AI技術在5G系統(tǒng)設計與優(yōu)化方面富有發(fā)展前景的若干發(fā)展方向

摘 要

第五代移動通信(5G)技術將為移動互聯(lián)網(wǎng)的快速發(fā)展提供無所不在的基礎性業(yè)務能力，在滿足未來10年移動互聯(lián)網(wǎng)流量增加1000倍發(fā)展需求的同時，為全行業(yè)、全生態(tài)提供萬物互聯(lián)的基礎網(wǎng)絡技術。相對已有的移動通信技術，5G技術適用面更為廣泛，系統(tǒng)設計也更為復雜。重新復興的人工智能(AI)技術為5G系統(tǒng)的設計與優(yōu)化提供了一種超越傳統(tǒng)理念與性能的可能性。《中國科學：信息科學》最新錄用了尤肖虎教授等撰寫的評述“基于AI的5G技術——研究方向與范例”。該評述在概述5G移動通信關鍵技術的基礎上，梳理了AI技術在5G系統(tǒng)設計與優(yōu)化方面富有發(fā)展前景的若干發(fā)展方向，并給出了有關5G網(wǎng)絡優(yōu)化、資源最優(yōu)分配、5G物理層統(tǒng)一加速運算以及端到端物理層聯(lián)合優(yōu)化等若干典型范例。

01引言

5G是面向2020年之后發(fā)展需求的新一代移動通信系統(tǒng)，其主要目標可概括為“增強寬帶、萬物互聯(lián)”。5G 應用被劃分為3個典型的場景：增強型的移動寬帶(eMBB)、海量連接的機器通信(mMTC)，以及高可靠、低時延的物聯(lián)網(wǎng)應用(URLLC)，并規(guī)定了多個維度的關鍵技術指標需求，包括：峰值速率、頻譜效率、時間延遲、網(wǎng)絡可靠性、連接密度及用戶體驗速率等。大規(guī)模天線陣列、密集網(wǎng)絡、新型波形復用與信道編譯碼(如極化碼)，以及毫米波接入將成為5G無線網(wǎng)絡的核心關鍵技術。

5G另一項富有前景的關鍵技術是網(wǎng)絡虛擬化與切片技術，其基本思想是將5G網(wǎng)絡構(gòu)建在云計算平臺上，通過計算資源的隔離、動態(tài)調(diào)配與遷移，實現(xiàn)網(wǎng)絡資源的靈活調(diào)配，以適應未來5G極為豐富的應用場景。

5G技術標準正處于不斷完善與成熟的過程中。國際標準化組織3GPP于2017年12月公布了第1個5G技術標準，支持非獨立組網(wǎng)(NSA)與eMBB功能。2018年6月14日，3GPP批準了5G獨立組網(wǎng)(SA)技術標準，5G自此進入了產(chǎn)業(yè)全面沖刺的新階段。在4G技術基礎上，5G新無線接口(5G NR)：

對已有的多輸入多輸出(MIMO)技術進行了增強，引入了大規(guī)模天線陣列技術；

對OFDM時隙結(jié)構(gòu)和時頻資源塊(RB)劃分方案進行了補充，提出了更為靈活的空中接口技術；

預計下一個5G標準版本將引入非正交多用戶接入(NOMA)技術，以支撐廣域覆蓋的中低速率物聯(lián)網(wǎng)應用；

沿用了前期的分布式無線網(wǎng)絡構(gòu)架，將無線網(wǎng)絡功能單元劃分為分布式單元(DU)和中心單元(CU)，并引入了基于云計算的網(wǎng)絡虛擬化與切片技術。

5G 技術應用范圍的擴展使得其系統(tǒng)設計和優(yōu)化更為復雜。傳統(tǒng)移動通信系統(tǒng)的優(yōu)化目標主要體現(xiàn)在，對系統(tǒng)傳輸速率和移動性能力的支持方面。5G NR 將其應用特性的支持能力進一步擴展至：時間延遲、網(wǎng)絡可靠性、連接密度，以及用戶體驗速率等多個關鍵性能指標(KPI)方面。5G N系統(tǒng)設計需要在這些KPI之間進行折中與優(yōu)化。而且靈活空中接口、網(wǎng)絡虛擬化與切片技術的引入，極大地增加了系統(tǒng)設計的復雜性，并為5G網(wǎng)絡運維和優(yōu)化帶來了極大的挑戰(zhàn)?？上驳氖?，人工智能(AI)技術為5G系統(tǒng)的設計與優(yōu)化提供了一種超越傳統(tǒng)理念與性能的可能性，已成為業(yè)界重點關注的研究方向。3GPP、ITU等組織均提出了5G與AI相結(jié)合的研究項目。

