收的 OFDM 資源柵格以及噪聲信息一并輸入神經網絡，直接產出可供譯碼的 LLR[1]。許多原本依賴手工設計與規(guī)則調參的“估計與補償”步驟，被網絡在學習過程中自動吸收。

圖1 傳統(tǒng)通信接收機 VS 神經網絡接收機[1]

這里面被AI替換的模塊包含了信道估計、MIMO 均衡、解調等，神經網絡直接輸出軟比特。對于信道編譯碼模塊，考慮到其性能上限已通過經典編碼理論論證，AI 的 “數(shù)據(jù)驅動優(yōu)化” 無法突破理論邊界，反而可能因模型過擬合導致魯棒性下降，因此無實際優(yōu)化價值，保留傳統(tǒng)的實現(xiàn)。在后續(xù)的評估中，PUSCH 的物理層結構（資源柵格、DMRS、PRB、MCS 等）和 38.901 的信道建模與拓撲生成也照常使用，從而保證與現(xiàn)有標準體系的兼容。

PART 03如何設計AI模型 (神經網絡)

在輸入端，由于AI接收機只能工作在實數(shù)上，因此將接收信號的實部和虛部分別提取出來，同時保留原始物理資源塊的空間結構，以便神經網絡提取空間特征，即實部和虛部信號都為C×S的矩陣，其中C為子載波個數(shù)，S為符號個數(shù)。之后將實部和虛部信號拼接作為神經網絡的輸入，即得到一個C×S×2的輸入信號。

圖2 神經網絡接收機結構

圖3 殘差塊結構[1]

在神經網絡數(shù)據(jù)處理中，如圖2所示，神經網絡接收機由五個順序連接的殘差塊構成[2][3]，該殘差塊通過跳躍連接使得神經網絡能有效避免梯度消失[4]。

如圖3所示，每個殘差塊由兩個順序連接的二維卷積神經網絡和相應的ReLU激活函數(shù)構成。如圖4所示，卷積神經網絡的學習核心是利用一個尺寸為p×q的可訓練參數(shù)的卷積核捕捉空間信息，具體地，該卷積核中每一個元素的參數(shù)的作用可以表示為：

y=ax+b

其中x為卷積核元素對應的輸入，a和b分別為卷積核的權重和偏執(zhí)，是可訓練的線性關系參數(shù)，y為卷積核對應的輸出。因此，利用卷積核在二維平面上循環(huán)移動，可以有效地提取空間上下文信息，從而在大量的訓練數(shù)據(jù)中捕捉信道特征。卷積神經網絡通過訓練卷積核內部權重和偏置參數(shù)實現(xiàn)對輸入的接收信號進行信道估計、均衡、星座圖解映射等功能。

圖4 卷積神經網絡功能示意

PART 04如何訓練AI模型 (神經網絡)

如圖3所示，AI接收機可以在輸出端得到一個C×S的軟比特LLR，接收端將對這個LLR矩陣進一步處理，以剔除發(fā)射端導頻信號所占位置，從而得到真實的解調LLR數(shù)據(jù)流。

訓練時，網絡輸出的 LLR 數(shù)據(jù)流將與發(fā)端編碼后的原始碼字逐比特做交叉熵，作為損失函數(shù)： 

其中，B為訓練時的數(shù)據(jù)批量數(shù)，即在訓練過程中，為避免數(shù)據(jù)量太少帶來過擬合，每次都以一定固定量的數(shù)據(jù)計算損失函數(shù)；

C和S分別為通信信號的子載波數(shù)和符號數(shù)；

K為每批數(shù)據(jù)中發(fā)送的比特數(shù)，通常由子載波/符號數(shù)，發(fā)送導頻配置和調制階數(shù)共同決定。例如，對于一個C個子載波，S個符號的通信信號，假設其中2×C個資源塊用于預留發(fā)送導頻，采用QPSK調制，則發(fā)送比特K可以計算為:

 是編碼后的原始發(fā)送比特

是神經網絡輸出的軟比特

是二元交叉熵的簡寫（Binary Cross Entropy），表示一個概率值對于0-1分類的預測準確度：

因此，最小化該損失函數(shù)等價于最大化近似的比特傳輸信息率[5]；在訓練過程中，通常會在一定范圍內隨機采樣 Eb/N0，使模型獲得跨 SNR 的泛化能力。完成訓練后，再按 SNR 曲線評估 BLER/BER，與傳統(tǒng)鏈路的評測方式完全一致。

圖5繪制了誤碼塊率隨信噪比變化的曲線，從中可以發(fā)現(xiàn)，AI接收機能夠達到接近理論最優(yōu)信道估計的性能，相比于傳統(tǒng)通信接收機，能提升約3dB的性能。

圖5 性能示意圖

PART 05能解決什么問題？

AI接收機最大的價值在于緩解模型失配：當真實信道非線性、高斯、平穩(wěn)時，AI 接收機能直接根據(jù)數(shù)據(jù)分布學習信道環(huán)境。更重要的是它實現(xiàn)了聯(lián)合最優(yōu)化，避免傳統(tǒng)串行模塊“階段性最優(yōu)導致全局次優(yōu)”的問題，把“估計—均衡—解調”的耦合誤差一并優(yōu)化掉。

