面向无线通信的通用神经接收机：学习速度与无线速度匹配

当今我们设计的无线网络依赖支配不同传播环境中通信的数学模型。我们依赖测量活动为这些模型提供参数化输入，并依赖 3GPP 标准化进程优化模型性能，但随着无线网络复杂度的提升，这种基于模型的ethods 正在失去优势。移动网络运营商（MNOs）正依赖人工智能（AI）来通过提高频谱效率、减少信令开销以及通过软件升级实现持续的网络创新来改变无线。他们也可能对像集成感知与通信（ISAC）等新用例感兴趣。我们只需要一个面向 AI 的物理层，为何不 simply 将图像和自然语言处理领域已被证明有效的 offline AI 算法直接应用于无线领域呢？我们认为，这些算法依赖离线训练，而这在无线干扰环境亚毫秒级变化的速度下是不可行的。我们提出了另一种架构——一种基于卷积的通用神经接收机，它支配任意信号在无线谱中任意部分的发射与接收信号处理。我们的神经接收机被设计用于求逆卷积，我们将要逆转的卷积与实际去卷积分离。执行去卷积的神经网络非常简单，我们通过基于领域知识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，我们希望简化关于不同用例在国际标准中选择合适波形的讨论。由于接收机架构对基站引入的技术几乎独立，我们希望提高无线创新的速度。