本研究提出了一种基于变压器的多模态基础模型，旨在解决通信系统中任务特定解决方案不足的问题。该模型能够直接处理通信数据，成功应对分词、位置嵌入等挑战，并展示了在传输秩和多普勒扩展等特征上的应用潜力。

本研究提出了双重注意力变换器（DAT）和残差双重非局部注意力网络（RDNLA）两种新模型，以提高复杂环境下的信号检测和解码效率。实验结果显示，这些模型在不同信噪比条件下显著优于传统方法，具有在下一代通信系统中的应用潜力。

本研究提出了一种基于深度强化学习的集成感知与通信系统优化方案，显著提升了低空经济中的通信速率、鲁棒性和收敛速度。

本文探讨了多种GPU加速技术和调度策略，以提升深度学习和通信系统的性能。研究表明，优化资源分配和调度能够显著降低完成时间和通信开销，同时提高任务性能和硬件使用寿命。这些方法为未来的AI硬件加速器和6G通信系统提供了重要指导。

本研究探讨了Havrylov和Titov的信令游戏设置对模型学习或捕捉视觉语义的影响。通过增强输入图像和引入附加任务，实现了在完全自监督情况下学习捕捉图像概念属性的视觉表征的通信系统。

该研究提出了一种基于优化理论和深度强化学习的联合设计控制和通信系统的框架，旨在实现最小化功耗目标。通过组合优化理论和深度强化学习两个阶段，该方法在大量模拟实验中表现出优于其他方法的性能，接近最优性能且复杂度较低。

该论文提出了一种新的通信系统框架，利用多模式生成模型的优势生成有前途的代沟能力。研究方向是基于图像到文本转换和顺序传输单词令牌的通信系统设计，旨在为实际通信系统利用最先进的生成模型铺平新的道路。

本文介绍了通信和存储系统中纠错码（ECC）的重要性，并讨论了基于神经网络的解码器的研究。作者提出了两种新的方法来进一步提高纠错码变压器（ECCT）的性能。第一种方法是引入新的掩码矩阵，以提高性能并降低计算复杂度。第二种方法是提出了一种名为双掩码 ECCT 的新型变压器架构，通过并行使用两个不同的掩码矩阵，学习更多关于码字位之间关系的多样特征。仿真结果表明，双掩码 ECCT 在性能上优于传统 ECCT，并取得了显著的优势。