現(xiàn)在人們已經(jīng)對(duì)現(xiàn)代蜂窩通信連接的高速度習(xí)以為常 – 但在高速傳輸?shù)谋澈髤s隱藏著無(wú)數(shù)創(chuàng)新和花費(fèi)大量時(shí)間的研發(fā)工作。高通技術(shù)公司工程技術(shù)高級(jí)總監(jiān)Kiran Mukkavilli博士親身參與相關(guān)工作,也了解其中的艱辛。他提出了正交頻分復(fù)用(OFDM)無(wú)線電波形的一些基本想法,這有助于如今深受我們喜愛(ài)和依賴(lài)的高速無(wú)線數(shù)據(jù)傳輸成為可能。OFDM是4G和5G的核心技術(shù),也是現(xiàn)代無(wú)線技術(shù)最重要的領(lǐng)域之一。
Mukkavilli博士在高通工作近二十年,他的研究領(lǐng)域涵蓋3G、4G、5G和MediaFLO(高通的首個(gè)移動(dòng)廣播技術(shù)),以及地面定位技術(shù)的多個(gè)方面。他領(lǐng)導(dǎo)整個(gè)高通技術(shù)公司的定位研發(fā)工作,目前正在從事5G Advanced相關(guān)研究工作,這將為6G奠定基礎(chǔ)。
最近我們采訪了Mukkavilli博士,談到他在OFDM、MediaFLO領(lǐng)域的工作,以及6G最讓他興奮的地方。
在通信領(lǐng)域,我們經(jīng)常聽(tīng)到“OFDM”一詞。您能解釋一下OFDM究竟是什么嗎?
OFDM (orthogonal frequency-division multiplexing) 表示“正交頻分復(fù)用”。其基本想法是,通過(guò)巧妙的物理學(xué)方法和精準(zhǔn)的定時(shí),可以同時(shí)在相同通信鏈路中重疊多個(gè)不同的子載波或無(wú)線電波,并通過(guò)不相互干擾的頻率將其分開(kāi)。得益于這一革命性想法,從3G時(shí)代開(kāi)始的大規(guī)模擴(kuò)展蜂窩通信網(wǎng)絡(luò)容量成為可能。OFDM成為4G和5G網(wǎng)絡(luò)高速通信的基礎(chǔ),蜂窩基站和手機(jī)調(diào)制解調(diào)器利用經(jīng)OFDM調(diào)制的無(wú)線電波彼此通信。
您能分享一下您早期的OFDM相關(guān)工作嗎?它對(duì)當(dāng)今的蜂窩通信有何影響?
我剛在高通開(kāi)始職業(yè)生涯時(shí)就從事了這一項(xiàng)目,當(dāng)時(shí)全世界都在關(guān)注從3G向4G過(guò)渡。曾有早期項(xiàng)目研究過(guò)OFDM,以及如何用它支持不同應(yīng)用。當(dāng)時(shí)我們正在研究如何在手機(jī)上實(shí)現(xiàn)移動(dòng)廣播,也就是向一個(gè)網(wǎng)絡(luò)中的所有用戶(hù)進(jìn)行廣播。我們知道OFDM是可行的途徑,但有許多問(wèn)題要回答和解決。
在該項(xiàng)目中,針對(duì)在移動(dòng)無(wú)線系統(tǒng)中使用OFDM,我們開(kāi)發(fā)了一套系統(tǒng)的方法,并提供了解決多個(gè)基礎(chǔ)性挑戰(zhàn)的方案。例如,我從設(shè)計(jì)導(dǎo)頻信號(hào)入手,了解無(wú)線鏈路特性,包括信號(hào)傳播路徑的數(shù)量和每個(gè)路徑的強(qiáng)度,這被稱(chēng)為信道估計(jì)。實(shí)現(xiàn)良好且保持更新的信道估計(jì)對(duì)于在無(wú)線信道上支持?jǐn)?shù)據(jù)傳輸?shù)母咚俾手陵P(guān)重要,而導(dǎo)頻信號(hào)則用于估計(jì)隨時(shí)間不斷變化的無(wú)線信道。
我提出了基于周期性配置和在頻率和時(shí)間上導(dǎo)頻符號(hào)參差的導(dǎo)頻設(shè)計(jì),這成為基于OFDM的4G和5G蜂窩通信系統(tǒng)中的基本結(jié)構(gòu)。然后,我們?cè)?G中進(jìn)一步擴(kuò)展導(dǎo)頻設(shè)計(jì),根據(jù)用戶(hù)環(huán)境和移動(dòng)性狀況,動(dòng)態(tài)適應(yīng)導(dǎo)頻模式——例如,用戶(hù)是在人行道上慢慢行走,還是乘坐汽車(chē)或火車(chē)等高速交通工具。這絕非易事,但高通經(jīng)常攻克這樣的難關(guān),我們齊心協(xié)力,最終成功解決問(wèn)題。
MediaFLO是您在高通的早期項(xiàng)目之一。您可以向我們介紹一下這個(gè)項(xiàng)目嗎?您從中學(xué)到了哪些后來(lái)對(duì)您職業(yè)生涯有幫助的技能?
