推理遇上表征：构想神经符号无线基座模型

无线物理层基座模型（WPFMs）的最新进展正在引领一种通用射频（RF）表征的新范式，但这些模型继承了深度学习中的若干关键局限，包括缺乏可解释性、鲁棒性、可适应性，以及对物理和监管约束的不可验证符合性此外，面向面向AI原生6G网络的愿景需要一种深植于系统内部且值得信赖的智能水平。本愿景论文中，我们认为神经符号范式——即将数据驱动的神经网络与基于规则和逻辑的符号推理相结合的范式，对于填补这一鸿沟至关重要。我们构想了一种新型神经符号框架，将通用RF嵌入表示与符号知识图谱和可微分逻辑层相集成。这种混合方法使模型能够从大规模数据集中学习，同时对显式领域知识进行推理，从而实现可信赖、可泛化且高效的无线AI，满足未来网络的需求。