AI技術誕生于20世紀中葉，幾經(jīng)沉浮，近年來借助于現(xiàn)代計算和數(shù)據(jù)存儲技術的迅猛發(fā)展而再次復興。AI技術涵蓋遺傳算法和人工神經(jīng)網(wǎng)絡兩大類，其本身是一種普適性的機器學習技術。凡是給定場景涉及到了數(shù)據(jù)的統(tǒng)計、推斷、擬合、優(yōu)化及聚類，AI均能找到其典型應用。根據(jù)訓練數(shù)據(jù)的標簽(label)或?qū)P系是否已知來區(qū)分，AI學習算法可以粗略地分為監(jiān)督學習和非監(jiān)督學習兩類。而增強學習算法既不是一般意義上的非監(jiān)督學習算法，也不是監(jiān)督學習算法，因此又自成一類。以上三類學習算法的特點和典型范例包括:

監(jiān)督學習

在監(jiān)督學習中，每個訓練數(shù)據(jù)組(data pair)都是由一個輸入對象和一個期望的輸出值組成的，其目標是習得輸入和輸出數(shù)據(jù)的一種的函數(shù)關系，并依據(jù)該函數(shù)關系推斷其他輸入數(shù)據(jù)可能的輸出值。監(jiān)督學習的一種典型范例即為圖1所示的深度神經(jīng)網(wǎng)絡(DNN)的訓練。該訓練方法通過一組先驗的數(shù)據(jù)對(data pairs)對多層人工神經(jīng)網(wǎng)絡節(jié)點間的加權(quán)系數(shù)進行離線訓練。當訓練收斂后，該分層人工神經(jīng)網(wǎng)絡可以實現(xiàn)對新的數(shù)據(jù)的辨識與推斷。

圖 1

非監(jiān)督學習

非監(jiān)督學習的訓練數(shù)據(jù)是無標簽的數(shù)據(jù)。通過非監(jiān)督學習，我們試圖找到這些數(shù)據(jù)中隱藏的結(jié)構(gòu)。自組織映射(SOM)網(wǎng)絡的訓練就用到了非監(jiān)督學習方法。在SOM中，如圖2，任意維度的無標簽訓練數(shù)據(jù)被輸入一個人工神經(jīng)網(wǎng)絡，轉(zhuǎn)換為低維度(通常為二維)的離散映射(map)，并通過非監(jiān)督學習算法對權(quán)重向量有選擇性地微調(diào)，以拓撲有序的方式自適應地執(zhí)行這種變換。

圖 2

增強學習

增強學習的典型例子是：可在線處理的增強學習方法(見圖3)。它基于智能實體(Agent)與環(huán)境(Environment)之間的動態(tài)交互。當智能實體感知到環(huán)境信息后，依據(jù)自己采取動作(Action)所可能帶來的獎賞(Reward)或懲罰(Penalty)，確定下一步動作，并進一步觀察環(huán)境的反應，循環(huán)往復，直至收斂至某一穩(wěn)態(tài)目標。

圖 3

兩種常見的學習方法如下:

反向傳播學習算法

反向傳播(BP)學習算法是分層人工神經(jīng)網(wǎng)絡中最為經(jīng)典的訓練算法，是最速下降優(yōu)化算法的一種具體形式。其目標是通過迭代，調(diào)整節(jié)點間的加權(quán)系數(shù)，使得分層人工神經(jīng)網(wǎng)絡的輸出逐步接近已知的輸出。有關BP算法的動態(tài)參數(shù)優(yōu)化及加速實現(xiàn)形式，可參見作者早期的有關論文[You 1992; You 1995]。有關分層人工神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)的選擇，以及如何避免陷入局部最優(yōu)，可參見作者早期的論文[You 1997]。而今，B學習算法被廣泛用于訓練深度神經(jīng)網(wǎng)絡(DNN)，并取得了良好的效果。擁有兩層或更多隱藏層(hidden layer)的神經(jīng)網(wǎng)絡均可被稱為DNN。卷積神經(jīng)網(wǎng)絡(CNN)是一類常見的前饋DNN，其隱藏層包含：卷積層、池化層、全連接層及歸一化層。 CNN也可以使用反向傳播算法進行訓練，并能在圖像和語音識別等方面給出比其他DNN更好的結(jié)果。

