数字孪生通过同步数字复制品实现物理实体的仿真、评估和优化，在复杂的无线网络中作为一项有前景的技术引起了越来越多的关注。本文讨论了在 6G 时代中，考虑到复杂的网络架构、巨大的网络规模、广泛的覆盖范围和多样化的应用场景，对无线网络数字孪生的新要求，并进一步探讨了生成式人工智能，如变压器和扩散模型等在多个方面强化 6G 数字孪生的应用，包括实施、物理 - 数字同步和切片能力。随后，我们提出了一个基于分层生成式人工智能的无线网络数字孪生，包括消息层和策略层，并通过数值结果提供了一个典型的应用案例来验证其有效性和效率。最后，我们讨论了 6G 时代无线网络数字孪生的开放性研究问题。

Nov, 2023

本文系统评估现有的信道状态信息 (CSI) 结构的开发利用，进而寻找更深层次的结构，开发适合于 CSI 数据的深度神经网络 (DNN) 设计，为未来性能提升提供了巨大潜力。

Dec, 2018

本文基于数字化的环境 3D 模拟，研究了 6G 系统中的 MIMO 信道和光束选择，并讨论了射线跟踪生成信道时速度和准确性的权衡。

Apr, 2022

本文荟萃了 AI 在 5G-Advanced 中的 CSI 反馈增强，重点是其标准化和性能评估方面的挑战和开放性问题。

Jun, 2022

本文提出了基于深度学习技术的 CSI 采集的两种实现方案，并在 5G NR 网络中进行了评估，结果表明这些方案在信道状态信息获取方面具有较大的性能提升，可用于 5G 网络和未来的 6G 网络。

Jun, 2022

论文探讨利用人工智能为 6G 设计部分新的空中界面，来使得其能够为任意硬件、无线环境和应用程序实现优化的通信方案。

Dec, 2020

在 5G 通信系统领域，准确预测信道状态信息 (CSI) 对优化性能至关重要。该论文介绍了一种开创性的方法：采用图傅里叶变换，将无线信道的空间关系和时间动态融合到谱时图神经网络 (STEM GNN) 中。我们将 STEM GNN 方法与传统的循环神经网络 (RNN) 和长短期记忆 (LSTM) 模型进行了比较，发现 STEM GNN 显著提高了整体通信系统性能。例如，在一个场景中，STEM GNN 的速率为 5.009 bps/Hz，比 LSTM 高出 11.9%，比 RNN 高出 35%。STEM GNN 的谱时分析能力捕捉到传统模型常常忽视的复杂模式，提供了波束成形、干扰抑制和超可靠低延迟通信 (URLLC) 方面的改进。

Sep, 2023

本文介绍了一种新的通道声纳架构，可测量不同频段、天线几何和传播环境下的多天线和多子载波通道状态信息（CSI），该架构可用于进行不同应用程序的各种深度学习（DL）技术研究，例如在三维空间中的室内用户定位。通过室内室外的广泛测试，可以提供更全面的开放 CSI 数据集，并标记位置以供科学界进一步测试各种算法。

Oct, 2018

本文提出了一种新颖的信道绘图技术，通过利用周围传输接收点（TRPs）的到达时间测量和它们的位置，并在算法的训练阶段利用激光扫描仪数据，在信道绘图中融合传感器数据，以减小与 6G 设想数字之间的差距。仿真结果表明，我们的算法在 90% 的时间内实现了亚米级的定位准确度，优于现有的信道绘图技术和传统的三角测量方法。

May, 2024

利用离散傅里叶变换位移定理和多径互易的物理原理，本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案，并结合迭代收缩阈值算法网络（ISTA-Net）架构。通过数值实验结果表明，本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。

Mar, 2024