数字孪生赋能AI原生信道状态信息推断新框架
一项研究提出基于校准三维数字孪生的AI原生信道状态信息推断框架，通过Transformer模型预测稀疏时隙间的CSI，利用迁移学习实现空间泛化，并结合神经接收机降低误码率，为下一代蜂窝网络的高质量、低开销信道获取提供可扩展方案。
针对多天线无线网络中信道状态信息（CSI）获取开销大的问题，研究者提出将高精度射线追踪（RT）与三维数字孪生结合的方法。然而，针对每一个正交频分复用（OFDM）符号都运行确定性RT计算，难以满足5G NR严格的微秒级时延预算。
为缓解这一计算瓶颈，该研究在三维数字孪生框架内探索了三条路径：信道孪生（channel twin）的泛化能力、利用神经接收机提升接收性能，以及基于数据驱动的插值框架以增强可扩展性。其核心思路是先对稀疏的时间锚点计算高精度CSI，再借助基于注意力机制的Transformer预测其余符号。相较于多项式样条或LSTM等序列模型，Transformer凭借全局感受野能够捕捉多径传播中的非线性特征，同时支持并行推理，更适合实时应用。
在空间可扩展性方面，研究通过联合微调三维射线追踪模型与Transformer，使在某地点采集的CSI数据集能够用于推断未见环境的信道行为，并借助迁移学习以少量本地数据适配新环境。仿真结果表明，该架构在插值精度、空间迁移性以及误码率等指标上均优于基线方案，为分布式信道孪生在下一代蜂窝网络中的部署奠定了基础。
【空音视角】 该研究将数字孪生与Transformer深度融合，为CSI高效推断提供了新的工程思路。从行业视角看，AI原生无线传输正成为面向6G的明确研究方向，CSI作为连接物理层与上层算法的关键纽带，其建模与推断方式直接影响系统性能上限。空音在WiFi感知与生命体征监测领域同样依赖细粒度信道状态信息，CSI建模的小型化、低时延与跨场景迁移能力，对我们将无线信号转化为感知能力的实际部署具有借鉴意义。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2609.27017
来源：arXiv 信号处理（查看原文）