Q學習算法

Q學習算法又稱為Bellman算法，是增強學習最為經(jīng)典的算法。其基本思路是：選擇某一函數(shù)(Q 函數(shù))，作為衡量一個智能實體執(zhí)行某種動作的代價(獎勵或懲罰)函數(shù)；該智能實體根據(jù)所處的環(huán)境，對所有可能的動作進行Q函數(shù)評估，并從中選擇出獎勵成份最大的動作，并加以行動。Bellman給出了Q函數(shù)常見的迭代更新形式，從而使該智能實體的動作、環(huán)境的變化和Q函數(shù)的調(diào)整能以在線的方式實現(xiàn)。Q 算法的迭代收斂性證明可參見論文[Watkins 1992]。

傳統(tǒng)數(shù)據(jù)科學的AI機器學習算法(例如線性模型(linearmodels)、決策樹(descision tree)、k均值聚類(k-means clustering)等)日臻成熟并已經(jīng)部分投入商用。而近年來，深度學習方法(例如DNN、CNN、增強學習等)迅速發(fā)展，并在認知技術等領域取得了重大突破，受到了前所未有的關注。與此同時，元學習(meta-learning)等深度學習算法的新分支也在不斷開拓中，提出了“學會學習”等嶄新的概念。例如，F(xiàn)inn等[Finn 2017]提出的未知模型元學習法(model-agnostic meta-learning，MAML)不會對模型的形式做任何假設，也沒有為元學習引入額外的參數(shù)，極易應用于許多領域，包括分類、回歸和增強學習等。近期AI技術的發(fā)展在文獻[Wu 2018; Zhou 2018; Zhong 2017]中有詳細的總結(jié)。

這些新技術使深度學習方法適用于更廣泛、更復雜的場景，也為AI在通信等領域中的應用制造了新的機遇。

02AI應用于5G系統(tǒng)的發(fā)展方向

作為普適性的機器學習技術，AI 可以廣泛地應用于5G 系統(tǒng)設計和優(yōu)化的各個環(huán)節(jié)，大體上涉及三類技術問題: 組合優(yōu)化問題、檢測問題及估計問題。

組合優(yōu)化問題

5G NR的資源分配問題是一個典型的組合優(yōu)化問題。它需要從資源池中窮舉出一組最優(yōu)的資源配置方式，并據(jù)此將資源分配給網(wǎng)絡覆蓋范圍內(nèi)的多個用戶，最大化資源利用效率。

檢測問題

再如，5G通信最優(yōu)接收機的設計就是一個典型的檢測問題，其目標是對接收信號進行辨識，確定對應的發(fā)射信號，并使檢測錯誤概率最低。

估計問題

5G通信的信道參數(shù)的準確估計是實現(xiàn)系統(tǒng)相干接收的必要條件。它需要根據(jù)5G 系統(tǒng)所發(fā)送的導頻信號(事先確知)，估計出無線信號傳播從發(fā)射端到接收端所歷經(jīng)的信道畸變。

AI技術在5G系統(tǒng)中的應用已有大量的文獻可供參考，但并非所有的研究均有潛在的發(fā)展生命力。

首先，移動通信系統(tǒng)本身經(jīng)過長期的發(fā)展，已經(jīng)擁有了較為完備的經(jīng)典設計和處理方法。大量實踐已經(jīng)證明，這些經(jīng)典方法在工程上極為有效，且易于實現(xiàn)。

其次，移動通信系統(tǒng)通常存在性能界(如香農(nóng)容量限)，現(xiàn)有的方法經(jīng)過精心設計已經(jīng)可以充分逼近上述性能界。例如，文獻[Gao 2009]中給出了逼近MIMO容量界的一種設計方法，其只需對功率最優(yōu)注水分配問題進行簡單的迭代，便可使MIMO的性能充分逼近香農(nóng)容量界。這意味著，即使采用先進的AI學習技術，也無法超越這些經(jīng)典算法。