我在職業(yè)生涯開(kāi)始時(shí)遇到的第一個(gè)項(xiàng)目,是一個(gè)極為理想的項(xiàng)目。MediaFLO是高通全面設(shè)計(jì)并實(shí)地部署的移動(dòng)廣播技術(shù)。大約每六個(gè)月左右,隨著項(xiàng)目進(jìn)入設(shè)計(jì)、原型化、測(cè)試、對(duì)接廠商、合規(guī)等不同階段,我就會(huì)有不同的身份。這也是我首次接觸地面定位領(lǐng)域。
這個(gè)項(xiàng)目的基本想法是,我們也可以將OFDM廣播信號(hào)用作增強(qiáng)GPS定位的一種自然方式。 定位增強(qiáng)的直接應(yīng)用,可以是Uber司機(jī)想在市中心找你,但GPS定位卻因高樓大廈而遇到困難。為了實(shí)現(xiàn)這一想法,有許多挑戰(zhàn)要克服,如信號(hào)干擾、定時(shí)偏差和多路徑信號(hào)衰減等。最終,我們找到了將上述全部約束條件考慮在內(nèi)的解決方案,它成為4G和5G定位的前身。這個(gè)項(xiàng)目教會(huì)了我如何把控此類(lèi)大項(xiàng)目所涉及的各方面因素,以及如何適應(yīng)各種挑戰(zhàn)。
對(duì)于5G Release 18和展望6G,您對(duì)哪些用例感到最興奮?
對(duì)于5G Release 18,在這一階段我們開(kāi)始將一些面向6G的構(gòu)建模塊組合起來(lái),包括面向無(wú)線的人工智能/機(jī)器學(xué)習(xí)(AI/ML)、子帶全雙工和無(wú)源物聯(lián)網(wǎng)(passive IoT),這令人非常興奮。我們還將研究智能表面,我們可以修改周?chē)沫h(huán)境并讓其有利于滿(mǎn)足我們的需要。我們可以說(shuō),“發(fā)射機(jī)在這里,用戶(hù)/接收機(jī)在那里 — 環(huán)境應(yīng)該呈現(xiàn)何種形式,才能讓兩者之間的鏈路能夠?qū)崿F(xiàn)最佳效果?”這將是頗有吸引力的6G設(shè)計(jì)范式。
您對(duì)學(xué)生或其他大有前途的發(fā)明者有何建議?
我的一位教授以前經(jīng)常告訴我,對(duì)項(xiàng)目盡早投入時(shí)間和精力非常重要,這樣會(huì)全面了解問(wèn)題,并確切地知道你在解決什么問(wèn)題。這在當(dāng)今工作環(huán)境中甚至更重要:每天我們遇到如此多需要解決的問(wèn)題,這很容易稀釋我們的關(guān)注重點(diǎn)。但是我們可以每次選擇一個(gè)問(wèn)題,讓問(wèn)題占據(jù)你的全部精力,再竭盡全力解決問(wèn)題。
好文章,需要你的鼓勵(lì)
新加坡國(guó)立大學(xué)研究團(tuán)隊(duì)開(kāi)發(fā)了SPIRAL框架,通過(guò)讓AI與自己對(duì)弈零和游戲來(lái)提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無(wú)需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開(kāi)發(fā)的GIGA-ToF技術(shù)通過(guò)融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問(wèn)題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺(jué)解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺(jué)語(yǔ)言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無(wú)法有效利用視覺(jué)信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過(guò)動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語(yǔ)言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。