无线系统复杂性增加AI 成克服挑战的关键

　　当前，由于扩大用户群的需求增加，要加强对宝贵资源优化共享，也加大了无线网络的管理难度，这些调整正迫使工程师们突破传统基于规则的方法、寻找新的解决方案。AI 成为他们应对现代系统挑战的首选解决方案。

　　在今天，随着连接到网络的设备数量和范围逐渐扩大，AI 在无线领域的重要性也大大增加。工程师必须准备好将 AI 引入日益复杂的系统，了解 AI 在无线系统中的优势和应用、及实施过程中的最佳实践， Houman Zarrinkoub 表示，这将是无线系统技术未来成功的关键。

　　向 5G 的过渡带来了移动宽带网络速度和质量的优化，以及对工业 4.0 设备之间在时间上敏感连接的超可靠低速率和大规模机器通信的需求——这是现代网络中三种不同的用例，以及驱动工程师采用 AI 的竞争力。

　　随着设备对网络资源的竞争，无线系统的用户和应用程序数量持续增加，曾经被基于人类的规则所理解的线性设计模式不足。但是，通过自动有效地提取任意模式，人工智能可以更好地解决非线性问题，这超出了基于人的方法的能力。

　　在这种情况下，人工智能是指那些用于识别连接设备、人员通信渠道模式中的机器学习和深度学习系统，这些系统通过给该链接的资源进行优化来提高性能。简而言之，在不利用 AI 方法的情况下为这些不同的用例运行网络，是几乎不可能完成的任务。

　　除此之外，人工智能对项目管理也有帮助。通过估计源环境的行为，将模拟环境整合到算法模型中，使工程师能用最少的计算资源更快地研究系统的主要影响，从而为探索设计和后续迭代留下了更多时间，降低了成本和开发的时间。

　　src=图注：AI for Wireless 的工作流程——数据生成、AI 训练、验证和测试以及硬件上的部署

　　为了处理一系列现实世界中的场景，这些模型需要使用广泛的数据进行训练。通过基于基元合成新数据，或从无线信号中提取，无线G 网络设计人员提供稳健训练 AI 所需要的数据变化。如果没有大型训练数据集、并在此基础上对不同的算法进行数据迭代，可能会导致最终效果是狭窄的局部优化，而不是对整体实现全局优化。

　　测试 AI 技术所需的信号变化是其中的一个问题，在狭窄的局部地理环境中捕获的信号，可能会对工程师优化设计质量的方式产生不利影响。如果没有现场迭代，个别案例的参数也将无法用于针对特定位置优化 AI，从而对呼叫性能产生负面影响。

　　随着智能城市、电信网络和自动驾驶汽车 ( AV ) 等应用程序的连接，如果将电子通信放置在曾经以机械为导向的区域中时，虽然能够产生大量的数据，但加入的网络资源也会变得捉襟见肘。

　　在电信领域，人工智能部署在两个层面——物理层 ( PHY ) 和 PHY 之上，其中，用于提高连接两个用户线路性能的 AI 应用称为在 PHY 操作。AI 技术在物理层的应用包括有数字预失真、信道估计和信道资源优化，以及在呼叫期间自动调整收发器参数，也可以称为自动编码器设计。

　　信道优化是指增强两个设备之间的连接，特别是网络基础设施和用户设备之间的连接。通常，这也意味着使用 AI 通过指纹识别和通道状态信息压缩等技术，来克服局部环境中的信号变异性。

　　通过指纹识别，AI 可将干扰映射到室内环境中的传播模式（由个人进入引起）来优化无线网络的定位，AI 会根据这些个性化的 5G 信号变化来估计用户的位置。同时，信道状态信息压缩能通过 AI 压缩从用户设备到基站的反馈数据，确保通知基站试图改善通话性能的反馈回路不超过可用带宽，从而导致通话中断。

　　Above-PHY 主要用于网络管理和资源分配，如调度、波束管理和频谱分配等应用，是指管理和优化核心系统资源的功能，可用于网络中相互竞争的用户和用例。随着网络用户和用例数量的增加，网络设计者已经转向人工智能技术，以便实时响应分配需求。

　　在汽车领域中，使用 AI 进行无线连接让安全自动驾驶成为可能。自动驾驶汽车 ( AV ) 依靠来自多个来源的数据，包括激光雷达、雷达和无线传感器等来解释它们所处的环境。自动驾驶汽车中的硬件需要处理众多竞争信号的数据，而通过 AI 就可以实现传感器融合来融合竞争信号，使车辆软件能够理解其位置，确定自身同环境的交互方式。

　　随着无线技术用例的扩展，在这些系统中应用人工智能的需求也随之增加。没有 AI，那么如 5G、自动驾驶汽车和物联网应用等系统也将不具备有效运行所需的复杂性。尽管近年来 AI 在工程，特别是无线系统设计中的地位一直在增加，但随着用例和网络用户数量的增长，也可以预期其地位将会以更快的速度继续上升。