[论文解读] Distinguished Capabilities of Artificial Intelligence Wireless Communication Systems

Xiaohu Ge|arXiv (Cornell University)|Sep 15, 2018

Wireless Body Area Networks参考文献 10被引用 3

一句话总结

本文提出未来人工智能（AI）增强的无线通信系统应具备三种独特能力——认知、学习与主动能力，通过在智能车联网系统中应用AI聚类算法（K-means）验证了AI的认知能力。结果表明连接概率得到提升，证实了AI在重新定义无线系统设计方面超越传统优化的变革性作用。

ABSTRACT

With the great success of artificial intelligence (AI) technologies in pattern recognitions and signal processing, it is interesting to introduce AI technologies into wireless communication systems. Currently, most of studies are focused on applying AI technologies for solving old problems, e.g., wireless location accuracy and resource allocation optimization in wireless communication systems. However, It is important to distinguish new capabilities created by AI technologies and rethink wireless communication systems based on AI running schemes. Compared with conventional capabilities of wireless communication systems, three distinguished capabilities, i.e., the cognitive, learning and proactive capabilities are proposed for future AI wireless communication systems. Moreover, an intelligent vehicular communication system is configured to validate the cognitive capability based on AI clustering algorithm. Considering the revolutionary impact of AI technologies on the data, transmission and protocol architecture of wireless communication systems, the future challenges of AI wireless communication systems are analyzed. Driven by new distinguished capabilities of AI wireless communication systems, the new wireless communication theory and functions would indeed emerge in the next round of the wireless communications revolution.

研究动机与目标

• 识别并定义未来AI原生无线通信系统与传统系统相区别的新型AI专属能力。
• 超越将AI用于解决遗留问题（如定位、资源分配）的模式，转而探索AI在重新定义系统架构方面的变革潜力。
• 通过真实场景——基于AI聚类的智能车联网——验证AI在无线系统中的认知能力。
• 分析AI驱动的无线系统在数据管理、传输及协议架构方面面临的关键挑战。
• 倡导基于AI原生能力的范式转变，推动迈向AI原生无线通信理论与系统设计。

提出的方法

• 基于AI在无线系统中的独特功能潜力，提出认知、学习与主动三种新能力。
• 采用无监督学习（K-means聚类）作为核心算法，实现智能车联网网络中的认知行为。
• 配置智能车联网通信系统作为测试平台，在动态移动环境下评估认知能力。
• 将无线传输过程重新定义为学习过程，其中发射机与接收机作为迭代AI算法的输入与输出。
• 挑战传统分层协议架构，提出需要一种新型AI原生协议架构，以支持分布式AI执行。
• 分析系统层面在数据表示、无需信道状态信息（CSI）的传输设计，以及AI工作负载的协议灵活性方面的挑战。

实验结果

研究问题

• RQ1 AI在解决现有问题之外，为无线通信系统引入了哪些新型可区分能力？
• RQ2 AI聚类算法如何提升动态车联网网络中的网络连通性与稳定性？
• RQ3 在构建AI原生无线系统时，数据处理、传输与协议架构面临哪些关键挑战？
• RQ4 AI的集成如何改变无线通信系统的基本设计原则？
• RQ5 AI原生能力（如认知、学习与主动性）能否催生新的无线通信理论与系统模型？

主要发现

• 所提出的基于K-means的AI聚类算法通过在车辆移动下稳定网络拓扑，提升了智能车联网系统中的连接概率。
• 由AI聚类实现的认知能力降低了车辆移动对网络连通性的影响，增强了系统鲁棒性。
• AI引入了三种新型可区分能力——认知、学习与主动能力——其本质区别于传统无线系统功能。
• 将AI集成到无线系统中，要求重新思考数据表示、传输机制与协议架构。
• 传统分层协议架构不足以支持AI原生功能，如深度学习推理与动态神经网络部署。
• 未来AI无线通信系统将需要一种新型智能协议架构，以支持分布式AI执行与非结构化、自适应的功能。