首次！GPT-2赋能无线通信物理层，北大团队提出基于预训练LLM的信道预测方案
💡
原文中文，约5100字，阅读约需12分钟。
📝
内容提要
北京大学电子学院程翔团队提出了基于预训练大语言模型的MIMO-OFDM信道预测方案LLM4CP，适用于TDD和FDD通信系统。研究团队构建了基于预训练GPT-2的信道预测神经网络，提高了大语言模型在信道预测中的能力和泛化能力。该方案在TDD和FDD信道预测任务上取得了最先进的性能，具有较低的训练和推理时间成本。该研究为大语言模型在无线通信物理层任务中的应用开辟了新的可能性。
🎯
关键要点
- 北京大学电子学院程翔团队提出了基于预训练大语言模型的MIMO-OFDM信道预测方案LLM4CP，适用于TDD和FDD通信系统。
- 信道预测是获取信道状态信息的核心技术，能够减少信道估计与反馈开销，尤其在5G/6G MIMO无线通信系统中重要性凸显。
- 现有信道预测方法存在预测精度低和泛化性差的问题，难以适应复杂信道环境。
- LLM4CP方案基于预训练的GPT-2构建信道预测神经网络，提高了信道预测的能力和泛化能力。
- 研究成果在TDD和FDD信道预测任务上取得了最先进的性能，训练和推理时间成本较低。
- LLM4CP首次将预训练大语言模型应用于信道预测，证明其在无线通信物理层设计中的潜力。
- 仿真结果显示，LLM4CP在频点泛化性能上大幅领先于现有方案，且训练和推理时间与小模型相当。
- 研究团队使用符合3GPP标准的时变信道数据集进行性能验证，设置了MISO-OFDM系统进行实验。
- LLM4CP通过历史上行链路CSI序列预测未来下行链路CSI序列，有效避免了下行链路导频的开销和反馈延迟。
- 研究团队设计了特定模块以适应CSI数据的复杂矩阵格式，包括预处理模块、嵌入模块、预训练LLM模块和输出模块。
- 在抗噪声鲁棒性测试中，LLM4CP表现出最低的NMSE，显示其对CSI噪声的高鲁棒性。
- 少量样本训练对模型的快速部署至关重要，LLM4CP在少样本预测场景中表现出明显优势。
- AI与无线通信的结合在5G和未来6G时代的重要性日益凸显，LLM4CP为此开辟了新的可能性。
➡️