第三，AI學習本身也有明顯的局限性，無論是BP算法還是Q算法均存在訓練的收斂時間問題。能否滿足移動通信系統(tǒng)實時處理的需求，需要進行較為充分的評估。最后，與經(jīng)典的方法相比，AI學習算法的計算復雜度通常較高，如果不能帶來性能上的明顯提升，其本身顯然不具備足夠的競爭力。

這里，并非否定AI技術在5G系統(tǒng)設計與優(yōu)化中的潛在價值。相反，5G系統(tǒng)中存在大量傳統(tǒng)方法難以建模、求解、或高效實現(xiàn)的問題，為AI技術在5G中的有效應用提供了可能。同時，一些新的AI算法正在不斷發(fā)展中，為AI在5G中的應用提供了新的機遇。因此，有必要對AI技術在5G系統(tǒng)設計與優(yōu)化中的典型問題進行梳理，從而確定其在5G系統(tǒng)中更有潛在應用價值的研究方向。

為此，本文將AI 在5G中的應用問題劃分為以下四種類型：無法建模問題、難以求解問題、統(tǒng)一模式高效實現(xiàn)問題、及最優(yōu)檢測與估計問題。我們將看到: 對于前兩類問題，由于缺乏有效的傳統(tǒng)解決方案，AI技術通常更具應用潛力。而對于后兩類問題，AI技術相對于傳統(tǒng)的解決方案是否在性能或?qū)崿F(xiàn)上具備更強的競爭力，則視其具體解決方案而定。四類問題具體分析如下:

無法建模問題

移動通信系統(tǒng)的網(wǎng)絡優(yōu)化涵蓋一類難以統(tǒng)一建模的技術問題，如覆蓋問題、干擾問題、鄰區(qū)選擇、及越區(qū)切換問題等，其運維通常更多地依賴于工程人員的實踐經(jīng)驗。相比之下，5G系統(tǒng)涉及的應用場景更為綜合、KPI種類更多，特別是5G NR中基于大規(guī)模天線陣列的密集波束應用，需要引入更高維度的優(yōu)化參數(shù)，對網(wǎng)絡運維帶來了更為艱巨的挑戰(zhàn)。5GNR另一個難以建模的問題是KPI優(yōu)化。如前所述，5G NR的KPI涉及峰值速率、頻譜效率、時間延遲、網(wǎng)絡可靠性、連接密度及用戶體驗速率等多個維度，這些指標往往是相互依賴或相互矛盾的，因而難以建立全局性的優(yōu)化模型。

難以求解問題

5GNR涉及一系列資源分配問題，包括: 小區(qū)間時頻資源塊分配、正交導頻資源分配、波束分配、大規(guī)模MIMO多用戶聚類及無線網(wǎng)絡虛擬化資源池調(diào)配等。這些問題的模型優(yōu)化目標是使得整個無線網(wǎng)絡的吞吐率最大化，并滿足一定程度的用戶服務比例公平性。其最優(yōu)解求解問題通常屬于NP-hard類型的組合優(yōu)化，對應的計算復雜度隨系統(tǒng)規(guī)模的增加而指數(shù)增長。傳統(tǒng)的解決方法一般將此類問題進行靜態(tài)分割，從而以較低的計算量獲取次優(yōu)的解決方案。AI技術則為此類問題的解決提供了可能的技術途徑。

統(tǒng)一模式高效實現(xiàn)問題

5GNR涉及一些基本功能模塊的級聯(lián)組合。以5G NR的物理層為例，涉及大規(guī)模MIMO多用戶空時處理、NOMA信號檢測及LDPC碼和Polar碼信道編譯碼等功能模塊。上述每個功能模塊算法各不相同，但理論上均可以單獨采用AI學習技術逐一加以解決。這啟發(fā)我們，可用統(tǒng)一的、基于AI技術的軟硬件方案解決5G NR物理層所有的關鍵功能模塊，從而簡化系統(tǒng)的設計流程、加速工程實現(xiàn)的進程、提高物理層實現(xiàn)的可配置性，并最終降低系統(tǒng)實現(xiàn)成本、提高實現(xiàn)效率。

