爱丁堡大学突破神经网络泛化难题，优化通信芯片性能

英国爱丁堡大学博士生栾殿鑫带领的研究团队在神经网络泛化性领域取得重要突破。该团队创新性地设计了训练数据优化策略，使神经网络模型能在未经训练的无线通信信道上保持卓越性能。实验结果表明，在信道A完成训练的模型迁移到信道B、C、D时，其预测准确度明显超越传统方法，展现出优异的跨信道适应性。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

研究人员强调，无线通信环境包含近乎无限的潜在信道特征组合，传统训练方法在覆盖所有场景方面存在根本性瓶颈。即使采用海量实际采样数据训练，模型仍可能遭遇性能陡降问题。实验数据揭示，在信道B训练的模型应用于信道A时，预测准确率接近随机猜测，这反映出跨信道泛化研究面临的核心挑战。

这项研究为物理层通信信道估计开辟了新的技术路径。与传统需要先验信道信息的最小二乘法（LS）估计相比，新模型通过提升跨信道泛化能力，可在多种功率延迟分布、时延扩展及系统参数条件下维持稳定表现。目前，该技术已在华为海思麒麟芯片的巴龙基带、联发科天玑系列等商用硬件平台完成验证。

研究工作源自栾殿鑫参与的校企合作项目。团队最初专注于融合注意力机制的编解码架构和实时训练方法开发，以满足物理层通信对低延迟和高适配性的要求。虽然合作方建议优先完善实时训练技术，但跨信道泛化问题始终是团队重点攻关方向。此前发表于IEEE Transactions on Wireless Communications的研究已初步探索了注意力机制的应用，最新成果则是对物理层神经网络应用的全面深化。

当前模型已实现参数精简和计算优化，神经网络参数量控制在百级规模，内存占用较常规方案显著降低，在资源受限设备上可实现毫秒级响应。团队正从三个方向推进后续研究：硬件平台实际性能评测；N×N MIMO-OFDM系统空间相关性泛化研究；以及面向液态天线和智能反射面等新场景的适配验证。研究团队热忱欢迎学术界和产业界合作伙伴共同推进技术创新。