数字孪生辅助的大规模 MIMO CSI 反馈：探究孪生保真度的影响

深度学习（DL）技术已在压缩和重构信道状态信息（CSI）方面展现出优异性能，同时降低了大规模 MIMO 系统中的反馈开销。然而，一个关键挑战是其依赖于大量特定站点的训练数据，在现实世界中收集这些数据会产生显著的开销并限制了跨部署站点的可扩展性。为了解决这一问题，我们提出利用特定站点的数字孪生来辅助训练基于 DL 的 CSI 压缩模型。该数字孪生集成了环境的电磁（EM）3D 模型、硬件模型和射线追踪，以生成特定站点的合成 CSI 数据，从而允许在不进行大量真实世界测量的情况下训练 DL 模型。我们进一步开发了一个保真度分析框架，将数字孪生质量分解为四个关键方面：3D 几何、材料属性、射线追踪和硬件建模。我们探讨了这些因素如何影响数据的可靠性和模型性能。为了增强对真实世界环境的适应性，我们提出了一种细化策略，该策略结合少量真实世界数据来微调在数字孪生数据集上预训练的 DL 模型。评估结果表明，在特定站点数字孪生上训练的模型优于在通用数据集上训练的模型，且所提出的细化方法利用有限的真实世界数据有效提升了性能。仿真还强调了数字孪生保真度的重要性，尤其是在 3D 几何、射线追踪和硬件建模方面，这对于提高 CSI 重构质量至关重要。该分析框架为关键保真度方面提供了有价值的见解，并促进了针对各种无线通信任务的更高效的数字孪生开发与部署策略。