5G+AI：有哪些新的研究方向和新範式？

本文學習和分享一篇綜述文章，這篇文章是東南大學移動通信國家重點實驗室主任、長江學者特聘教授尤肖虎教授2019年發表在《中國科學信息科學》(《SCIENCE CHINA Information Sciences》)上關於AI助力5G的研究方向和範式的綜述文章。

以下內容是經過翻譯和精簡整理得到的，與原文難免有些偏頗，但不會影響原文傳遞的主要思想和觀點，如果想深入研究，可以自行查閱原文。

文章摘要
第五代移動網絡（5G）等無線通信技術不僅將在未來十年提供1000倍的互聯網流量，而且還將爲整個行業提供支持物聯網（IOT）技術的底層技術。與現有的移動通信技術相比，5G的應用更加多樣化，相應的系統設計也更加複雜。人工智能技術的復興提供了一種可能優於傳統思想和性能的替代選擇。因此，有必要確定、評估和研究與通過人工智能可以實現的貢獻相關的典型和潛在的研究方向。爲此，本研究在瞭解5G關鍵技術的基礎上，首先梳理了5G技術與人工智能結合的幾個有前景的研究方向，並重點提供了5G網絡優化、資源優化配置、智能優化等設計模式、5G物理層統一加速、端到端物理層關節優化等。
關鍵詞：5G移動通信、人工智能技術、網絡優化、資源分配、端到端聯合優化

一引言

5G介紹

5G的三個典型應用爲：增強移動寬帶（eMBB）、大規模機器類型通信（mMTC）和超可靠低延遲通信（URLLC）（也稱爲關鍵任務通信）。這些應用爲延遲、可靠性、連接和容量密度、系統頻譜效率、能源效率和峯值吞吐量提出了新的性能標準，必須使用5G技術加以解決。

爲了滿足這些標準，大規模多輸入多輸出（MIMO）、新無線接入技術（RAT）、異構超加密網絡（UDN）、信道編解碼（例如極性碼）和mmWave接入等是目前正在研究的關鍵技術。

此外，5G網絡將不可避免地具有異構性，通過爲特定應用量身定製的統一空中接口實現多種模式和需求。因此，涉及密集的Het-Net等架構，5G系統將通過雲數據中心進行虛擬化和實現。網絡切片將是5G網絡的一個主要特點，包括使用新的空中接口，該接口旨在動態優化網絡資源的分配，並有效利用頻譜。

與現有的4G網絡相比，5G新無線電（5G-NR）具有以下特點：

（1）採用大規模MIMO技術增強MIMO系統；

（2）對正交頻分複用（OFDM）進行了完整的時隙結構和資源塊（RB）分配，提出了更靈活的空中接口；

（3）在不久的將來，將引入非正交多址（NOMA）以支持物聯網（IoT）；

（4）遵循以往的分佈式天線系統，將無線功能分爲分佈式單元（DU）和中央單元（CU），並應用基於雲計算的網絡虛擬化和網絡切片技術。

總的來說，5G網絡將爲更多的應用和服務定製供應機制，這使得它在複雜的配置問題和不斷變化的服務需求方面更具挑戰性。在5G之前，對通信系統的研究主要是爲了獲得令人滿意的數據傳輸速率和支持的移動性管理。在5G時代，通信系統將獲得與環境交互的能力，並將目標擴展到聯合優化越來越多的關鍵性能指標（KPI），包括延遲、可靠性、連接密度和用戶體驗。同時，動態空中接口、虛擬化網絡和網絡切片等新功能引入了複雜的系統設計和優化要求，以應對與網絡操作和維護相關的挑戰。幸運的是，這些問題可以在人工智能領域考慮，人工智能提供了超越傳統方法的全新概念和可能性。因此，人工智能最近在學術界和工業界都重新引起了通信領域的關注。3GPP和ITU都提出了涉及人工智能技術的5G研究項目。