最優(yōu)檢測與估計問題

將AI應用于5G系統(tǒng)的直觀的想法是，用人工神經(jīng)網(wǎng)絡來取代傳統(tǒng)發(fā)射機和接收機的基本功能模塊。如前所述，基于人工神經(jīng)網(wǎng)絡訓練的方法，其無線傳輸性能最多也只能接近香農(nóng)容量界；但相對于經(jīng)典的優(yōu)化設計方法，其計算量可能更為龐大，且訓練所需的收斂時間也會限制其實際應用。另一個更值得探討的研究方向是，使用AI技術進行跨層聯(lián)合優(yōu)化，包括：物理層與媒體控制層的聯(lián)合優(yōu)化、信源與信道的聯(lián)合優(yōu)化及算法設計與硬件實現(xiàn)的聯(lián)合優(yōu)化等，這些均是傳統(tǒng)方法所難以解決的。

03AI應用于5G系統(tǒng)的典型范例

本節(jié)將具體介紹AI應用于5G系統(tǒng)的四個典型范例: 網(wǎng)絡自組織與自優(yōu)化、時頻資源最優(yōu)分配、5G通用加速器、及5G物理層端到端優(yōu)化。

3.1網(wǎng)絡自組織與自優(yōu)化

自組織網(wǎng)絡(SON)已被3GPP列為LTE網(wǎng)絡優(yōu)化關鍵技術。相比于傳統(tǒng)無線通信，5G應用場景更為復雜，網(wǎng)絡優(yōu)化與管理更為艱難，因此對SON的技術需求將更為強烈。SON包括了網(wǎng)絡自配置、自優(yōu)化、及自愈合三項功能，旨在淡化傳統(tǒng)人工干預，實現(xiàn)網(wǎng)絡規(guī)劃、網(wǎng)絡配置、及網(wǎng)絡優(yōu)化的高度自動化，以節(jié)省運營成本，降低人為故障。文獻[Wang 2015; Klaine 2017; Perez-Romero 2016]對AI技術在SON中的應用進行了總結(jié)，涉及基站自主參數(shù)配置、動態(tài)規(guī)劃、遷移學習，網(wǎng)絡故障的自動檢測與定位，及網(wǎng)絡參數(shù)的自動優(yōu)化等，所采用的AI方法包括人工神經(jīng)網(wǎng)絡學習、蟻群優(yōu)化、及遺傳算法等。

下面以文獻[Gomez-Andrades 2016]提出的自動故障分析為例，介紹AI技術在SON中的具體應用。為了實現(xiàn)LTE網(wǎng)絡自動故障診斷，AI技術需要克服兩大問題:

現(xiàn)有大量數(shù)據(jù)的KPI種類多，又缺乏已知的故障標簽，難以進行簡單的歸類診斷；

鑒于人工診斷的成本較高和能力有限，需要盡量減少人工參與。

因此，研究者結(jié)合監(jiān)督和無監(jiān)督兩種學習方法，提出了基于AI的故障診斷系統(tǒng)。診斷分為以下幾步:

步驟 1

利用圖2所示的無監(jiān)督的自組織映射(SOM)算法實現(xiàn)對無標簽高維度數(shù)據(jù)的初步分類。多種類的KPI指標帶來了高維的歷史數(shù)據(jù)。SOM作為人工神經(jīng)網(wǎng)絡，通過訓練能將任意維的輸入數(shù)據(jù)在輸出層映射成二維神經(jīng)元網(wǎng)絡。神經(jīng)元的拓撲結(jié)構(gòu)即代表了原數(shù)據(jù)的分布情況: 越相近的神經(jīng)元，其映射的原數(shù)據(jù)越接近。 這樣就實現(xiàn)了高維數(shù)據(jù)的低維表示和初步聚類。

步驟 2

完成SOM訓練之后，我們再對SOM建立的神經(jīng)元進行一次無監(jiān)督的聚類。因為神經(jīng)元之間的歐氏距離即表示其映射數(shù)據(jù)之間的差異，所以基于歐式距離的沃德(Ward)聚類算法即可實現(xiàn)對神經(jīng)元的聚類。

