1. 流体天线系统与信道外推技术背景在6G通信系统的演进过程中流体天线系统(Fluid Antenna System, FAS)因其独特的动态可重构特性成为关键技术突破点。与传统固定天线阵列不同FAS通过微流控或可重构材料技术实现天线端口的物理位置动态调整从而在相同硬件配置下获得空间分集增益。这种软件定义天线的架构使得单个FAS设备可以等效为数百个虚拟天线端口为毫米波和太赫兹频段通信提供了新的自由度。然而这种灵活性也带来了巨大的信道状态信息(Channel State Information, CSI)获取挑战。在16×32端口的典型FAS配置中若采用传统导频扫描方法获取全端口CSI系统开销将呈指数级增长。以5G NR的CSI-RS资源配置为例完整测量512个端口的CSI需要约40ms远超信道相干时间。更关键的是FAS的物理重构特性使得端口间信道响应呈现强非平稳性传统基于稀疏性的压缩感知方法在动态环境下性能急剧恶化。2. SSNet核心架构设计2.1 图像重建的任务建模SSNet创新性地将FAS信道外推问题转化为图像修复任务。具体而言将二维FAS端口阵列的CSI矩阵视为图像已知端口的CSI值对应图像的可见像素而待预测端口则为缺失像素。这种建模方式具有三个显著优势结构保持性FAS端口的空间排列天然形成网格结构与图像像素的二维分布高度契合。实验数据显示在8×16cm的FAS平面上相邻端口(间距λ/2)的信道相关系数可达0.87满足图像局部平滑先验。维度一致性每个端口CSI包含实部、虚部两个通道恰好对应图像的RGB通道。通过将MIMO系统的8天线配置展开最终形成16通道的多光谱图像。掩码灵活性随机掩码策略模拟实际系统中可观测端口的动态变化。在训练阶段采用90%的高掩码率(仅10%端口可见)迫使模型学习深层次的空间相关性。2.2 混合专家(MoE)增强的编码器编码器的核心创新在于引入混合专家(Mixture of Experts)模块来提升特征提取能力。如图1所示MoE层包含4个专家网络和1个门控网络每个专家都是独立的双层FFNExpert_j(x) GELU(xW_e1)W_e2其中W_e1∈R^(D×4D), W_e2∈R^(4D×D)采用4倍隐藏层扩展。门控网络通过softmax生成专家权重g softmax(xW_g b_g)在训练过程中我们观察到MoE模块展现出明显的专家专业化现象Expert 1主要处理强相关端口(间距λ)的局部特征Expert 2专注建模中程相关性(λ~2λ)Expert 3捕获特定极化方向的信道特征Expert 4负责噪声抑制和异常值处理这种分工协作机制使得在20dB噪声环境下MoE版本的NMSE比普通Transformer提升3.2dB。2.3 轻量化解码器设计考虑到FAS信道具有空间局部相关性解码器采用浅层架构(仅2层)降低计算复杂度。关键设计包括位置编码复用将编码器的2D正弦位置编码降维后注入解码器保持空间拓扑不变性。实验表明这比重新学习位置嵌入节省35%训练时间。跨尺度注意力在最后一层引入膨胀注意力(dilated attention)以3×3的局部窗口为基础每隔2个端口进行一次全局交互平衡计算开销和性能。动态重建头根据信噪比动态调整重建矩阵W_r的稀疏度在低SNR时自动过滤高频成分。实测在0dB环境下可降低1.8dB的NMSE。3. 自监督训练策略3.1 课程学习调度采用渐进式掩码策略提升训练效率前10个epoch使用25%掩码率让模型快速学习基础相关性10-30epoch逐步提升到75%掩码率最终阶段采用90%掩码率进行微调这种课程学习使模型在相同迭代次数下NMSE比固定掩码率策略降低0.7dB。3.2 复合损失函数设计对比损失重构损失的混合目标函数L λ1*L_NMSE λ2*L_Contrastive其中对比损失采用NT-Xent形式在特征空间拉近相邻端口表示L_Contrastive -log(exp(sim(z_i,z_j)/τ)/∑exp(sim(z_i,z_k)/τ))温度系数τ0.1λ1/λ210:1的配置在验证集上表现最佳。