学习无线速度的通用神经接收机

当今我们设计无线网络时，依赖于不同传播环境中通信的 mathematical 模型。我们依赖测量活动来提供参数化的传播模型，并依赖 3GPP 标准化进程来优化基于模型的性能，但随着无线网络变得越来越复杂，这种基于模型的方法正在失去优势。移动网络运营商 (MNO) 正在依靠人工智能 (AI) 来变革无线，通过提高频谱效率、减少信令开销以及通过软件升级实现持续的网络创新。他们可能也对新的用例如集成感知与通信 (ISAC) 感兴趣。我们只需要一个 AI-native 的物理层，为什么不 simply 将已经在图像和自然语言处理领域取得革命性成果的离线 AI 算法应用于无线领域呢？我们认为这些算法依赖离线训练，而这种训练被排除了，因为无线干扰环境的变化速度在亚毫秒级。我们提出一种替代架构，一种基于卷积的通用神经接收机，它支配着任何信号在无线频谱中任意部分的发射和接收信号处理。我们的神经接收机设计用于反卷积，我们将要反卷积的卷积问题与实际反卷积分离。执行反卷积的神经网络非常简单，我们通过设置权重来配置该网络。通过告诉我们的神经网络我们所了解的内容，我们避免了大规模的离线训练。通过开发通用接收机，我们希望简化关于为不同用例选择合适波形的讨论。由于接收机架构在基站引入的技术中几乎独立，我们希望提高无线创新的速度。