業(yè)內(nèi)討論了很多無線AI方案，其中“AI接收機”是大家重點關(guān)注的方向之一。相對于傳統(tǒng)的接收機算法，AI接收機可以大幅度提升系統(tǒng)性能。在3GPPRAN/RAN1的會議上，可以看到很多AI接收機的提案，預(yù)計AI接收機是6G無線空口（6GR）的一個重要特性。下面我們就詳細(xì)聊聊AI接收機的原理和實現(xiàn)過程，以及相關(guān)的硬件測試環(huán)境。

PART 01 為什么需要AI接收機？

當(dāng)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(fù)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(qū)動為核心，把這些環(huán)節(jié)融入一個端到端可學(xué)習(xí)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(diào)（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(dāng)然更宏偉的目標(biāo)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(jīng)網(wǎng)絡(luò)，直接產(chǎn)出可供譯碼的 LLR[1]。許多原本依賴手工設(shè)計與規(guī)則調(diào)參的“估計與補償”步驟，被網(wǎng)絡(luò)在學(xué)習(xí)過程中自動吸收。

圖1 傳統(tǒng)通信接收機 VS 神經(jīng)網(wǎng)絡(luò)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(diào)等，神經(jīng)網(wǎng)絡(luò)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(jīng)典編碼理論論證，AI 的 “數(shù)據(jù)驅(qū)動優(yōu)化” 無法突破理論邊界，反而可能因模型過擬合導(dǎo)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(jié)構(gòu)（資源柵格、DMRS、PRB、MCS 等）和 38.901 的信道建模與拓?fù)渖梢舱粘Ｊ褂?，從而保證與現(xiàn)有標(biāo)準(zhǔn)體系的兼容。

PART 03 如何設(shè)計AI模型 (神經(jīng)網(wǎng)絡(luò))

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(jié)構(gòu)，以便神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的輸入，即得到一個C×S×2的輸入信號。

圖2 神經(jīng)網(wǎng)絡(luò)接收機結(jié)構(gòu)

圖3 殘差塊結(jié)構(gòu)[1]

在神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理中，如圖2所示，神經(jīng)網(wǎng)絡(luò)接收機由五個順序連接的殘差塊構(gòu)成[2][3]，該殘差塊通過跳躍連接使得神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)和相應(yīng)的ReLU激活函數(shù)構(gòu)成。如圖4所示，卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)核心是利用一個尺寸為p×q的可訓(xùn)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(yīng)的輸入，a和b分別為卷積核的權(quán)重和偏執(zhí)，是可訓(xùn)練的線性關(guān)系參數(shù)，y為卷積核對應(yīng)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(xùn)練數(shù)據(jù)中捕捉信道特征。卷積神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練卷積核內(nèi)部權(quán)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(jīng)網(wǎng)絡(luò)功能示意

PART 04 如何訓(xùn)練AI模型 (神經(jīng)網(wǎng)絡(luò))

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(dǎo)頻信號所占位置，從而得到真實的解調(diào)LLR數(shù)據(jù)流。

訓(xùn)練時，網(wǎng)絡(luò)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(xùn)練時的數(shù)據(jù)批量數(shù)，即在訓(xùn)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(dǎo)頻配置和調(diào)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(shè)其中2×C個資源塊用于預(yù)留發(fā)送導(dǎo)頻，采用QPSK調(diào)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(jīng)網(wǎng)絡(luò)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(yù)測準(zhǔn)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(xùn)練過程中，通常會在一定范圍內(nèi)隨機采樣 Eb/N0，使模型獲得跨 SNR 的泛化能力。完成訓(xùn)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(dāng)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(xué)習(xí)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(dǎo)致全局次優(yōu)”的問題，把“估計—均衡—解調(diào)”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(xué)習(xí)，AI 接收機在多徑時變、DMRS 稀疏、高階調(diào)制等復(fù)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(jié)構(gòu)也更容易通過微調(diào)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(biāo)準(zhǔn)化、可解釋與在役驗證流程需補齊。

? 時延與算力：神經(jīng)網(wǎng)絡(luò)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(diào)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(jīng)過系統(tǒng)性測試。