步驟 3

經(jīng)過以上兩個步驟，數(shù)據(jù)已經(jīng)被分為幾個大類。此時，再引入專家對分好類的數(shù)據(jù)進行故障分析，有監(jiān)督地貼上故障標簽。

以上三個步驟完成了故障診斷系統(tǒng)的設計，建立了一套自動的診斷流程，如圖4所示。此后產(chǎn)生的新數(shù)據(jù)在輸入該系統(tǒng)之后，將先由SOM定位到最接近的神經(jīng)元，再由該神經(jīng)元的類別標簽判斷其是否故障以及原因。在診斷一定數(shù)量的新數(shù)據(jù)之后，以上三個步驟可以再次被執(zhí)行用以驗證和更新系統(tǒng)。文獻[Gomez-Andrades 2016]的仿真結(jié)果表明，即便在主要使用無監(jiān)督學習進行構(gòu)建、并且人工參與量極低的情況下，上述自動故障診斷系統(tǒng)仍能達到非常高的診斷準確率。

圖 4

3.2時頻資源最優(yōu)分配

相比于4G LTE-A，5G NR將面臨更為復雜的OFDM時頻資源塊(RB)分配問題，以適應5G三種典型的應用場景。圖5給出了一個典型的多小區(qū)、多用戶下行鏈路RB分配示意圖。其中，同一小區(qū)內(nèi)不同用戶的RB分配是正交的，系統(tǒng)整體干擾主要取決于相鄰小區(qū)用戶RB的分配方案。假設每個用戶的信息容量可在信干比(SIR)測量值的基礎上得出，則系統(tǒng)RB最優(yōu)分配的目標是使所有用戶的信息容量之和最大化。這是一個典型的NP-hard組合優(yōu)化問題，所需的計算量與覆蓋范圍內(nèi)移動用戶數(shù)的階乘成正比。

圖 5

以基于Q學習算法的應用為例。假設某一智能實體負責上述移動用戶的RB分配，則該智能實體的動作可以遵循以下原則對用戶RB進行更新：

在同一小區(qū)內(nèi)，選擇SIR較好的空閑RB分配給用戶；

不斷更新本小區(qū)SIR最差用戶的RB，以尋求更好的系統(tǒng)性能；

對于同一RB，把本小區(qū)SIR最差的用戶與鄰小區(qū)SIR最好的用戶進行配對或分簇，如圖3所示。

前兩個原則易于理解，而第三個原則旨在避免位置相近、且處于小區(qū)邊緣的用戶被分配相同的RB。此時，相鄰基站無論如何調(diào)整發(fā)射功率，這些用戶均無法同時獲得正常工作所需的SIR。

智能實體在動作集合確定后，以所有用戶的信息容量之和最大化為準則，選擇當前最優(yōu)的動作對RB進行調(diào)整，并按照Bellman公式對Q函數(shù)進行實時更新。如此迭代操作，直至Q函數(shù)趨于穩(wěn)定。

上述迭代過程還應與用戶的功率最優(yōu)分配相結(jié)合。文獻[Wang 2017]基于博弈論框架，給出了多小區(qū)用戶采用相同RB時的最優(yōu)功率分配方法。如果系統(tǒng)需要進一步考慮用戶QoS的比例公平性，可引入拉格朗日乘子法，構(gòu)造相應的動作評估準則和Q函數(shù)。文獻[Bogale 2018; Li 2017]對AI在5G資源分配中的一些應用進行了總結(jié)和展望。而cite{35。3}也初步提出了增強學習方法在5G新框架中的網(wǎng)絡切片技術方面的新應用。

3.35G通用加速器

相比于4G，5G的基帶處理需要考慮更多的模塊，例如：大規(guī)模MIMO檢測、NOMA檢測及Polar碼譯碼等，這會使硬件面積增加，實現(xiàn)架構(gòu)不規(guī)律?？梢宰⒁獾剑M管5G基帶模塊眾多，但所有功能均可以用基于因子圖的置信傳播算法實現(xiàn)。針對特定的基帶功能，置信傳播算法只需確定變量符號集、變量間關系等參數(shù)，而保持其余的部分不變。因此可以用一個基于置信傳播的、參數(shù)可配置的通用加速器實現(xiàn)整個基帶功能。