AI介紹

人工智能研究領域誕生於20世紀50年代，經歷了一些進步和挑戰，近年來由於現代計算和數據存儲技術的迅速發展而重新興起。具體來說，人工智能學習技術爲各種問題構建了一個通用的框架，並取得了巨大的進步，形成了跨領域的最新技術。

人工智能學習任務通常分爲兩大類，有監督和無監督學習，這取決於學習系統訓練數據標籤的可用性。另一種學習方法，強化學習，不完全是一種有監督的學習方法，也不完全是一種無監督的學習方法，因此它可以被列爲一個新的類別。

監督學習 輸入和期望輸出的樣本數據對被輸入到計算機中，其目標是學習將輸入與輸出相關聯的一般函數，並進一步檢測未來輸入的未知輸出。有監督學習的一個典型例子如圖1所示，其中標記的數據對被輸入到多層深神經網絡（DNN）中以訓練DNN中節點之間的權重。訓練離線進行，收斂後，訓練的DNN將準備好識別和推斷新的輸入。

無監督學習 在無監督學習中，學習算法不需要標註，輸入的結構必須由學習算法自己確定。自組織映射（SOM）是一個使用無監督學習進行訓練的例子。在SOM中，未標記的數據被輸入到神經網絡中，以產生稱爲map的訓練樣本的輸入空間的低維（通常是二維）離散表示（如圖2所示）。

強化學習 此技術基於“代理”和“環境”之間的替代交互，流程如圖3所示。“代理”將執行某些操作，因此，代理的狀態將發生變化，從而導致獎勵或懲罰。然後，代理將根據此結果決定下一個操作。通過迭代動作和獎懲過程，代理學習環境。

人工智能學習問題中流行的學習方法包括：

反向傳播（BP） 反向傳播是在屬於梯度下降範疇中使用的一種方法。反向傳播迭代計算所定義的損失函數相對於神經網絡權值的梯度，最終使神經網絡的輸出接近已知的訓練標籤。近年來，BP算法被廣泛應用於訓練具有多個隱含層的神經網絡。例如，卷積神經網絡（CNN）是一類具有多個隱含層的前向DNN，包括卷積層、池化層、全連接層和ReLU層。BP方法可以有效地訓練CNN，特別是在圖像和語音識別領域。
Q-Learning Q-Learning算法也被稱爲Bellman算法，它是強化學習的經典算法。在該算法中，定義了一個函數（Q函數）來根據當前的“環境”來評估“代理”的行爲，並以獎勵或懲罰的形式輸出結果。在某一步，Q函數將評估“代理”的所有可能操作，並選擇在當前“環境”中獲得最大獎勵的操作作爲下一步並實際執行。Bellman提出了一個Bellman方程，它是一個遞推表達式，將連續時間步的Q函數聯繫起來。Bellman方程基本上允許我們通過在線時差學習迭代更新和近似Q函數。

機器學習方法的人工智能技術結合了常用的數據科學算法（如線性模型、決策樹、k-均值聚類），已經被實現用於各種商業用途。另一方面，近年來，深度學習方法（如DNN、CNN、強化學習）受到越來越多的關注，在認知技術等領域取得了重大突破。同時，基於“學習到學習”的新理念，元學習等深度學習的新分支正在迅速發展。這些新技術將深度學習的可能應用擴展到各種場景中更復雜的問題。這有助於爲5G中的人工智能應用帶來新的機遇

二 5G+AI的一些研究方向

作爲一種通用的智能問題解決技術，人工智能可以廣泛應用於5G網絡的設計、配置和優化。具體來說，人工智能涉及5G的三大技術問題：

組合優化 5G-NR組合優化問題的一個典型例子是網絡資源分配。在資源有限的網絡中，必須考慮一種優化的方案，將資源分配給共享網絡的不同用戶，以使資源的利用達到最大的效率。作爲HetNet體系結構在5G-NR中的應用，網絡虛擬化、網絡切片、自組織網絡（SON）等特性使得網絡資源分配問題變得越來越複雜，需要更有效的解決方案。
檢測 通信接收機的設計就是檢測問題的一個例子。優化後的接收機可以根據接收到的信號恢復發送的信息，從而使檢測錯誤率達到最小。在大規模MIMO框架下，5G的檢測將是一個挑戰。
估算 典型的例子是信道估計問題。5G需要精確估計信道狀態信息（CSI）以實現大規模MIMO中空間相關信道的通信。常用的方法包括訓練序列（或導頻序列），在訓練序列中，已知信號被髮送，並且利用發送和接收信號的組合知識來估計CSI。

