面向太赫兹超大规模MIMO的人工智能与深度学习：从基于模型的方法到基础模型

本研究探讨了人工智能（AI）在应对太赫兹超大规模多输入多输出（UM-MIMO）系统所带来挑战方面的变革潜力。首先概述了太赫兹UM-MIMO系统的特征，并识别出收发器设计的三大主要挑战：计算复杂度、建模困难和测量限制。该研究认为AI为应对这些挑战提供了有前景的解决方案。提出了三条系统性的研究路线图，用于开发针对太赫兹UM-MIMO系统的AI算法。第一条路线图为基于模型的深度学习（DL），强调利用已有领域知识的重要性，并主张仅在已建立的信号处理或优化框架内采用AI来增强瓶颈模块。讨论了四个关键步骤：算法框架、基础算法、损失函数设计和神经网络架构设计。第二条路线图提出信道状态信息（CSI）基础模型，旨在通过聚焦各收发器模块的共享基础——即无线信道——来统一不同收发器模块的设计。提出训练单个紧凑基础模型来估计无线信道的得分函数，该得分函数可作为设计多种收发器模块的通用先验。概述了四个关键步骤：通用框架、条件化、站点特定适配、CSI基础模型的联合设计以及基于模型的深度学习。第三条路线图旨在探索将预训练大语言模型（LLM）应用于太赫兹UM-MIMO系统的潜在方向。设想了多个应用场景，包括基于LLM的估计、优化、搜索、网络管理和协议理解。最后，该研究指出了开放问题和未来研究方向。