verview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities
本文的工作
随着无缝连接和智能通信需求的增长，人工智能（AI）与第六代（6G）通信网络的集成已成为一个变革性的范例。通过在不同网络层嵌入 AI 能力，这种集成能够优化资源分配、提高效率并增强系统鲁棒性能。本文提供了 AI 与 6G 网络通信的全面概述，重点介绍了它们的基础原理、固有挑战和未来研究机会。
为什么将 AI 集成到 6G 中：愿景与需求
后 5G 时代面临网络流量数据爆炸性增长和海量设备连接的需求挑战。作为必要的移动通信资源，频谱仍然是提升网络容量的关键。6G 的目标包括实现普惠性、泛在连接、可持续性、创新、安全/隐私/弹性、标准化与互操作性以及可接入性等七大目标。ITU 对 6G 的愿景涵盖了一系列服务和场景，旨在超越当前 5G 的通信能力。AI 的集成预计将成为一个“游戏规则改变者”，为多个领域提供新范例和机会。
AI 与 6G 网络的融合方式
AI 与 6G 网络的集成主要体现在两个范式：AI 赋能网络（AI for Network, AI4NET）和网络赋能 AI（Network for AI, NET4AI）。
-
AI 赋能网络 (AI4NET)：AI 用于增强网络自身的性能和运行维护（O&M）效率。
- 空口性能增强：AI 可用于信道状态信息（CSI）反馈，通过深度学习（DL）方法提高信道重建的准确性和鲁棒性。AI 也被用于改进正交频分复用（OFDM）接收机，替代传统物理层处理以补偿信号失真。此外，AI 还能增强波束对准的准确性和鲁棒性，并支持无线定位，满足 6G 对高精度定位的需求。
- 网络运维效率提升：AI 在提高网络运行效率和智能化管理方面显示出巨大潜力。例如，AI 可以用于网络流量预测，特别是通过长短期记忆网络处理非线性和复杂时间序 列数据。基于联邦学习（FL）的流量预测方法可以减少数据传输开销并保护隐私。AI 还能用于优化网络能源消耗，例如通过智能关闭基站或与可再生能源整合来实现更可持续的解决方案。AI 技术在网络参数优化中也至关重要，能够处理 6G 复杂网络架构中的数十亿个参数，弥补传统基于经验调整效率低下的问题。深度强化学习（DRL）已被用于网络参数优化。AI 还能实现通信和计算资源的联合调度与优化分配。此外，AI 可以建立系统化、智能化的网络故障分析和追溯方案，提供自动化、准确、灵活的故障检测和追溯能力。
关键使能技术和概念
- 无线网络大模型：类似于大语言模型（LLMs）在自然语言处理中的突破，无线网络大模型有望在通信系统中发挥关键作用。然而，传统的 LLMs 难以直接应用于无线通信系统，因为后者的数据是非标准化的、异构的，且任务多样，需要高精度和速度的推理。构建无线网络大模型可能需要分阶段方法，从 L2 层（特定业务场景，如能效优化、流量预测）发展到 L1 层（领域特定大模型，如空口、运维）再到 L0 层（整个网络的通用大模型）。
- 分布式智能：联邦学习（FL）、多智能体强化学习（MARL）和分布式学习（SL）是实现分布式智能的示例。水平 FL 适用于数据集特征空间相同但样本空间不同的场景，可在保护隐私的同时进行模型训练。
- 数字孪生 (DT)：DT 为 6G 网络提供了虚拟化对应物，支持全面的网络流量监控和分析。通过物理系统和虚拟副本之间的双向数据交互，DT 能够实现实时数据同步。DT 有助于应对 6G 在安全、频谱效率、智能性、能源效率和定制化方面的挑战。数字孪生信道（DTC）是无线信道的数字虚拟映射，反映物理世界中信道衰落状态和变化的全过程。
挑战与未来研究机会
文章讨论了 AI 和通信集成在 6G 中的挑战。未来研究方向包括：
- 自适应学习机制：利用 AI 的自适应学习机制将成为智能网络管理的基础，需要处理 6G 的复杂性和动态性。
- 绿色 AI 和 6G 网络：利用 AI 优化网络运营以减少能源消耗，并探索能效硬件和可再生能源集成。
- LLM 驱动的认知网络：将 LLMs 集成到 6G 网络中有望革新认知网络，实现自适应资源分配、意图驱动自动化等。未来的研究旨在通过轻量级架构将 LLMs 嵌入边缘设备以实现实时网络优化。