首届6G AI大赛二等奖方案

二等奖方案①|首届6G AI大赛@Castle队 解题思路分享

简介

今日分享：首届6G AI大赛二等奖方案

分享队伍：Castle队

赛题名称：《基于AI的信道建模与虚拟信道构建》（即：AI based Channel Modeling and Generating）

获奖队伍简介

Castle队：

团队来自澳门大学智慧城市物联网国家重点实验室（SKL-IOTSC）智能传感与网络通信研究室，参赛队员1人，指导老师1人。参赛队员周炳贵为澳门大学电机与电脑工程系在读博士生，研究方向为人工智能与智能通信。指导老师马少丹教授是澳门大学电机与电脑工程系教授、博士生导师，澳门大学智慧城市物联网国家重点实验室助理主任，长期从事无线通信信号处理、性能分析、资源分配、收发机优化设计等领域研究，已在国际一流期刊与会议上发表论文150余篇。现任IEEE Transactions on Wireless Communications、IEEE Transactions on Communications、IEEE Wireless Communications Letters 三大通信主流期刊编委。

智慧城市物联网国家重点实验室是2018年7月获国家科技部批准于澳大设立的全国第一个智慧城市物联网领域的国家重点实验室，秉持“国家所需，澳门所长”的精准定位，根据“世界一流，澳门特色”的要求，实验室定位解决智慧城市物联网关键科学和技术问题，提出带有基础性和共性的理论、算法和系统，开发智慧城市的示范应用。实验室围绕五个方向下设研究室，分别是：智能传感与网络通信、城市大数据与智能技术、智慧能源、智能交通、城市公共安全与灾害防治。

摘要

信道建模问题是6G预研的重要领域。为应对越来越复杂的无线通信环境，充分利用数据驱动/数据模型双驱动的人工智能算法对复杂信道进行建模，本文提出一种基于多头自注意力机制与卷积操作的生成对抗网络，用于在少量真实信道样本的基础上构建包含大量高质量样本的无线信道数据集。针对复杂信道，我们将信道生成问题分解为有效时延扩展位置生成与元素数值的生成两个部分，因此生成器包含两个子网络，一个子网络以多头自注意力层与多层感知机为主干网络，用于元素数值生成；另一个子网络为有效时延扩展位置生成网络，是一个两层的多层感知机结构。判别器以步长为2的卷积下采样模块为主干网络，用于判别生成样本与真实样本。

所提出的生成对抗网络架构在首届6G AI大赛 - 《基于AI的信道建模与虚拟信道构建》赛题中取得第二名的成绩。

关键词

6G信道建模 生成对抗网络 多头自注意机制 卷积下采样模块

背景介绍

信道建模旨在表征真实环境中的信道特性，揭示无线电磁波在不同场景中的传播方式，其可以为通信系统的设计和优化提供指导。随着5G正式投入商用，世界各国已开始大力投入对下一代移动通信（6G）的研究与探索。6G通信中，无线信道将更为复杂多变，对信道建模提出更高的要求。传统信道建模方案难以应对多环境、多场景、多频段、超大规模天线、动态快变等复杂多变信道条件，因此需要借助人工智能（Artificial Intelligence，AI）算法从信道数据中自动提取信道特性，对信道进行建模。

数据驱动/数据模型双驱动的人工智能算法对数据集样本数量与质量有极高要求。而构建包含大量高质量样本的真实无线信道数据集成本较高，因此本文提出了一种在少量真实信道样本的基础上构建包含大量高质量生成样本的无线信道数据集的生成对抗网络。

模型方法

图1：生成器网络结构

所提出的生成对抗网络由生成器与判别器组成。

针对复杂信道，我们将信道生成问题分解为有效时延扩展位置生成与元素数值的生成两个部分，因此生成器包含两个子网络（如图1所示），一个子网络以多头自注意力层与多层感知机为主干网络，用于元素数值生成；另一个子网络为有效时延扩展位置生成网络，是一个两层的多层感知机结构。