4. 性能优化与工程实践4.1 计算效率优化通过以下手段提升推理速度专家缓存对重复出现的端口组合缓存MoE计算结果减少50%的FLOPs半精度量化将模型参数转为FP16在RTX4090上实现1.13ms的推理延迟动态剪枝根据信噪比自动跳过冗余注意力头在20dB时加速17%4.2 实际部署考量在O-RAN架构中建议将SSNet部署在近实时RIC(xApp)中周期性地(如每100ms)执行全端口CSI预测结合FAS控制接口实现闭环优化通过E2接口反馈最优端口选择策略实测表明在密集城区场景下该方案可将用户吞吐量提升2.3倍同时降低63%的导频开销。5. 性能对比与结果分析5.1 基准模型对比在2×4cm FAS上的测试结果显示模型训练数据量10%端口NMSE(0dB)推理时延(ms)AGMAE800,000-4.7dB0.92LSTM120,000-0.4dB1.35SSNet(25%)20,000-9.1dB1.27SSNet(10%)20,000-10.2dB1.31值得注意的是SSNet(10%)在高掩码率下反而表现更优说明强制模型学习强相关性有利于泛化能力提升。5.2 鲁棒性验证在不同噪声环境下的性能保持稳定SNR10%端口NMSE25%端口NMSE0dB-10.2dB-9.1dB10dB-19.7dB-17.3dB20dB-29.3dB-26.1dB零样本学习测试显示在未训练的天线尺寸(4×8cm)上仅出现3-5dB的性能下降证明模型具有良好的泛化能力。6. 扩展应用与未来方向SSNet的框架可延伸至以下场景分布式FAS通过修改位置编码支持非均匀端口分布动态障碍物规避结合雷达感知数据调整注意力权重节能模式预测最优端口子集实现按需激活当前限制在于对超大规模FAS(如1024端口)的内存占用较高未来将通过分块处理和图神经网络结合来突破这一瓶颈。另一个重要方向是将SSNet与波束成形联合优化实现从信道预测到波束配置的端到端学习。
6G流体天线信道外推技术：SSNet架构与自监督优化
发布时间：2026/6/1 7:13:27
1. 流体天线系统与信道外推技术背景在6G通信系统的演进过程中流体天线系统(Fluid Antenna System, FAS)因其独特的动态可重构特性成为关键技术突破点。与传统固定天线阵列不同FAS通过微流控或可重构材料技术实现天线端口的物理位置动态调整从而在相同硬件配置下获得空间分集增益。这种软件定义天线的架构使得单个FAS设备可以等效为数百个虚拟天线端口为毫米波和太赫兹频段通信提供了新的自由度。然而这种灵活性也带来了巨大的信道状态信息(Channel State Information, CSI)获取挑战。在16×32端口的典型FAS配置中若采用传统导频扫描方法获取全端口CSI系统开销将呈指数级增长。以5G NR的CSI-RS资源配置为例完整测量512个端口的CSI需要约40ms远超信道相干时间。更关键的是FAS的物理重构特性使得端口间信道响应呈现强非平稳性传统基于稀疏性的压缩感知方法在动态环境下性能急剧恶化。2. SSNet核心架构设计2.1 图像重建的任务建模SSNet创新性地将FAS信道外推问题转化为图像修复任务。具体而言将二维FAS端口阵列的CSI矩阵视为图像已知端口的CSI值对应图像的可见像素而待预测端口则为缺失像素。这种建模方式具有三个显著优势结构保持性FAS端口的空间排列天然形成网格结构与图像像素的二维分布高度契合。实验数据显示在8×16cm的FAS平面上相邻端口(间距λ/2)的信道相关系数可达0.87满足图像局部平滑先验。维度一致性每个端口CSI包含实部、虚部两个通道恰好对应图像的RGB通道。通过将MIMO系统的8天线配置展开最终形成16通道的多光谱图像。掩码灵活性随机掩码策略模拟实际系统中可观测端口的动态变化。在训练阶段采用90%的高掩码率(仅10%端口可见)迫使模型学习深层次的空间相关性。2.2 混合专家(MoE)增强的编码器编码器的核心创新在于引入混合专家(Mixture of Experts)模块来提升特征提取能力。