.png){kind=icon}
返回
Large Language Model Enabled Multi-Task Physical Layer Network
.png){kind=icon}
PRE
AI
DOI：10.1109/TCOMM.2025.3626010.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）的进步正在持续重塑未来6G无线通信的未来。特别是，大型语言模型（LLMs）的发展为实现有效提升AI在不同物理层（PHY）任务中的性能和泛化能力提供了有前景的方法。然而，大多数现有工作为单个无线通信任务分别微调专用的LLM网络。因此，执行多样的PHY任务需要极高的训练资源、内存使用和部署成本。为解决此问题，我们提出了一种基于LLM的多任务PHY网络，通过利用LLMs出色的语义理解和生成能力，使用单个LLM来统一多个任务。具体来说，我们首先提出了一种多任务LLM框架，该框架微调LLM以执行包括多用户预编码、信号检测和信道预测在内的多个任务。此外，还精心设计了多任务指令模块、输入编码器以及输出解码器，以区分不同任务并使LLM适应无线域中的不同任务。而且，利用低秩适配（LoRA）进行LLM微调。为减少LLM微调期间的内存需求，引入了一种针对LoRA微调的量化方法。此外，还展示了广泛的数值仿真结果，以验证所提出方法的有效性。
Keyword:
Large language models (LLMs)
multi-task LLM
physical layer communications
期刊
IF:
8.3
论文数:
1.2W
被引数:
3.6W
机构
引用论文
分享收藏
Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems基于深度学习的波束空间毫米波大规模MIMO系统信道估计
OAAI
OAAI分享收藏AI and Deep Learning for Terahertz Ultra-Massive MIMO: From Model-Driven Approaches to Foundation Models太赫兹超大规模MIMO中的AI和深度学习：从模型驱动方法到基础模型.png)
EngineeringOAAI
EngineeringIF11.6
OAAI分享收藏Optimal Multiuser Transmit Beamforming: A Difficult Problem with a Simple Solution Structure最佳多用户发射波束成形: 具有简单解决方案结构的难题OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容