判别器以步长为2的卷积下采样模块为主干网络（如图2所示），用于判别生成样本与真实样本。

图2：判别器网络结构

在元素数值生成方面，我们使用Wasserstein距离的近似作为损失函数，目标为最小化近似Wasserstein距离；在有效时延扩展位置生成方面，我们视其为多标签分类（Multilabel Classification）问题，使用二分类交叉熵（Binary Crossentropy）作为损失函数，目标为最小化二分类交叉熵。因此，生成器整体损失为：

判别器优化方面，先根据生成的有效时延扩展元素数值与位置组合成生成样本后，最小化生成样本与真实样本之间的Wasserstein距离，即有：

其中表示组合后完整生成样本与真实样本之间的近似Wasserstein距离。

实验结果

（1）信道1

信道1数据在32发射天线4接收天线（32T4R）的MIMO信道环境下采集，共500个样本。每个样本维度为2(实部虚部)*4(Rx)*32(Tx)*32(时延扩展)。经分析，信道1有效时延扩展位置索引为：[0, 1, 3, 4, 6, 10, 12, 20, 21, 25, 26, 29, 31]。

（2）信道2

信道2数据在32发射天线4接收天线（32T4R）的MIMO信道环境下采集，共4000个样本。每个样本维度为2(实部虚部)*4(Rx)*32(Tx)*32(时延扩展)。经分析，信道2复杂度较高，有效时延扩展存在随机性，有效时延扩展数量不同，分布也不同。

我们使用了标准的WGAN with Gradient Penalty的训练方案，Unrolled GAN训练策略亦被嵌入其中以缓解模式崩溃，提高生成样本的多样性。

值得一提的是，由于信道1较为简单，我们没有分解信道1生成，直接使用基于多头自注意力层与多层感知机层的生成器对整个样本进行生成。

所提出的生成对抗网络架构在首届6G AI大赛 - 《基于AI的信道建模与虚拟信道构建》赛题中最终得分0.73419083，取得第二名。

本文提出了一种在少量真实信道样本的基础上构建包含大量高质量生成样本的无线信道数据集的生成对抗网络。所提出的方案具备以下特点：

1）基于多头自注意力的生成器设计；

2）弱判别器，避免因判别器过强使得生成器难以向合适的方向训练；

3）分解复杂信道生成问题；可以被轻松迁移到更为复杂的信道环境下，而不至于增加很多的训练负担；

4）较轻量的网络（870万参数，h5文件33.4M）、高效（可以在2000-3000 epoch左右将模型训练到取得0.7的本地得分）。

参考

[1] 刘留，张建华等，机器学习在信道建模中的应用综述，通信学报，2021.

[2] X. Chen, C. Deng, B. Zhou, H. Zhang, G. Yang and S. Ma, "High-Accuracy CSI Feedback with Super-Resolution Network for Massive MIMO Systems," in IEEE Wireless Communications Letters, vol. 11, no. 1, pp. 141-145, Jan. 2022, doi: 10.1109/LWC.2021.3122462.

[3] A. Vaswani et al., “Attention is all you need,” arXiv:1706.03762 [cs], Dec. 2017. [Online]. Available: http://arxiv.org/abs/1706.03762.

[4] A. Radford, L. Metz, and S. Chintala, “Unsupervised representation learning with deep convolutional generative adversarial networks,” arXiv:1511.06434 [cs], Jan. 2016. [Online]. Available: http://arxiv.org/abs/1511.06434.

[5]  M. Arjovsky, S. Chintala, and L. Bottou, “Wasserstein GAN,” arXiv:1701.07875 [cs, stat], Dec. 2017. [Online]. Available: http://arxiv.org/abs/1701.07875.

[6] L. Metz, B. Poole, D. Pfau, and J. Sohl-Dickstein, “Unrolled Generative Adversarial Networks,” arXiv:1611.02163 [cs, stat], May 2017. [Online]. Available: http://arxiv.org/abs/1611.02163

[7] I. Gulrajani, F. Ahmed, M. Arjovsky, V. Dumoulin, and A. Courville, “Improved Training of Wasserstein GANs,” arXiv:1704.00028 [cs, stat], Dec. 2017. [Online]. Available: http://arxiv.org/abs/1704.00028.