英國愛丁堡大學博士生欒殿鑫及其團隊在神經網絡泛化性研究領域取得突破性進展。該團隊通過優化訓練數據設計策略，使神經網絡模型在未經訓練的無線信道上仍能保持穩定性能。實驗表明，在信道A訓練的模型應用于信道B、C、D時，其預測精度與傳統方法相比具有顯著優勢，且在跨信道場景下表現出一致性。
研究團隊指出，無線通信環境存在無限數量的信道特征組合，傳統訓練方式難以覆蓋所有場景。即使采用大規模現實采樣數據集，模型仍可能面臨災難性遺忘問題，無法保證對所有信道的預測準確性。實驗數據顯示，在信道B訓練的模型應用于信道A時，其預測結果接近隨機水平，這凸顯了跨信道泛化的技術難度。
該成果為物理層通信信道估計提供了新方案。相較于最小二乘法（LS）估計需依賴信道先驗信息的局限，新模型通過實現穩定的跨信道泛化能力，可在不同功率延遲分布、延遲擴展及系統參數條件下保持性能穩定。研究團隊已在海思麒麟芯片的巴龍基帶模塊、聯發科天璣系列等硬件平臺上驗證了技術可行性。
項目起源于欒殿鑫參與的校企合作課題。在研究初期，團隊聚焦于結合注意力機制的編解碼架構與在線訓練方法，以滿足物理層通信對低延遲和硬件適配的要求。盡管合作伙伴建議優先深化在線訓練研究，但跨信道泛化問題始終是團隊關注的核心。此前發表于IEEE Transactions on Wireless Communications的論文已涉及注意力機制應用，此次新研究則是對物理層神經網絡應用的系統性拓展。
當前模型已實現參數精簡與計算優化，神經網絡參數規模控制在百量級，內存占用低于常規方案，在低性能設備上的運算延遲可控制在毫秒級。研究團隊正開展三項拓展研究：其一是在具體硬件平臺進行實測調試；其二是探索N×N MIMO-OFDM系統的空間相關性泛化；其三是研究液體天線與智能反射面場景下的模型適配。團隊表示歡迎學術界與產業界共同參與技術迭代。
