ATLAS：利用 AI 引导搜索的 AI 原生接收机测试与测量
信号处理
2025-08-19 v1 机器学习
网络与互联网体系结构
摘要
业界对人工智能（AI）原生无线接收机，甚至模块化的机器学习（ML）辅助无线信号处理模块的采用一直进展缓慢。主要担忧在于这些训练好的 ML 模型缺乏可解释性，以及在发生故障时对网络功能构成的重大风险，特别是因为 (i) 对每种穷举情况进行测试是不可行的，并且 (ii) 用于模型训练的数据可能不可用。本文提出了 ATLAS，这是一种 AI 引导的方法，可为预训练的 AI 原生接收机模型生成一系列测试，并将其性能与经典接收机架构进行基准比较。通过使用基于梯度的优化，它避免了遍历所有环境和信道条件的穷举集合；相反，它以在线方式生成下一个测试，以进一步探测那些具有最高故障风险的特定配置。我们通过在 NVIDIA 的 Sionna 环境中采用著名的 DeepRx AI 原生接收机模型以及使用可微张量的经典接收机，来实现并验证了我们的方法。ATLAS 揭示了移动性、信道时延扩展和噪声的特定组合，在这些组合下，完全和部分训练的 AI 原生 DeepRx 变体相比经典接收机表现不佳。我们提出的方法将每个发现的故障所需的测试数量相比网格搜索减少了 19%，对于 3 参数输入优化问题，展示了更高的效率。相比之下，基于网格的方法的计算成本随变量数量呈指数级增长，使其对于高维问题越来越不切实际。
引用
@article{arxiv.2508.12204,
title = {ATLAS: AI-Native Receiver Test-and-Measurement by Leveraging AI-Guided Search},
author = {Mauro Belgiovine and Suyash Pradhan and Johannes Lange and Michael Löhning and Kaushik Chowdhury},
journal= {arXiv preprint arXiv:2508.12204},
year = {2025}
}
备注
Accepted at IEEE PIMRC 2025