讲座主题：LLM4CP: 基于预训练大语言模型的信道预测
专家姓名：程翔
工作单位：北京大学
讲座时间：2024年10月18日16:30-17:30
讲座地点：科技馆6205
主办单位：99精品视频在线观看计算机与控制工程学院
内容摘要：
支撑移动智能体（例如无人车、无人机、人形机器人等）是6G 网络的重要场景之一，该场景中包含了大量的通信和多模态感知信息，为了更合理的利用人工智能方法开展通信和多模态感知的深度交叉融合，同时实现 AI for Com和 Com for AI，我们首次提出了机器联觉的概念，即通信与多模态感知的智能融合。在初步介绍机器联觉的概念后，本报告将侧重阐述在机器联觉框架下，我们开展的机器联觉辅助增强的高效通信传输方案设计。
首先，报告将简单的阐述我们开展的利用人工智能小模型开展的物理层传输方案设计，包括信道估计和波束预测等。接下来，报告将重点介绍我们最近开展的利用人工智能大语言模型（LLM）解决传输物理层设计中的信道预测问题。精确的信道状态信息（CSI）对于B5G/6G MIMO无线通信系统性能保障至关重要，而信道预测是高速场景下低成本获取CSI的一项关键技术。然而，现有的基于参数化模型和深度学习的信道预测方法存在预测精度低和泛化性差等问题，难以应用到实际复杂信道环境。近期，GPT-4和LLaMA等大语言模型（LLM）在自然语言处理等领域取得了巨大的成功，展现了强大的推理和泛化能力。然而，当前LLM在无线通信的应用局限于语言形式的协议理解等任务，限制了其在物理层的应用范围。那么，大语言模型能否突破语言局限，赋能非语言形式的无线通信物理层任务？为此，我们以信道预测任务为突破点，首次将预训练LLM应用于无线通信物理层任务，提出了不同于传统参数化模型和深度学习小模型的信道预测新范式。仿真结果显示，所提出方案在TDD和FDD信道预测任务上取得了SOTA的全样本和少样本预测性能，频点泛化性能大幅领先于现有方案，同时具有和深度学习小模型相当的训练和推理时间开销，有望部署于实际场景。此外，所提方案具有较好的通用性，能够扩展到不同LLM种类，适应不同微调方式，并扩展到细粒度信道预测等信道预测相关任务。
主讲人介绍：
程翔，男，博士，北京大学电子学院副书记，北京大学博雅特聘教授（长聘教授），博导，IEEE Fellow，AAIA Fellow，国家杰青，2023年第五届“科学探索奖”，中国工程院首届“中国工程前沿杰出青年学者”，IEEE亚太地区杰出青年研究学者，IEEE车辆技术协会杰出讲师（Distinguished Lecturer），爱思唯尔“中国高被引学者”。主要研究方向为智能通信网络和网联智能，包括无线通信信道建模、通信与多模态感知智能融合、智能车联网和网联智能车、网联智能体协同感知和定位等研究。共发表论文280余篇其中IEEE期刊160余篇，包括ESI热点论文4篇和ESI高被引论文19篇。获得了多次知名国际期刊和会议的论文奖项，包括IEEE JSAC的最佳期刊论文奖：伦纳德?亚伯拉罕奖（Leonard G. Abraham Prize，通信领域影响因子最高的期刊，中国首次获奖），IET Communications的最佳期刊论文奖：Premium Award，以及8项知名国际会议的最佳会议论文奖（4次旗舰会议）：IEEE ICC’19, ICCS’18, GLOBECOM’18, ICNC’2017, ICC’2016, ITSC’2014, ICCC’2013和ITST’2012的最佳会议论文奖。Google Scholar引用14500次（h-index=62, i10-index=219）。已授权国际专利2项，中国专利28项，撰写中英文专著11部。获得省部级奖励7项，包括中国通信学会自然科学一等奖，中国自动化学会自然科学一等奖，教育部自然科学二等奖和一等奖各一项，中国电子学会自然科学一等奖，中国通信学会青年科技奖和中国通信学会技术发明一等奖。牵头发布了4项国内行业/团体标准，参与了10项3GPP国际标准和2项国内行业标准制定。目前，担任IET Communications的领域主编，担任IEEE Transactions on Wireless Communications，IEEE Transactions on ITS，IEEE Wireless Communications Letters和Journal of Communications and Networking的编委工作，担任中国自动化学会“网联智能专业委员会”主任和中关村“多智能体协同理论和技术”开放实验室主任等职务。连续多年入选爱思唯尔“中国高被引学者”和2个世界科学家榜单，分别是：美国斯坦福大学发布的全球前2%顶尖科学家榜单和Guide2Research发布的全球计算机科学和电子信息领域顶级科学家榜单。
