6G 和 AI：使用 AI 进行 6G 设计和验证

要点：电信公司希望 6G 标准化能够快速实现，随之而来的是 6G 企业和零售客户的快速增长，而人工智能是关键推动因素：

人工智能 (AI) 和机器学习 (ML) 预计将成为 6G 标准的重要组成部分，计划于 2028 年或 2029 年发布。 6G 和人工智能领域的工程师可以通过了解人工智能/机器学习对 6G 设计验证的潜在优势，将产品快速推向市场。

6G 时代将发生根本性的变化——可能是无线电信网络的第一个“AI 原生”迭代。随着人工智能在 6G 中的广泛应用，工程师面临着前所未有的挑战：如何验证比以前更动态、更智能、更快速的系统？

该博客为通信服务提供商、移动网络运营商、通信技术供应商的工程师提供了使用人工智能进行 6G 设计验证的见解。和设备制造商。

我们解释了 6G 和人工智能可以解锁的新应用、您可能会遇到的人工智能技术，以及如何使用它们来设计和测试 6G 网络。

6G 和人工智能共同实现哪些关键用例？

6G 和人工智能的两个引擎预计将推动令人兴奋的新用例，例如实时数字孪生、智能工厂、高度自主移动、全息通信和普遍的边缘智能。

这些是国际电信联盟 (ITU) 和第三代合作伙伴计划 (3GPP) 设想的 6G 和人工智能的重大创新之一。让我们来看看 6G 中的人工智能以及 2030 年及以后的 6G 人工智能的这些关键用例。

使用 6G 和人工智能的实时数字孪生

凭借无处不在的部署、高数据速率和超低延迟的承诺，6G 和人工智能可以将物理世界创建为数字孪生的精确实时表示。

D数字孪生将成为实时建模、监控、管理、分析和模拟各种实物资产、资源、环境和情况的强大工具。

数字孪生网络可以作为物理网络的复制品，实现6G无线通信网络的实时优化和控制。拟议的 6G 功能（例如集成传感和通信 (ISAC)）可以有效地同步这些数字世界和物理世界。

通过 6G 和人工智能实现智能工厂

6G 和人工智能有潜力通过可靠的低延迟连接实现无处不在的实时数据收集、共享和决策，从而支持先进的工业应用（“工业 6G”）。它们可以利用与智能设备、工业物联网 (IoT) 和机器人的连接，实现完全自动化、控制和操作。专用 6G 网络可以有效简化机场和海港的运营。

自主通过 6G 和人工智能实现移动

6G 和人工智能将增强自主移动性，包括基于蜂窝车联网 (C-V2X) 技术的自动驾驶车辆和自主运输。这涉及人工智能辅助自动驾驶、实时3D地图和高精度定位。

6G全息通信

6G 和人工智能数据中心可以实现沉浸式多媒体体验，例如全息临场感和远程多感官交互。在语义通信中，人工智能将尝试了解用户当前的实际需求并适应它们，可以帮助满足全息通信和扩展现实等数据密集型应用的需求，仅传输消息的基本语义。

通过 6G 技术普及边缘人工智能

通信和计算的融合，特别是通过边缘计算和边缘智能，很可能将人工智能能力分布在整个 6G 网络中，接近数据中心。阿塔源。这有可能实现智能机器人和设备之间的实时分布式学习、联合推理和协作，从而实现无处不在的智能。

人工智能将如何优化6G网络设计和运营？

在本节中，我们将更具体地了解如何在 6G 网络的设计和测试中考虑人工智能。

在较高层面上，6G 通信可能涉及：

物理组件，例如基站、PHY 收发器、网络交换机和用户设备（UE，例如智能手机或固定无线调制解调器） 逻辑子系统，例如无线接入网络 (RAN)、核心网络、网络功能和协议栈

其中一些预计将在部署前使用设计时人工智能模型进行设计、优化和测试。其他人预计将在运营过程中使用运行时人工智能模型，以动态适应当地交通、地理和天气条件。

我们看一下哪些方面6G 无线电和网络功能可能会通过在设计中集成人工智能技术来增强。

AI原生空中接口

在 UE 到 RAN 空中接口中，AI 模型可以增强核心无线电功能，例如符号检测、信道估计、信道状态信息 (CSI) 估计、波束选择、调制和天线选择。

其中一些 AI 模型可能在 UE 上运行，有些在基站上运行，有些则同时运行。

人工智能辅助波束成形

人工智能预计将：

使用更精确的 CSI 协助超大规模多输入多输出 (UM-MIMO) 预测最佳发射波束 降低波束配对复杂性 协助可重构智能表面 (RIS) 实现环境优化

人工智能优化的 RAN

希望人工智能能够通过自我监控、自我组织、自我优化和自我修复，在端到端网络优化和动态适应整个 RAN 方面发挥重要作用。

一个自动化网络管理

人工智能具有实现网络运维自动化以及实现预测性维护、智能数据感知、按需能力添加、流量预测和能源管理等自动化管理服务的潜力。

人工智能可以自动处理带宽和功率等无线资源的实时动态分配和调度，以实现负载平衡。基于人工智能的移动管理可以主动管理切换并减少信令开销。

此外，人工智能对海量网络数据的分析可以实现精准的威胁情报，实时监控、预测，主动防御网络故障和安全风险。

哪些人工智能技术对于验证 6G 系统级性能最有效？

人工智能是一个广泛的领域，拥有许多技术，例如深度学习、强化学习、生成模型和机器学习。让我们看看这些不同的人工智能算法如何架构可用于 6G 设计、验证和网络性能测试。

