AirFM-DDA：AI-Native 6G 延迟多普勒角度域中的空中接口基础模型

大型基础模型的成功正在催生人工智能原生 6G 网络设计的新范式：用于物理层设计的无线基础模型。然而，现有模型通常在空间-时间-频率（STF）域中的信道状态信息（CSI）上运行，其中多径分量是叠加的并且结构上纠缠在一起。这阻碍了通用通道表示的学习。他们对全球关注的依赖也带来了令人望而却步的开销。在本文中，我们提出了 AirFM-DDA，一种延迟多普勒角度 (DDA) 领域的空中接口基础模型。 AirFM-DDA 将 CSI 重新参数化到 DDA 域中，以解析沿物理意义轴的多路径分量，并采用基于窗口的关注和帧结构感知位置编码。大量的实验证明了跨场景、任务、数据集和天线配置的可转移性。对于信道预测和估计，AirFM-DDA 将零样本推广到未见过的城市，在最强基线上实现平均归一化均方误差 (NMSE) 增益 4.9-8.5 dB。仅使用 10% 的标记数据，波束预测的 Top-1 精度平均提高 12.0 个百分点，视线 (LoS) 识别的 F1 分数平均提高 3.4 个百分点。它进一步跨模拟数据集进行传输并适应测量数据和不同的天线阵列。与全局注意力相比，基于窗口的注意力将训练和推理成本降低了近一个数量级。