支持世界模型的因果数字孪生，用于物理人工智能系统中的语义通信

语义通信已成为实现面向目标的网络的有前途的范例。然而，大多数现有的语义通信解决方案都是针对一次性任务量身定制的，并优化了瞬时性能。因此，它们不能用于支持具有物理人工智能（AI）的闭环动态系统，其中传输的语义不仅影响当前的推理结果，而且影响未来的控制动作、状态演化以及最终的长期任务性能。为了解决这一差距，本文研究了具有闭环感知-通信-推理-控制的物理人工智能系统的面向目标的语义通信。特别是，语义通信问题被表述为无线比特预算约束下的长期每比特回报最大化，同时捕获控制效率和通信效率。为了解决这个问题，引入了一种新颖的因果信息值（CIV）度量来评估每个语义标记对传输干预的预期长期回报的边际贡献。然后，提出了一种支持世界模型的因果数字孪生（WM-CDT）框架，以捕获闭环物理人工智能系统的动态，并为长期想象的采样轨迹提供反事实推理。基于这些想象轨迹，Actor-Critic策略被训练用于具有高数据效率的长视野代理控制，而语义标记选择器则通过 CIV-per-bit 评估进行训练。对基于 AirSim-Sionna 的无人机导航模拟器的广泛仿真表明，与现有的强化学习解决方案相比，所提出的 WM-CDT 框架在每 kbit 回报率和导航成功率方面取得了显着提高。