PART 06優(yōu)勢在哪里？

得益于端到端的表示學習，AI 接收機在多徑時變、DMRS 稀疏、高階調制等復雜條件下，往往能獲得更低的 BLER/BER。同時，主鏈路更簡潔，減少了大量規(guī)則與閾值的維護成本；同一結構也更容易通過微調遷移到不同帶寬、PRB、MCS 與天線配置。

PART 07面臨哪些挑戰(zhàn)？

? 數(shù)據(jù)與泛化：需要覆蓋足夠多的信道/硬件/干擾分布；跨場景泛化仍是難點。

? 可解釋性與可驗證：標準化、可解釋與在役驗證流程需補齊。

? 時延與算力：神經網絡在低成本終端/邊緣端的實時部署要考慮模型處理所需的時延能否滿足5G符號級的解調速率需求。

? 魯棒性與安全：對異常干擾/對抗擾動的穩(wěn)健性要經過系統(tǒng)性測試。

? 維護與演進：版本管理、在線學習/離線更新、與標準接入網側接口的兼容性。

? 標準與合規(guī)：與3GPP流程的對接（例如DMRS、HARQ、測量與報告）需在實際工程中打磨。

PART 08只在接收端實現(xiàn)AI接收機？

AI接收機的實現(xiàn)也可以跟發(fā)端的模塊結合起來，實現(xiàn)端對端的AI接收機，這里我們可以稱之為: AI接收機 + 自適應星座，從“聰明接收”到“端到端共同進化”。

AI接收機把“估計-均衡-解調”學成一個網絡；再把發(fā)端星座圖設為可訓練，發(fā)收兩端聯(lián)訓，就成了真正的端到端通信“自動編碼器”（Autoencoder）[6][7]，在復雜信道下更穩(wěn)、更高效。另外，基于Autoencoder 的AI接收機可以實現(xiàn)Pilot-free或者Pilot-less的好處，進一步降低導頻帶來的資源開銷。

圖6 傳統(tǒng)發(fā)送機星座圖映射

圖7 神經星座圖發(fā)射機

如圖6和7所示，保持AI接收機不變，進一步把發(fā)送端符號映射改為“可訓練的星座”，與AI接收機共同優(yōu)化，即“發(fā)-收端聯(lián)合學習”[8]。發(fā)送機與接收機使用同一個損失函數(shù)共同優(yōu)化，在實際操作過程中，該優(yōu)化可以采用異步的策略使得系統(tǒng)更加穩(wěn)定，即優(yōu)化發(fā)送機參數(shù)后固定一段時間，此期間只優(yōu)化接收機，經過固定的輪次后，再同步優(yōu)化收發(fā)兩端。

這樣，訓練時不止接收機網絡在變，星座點的位置也跟著“長技能”。它會自然學到：

? 在頻率選擇性/時變信道下更魯棒的點位（可能非規(guī)則QAM）

? 在譯碼器前端提供更“鋒利”的LLR分布

? 在硬件非理想（如PA壓縮）下權衡PAPR與判決距離

圖8中可以看出，不同信道下，星座圖中星座點的分別有很大的差異，通過這種差異化的星座點分布，通信系統(tǒng)可以不再依賴與導頻信號對信道進行估計，即星座點分布本身，就潛在提供了信道特征。

圖9描繪了不同方法在UMI信道下的性能曲線，可以看出，即使在較為復雜的信道環(huán)境中，星座圖自適應的方法依然可以取得穩(wěn)定良好的性能增益，且優(yōu)于單獨使用神經網絡接收機(CGNN)的方法。

圖8 不同信道下訓練后的星座圖

圖9 不同方法的性能曲線

PART 09如何搭建硬件測試環(huán)境？
仿真評估的條件一般比較理想，和實際的硬件環(huán)境存在一定的差別。為了更真實地評估AI接收機的性能，可以借助儀表搭建一個硬件測試環(huán)境，如圖10所示。這里面信號源 (SMW)可以用來發(fā)送信號，F(xiàn)SW或者FSWX用來采集IQ信號，后臺服務器或者PC用來進行AI的推理和信號處理。可以在SMW中加載TDL/CDL等衰落信道，并且基于上述硬件環(huán)境采集訓練模型所需的標簽數(shù)據(jù)，然后進行AI推理，跟傳統(tǒng)的通信算法比較性能增益。此外，對于原型樣機的開發(fā)，基于儀表的硬件測試環(huán)境也是必要的驗證手段。

圖10 AI接收機的測試環(huán)境

另外，SMW支持自定義的星座圖 (如圖11所示定義了一個R&S logo圖樣的星座圖），可以用來評估“AI接收機 + 自適應星座”這種端對端的AI接收機性能。可以根據(jù)不同的接收機類型和測試需求，選擇不同的硬件測試環(huán)境。

圖11 自定義的星座圖

結語

6G將以可持續(xù)發(fā)展的方式延伸移動通信能力邊界，創(chuàng)新構建“超級無線寬帶、極其可靠通信、超大規(guī)模連接、普惠智能服務、通信感知融合”五大典型應用場景，全面引領經濟社會數(shù)字化、智能化和綠色化轉型。AI接收機作為6G無線空口的一項重要候選技術，如何以高質量、高效率的形式發(fā)展至關重要，需要在技術評估、標準化、硬件環(huán)境中克服相關的挑戰(zhàn)。