盡管基于置信傳播的算法可以實現(xiàn)5G通用加速器，但受其性能限制，置信傳播算法在一些場景下仍然無法滿足要求。為此我們嘗試在置信傳播通用加速器的基礎上，實現(xiàn)基于AI的5G通用加速器。我們可以通過以下兩種方式，將一個置信傳播算法改進為一個性能更好的AI算法。

方法一

將置信傳播算法改為深度神經(jīng)網(wǎng)絡(DNN)算法。方法如下:

將置信傳播算法的因子圖復制多次，并按照原有的方式連接為一個深度神經(jīng)網(wǎng)絡，復制次數(shù)等于置信傳播算法的迭代次數(shù)。

對DNN進行訓練。Xu等[Xu 2017]提出的基于DNN的polar碼譯碼器，Tan等[Tan 2018]提出的基于DNN的MIMO檢測器等是方法一在基帶模塊上實現(xiàn)的范例。

方法二

將置信傳播算法改為卷積神經(jīng)網(wǎng)絡(CNN)算法。方法如下:

將置信傳播算法的因子圖節(jié)點排列在圖片上，其中每個像素代表一個節(jié)點。像素相鄰意味著其對應的節(jié)點在因子圖中相連。

用連接得到的圖像對CNN進行訓練。Liang等[Liang 2018]提出的BP-CNN信道譯碼器應用了方法二。

AI技術中的神經(jīng)網(wǎng)絡算法具有高度的自適應性與可靠性。通過將基帶算法轉(zhuǎn)化為神經(jīng)網(wǎng)絡能夠處理的問題，我們受益于以下兩方面:

系統(tǒng)性能的提升；

硬件架構(gòu)的統(tǒng)一。

觀察神經(jīng)網(wǎng)絡的算法，我們發(fā)現(xiàn)CNN核心操作是卷積運算，而DNN核心操作為二維矩陣乘法運算。二維脈動陣列可以同時完成上述兩種運算。因此利用同一脈動陣列，只需對輸入數(shù)據(jù)進行合理調(diào)度，即可同時實現(xiàn)CNN與DNN的功能，從而實現(xiàn)基于AI的5G通用加速器。文獻[Xu 2018a]綜合研究了神經(jīng)網(wǎng)絡的高效量化策略以及硬件實現(xiàn)。一種二維脈動陣列架構(gòu)如圖6所示，可以看出其高度的規(guī)整性和可擴展性。

圖 6

文獻[Xu 2018b]指出，在由信道編碼、信道、信道均衡器及譯碼器組成的系統(tǒng)中(如圖7)，接收機的均衡器與譯碼器分別可用CNN和DNN實現(xiàn)。對應的AI加速器有兩種實現(xiàn)方案。

圖 7

硬件消耗優(yōu)先的設計

我們可將整個接收機折疊為一個通用處理器。通用處理器首先工作于均衡器模式(CNN)，輸入為來自信道的信息，輸出被保存下來；然后工作于譯碼器模式(DNN)，將剛保存的結(jié)果作為輸入，輸出最后的譯碼結(jié)果。

吞吐速率優(yōu)先的設計

接收機由兩個通用處理器組成流水線，兩個處理器分別工作在均衡器和譯碼器模式。

可以看出，相比于傳統(tǒng)實現(xiàn)，通用處理器可帶來更多硬件設計自由度，以更好的滿足不同系統(tǒng)要求。

3.45G物理層端到端優(yōu)化

AI算法在物理層若干模塊上成功實現(xiàn)了功能優(yōu)化，例如：Lv等[Lv 2004]提出的基于神經(jīng)網(wǎng)絡的調(diào)制模式識別，Xu等[Xu 2017]提出的DNN極化碼譯碼器，及Liang等[Liang 2018]提出的基于DNN的MIMO檢測算法等。在兩個或多個物理層模塊的聯(lián)合優(yōu)化問題中，AI算法也得到了成功的應用，例如Xu等[Xu 2018b]提出的基于神經(jīng)網(wǎng)絡的信道均衡和信道譯碼的聯(lián)合優(yōu)化。文獻[Wang 2017; O'Shea 2017]均對AI在物理層各模塊的應用進行了較全面的總結(jié)。但單個模塊的優(yōu)化并無法保證整個物理層端到端通信的整體優(yōu)化，而端到端通信的實現(xiàn)中，多個基于迭代算法的AI模塊的拼接反而會帶來更高的訓練和計算復雜度。因此，我們需要一種對物理層端到端的聯(lián)合優(yōu)化方法。

