LLM4SG：通过机器联觉适配大语言模型进行散射体生成
信号处理
2025-09-04 v3
摘要
在本文中，我们提出了一种基于大语言模型（LLM）的新型散射体生成方法（LLM4SG），用于第六代（6G）人工智能原生通信。为了提供坚实的数据基础，我们构建了一个新的合成智能感知-通信数据集——SynthSoM-V2V，用于机器联觉（SoM）在车辆对车辆（V2V）通信中的应用，覆盖了多种 V2V 场景、多个频段和多种车辆交通密度（VTD）。利用大语言模型强大的跨模态表示能力，LLM4SG 旨在通过 SoM 捕获从光检测与测距（LiDAR）点云到电磁散射体的一般映射关系。为解决多模态数据之间固有的显著差异，设计了协同优化的四模块架构，即预处理模块、嵌入模块、骨干网络模块和输出模块，并考虑了感知特性和电磁传播特性。嵌入模块实现了感知-通信域与自然语言域的有效跨域对齐。骨干网络以任务引导的方式采用低秩适配（LoRA）进行调整，其中精心选择的若干层进行微调，以保留通用知识并降低训练成本。提出的 LLM4SG 通过与光线追踪（RT）和传统深度学习模型的基准对比进行评估。仿真结果表明，LLM4SG 在全样本和跨条件泛化测试中均取得了优异性能。它在不同频段、场景和 VTD 下均显著优于传统深度学习模型，并展示了为 AI 原生 6G 系统提供大规模高质量信道小尺度衰落数据的能力。
引用
@article{arxiv.2505.17879,
title = {LLM4SG: Adapting Large Language Model for Scatterer Generation via Synesthesia of Machines},
author = {Zengrui Han and Lu Bai and Ziwei Huang and Xiang Cheng},
journal= {arXiv preprint arXiv:2505.17879},
year = {2025}
}