强化学习（RL）

强化学习有潜力走在 6G 自优化、网络设计和测试领域人工智能的最前沿，因为它擅长复制人类决策、大规模测试，并推动近期大型推理模型的兴起。

强化学习和深度强化学习可用于以下用例：

RAN 优化：RL 已用于 5G 中基于意图的 RAN 优化，支持动态网络环境中的自主决策，特别是移动性管理、干扰缓解和节能调度。强化学习可以控制和优化复杂的工作流程。 增强波束形成：深度强化学习可用于空间和时间域中的波束预测。 功能测试：使用强化学习训练的自主代理可以测试 6G 硬件和软件系统，寻找错误作为奖励。每个代理商都会e 使用近端策略优化或直接偏好优化进行训练的深度神经网络，以执行网络操作序列并偏向那些可能最大化其奖励（发现的错误数量）的序列。 性能测试：在 6G 系统中，性能将是数百个相互作用的网络参数的新兴属性。手动查找导致性能不佳的组合几乎是不可能的。强化学习代理可以自动探索这些组合并识别导致性能瓶颈的配置。

深度神经网络 (DNN)

DNN 可用于以下用途：

信道估计：DNN 和其他深度学习架构（例如卷积神经网络 (CNN)）可以估计信道条件，这对于整体系统性能至关重要，尤其是在复杂的高噪声环境中。 CSI 压缩：基于 CNN 的自动编码器有望成为最常用的架构CSI 压缩。

变压器网络

基于 Transformer 的自动编码器（如 Transnet）已经过测试，可用于压缩从 UE 到 5G 基站的 CSI 反馈，也可用于 6G。

图神经网络 (GNN)

GNN 用于对网络元素的关系结构进行建模。他们可以学习空间和拓扑模式来执行移动管理、干扰缓解和资源分配等任务。

它们还可以用作信道估计重建的物理模型。

生成对抗网络（GAN）

GAN 可能会被用来学习和创建真实的无线信道数据。它们还可以用于去噪和异常检测。

大型推理和行动模型

这些模型是根据预先训练的大型语言模型或大型概念模型创建的，通过使用强化学习对其推理和行动进行微调。它们是代理人工智能的基础。 6G 的代理 AI 仍然是一个非常新的研究课题。 Agentic AI 能够对较小的 AI 模型、硬件、数据库和工具进行复杂编排，使其适合测试 6G 网络。

人工智能生成的合成数据如何用于 6G 测试和验证？

人工智能的一个主要优势是能够综合测试场景和数据，模拟真实的 6G 环境，与未来几年出现和发展的 6G 标准保持同步。这种综合可以从一开始就增强设计并降低开发风险。

在网络运营中使用人工智能将导致不确定性和可能结果的激增，从而挑战可测试性和可重复性。

设计和测试工程师将不得不担心如何测试所有可能的场景和边缘情况。在客户试用开始之前，无法进行物理部署。即使是物理原型最初也是不可能的，并且后来会变得昂贵。

这就是人工智能力量的原因红色模拟和人工智能生成的真实数据预计将成为 6G 公司的关键。 AI 可以生成训练和测试 6G 复杂 AI/ML 算法所需的任何类型的大型真实数据。涉及的关键技术和工艺概述如下：

数字孪生：数字孪生是现实世界实施的准确而详细的代理，能够模拟整个网络和单个组件。这些虚拟表示将是模拟超密集 6G 环境的关键。它们可以支持网络环境和用户的集成建模，以测试复杂的 RAN 优化问题。 生成式 AI 模型：GAN 可能成为测试 6G 无线信道的关键。 GAN 可以根据来自现实世界 5G 网络的数据进行训练，并使用已知的分析模型计算出的 6G 特定参数进行增强。生成器网络将学习合成真实的 6G 数据并模拟真实环境的虚拟通道，甚至地理会计。随后，可以纳入 6G 硬件原型的测量数据以增强其真实性。 专业测试台：综合数据对于研究新的 6G 亚太赫兹频段 (100-300 GHz) 至关重要，因为物理测量不切实际。基于亚太赫兹测试台数据的人工智能生成的场景可以重现这些频率下预期的复杂损伤和非线性。 仿真工具：Keysight Channel Studio (RaySim) 等先进的可视化工具可以在特定环境（例如选定的城市区域）中模拟信号传播并生成通道数据。它可以对延迟扩展和用户移动性等详细特征进行建模，模仿训练 6G 神经接收器等组件所需的现实条件。 系统建模平台：像是德科技系统设计这样的端到端系统设计平台将能够生成用于神经网络训练的高质量 6G 数据。它将结合系统设计预算、符合 3GPP 标准的信道模型（如集群延迟线模型）、测量数据和噪声，以生成具有不同噪声和信道配置的不同样本。

