BERT4beam：面向广泛场景的大规模AI模型驱动波束成形优化
系统与控制
2025-09-16 v1 机器学习
系统与控制
摘要
人工智能（AI）预计将成为第六代（6G）无线通信系统的关键使能者。然而，当前关于大规模AI模型的研究主要聚焦于针对特定任务微调预训练的大型语言模型（LLM）。本文针对面向波束成形优化的大规模AI模型进行调研，以适应和泛化到由系统效用和规模定义的多样化任务。我们提出了基于双向编码器表示（BERT）的新型框架，称为BERT4beam。旨在将波束成形优化问题建模为基于token的序列学习任务，对信道状态信息进行分词，构建BERT模型，并制定任务特定的预训练和微调策略。基于该框架，我们分别提出两种基于BERT的方法，用于单任务和多任务波束成形优化。两种方法都对用户规模具有广泛可扩展性。而前者可通过重新配置BERT模型的输入和输出模块以适应不同的系统效用和天线配置；而后者（称为UBERT）由于采用更细粒度的分词策略，可直接泛化到多样化任务。广泛的仿真结果表明，两种所提方法均可实现接近最优性能，并在各种波束成形优化任务中超越现有AI模型，显示出强大的适应性和泛化能力。
引用
@article{arxiv.2509.11056,
title = {BERT4beam: Large AI Model Enabled Generalized Beamforming Optimization},
author = {Yuhang Li and Yang Lu and Wei Chen and Bo Ai and Zhiguo Ding and Dusit Niyato},
journal= {arXiv preprint arXiv:2509.11056},
year = {2025}
}