研究人员提出神经网络解决方案，可用于通信芯片和物理层通信设备

近日，英国爱丁堡大学博士生栾殿鑫和所在团队通过针对训练数据进行设计，从而使得训练好的神经网络具有良好的泛化性，即在之前未见过的信道上表现出一定的稳定性。例如，在信道 A 上训练的神经网络，在完全不同的信道 B、C、D 上的性能是一致的。当然这个神经网络的性能仍然非常好，而且通常会明显优于传统方法。与此同时，本次结果也证明在信道 B 上训练的神经网络，在信道 A 上几乎完全是随机预测的。这一成果解决了神经网络在无线通信领域中应用时的泛化性问题。

需要注意的是，无线信道的数量实际上是无限多的，神经网络不可能在每一个信道上都训练过，即便使用庞大的、从现实中采样得到的数据集进行训练，神经网络也会面临灾难性遗忘的问题，并不能保证遍历了所有信道的神经网络能够学会预测每一个信道。“更何况遍历所有的信道这本身就是不可能的。”研究人员指出。

在应用前景上，这一成果使得神经网络方法在物理层通信信道估计模块中有望成为最小二乘法（LS，Least Squares）估计的替代方案，LS 估计的性能虽然比较差，但是这种方法可以进行通用估计，因为这种方法不需要任何信道的真实信息。而此次提出的神经网络解决方案通过在无线信道上实现稳定的泛化性，从而能够实现通用的估计。在实验中，研究团队已经证明了其在不同功率延迟分布（PDP，Power Delay Profile）、延迟拓展、信道建模以及系统超参数上的稳定性。

这使得研究团队的神经网络方案有望成为 LS 信道估计的替代方案从而被应用于物理层通信。“详细来说就是可以用在通信芯片上，例如海思麒麟芯片上的巴龙芯片以及联发科的天玑芯片，或者一些其他的物理层通信设备上。”研究人员对 DeepTech 表示。

据了解，此次研究是栾殿鑫博士课题的一部分。当时，他和同组同学参与了所在学校的一个工业伙伴合作项目。在这个项目期间，栾殿鑫主要研究神经网络在无线通信，尤其聚焦于研究在处理信道估计问题上的应用，侧重于结合注意力机制的编解码结构的研究方向，以及针对实际物理信道的变化进行线上训练。在做线上训练的时候，他和所在团队反复思考的问题是：由于物理层通信通常有着低延迟的要求以及会受到硬件设备的限制，如果用于信道估计的神经网络方案可以在不同信道上体现出普适性，将有助于神经网络方法在无线通信领域的落地。

但是，当时他的合作伙伴希望他和所在团队能够专注于线上训练的研究，所以在栾殿鑫发表在IEEE Transactions on Wireless Communications上的论文，主要包含了线上训练以及注意力机制的研究。不过，针对用于物理层通信的神经网络的重新思考，也启发了他和所在团队的本次新研究。

未来，该团队打算继续开展拓展研究。一是在具体硬件平台上进行实际研究以及调试，二是开展空间相关性的泛化研究，即针对训练数据集设计拓展到 N*N MIMO-OFDM 上。其也非常有兴趣将训练数据集与液体天线结合以及结合智能反射面的通信场景下的研究。目前，研究团队正在进行模型低复杂度的研究，当前的神经网络参数可能只有几十个或几百个，内存占用非常低而且在低计算性能设备上的运算时间小于毫秒级。“所以，我们非常欢迎学术界以及工业界的伙伴，来和我们一起研究。”研究人员表示。

参考资料：

1.https://www.linkedin.cn/incareer/in/dluan1705567

2.Dianxin Luan et al. Achieving Robust Channel Estimation Neural Networks by Designed Training Data.IEEE Transactions on Cognitive Communications and NetworkingPP(99):1-1,DOI:10.1109/TCCN.2025.3592299

运营/排版：何晨龙