文獻[O'Shea 2017a]提出將物理層通信看作一個端到端的信號重構(gòu)問題，并應用自編碼器概念來表示物理層通信過程，進行端到端通信的聯(lián)合優(yōu)化。自編碼器是一種無監(jiān)督深度學習算法，屬于神經(jīng)網(wǎng)絡，通過學習輸入信息的壓縮形式來進行壓縮信息的重構(gòu)。在利用自編碼器構(gòu)建的端到端通信模型中，編碼、調(diào)制、信道均衡等物理層模塊，被簡單表示為發(fā)射端，信道和接收端三個模塊:發(fā)射端和接收端都分別表示為全連接的DNN，其中發(fā)射端連接一個歸一化層來確保輸出值符合物理約束，接收端則連接一個softmax激活函數(shù)層，最后輸出一組概率向量來決定接收到的信息。兩者中間的AWGN信道則用神經(jīng)網(wǎng)絡的一個噪聲層(noise layer)表示，從而將通信系統(tǒng)表示為結(jié)構(gòu)如圖8所示的大型自編碼器。該自編碼器基于端到端的誤比特率(BER)或誤塊率(BLER)表現(xiàn)進行訓練，完成訓練的自編碼器即可基于接收信號對傳輸信號進行重構(gòu)。

圖 8

自編碼器方法不基于任何經(jīng)典的編碼、檢測方法，而是將整個端到端通信構(gòu)筑為一個用于信息重構(gòu)的DNN并進行聯(lián)合優(yōu)化。在難以建立準確模型的復雜現(xiàn)實環(huán)境中，自編碼器方法不采用經(jīng)典模型，而是利用大量數(shù)據(jù)的支撐和機器學習算法的強大功能來“學習”復雜的信道狀況，從而優(yōu)化整個通信過程。同時，它也有效避免了多種模塊拼接而產(chǎn)生的多層網(wǎng)絡所帶來的高復雜度和大計算量。O'Shea 等[O'Shea 2017a]將自編碼器模型推廣到干擾信道的多用戶通信模型上，而[O'Shea 2017b]則將這種自編碼器優(yōu)化方法推廣到MIMO上，通過增加信道矩陣相關模塊，形成了如圖9所示的MIMO自編碼器通信模型。文獻[O'Shea 2017b]的實驗結(jié)果均顯示自編碼器方法建立了一種可用于不同CSI信息，天線數(shù)等情況下的統(tǒng)一物理層框架，并且在更低的計算復雜度下可通過 "學習" 得到比經(jīng)典方法更低的誤比特率。而上述端到端優(yōu)化策略可以利用上文所述的 "基于AI的5G通用加速器" 加以高效實現(xiàn)。

圖 9

04結(jié)束語

5G突破了傳統(tǒng)移動通信系統(tǒng)的應用范疇，在大幅提升傳統(tǒng)移動互聯(lián)網(wǎng)服務能力的同時，將應用的觸角滲透至各行各業(yè)的物聯(lián)網(wǎng)應用，從而演變成為支撐全社會、全行業(yè)運行的基礎性互聯(lián)網(wǎng)絡。以統(tǒng)一的技術框架支撐極度差異化的繁雜應用，5G技術的發(fā)展正面臨著前所未有的挑戰(zhàn)。AI技術的新一輪復興及迅猛發(fā)展，為應對上述挑戰(zhàn)并超越傳統(tǒng)移動通信設計理念與性能提供了潛在的可能性。

AI技術在5G移動通信系統(tǒng)中應用，已有大量的研究文獻可供借鑒。本文并非試圖全面地總結(jié)該領域已有研究成果，而是希望厘清AI技術在5G系統(tǒng)中最有發(fā)展生命力的研究方向，并通過在這些方向上的進一步努力，使5G系統(tǒng)性能與實現(xiàn)的便利性可以顯著超越傳統(tǒng)移動通信系統(tǒng)?；诒疚乃o出的若干典型應用范例，我們有理由期待上述努力在不遠的未來取得顯著的成效。