人工智能能否验证 6G 通信系统的硬件和芯片级设计？

异常检测和智能测试自动化等人工智能技术可以帮助您设计和验证将进入 6G 硬件的所有先进芯片和组件，以实现亚太赫兹 (THz) 频段和 UM-MIMO 等功能。

下面，我们推测如何将 6G 和人工智能用于芯片和硬件设计。

数据驱动的人工智能建模

UM-MIMO、可重构智能表面和亚太赫兹频段等 6G 技术推动因素的行为过于复杂，无法使用分析方法进行全面表征。相反，神经网络可以创建准确的、数据驱动的非线性人工智能模型。

电子设计自动化 (EDA) 中的人工智能模型

EDA 工具，例如高级设计系统和设备建模可以无缝集成 AI 模型，用于设计 6G 可能需要的高频氮化镓 (GaN) 射频集成电路。这些工具可以运行人工神经网络模型作为电路模拟和设备建模的一部分。

验证支持人工智能的组件

验证人工智能原生物理层模块（如神经接收器）将至关重要。只有人工智能驱动的测试和自动化才能有效解决人工智能模型的黑盒性质和非确定性。

人工智能驱动的模拟

Keysight RaySim 等人工智能驱动的仿真工具可以合成高质量、特定站点的信道数据，与确定性、随机和测量数据相结合，为验证 THz 和 MIMO 设计创建高度真实的环境。

优化波束成形和 CSI

人工智能模型可以通过提高频谱效率来增强波束成形。许多天线的问题s是巨大的CSI反馈开销。自动编码器等人工智能模型可以将 CSI 反馈压缩多达 25%，而不会降低效率和可靠性。

硬件在环验证

人工智能信道估计模型有潜力比传统方法更稳健地处理多维性和噪声水平。它们可以由系统设计软件使用，并在硬件在环设置（使用通道仿真器、信号发生器和数字化仪）中进行测试，以根据块错误率和信噪比等指标评估有效性。

异常检测

异常检测可应用于人工智能模拟和模型生成的数据，以识别可能表明设计缺陷或操作问题的异常行为或偏差。

在 6G 设计验证中使用人工智能面临哪些挑战和限制？

人工智能及其结果可信吗？如果没有仔细的设计，每个人工智能模型都容易出现分布不均的错误，数据缺乏、模型可解释性差、过度拟合和幻觉。 6G 和人工智能工程师必须不断问的一个更好的问题是，“我们如何使我们的人工智能模型以及人工智能生成的测试和数据更准确、更值得信赖？”

为此，请遵循以下建议。

无缝集成设计：基于人工智能的解决方案必须无缝集成并符合基于数十年久经考验的信号处理和通信理论构建的现有无线原理。例如，完全由人工智能设计的物理层可以根据环境条件动态改变波形，这对数字预失真和放大器设计等传统测量和设计技术提出了挑战。 预先解决数据稀缺问题：现实世界的无线数据通常很稀疏。描述 6G 生态系统的特征可能特别具有挑战性。通过使用 6G 特定分析模式计算的数据来增强 5G-Advanced 网络的数据来解决此问题LS。但是，请计划进行大量的手动预处理，因为准备真实的通道数据来训练模型并非易事。 目标是模型可解释性：为了平衡深度神经网络等强大黑盒技术的不透明性，通过专家混合、集成和可解释人工智能等方法将它们与更可解释的模型（如决策树和随机森林）结合起来。 使用基于物理的模型：通过将人工智能结果与来自基于物理的模型的数据结合起来，工程师将能够确保人工智能模型在物理现实中运行，从而使其稳健且值得信赖。例如，可用于基于意图的 RAN 优化的强化学习可能会对相同的输入产生不同的结果、生成越界参数或无法约束物理现实。 防止过度拟合：数据稀疏和数据多样性差会导致过度拟合。例如，严重衰落信道条件下生成的数据为k现在已知会导致过度拟合。遵循数据增强和交叉验证最佳实践来抵消过度拟合。 规划硬件在环测试：合成生成的信道可以加载到 PROPSIM 等信道仿真器中，以测试基站和 UE 中的 AI/ML 算法。这将使模型能够基于真实的故障和损伤进行改进。 避免负面影响：人工智能集成不应导致能源消耗过多、训练数据难以管理或安全风险。人工智能将极大地扩大威胁面，但由于人工智能本身相当新，网络安全风险尚不清楚。这意味着 6G 和人工智能集成必须经过精心设计，以实现网络攻击的弹性和快速恢复。

是德科技为您的 6G 和人工智能工程师提供支持

在本博客中，我们概述了如何将人工智能用于未来 6G 网络的设计和测试。

在是德科技，我们可以为您的 6G 工程师提供支持，并在整个过程中提供可靠的帮助得益于我们开创性的 6G 研究、人工智能专业知识以及针对 6G 的测试和测量解决方案的开发，缩短了开发周期。

请联系我们，获取有关 6G 标准、6G 中的人工智能以及 6G for AI 的专家见解。

6G 6G标准化 人工智能 是德科技 纽约证券交易所：KEYS