面向基于意图的语义通信的神经符号人工智能（AI）

集成复杂机器推理技术的基于意图的网络将成为未来无线6G系统的基石。基于意图的通信要求网络考虑数据传输的语义（含义）和有效性（在终端用户处）。如果6G系统要以更少的比特可靠通信，同时向异构用户提供连接，这一点至关重要。在本文中，与缺乏数据可解释性的现有最优方法不同，我们提出将神经符号人工智能（NeSy AI）框架作为学习观测数据背后因果结构的支柱。具体而言，我们首次在无线系统中利用生成流网络（GFlowNet）这一新兴概念来学习生成数据的概率结构。此外，为学习最优编码和解码函数，我们严格构建了一个以达成更高语义可靠性为目标的新型优化问题。我们提出了新的解析公式来定义语义消息传输的关键指标，包括语义失真、语义相似度和语义可靠性。这些语义度量函数依赖于我们所提出的知识库语义内容定义，且该信息度量反映了节点的推理能力。仿真结果验证了该框架能够高效通信（用更少比特但相同语义），且相比不利用推理能力的传统系统表现显著更优。