Physics-Guided Multi-Modal Artificial Intelligence Framework for Joint Antenna Optimisation and Channel State Information Prediction in 6G Integrated Sensing and Communication Systems

下一代无线网络承诺了一个数据传输速度快到仿佛瞬时完成，且在单平方公里内可以连接数百万台设备而不会减速的世界。为了实现这一目标，工程师们正转向频率更高的频段，特别是 28 GHz 左右的频段，这允许传输海量的信息。然而，这些高频信号的行为与我们现有的信号不同；它们极易被建筑物阻挡，并随着人员的移动而发生剧烈变化。为了使这些网络正常工作，基站必须使用大规模天线阵列（有时包含超过一百个独立单元），并且必须不断预测信号在空气中的传播路径。这种预测非常困难，因为环境是混乱的，而且获得正确信号的时间窗口极其短暂。如果系统无法准确预测信号的未来路径，连接就会失败或变慢，从而浪费宝贵的能量和带宽。

一个研究小组提出了一种解决此问题的新方法，即通过将三个不同的任务结合成一个智能系统。他们没有将天线设计、信号路径预测和环境感知视为三个独立的任务，而是创建了一个能够同时学习这三者的框架。他们将这种方法称为“物理引导的多模态人工智能框架”，该框架结合了雷达感知和先进的学习技术，以比以往的方法更好地理解物理世界。研究人员模拟了一个在繁忙城市环境中运行、工作在 28 GHz 频率下的 128 天线基站。他们发现，通过向系统输入有关环境中物体位置和速度的实时数据，该 AI 预测信号路径的准确度远高于仅观察过去信号数据的系统。

该新系统的核心在于一种巧妙的任务分工。首先，雷达传感器扫描区域以创建散射体地图，散射体是像汽车或建筑物这样会反射无线电波的物体。该传感器测量这些物体的距离和移动速度。随后，这些信息被输入到一个神经网络中，该网络充当桥梁，将环境的物理地图转化为系统可以理解的格式。与此同时，系统的另一部分则观察信号的历史表现。该框架融合了这两股信息流——来自雷达的物理地图和历史信号数据——并利用一种机制使系统能够专注于最相关的细节。这种融合使得系统即使在用户高速移动时，也能高精度地预测信号的未来状态。

这项工作的一个关键创新在于系统如何处理天线阵列本身的物理设计。在传统设计中，工程师通常将每个天线单元视为独立的个体，但在现实中，当天线排列紧密时，它们会相互干扰。这种干扰被称为互耦，它会扭曲信号并降低性能。研究人员通过将天线阵列建模为一个连通图来解决这个问题，其中每个天线是一个节点，而天线之间的物理距离决定了它们相互影响的强度。这种模型遵循物理定律，确保人工智能理解：距离非常近的两个天线之间的相互作用会比距离较远的天线更强。通过将这些物理知识直接嵌入到学习过程中，系统优化天线配置的速度和效率都比忽略这些相互作用的方法更高。

模拟结果显示，这种集成方法相比现有方法有显著改进。在 400 MHz 带宽的模拟城市环境中进行测试时，新框架在预测信号路径方面的误差比标准技术大幅降低。具体而言，它实现的准确度水平使得系统可以使用极少的导频信号（即用于检查连接的测试消息）。在模拟中，该系统仅需使用 38% 的带宽用于这些导频信号，而传统方法则需要几乎将整个带宽都分配给这项任务。这种减少释放了大量的容量用于实际的数据传输，有效地提高了网络的速率和效率。

此外，该系统展示了优化天线排列本身以最大化数据流的能力。通过使用强化学习代理，该框架调整了天线阵列的物理参数（如元件的间距和方向），以寻找当前环境下的最佳配置。模拟显示，该学习代理仅用 420 次迭代就能找到接近最优的天线设置，而传统的优化算法所需的时间要长得多。这种速度至关重要，因为环境变化迅速，系统必须快速适应以保持强连接。研究还证实，即使在用户速度高达 120 公里/小时的情况下，该系统依然表现良好，而在这种场景下，旧方法往往会因为信号路径的快速变化而难以应对。

研究人员通过广泛的计算机模拟验证了他们的发现，这些模拟模拟了无线电波与城市景观相互作用的复杂物理过程。他们使用了详细的城市环境模型，包括信号在建筑物上的反射方式以及 28 GHz 频率的特定特性。模拟过程包含一个 Python 脚本，该脚本可以自动生成天线设计，并将其运行在商业电磁仿真软件中以验证结果。这种自动化允许研究人员在无需人工干预的情况下测试数千种不同的天线配置和训练场景，确保了结果的稳健性和可重复性。研究明确指出，这些结果基于模拟，未来的工作需要在物理硬件（如现场可编程逻辑门阵列，FPGA）上测试该系统，以确认其在现实世界中的性能。

尽管依赖于模拟，该研究仍为 6G 网络可能如何演进提供了清晰的路线图。通过将环境感知与天线设计及信号预测相结合，该框架解决了高频通信的基础挑战。研究表明，无线网络的未来不仅在于更快的处理器或更多的天线，而在于能够理解并适应周围物理世界的系统。利用雷达数据预测信号行为，并同时优化天线几何形状的能力，代表了从静态网络设计向动态智能适应的转变。虽然目前的结果局限于数字领域，但所展示的原理为实现定义 6G 愿景的超高速、低延迟连接提供了一条充满希望的路径。

这项工作还强调了在人工智能中遵循物理定律的重要性。通过利用已知的电磁学规则来引导学习过程，系统避免了学习到不可能或低效的解决方案。这种方法确保了人工智能不仅仅是在数据中寻找统计模式，而是发现了在物理上可实现的解决方案。研究表明，当人工智能植根于波的传播方式和天线相互作用的现实时，它解决复杂工程问题的效率可以达到纯数据驱动方法无法企及的高度。这种物理学与人工智能之间的协同作用，似乎是实现下一代无线技术飞跃的关键要素。

最后，这项研究让我们窥见了未来网络的景象：网络不再仅仅是数据的被动管道，而是环境中的积极参与者。它们感知世界、预测未来，并重塑自身以确保信息流畅传输。模拟表明，这样的系统不仅是可能的，而且是非常有效的，能够提供定义下一代连接所需的速率和可靠性。随着技术从模拟走向现实，感知、预测与优化的集成可能会成为构建和维护未来无线基础设施的标准方式。