已有不少人研究人工智能在5G中的應用，然而，由於通信系統和人工智能的限制，一些應用可能受到限制。

首先，經過多年的研究和測試，傳統的方法已經證明了它們處理通信系統的能力。現有框架已經相對完整、有效、成熟且易於在實際場景中實施。

其次，通信系統的容量受到一定的上界（如香農極限）的約束，一些設計良好的方法可以達到接近最優的性能，在容量界方面損失可以忽略不計。

此外，由於訓練中的收斂性問題，人工智能學習在實際問題中的應用仍然存在障礙。應仔細檢查，以確保在通信系統中的每一個具體問題中都能“學習”人工智能的最佳性能。

最後，人工智能算法通常具有計算複雜度大的特點，如果性能改善很小，這使得它們比傳統的方法缺乏競爭力。

儘管如此，在5G時代的通信系統中，人工智能仍然顯示出巨大的潛力和前景。如上所述，5G包括複雜的配置問題和不斷變化的服務需求，這會導致在當前傳統框架內難以建模、解決或實現的新問題。因此，5G爲人工智能技術帶來了新的機遇和挑戰。

5G中人工智能的潛在應用方向可以總結爲如下四個方面：

難以建模的問題 通信系統中的網絡優化問題通常是一類難以建模的技術問題。問題包括網絡覆蓋、干擾、相鄰小區選擇和切換等典型問題。目前的解決方案大多依賴於工程師的經驗。對於5G-NR場景，由於網絡結構複雜、KPI數量龐大，這些問題更具挑戰性。大規模MIMO波束成形等新特性的應用與高維優化參數相關，優化問題本身可能難以建模。此外，5G-NR涉及多個KPI，包括峯值數據速率、頻譜效率、延遲、連接密度、體驗質量（QoE）等。這些關鍵績效指標必須共同優化，即使其中一些指標相互矛盾。在這些情況下，使用傳統方法無法實現整體優化模型，並且期望人工智能技術能夠處理關鍵績效指標。
難以求解的問題 網絡資源分配是5G-NR中的一個關鍵問題，包括小區間資源塊分配、正交導頻資源分配、波束形成資源分配、大規模MIMO用戶集羣和虛擬化網絡中的資源池部署等具體問題。網絡資源分配的目的是在平衡服務速率的同時最大化網絡的吞吐量。它主要是一個NP-hard組合優化問題，隨着系統規模的增大，求解這類問題的計算複雜度呈指數增長。傳統的解決方案使用網絡的靜態分區來降低次優解的計算成本。在現代計算技術的幫助下，人工智能將成爲解決這些問題的一種新的有效方法。
統一實施 對5G-NR中的一些功能塊採用分而治之的設計方法，如5G-NR中的物理層由多用戶MIMO空時處理、NOMA信號檢測與編碼、LDPC或極性碼譯碼等一系列信號處理塊組成。研究人員試圖優化每個處理模塊的算法和實現，並取得了實際的成功。然而，在保證系統性能的前提下，整個通信系統的有效性和可擴展性仍然缺乏。值得注意的是，人工智能技術應該能夠處理每個模塊。這激勵我們進一步開發一個統一的基於人工智能的實現，它可以爲5G NR物理層中的所有關鍵模塊共同工作。通過在算法和硬件上將這些模塊與人工智能方法相結合，物理層通信的設計、配置和實現將更加簡單、快速、經濟和高效。
聯合優化和檢測 將人工智能應用於5G的一個直觀想法是，用人工神經網絡簡單地取代傳統的發射機和接收機模塊。然而，信道容量受香農極限的限制，並且通過使用人工神經網絡的改進是有限的。此外，如上所述，在這方面應仔細審查訓練的複雜性和收斂性。與這種直觀的方法相比，人工智能在跨層聯合優化問題的更大範圍內顯示出更大的潛力，而傳統方法無法有效地解決這一問題。典型的例子包括物理和媒體訪問控制層的聯合優化，信源和信道的聯合優化，以及算法和硬件實現的聯合優化。

