面向 AI-native 6G 的 I/Q 流无线基础模型 IQFM

基础模型在自然语言处理和计算机视觉中展现出巨大的潜力，但在无线通信领域仍处于早期阶段。虽然已有一些工作探索了图像基模态（如信道状态信息 CSI 和频率声谱图），但针对原始 I/Q 数据的基础模型仍 largely 未探索。本文提出了 IQFM，即首个面向无线通信的 I/Q 信号基础模型。IQFM 支持多种任务：调制分类、方位角 (AoA)、波束预测和射频指纹识别，无需重-heavy 的预处理或手工特征。我们还引入一种任务感知增强策略，将变换划分为核心增强（如循环时间偏移）和任务特定增强。该策略构成了结构化、任务依赖表示学习 within 对比自监督学习 (SSL) 框架的基础。通过该策略，基于 SSL 在超过-the-air 多天线 I/Q 数据上预训练的轻量级编码器，可实现最高达 99.67% 和 65.45% 的调制和 AoA 分类准确率（仅使用每个类别一个标记样本），超越监督基线最高可达 7 倍和 145 倍。该模型也能推广到 out-of-distribution 任务；当仅用每个类别 500 个样本并通过 LoRA 进行最小参数更新适配时，相同的冻结编码器在波束预测（对比 89.53% 监督）上达到 94.15%，在 RML2016a 调制分类（对比 49.30%）上达到 50.00%，在射频指纹识别（对比 96.64%）上达到 96.05%。这些结果表明，原始 I/Q 基于的基础模型作为 AI-native 6G 系统中高效、可重用的多任务学习编码器具有巨大的潜力。