通过机器学习推动语义和数字通信的进步

自2010年以来，人工智能（AI）在日常生活中的应用日益普及，这得益于机器学习（ML）的快速进展。这些突破得益于专用硬件、深度神经网络（DNNs）和训练技术的创新，使得AI系统在自主驾驶和医疗诊断等任务中能够达到甚至超越人类表现，像ChatGPT和AlphaGo这样的系统在其中脱颖而出。这些成就提升了公众对AI技术的认识和接受度。在无线通信领域，虚拟现实和自主系统等新兴应用正将传统数字通信系统推向极限。传统的内容无关方法难以满足对带宽、能效和低延迟日益增长的需求。本论文探讨通过将ML技术融入无线通信系统来掌握这些挑战。它介绍了CMDNet，这是一种新颖的符号检测框架，旨在通过结合传统基于模型的设计的优势与先进ML方法的优势来提高通信效率。此外，将语义内容融入通信被确定为进一步增强系统效率的关键。语义通信旨在传输数据所传达的意义，而不是确切的比特，这可能会引入一个模型缺失，这对传统通信设计构成挑战。使用先进的ML技术解决语义通信设计中的这一挑战，正如SINFONY方法所示。这些贡献共同展示了DNN等ML进展如何克服存在的模型和算法缺陷，并显著增强未来通信系统的效率和能力。