三 5G中的人工智能範式

本節介紹了人工智能技術在5G中的應用實例，包括5G中的四個不同問題：網絡資源分配、SON、統一的5G加速器和端到端物理層通信的優化。

自組織網絡中的AI：automatic root cause analysis

自組織網絡（SONs）建立了一種新的網絡管理概念，爲網絡的運行和維護提供了智能。SON已經被3GPP作爲LTE網絡的關鍵組件引入。在5G時代，網絡的密集化和資源的動態分配將給網絡的協調、配置和管理帶來新的問題，從而導致對子系統功能改進的需求增加。移動網絡中的子模塊可以分爲三大類：自配置、自優化和自修復。SON的主要目標包括自動執行網絡規劃、配置和優化，而無需人爲干預，以降低總體複雜性、運營支出（OPEX）、資本支出（CAPEX）和人爲故障。已有的研究內容包括人工智能在自動基站配置、新小區和頻譜部署、覆蓋和容量優化、小區中斷檢測和補償等方面的應用，研究方法包括人工神經網絡、蟻羣優化、遺傳算法等。

資源分配人工智能：OFDMA下行鏈路資源分配

5G NR中的OFDM資源塊分配比以前更復雜，更具挑戰性，因爲支持三個非傳統服務。圖5顯示了典型的多細胞、多用戶下載資源分配場景。在本系統中，由於RB分配給不同的用戶在同一個細胞中是正交的，所以消除了蜂窩內干擾。系統干擾主要取決於蜂窩間干擾，從而使RB分配給鄰近蜂窩重要的用戶。假設通過每一用戶可以根據信幹比（SIR）進行評估，RB分配的優化目標是該系統的通量最大化。這是一個非線性約束的NP-難的組合優化問題，使用傳統方法求解是不現實的。

Q-學習可以應用於這個問題。假設一個“代理”負責RB的分配，那麼這個“代理”可能的“動作”，即爲每個用戶更新RB，可以通過以下策略來選擇：（1）在同一小區內，爲用戶分配具有更高SIR的空閒RB；（2）不斷更新分配給當前小區中SIR最差的用戶的RB，以獲得更好的整體系統容量；（3）對於某個RB，將當前小區中SIR最差的用戶與相鄰小區中SIR最好的用戶配對或羣集。前兩種策略是直觀的。第三種方法用於避免將相同的RB分配給位於靠近邊界的相鄰小區中的用戶，因爲在這種情況下，所涉及的用戶無論基站的發射功率如何，都無法獲得必要的SIR來正常工作。在定義了所有可能的“動作”之後，“代理”將對每個動作進行評估，以選擇下一個“動作”來調整RB分配，從而使整個系統的總容量最大化。同時根據Bellman方程更新Q函數，迭代直到Q函數收斂。

基帶信號處理人工智能：Uniform 5G accelerator
5G中的基帶信號處理包括一系列信號處理模塊，包括大規模MIMO檢測、NOMA檢測和極性碼解碼。基帶塊數目的增加導致硬件面積的增加和實現結構的變化。然而，基於因子圖的信念傳播算法可以應用於所有的塊。對於每個特定的塊，框架保持不變，我們只需要調整符號集和變量的約束來適應特定的函數。因此，基於可配置變量的信念傳播算法，可以爲基帶設計一個統一的加速器。人工智能輔助的信念傳播算法可以通過以下兩種方法設計：

