数字孪生辅助的大规模 MIMO：CSI 压缩与反馈

深度学习 (DL) 方法在压缩和重构信道状态信息 (CSI) 以及降低大规模 MIMO 系统中的 CSI 反馈开销方面已展现出高性能。然而，DL 方法面临的一个关键挑战是对大量训练数据的需求。收集这些真实世界的 CSI 数据会产生巨大的开销，阻碍了 DL 方法扩展到大量通信站点。为应对这一挑战，我们提出了一种利用特定站点的\textit{数字孪生}来辅助 DL 模型训练的新方向。所提出的数字孪生方法基于电磁 (EM) 3D 模型和射线追踪生成特定站点的合成 CSI 数据，随后可用于训练 DL 模型而无需收集真实世界数据。为进一步提升性能，我们采用在线数据选择策略，利用少量真实世界 CSI 数据集优化 DL 模型的训练。结果表明，仅在数字孪生数据上训练的 DL 模型在真实世界部署测试中也能实现高性能。此外，利用域自适应技术，所提出的方法仅需数量级更少的真实世界数据，即可达到完全在真实世界 CSI 数据集上训练的模型的性能。