如图1所示MoE层包含4个专家网络和1个门控网络每个专家都是独立的双层FFNExpert_j(x) GELU(xW_e1)W_e2其中W_e1∈R^(D×4D), W_e2∈R^(4D×D)采用4倍隐藏层扩展。门控网络通过softmax生成专家权重g softmax(xW_g b_g)在训练过程中我们观察到MoE模块展现出明显的专家专业化现象Expert 1主要处理强相关端口(间距λ)的局部特征Expert 2专注建模中程相关性(λ~2λ)Expert 3捕获特定极化方向的信道特征Expert 4负责噪声抑制和异常值处理这种分工协作机制使得在20dB噪声环境下MoE版本的NMSE比普通Transformer提升3.2dB。2.3 轻量化解码器设计考虑到FAS信道具有空间局部相关性解码器采用浅层架构(仅2层)降低计算复杂度。关键设计包括位置编码复用将编码器的2D正弦位置编码降维后注入解码器保持空间拓扑不变性。实验表明这比重新学习位置嵌入节省35%训练时间。跨尺度注意力在最后一层引入膨胀注意力(dilated attention)以3×3的局部窗口为基础每隔2个端口进行一次全局交互平衡计算开销和性能。动态重建头根据信噪比动态调整重建矩阵W_r的稀疏度在低SNR时自动过滤高频成分。实测在0dB环境下可降低1.8dB的NMSE。3. 自监督训练策略3.1 课程学习调度采用渐进式掩码策略提升训练效率前10个epoch使用25%掩码率让模型快速学习基础相关性10-30epoch逐步提升到75%掩码率最终阶段采用90%掩码率进行微调这种课程学习使模型在相同迭代次数下NMSE比固定掩码率策略降低0.7dB。3.2 复合损失函数设计对比损失重构损失的混合目标函数L λ1*L_NMSE λ2*L_Contrastive其中对比损失采用NT-Xent形式在特征空间拉近相邻端口表示L_Contrastive -log(exp(sim(z_i,z_j)/τ)/∑exp(sim(z_i,z_k)/τ))温度系数τ0.1λ1/λ210:1的配置在验证集上表现最佳。4. 性能优化与工程实践4.1 计算效率优化通过以下手段提升推理速度专家缓存对重复出现的端口组合缓存MoE计算结果减少50%的FLOPs半精度量化将模型参数转为FP16在RTX4090上实现1.13ms的推理延迟动态剪枝根据信噪比自动跳过冗余注意力头在20dB时加速17%4.2 实际部署考量在O-RAN架构中建议将SSNet部署在近实时RIC(xApp)中周期性地(如每100ms)执行全端口CSI预测结合FAS控制接口实现闭环优化通过E2接口反馈最优端口选择策略实测表明在密集城区场景下该方案可将用户吞吐量提升2.3倍同时降低63%的导频开销。5. 性能对比与结果分析5.1 基准模型对比在2×4cm FAS上的测试结果显示模型训练数据量10%端口NMSE(0dB)推理时延(ms)AGMAE800,000-4.7dB0.92LSTM120,000-0.4dB1.35SSNet(25%)20,000-9.1dB1.27SSNet(10%)20,000-10.2dB1.31值得注意的是SSNet(10%)在高掩码率下反而表现更优说明强制模型学习强相关性有利于泛化能力提升。5.2 鲁棒性验证在不同噪声环境下的性能保持稳定SNR10%端口NMSE25%端口NMSE0dB-10.2dB-9.1dB10dB-19.7dB-17.3dB20dB-29.3dB-26.1dB零样本学习测试显示在未训练的天线尺寸(4×8cm)上仅出现3-5dB的性能下降证明模型具有良好的泛化能力。6. 扩展应用与未来方向SSNet的框架可延伸至以下场景分布式FAS通过修改位置编码支持非均匀端口分布动态障碍物规避结合雷达感知数据调整注意力权重节能模式预测最优端口子集实现按需激活当前限制在于对超大规模FAS(如1024端口)的内存占用较高未来将通过分块处理和图神经网络结合来突破这一瓶颈。另一个重要方向是将SSNet与波束成形联合优化实现从信道预测到波束配置的端到端学习。
