迈向通信与计算融合架构：用于人工智能代理通信网络的研究

《IEEE Transactions on Cognitive Communications and Networking》：Towards Communication–Computation Integrated Architectures for AI-Agent Communication Networks

　　1.提出一种集成计算与通信架构，通过结合MIMO-OFDM信道建模与神经网络应用建模，解决AI代理通信网络中动态资源分配问题，采用强化学习框架实现计算与通信资源的自适应优化，显著提升任务完成时间和预测精度。

　　

摘要：

随着通信技术的发展，AI代理通信网络（ACN）预计将在推动未来无线服务方面发挥关键作用。这些网络必须满足多样化的连接需求，提供增强的智能支持，并为AI代理提供可靠的通信保障。在这项工作中，我们提出了一种集成计算-通信（ICC）架构，该架构在共享计算框架内同时处理基带信号处理和神经网络（NN）推理任务。通过将多输入多输出正交频分复用（MIMO-OFDM）信道表示与基于神经网络的应用建模相结合，建立了一种统一的建模方法。在通信方面，我们推导出了考虑量化误差、发射功率和噪声因素的频谱效率和信道容量表达式，从而描述了硬件对信道性能的限制。在计算方面，我们分析了模型在深度、宽度和输入分辨率方面的扩展性。基于这一框架，我们将联合资源分配问题建模为一个马尔可夫决策过程（MDP）。我们引入了一种基于学习的分配算法，该算法将Gibbs采样与基于近端策略优化（PPO）的强化学习代理相结合，以解决这一MDP问题。这使得系统能够动态地在通信和计算之间分配资源，以适应数据集的变化、信噪比（SNR）条件、模型配置以及场景约束。与传统固定资源分配方案相比，所提出的方法提高了任务完成时间和预测精度。理论分析和仿真结果验证了该架构的有效性，突显了其在下一代ACN中实现高效跨层协同设计的潜力。