A MIMO Wireless Channel Foundation Model via CIR-CSI Consistency

要約

人工知能の分野では、自己科学者の学習は、事前トレーニングの大規模な非標識データセットを活用することにより、優れた一般化能力を実証しました。これは、ワイヤレス通信モデルがさまざまなシナリオに適応するために特に重要です。
このホワイトペーパーは、チャネル状態情報（CSI）とチャネルインパルス応答（CIR）を自然に整列させたマルチモーダルデータとして革新的に扱い、CSI-Clipという名前の最初のMIMOワイヤレスチャネルファンデーションモデルを提案しています。
CIRとCSIの両方の共同表現を効果的にキャプチャすることにより、CSI-Clipはシナリオ全体で顕著な適応性と堅牢な特徴抽出機能を示します。
実験結果は、位置決めタスクでは、CSIクリップが平均誤差距離を22％減らすことを示しています。
ビーム管理タスクでは、チャネル識別タスクだけでなく、従来の監視された方法と比較して、精度が1％増加します。
これらの改善は、センシングとコミュニケーションを統合する際のCSIクリップの潜在的と価値を強調するだけでなく、既存の手法よりも重要な利点を示しています。
さらに、CSIとCIRをマルチモーダルペアとして見て、ワイヤレスチャネルファンデーションモデルの対照学習をMIMOワイヤレス通信のドメインで新しい研究の方向性を開きます。

要約(オリジナル)

In the field of artificial intelligence, self-supervised learning has demonstrated superior generalization capabilities by leveraging large-scale unlabeled datasets for pretraining, which is especially critical for wireless communication models to adapt to a variety of scenarios. This paper innovatively treats Channel State Information (CSI) and Channel Impulse Response (CIR) as naturally aligned multi-modal data and proposes the first MIMO wireless channel foundation model, named CSI-CLIP. By effectively capturing the joint representations of both CIR and CSI, CSI-CLIP exhibits remarkable adaptability across scenarios and robust feature extraction capabilities. Experimental results show that in positioning task, CSI-CLIP reduces the mean error distance by 22%; in beam management task, it increases accuracy by 1% compared to traditional supervised methods, as well as in the channel identification task. These improvements not only highlight the potential and value of CSI-CLIP in integrating sensing and communication but also demonstrate its significant advantages over existing techniques. Moreover, viewing CSI and CIR as multi-modal pairs and contrastive learning for wireless channel foundation model open up new research directions in the domain of MIMO wireless communications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google