AirFM-DDA：面向AI-native 6G的延迟-多普勒-角度域空中接口基模模型
机器学习
2026-05-04 v1 人工智能
信息论
信号处理
math.IT
摘要
大型基模模型的成功正在催生一种新的AI-native 6G网络设计范式：面向物理层的无线基模模型。然而，现有模型通常 operate于信道状态信息（CSI）的时空频率（STF）域，在该域中，不同的多径分量本质上是叠加且结构性纠缰的，这阻碍了学习通用信道表征。此外，这些模型依赖全局注意力机制，导致计算开销巨大。本文提出AirFM-DDA，一种 operate于延迟-多普勒-角度（DDA）域的空中接口基模模型，用于物理层任务。具体而言，AirFM-DDA将CSI从STF域重新参数化到DDA域，以沿物理意义上的轴明确解决多径分量。它采用基于窗口的注意力模块，增强了框架结构感知位置编码（FS-PE）。这种基于窗口的注意力与局部聚类多径依赖性相吻合，同时避免了二次复杂度的全局注意力，FS-PE将框架结构先验注入网络。大量实验表明，AirFM-DDA在各种不可见场景和数据集上实现卓越的零样本泛化，始终优于基线方法在信道预测和估计任务上的表现。相较于全局注意力，其基于窗口的注意力在训练和推理成本上几乎降低一个数量级。此外，AirFM-DDA在高速移动、大延拓、严重噪声和极端混叠条件下仍保持稳健性。
引用
@article{arxiv.2605.00020,
title = {AirFM-DDA: Air-Interface Foundation Model in the Delay-Doppler-Angle Domain for AI-Native 6G},
author = {Kejia Bian and Meixia Tao and Jianhua Mo and Zhiyong Chen and Leyan Chen},
journal= {arXiv preprint arXiv:2605.00020},
year = {2026}
}
备注
16 pages