中国移动联合北京航空航天大学在国际重要期刊发表6G空口AI重要成果

近日，由中国移动和北京航空航天大学联合完成的研究论文《Designing Heterogeneous GNNs with Desired Permutation Properties for Wireless Resource Allocation》在国际重要期刊《IEEE Open Journal of the Communications Society》上发表，该期刊近2年平均影响因子为6.2，是通信领域具有重要影响力的期刊之一。

论文创造性地提出了一种通用方法，系统化地利用空口策略的置换性质（permutation property）来设计异构图神经网络（Graph Neural Network, GNN），从而提升智能无线资源分配AI模型的学习性能与学习效率。论文的通信作者是北京航空航天大学杨晨阳教授以及中国移动总工程师、首席科学家王晓云。

在无线通信系统中，空口资源分配本质上是基于终端信道、业务需求等参数，对多用户资源调度和多输入多输出（MIMO）预编码矩阵进行决策的过程。这类任务涉及用户、天线、载波、功率等多个维度，从参数到决策的映射通常为复杂的高维函数，计算复杂度非常高。

置换性质是无线通信优化任务中的普遍特性，在用户接入与调度、MIMO预编码设计、功率与载波分配、MIMO检测、信道估计等场景中均有体现。它指多元函数在输入顺序置换时，输出能相应置换或保持不变的数学性质。由于图结构顶点集是典型无序集合，基于图数据构建的图神经网络（GNN）可天然利用这一“置换先验”优势，但这一规律此前未在空口 AI 设计中得到系统化应用。

传统空口AI模型多依赖于试错式选择或人工设计，效率低下，难以有效利用置换性质，导致空口AI模型在训练和推理阶段复杂度高、泛化能力弱。为应对这一挑战，团队系统化设计了一种高效GNN的通用框架，其实现步骤如下：

第一步，确定无线策略的输入输出。基于具体的无线任务，明确优化问题的输入输出关系，例如从信道矩阵到预编码矩阵的映射。

第二步，确定无线策略的置换性质。从优化问题中寻找集合及集合间（如用户集合与天线集合之间）的关系，从而确定相应无线策略的置换性质，即期望的置换性质。

第三步，从问题出发构建图模型。根据优化问题所涉及的集合关系进行图的构造，即定义图中的顶点/边及其类型和特征，使定义在图上的函数具有集合所导致的置换性质。

最后，设计满足置换性质的GNN架构。根据所构建的图模型设计GNN中的处理、合并和池化函数等组件，使所设计的GNN结构能够充分利用置换性质。

以多用户MIMO（MU-MIMO）混合预编码为例，研究团队通过仿真验证了所提出方法的有效性：在不损失预编码和速率的前提下，样本复杂度降低75%、模型参数量减少80%以上，同时具备良好的扩展性和泛化能力，特别适用于动态无线环境下的空口资源分配。

这项研究成果不仅为提升空口AI模型的学习效率提供了理论支持和方法指导，还为后续的研究和技术应用奠定了坚实的基础。未来，中国移动将继续携手产学研各界，持续深化对空口 AI 技术的探索与研究，进一步推动该领域技术创新与成果转化。

《IEEE Open Journal of the Communications Society》是IEEE通信协会的重要期刊，覆盖了广泛的通信领域主题，包括但不限于无线通信、移动通信、卫星通信、光通信、网络协议、网络架构、信号处理、多媒体通信、网络管理和安全等，为研究人员、工程师、学者和行业专家提供了一个交流和分享创新想法、实验结果和技术进展的平台。