科学家正在开发对无线流量进行整体分析的人工智能模型，从而让 6G 等高速网络对手机和其他移动设备用户来说更加快速、可靠。

科学家正在开发人工智能(AI) 模型，可以帮助 6G 等下一代无线网络提供更快、更可靠的连接。

在 2024 年 12 月版《IEEE 无线通信学报》的一项研究中，研究人员详细介绍了一种人工智能系统，该系统通过关注角度、延迟和信号强度等关键信息来减少设备与无线基站（如手机信号塔）之间需要发送的信息量。

通过优化使用电磁波谱的高频毫米波（mmWave）波段的无线网络中的信号数据，研究人员发现连接错误显著减少，并且 AI 系统提高了不同环境中的数据可靠性和连接性，例如在交通和行人流动的城市地区。

该研究的主要作者、韩国仁川国立大学电信系教授Byungju Lee表示：“为了满足下一代无线网络中快速增长的数据需求，利用毫米波频段的丰富频率资源至关重要。”

李说：“我们的方法可以确保精确的波束成形，即使用户处于运动状态，信号也可以无缝与设备连接。”

以更智能的方式塑造波浪

目前，使用毫米波等高频无线电频谱的网络面临的挑战是，它们依赖于通过大规模多输入多输出 (MIMO) 协同工作的大量天线。该过程需要精确的信息（称为“信道状态信息”（CSI））来提供基站与具有兼容天线的移动设备之间的连接。

网络环境的变化（例如天线随人和交通移动，或设备和基站之间的视线受到障碍物阻挡）使这种情况变得更加复杂。这会导致“信道老化”——预测的信道状态与实际状态不匹配，从而导致性能下降，例如数据吞吐量和信号质量下降。

为了尝试克服这些挑战，该研究的作者使用了一种称为Transformer的新型AI模型。卷积神经网络（CNN）可以通过识别信号模式和分类来帮助预测和优化无线网络流量。

但研究人员采用了不同的方法：通过在网络分析方法中使用变压器模型而不是 CNN，可以跟踪信号变化的短期和长期模式。因此，被称为“变压器辅助参数 CSI 反馈”的 AI 系统可以在无线网络中进行实时调整，以改善基站与用户之间的连接质量，即使后者移动得很快。

这种改进可以通过CNN 和 transformer 之间的差异来解释。两者都是分析图像等视觉模式（在本例中是电磁波谱上的模式）的神

经网络模型，但 CNN 倾向于在较小的数据集上进行训练并专注于“局部”特征，而 transformer 模型使用较大的数据集并具有自注意力机制，使它们能够在全局和局部层面确定不同输入元素及其关系的重要性。

简单来说，Transformer 模型会学习整个图像，而 CNN 则偏向于边缘和纹理等特征。可以说，Transformer 看到的是更大的图景。

然而，Transformer 模型比 CNN 需要更多的计算资源。但如果它们能够提供强大的下一代无线网络，它们可能在不久的将来成为高速无线通信的关键。