Feb, 2024

将预训练语言模型与物理层通信集成

PDF
TL;DR基于设备的人工智能通信通过物理层通信功能、向量量化变分自动编码器和预训练编码解码变压器的融合，实现了传输大小减少 50％，在标准化的 3GPP 通道模型下表现出了显著的泛化能力和噪声鲁棒性。
on-device ai communicationembedded foundation modelsphysical layer communication functionsvector quantized variational autoencoders3gpp channel models
发现论文，激发创造
  • AI 本地化互联框架用于集成 6G 系统中的大语言模型技术

    6G 体系结构中人工智能和大型语言模型（LLMs）以及预训练的广义变压器（GPT）的无缝集成将在 AI 中心化操作和下一代通信范式中起到关键作用。

    Nov, 2023

  • 基于模型的深度学习在物理层通信中的应用

    该文章回顾了最近在物理层通信中使用模型驱动深度学习方法的应用，包括传输方案、接收机设计和信道信息恢复，并在展示全面调查后，提出了若干进一步研究的开放问题。

    Sep, 2018

  • 物理层深度学习入门

    本文提出并讨论了深度学习在物理层的几个新应用，并将通信系统解释为自编码器，开发了一种基本的新方式来思考通信系统设计，演示了深度学习在通信技术领域的应用和挑战。

    Feb, 2017

  • 大型语言模型（LLMs）辅助城市环境下的无线网络部署

    利用大型语言模型（LLMs）为六代（6G）无线通信技术引入一种基于强化学习的新框架，该框架在都市环境中通过训练 RL 代理并结合卷积神经网络（CNNs）利用 LLMs 的优势以及减轻其限制，在优化区域覆盖范围的网络部署中表现出色。

    May, 2024

  • WirelessLLM: 大规模语言模型赋能无线智能

    这篇研究论文介绍了一种名为 WirelessLLM 的综合框架，旨在将大型语言模型应用于无线通信网络领域，并解决其独特挑战和需求。通过确定知识对齐、知识融合和知识演进三个基本原则，并探讨了构建 WirelessLLM 的关键技术，包括提示工程、检索增强生成、工具使用、多模态预训练和领域特定微调。此外，还展示了 WirelessLLM 在解决无线网络典型问题方面的实际应用和益处，并提出了未来研究的挑战和潜在方向。

    May, 2024

  • 大型语言模型与光网络的融合：实现自动化的道路

    提出了一种以 GPT 为基础的光网络框架，通过部署在控制层的智能代理实现对物理层的智能控制和与应用层的高效交互。框架通过用户输入和精心制作的提示来从光网络专业领域的全面资源库中提取领域知识，并生成控制指令和结果表示，以实现在光网络的自主运行和维护。研究还详细描述了进行提示工程、建立领域知识库和执行复杂任务的方法，然后在网络告警分析和网络性能优化这两个典型任务上对所提出的框架进行了验证，2,400 个测试情境的响应准确率和语义相似性显示了 GPT 在光网络中巨大的潜力。

    May, 2024

  • 物理层通信的生成人工智能：一项调查

    人工智能的生成模型在通信物理层的应用

    Dec, 2023

  • 大型多模态模型 (LMM) 作为面向 AI 原生无线系统的通用基础模型

    本文解决了利用大型语言模型（LLMs）和基础模型设计人工智能（AI）本地网络的问题，提出了一种以无线为中心的基础模型架构，其中包括多模态模型，通过神经符号 AI 进行逻辑和数学推理，并展示了 RAG 在 LMMs 中的有效性，以及 LMMs 相对于 vanilla LLMs 在数学问题回答方面表现出的增强的推理能力。

    Jan, 2024

  • 使用深度学习设计通信系统：变分推断视角

    提出了一种基于深度学习和变分推断的框架，用于设计具有噪声传输符号的端到端通信系统，同时系统性地集成了通道类型等领域知识，在多个流行通道模型中击败了以前利用深度学习模型的先前工作，实现更好的打包密度和更快的速度。

    Apr, 2019

  • 无线物理层的深度学习：机遇与挑战

    介绍了基于深度学习的物理层处理的新兴研究，包括基于深度学习重新设计传统通信系统的模块（用于调制识别，信道译码和检测）并将通信系统替换为基于自动编码器的全新架构。

    Oct, 2017