? 維護與演進：版本管理、在線學(xué)習(xí)/離線更新、與標(biāo)準(zhǔn)接入網(wǎng)側(cè)接口的兼容性。

? 標(biāo)準(zhǔn)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(jié)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(yīng)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(diào)”學(xué)成一個網(wǎng)絡(luò)；再把發(fā)端星座圖設(shè)為可訓(xùn)練，發(fā)收兩端聯(lián)訓(xùn)，就成了真正的端到端通信“自動編碼器”（Autoencoder）[6][7]，在復(fù)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(dǎo)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(jīng)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(xùn)練的星座”，與AI接收機共同優(yōu)化，即“發(fā)-收端聯(lián)合學(xué)習(xí)”[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(jīng)過固定的輪次后，再同步優(yōu)化收發(fā)兩端。

這樣，訓(xùn)練時不止接收機網(wǎng)絡(luò)在變，星座點的位置也跟著“長技能”。它會自然學(xué)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(quán)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(dǎo)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(fù)雜的信道環(huán)境中，星座圖自適應(yīng)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(jīng)網(wǎng)絡(luò)接收機(CGNN)的方法。

圖8 不同信道下訓(xùn)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(wù)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(xùn)練模型所需的標(biāo)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(yīng)星座”這種端對端的AI接收機性能?？梢愿鶕?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(jié)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(gòu)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(wù)、通信感知融合”五大典型應(yīng)用場景，全面引領(lǐng)經(jīng)濟社會數(shù)字化、智能化和綠色化轉(zhuǎn)型。AI接收機作為6G無線空口的一項重要候選技術(shù)，如何以高質(zhì)量、高效率的形式發(fā)展至關(guān)重要，需要在技術(shù)評估、標(biāo)準(zhǔn)化、硬件環(huán)境中克服相關(guān)的挑戰(zhàn)。

參考文獻：

[1]Neural Receiver for OFDM SIMO Systems，Neural Receiver for OFDM SIMO Systems — Sionna 1.2.0 documentation

[2]M. Honkala, D. Korpi and J. M. J. Huttunen, “DeepRx: Fully Convolutional Deep Learning Receiver,” in IEEE Transactions on Wireless Communications, vol. 20, no. 6, pp. 3925-3940, June 2021, doi: 10.1109/TWC.2021.3054520.

[3]F. Ait Aoudia and J. Hoydis, “End-to-end Learning for OFDM: From Neural Receivers to Pilotless Communication,” in IEEE Transactions on Wireless Communications, doi: 10.1109/TWC.2021.3101364.

[4]Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, “Deep Residual Learning for Image Recognition”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778

[5]G. B?cherer, “Achievable Rates for Probabilistic Shaping”, arXiv:1707.01134, 2017.

[6]End-to-end Learning with Autoencoders，End-to-end Learning with Autoencoders — Sionna 1.2.0 documentation

[7]T. O’Shea and J. Hoydis, “An Introduction to Deep Learning for the Physical Layer,” in IEEE Transactions on Cognitive Communications and Networking, vol. 3, no. 4, pp. 563-575, Dec. 2017, doi: 10.1109/TCCN.2017.2758370.

[8] S. Cammerer, F. Ait Aoudia, S. D?rner, M. Stark, J. Hoydis and S. ten Brink, “Trainable Communication Systems: Concepts and Prototype,” in IEEE Transactions on Communications, vol. 68, no. 9, pp. 5489-5503, Sept. 2020, doi: 10.1109/TCOMM.2020.3002915.

羅德與施瓦茨業(yè)務(wù)涵蓋測試測量、技術(shù)系統(tǒng)、網(wǎng)絡(luò)與網(wǎng)絡(luò)安全，致力于打造一個更加安全、互聯(lián)的世界。成立 90 多年來，羅德與施瓦茨作為全球科技集團，通過發(fā)展尖端技術(shù)，不斷突破技術(shù)界限。公司領(lǐng)先的產(chǎn)品和解決方案賦能眾多行業(yè)客戶，助其獲得數(shù)字技術(shù)領(lǐng)導(dǎo)力。羅德與施瓦茨總部位于德國慕尼黑，作為一家私有企業(yè)，公司在全球范圍內(nèi)獨立、長期、可持續(xù)地開展業(yè)務(wù)。