DNN輔助信念傳播。（1）通過重複迭代形成DNN展開信任傳播因子圖；（2）通過有監督訓練訓練DNN。此方法在基帶中的應用包括基於DNN的極性碼解碼器和DNN輔助MMO檢測器。
基於信仰傳播的CNN。（1）將信任傳播因子圖中的每個節點映射到一幅圖像中的一個像素，其中連接的節點應映射到相鄰的像素；（2）利用獲得的圖像訓練CNN。

神經網絡具有高度的自適應性和可靠性。通過在基帶中應用DNN和CNN，只要存在統一的硬件實現框架，就可以實現性能的提高。

物理層人工智能：基於DNN的端到端通信

如上所述，AI，特別是DNN，已被應用於物理層中的不同功能塊，例如調製識別、極性碼解碼器和MIMO檢測。對於兩個或多個塊的聯合優化，AI算法也取得了成功，如信道均衡器和信道解碼器的聯合優化。然而，單獨優化每個塊並不保證整個物理層通信的優化。從整個端到端通信系統的角度來看，不同人工智能模塊的直觀連接可能會導致訓練和在線任務的額外計算成本。因此，需要一種端到端系統的聯合優化方法。

自動編碼器是一個不同於傳統方法的新概念。自動編碼器是一種人工神經網絡。它旨在以無監督的方式學習一組數據的表示（編碼），該表示（編碼）將能夠在輸出層重構壓縮輸入。DNNs用於表示整個端到端系統，而不考慮每個傳統功能塊中的具體模型。因此，在太複雜而無法建模的場景中，自動編碼器可以是“學習”這些場景並優化性能的適當解決方案。

四總結

5G有望在傳統移動通信系統上取得重大突破。在提升傳統移動網絡服務能力的同時，進一步發展爲支持物聯網在商業、製造、醫療、交通等各個領域的應用。因此，5G將成爲未來連接和運營整個社會的物聯網技術的基礎技術。人工智能是5G時代相關問題的有潛力的解決方案，它將帶來通信系統中革命性的概念和能力。

在5G中應用人工智能已經進行了大量的研究，本文着重闡明瞭一些最有潛力的研究方向。通過在這些研究方向上的進一步努力，5G有望實現比傳統通信系統更好的性能和更方便的實現。同時，本文介紹了一些令人鼓舞的研究範式，展望了人工智能在5G中的應用。

作者介紹：

尤肖虎：男，1962年8月出生，1988年於東南大學信號、電路與系統專業獲博士學位。任東南大學移動通信國家重點實驗室主任、博士生導師、長江學者計劃特聘教授。2011年當選爲IEEE Fellow。國家級有突出貢獻的中青年專家、國家教委跨世紀青年專家首批入選者、江蘇省青年科學家獎及全國五一勞動獎章獲得者。1998年獲國家傑出青年基金資助。目前主要研究方向爲無線與移動通信系統、現代數字信號處理等。在IEEE Trans等各類國際權威雜誌上發表論文60餘篇，出版專著2本。作爲課題負責人，曾承擔十餘項國家八六三、科技攻關、國家自然科學基金等，參與完成了我國第一個GSM、CDMA、第三代及第四代移動通信系統開發。1999-2002年但任國家第三代移動通信系統研究開發項目總體組組長，所負責的中國第三代移動通信系統研究與開發項目被兩院院士獲選爲2002年度中國十大科技進展。獲國家技術發明一等獎和國家科技進步二等獎各一項，省部級科技進步一等獎五項。獲2014年度陳嘉庚科學獎信息技術科學獎。“十五”期間擔任國家八六三計劃未來移動通信總體專家組組長，國家自然科學基金未來移動通信重大項目首席專家等。“十一五”起，擔任國家新一代寬帶無線移動通信網科技重大專項副總師。“十二五”期間擔任國家863計劃5G重大項目專家組組長、寬帶網重點科技專項專家組組長等。