1、Sustainable Green Intelligent and Concise 6G:Vision and Technology TrendWHITE PAPER V9.0A2023.03總體愿景 行業賦能與社會責任 低碳綠色可持續發展關鍵使能技術低碳的網絡架構天地融合覆蓋多層柔性覆蓋自組織可重構人智增強空口跨層多域智能協同高時效語義通信感傳控算協同無線賦能人智新材料與新芯片射頻新材料智能超表面高能效芯片光電新器件參考文獻貢獻單位1 1.1 1.222.12.1.12.1.22.1.32.1.42.22.2.12.2.22.2.32.32.3.12.3.22.3.32.3.43401010

2、20303030508101212151719192125293135目錄-01-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend1.總體愿景1.1 行業賦能與社會責任5G 網絡的規模化部署和商用開啟了萬物互聯的新時代，推動了工業、農業、醫療、交通等傳統行業的數字化轉型和產業結構升級，促進了數字經濟與數字社會建設，引領了新一輪信息革命浪潮。與此同時，關于 6G 網絡的愿景規劃、網絡架構設計及關鍵技術研究已在全球范圍展開，也成為我國“十四五”規劃和 2035 遠景目標綱要中“加快數字化發展，建設數字中

3、國”的關鍵一環。秉持可持續發展理念，著眼未來大數據與人工智能時代，“以低碳智簡實現萬物智聯”成為 6G 發展的核心目標。6G 萬物智聯將賦能諸如無人駕駛、智能交通、智慧工廠、智慧城市、智慧海洋等千行百業垂直應用。為此，6G 網絡需要以超大容量（Tbps 級峰值速率）、超低時延（0.1ms）、超高可靠（99.99999%）、超高效能（頻譜效率、能量效率等），支持海量信息的實時傳輸交互 1。不僅如此，網絡中具備環境感知能力的攝像頭、雷達等傳感設備，以無人車為代表的智能移動終端，以及高度智能化的網絡節點，都將全方位地參與到信息的感知、轉發和處理決策過程中，形成一個感知、通信、計算與控制深度融合的網絡

4、。這些智能體間的通信內容往往與自身狀態、周圍環境及應用本身緊密相關，僅考慮傳輸過程的延時和可靠性并不足以滿足垂直行業業務的實際需求。為此，需要結合典型垂直應用的特點和需求，刻畫信息從產生直至被用于計算、控制的價值隨時間的變化，即信息時效性（Information Timeliness），針對不同業務的特性及其服務質量需求，建立差異化的信息時效性模型和低時延高可靠指標體系，并設計相應的優化調度理論與方法。進一步，以網聯自動駕駛、工業互聯網為代表的垂直應用將引入大量人工智能算法，滿足其數據采集、訓練與推理決策的時效性需求將成為 6G 網絡的一個全新挑戰。為此，需要深度融合大數據、人工智能，邊緣計算

5、、邊緣緩存等技術，設計智慧內生的新型 6G 網絡架構；在此基礎上，研究高時效語義通信、分布式機器學習及多智能體協同的新理論、新方法。目前，我國的無線網絡覆蓋仍存在很多盲區，農村及偏遠地區的網絡覆蓋水平難以滿足基本的民生需求，新型基礎設施建設任重道遠，社會服務數字化普惠水平亟需提升 2。另一方面，大范圍的海洋區域和三維空間飛行區域具有重要的戰略意義和經濟價值，卻尚未實現寬帶信息覆蓋。為了實現全域全天候的網絡覆蓋，需要研究天地融合的廣域寬帶通信架構及關鍵技術。同時，萬物智聯的服務質量需求存在較大差異，因此需要綜合考慮連接請求的任務形式、所處的地理位置、當時的網絡狀況、以及服務質量需求等要素，運用人

6、工智能、網絡動態重構等技術為用戶提供個性化服務。智慧網聯需要全方位和全過程的安全可信保障。隨著我國數據安全法的頒布，數據安全已得到越來越多的關注和重視。為保障數字化經濟與數字社會的安全健康發展，6G 網絡需要提供原生的數據保護和可信機制。為此，需要設計原生可信的新型網絡架構，并通過融合云計算、人工智能、區塊鏈等技術，構建一套安全性與可用性相互統一的全方位全過程保障體系。1.2 低碳綠色可持續發展各種信息技術，特別是遍布于地球各個角落的通信與網絡基礎設施，在經歷了幾十年高速發展之后都逐漸遇到了能耗的瓶頸，其快速增長的自身能耗也已演變為全球氣候變暖的元兇之一。以移動通信網絡為例，隨著業務量的迅猛增

7、長，移動通信系統已成為高能耗產業，其中 80%的能耗在基站側。例如，據中國移動2018 年的數據顯示，同時運營著的 350 萬臺 2G、3G、4G 基站消耗電力 247 億千瓦時，占總運營成本的 60%以上。2019-2021 年間，隨著 5G 網絡的建設，該公司又增加了近 70 萬臺 5G 基站，且每臺 5G 基站的功耗為 4G 基站功耗的 34 倍，因此網絡總能耗還在持續上漲。進一步地，未來 6G 網絡需要大量引入計算能力與人工智能算法，為此需要額外大量部署邊緣服務器，而一臺典型邊緣服務器的功耗可達 2kW 以上，其能耗水平也是非常可觀的。可見，隨著移動通信向 5G 和 6G 時代的邁進，

8、網絡能耗將顯著增加，嚴重制約移動通信的可持續發展。眾所周知，能源危機與環境污染問題已經成為制約人類社會可持續發展的兩個主要瓶頸。作為世界上最大的發展中國家以及第二大的能源消費國，中國也已經制定了“建設資源節約型和環境友好型社會”以及“2030年碳達峰、2060 年碳中和”的“雙碳”戰略。因此，迫切需要研究并突破可在提高移動通信系統容量的同時大幅降低全網能耗的理論與技術，構建能效與資源聯合優化的大容量、高可靠和低延時的移動通信系統。顯然，以提高能量效率（單位能量所能傳送的信息量）為主線的傳統意義上的綠色通信并不足夠，因為各種預測均顯示，隨著全息媒體和萬物互聯時代的到來，未來 5 到 10 年人們

9、對網絡容量的需求仍將呈現指數增長的態勢，因此單純提高能量效率并不一定能夠降低總的能量消耗。為了應對該挑戰，僅靠無線傳輸技術的改進和硬件實現水平的提高是遠遠不夠的，因為經典信息理論，如指導移動通信 70 余年發展的香農定理，告訴我們：要想提高傳輸容量，要么需要更大的帶寬或是更大的時間與空間自由度，要么需要大幅度提高信噪比，即提高發射功率。由于頻譜資源只能是越來越受限，時間與空間自由度的獲取也越來越受限于站址資源及信號處理的代價，因此提高發射功率成為了最后的手段。6G 低碳網絡將跳出物理傳輸層的范疇，從系統和網絡的角度探索能量的高效利用機理與方法。引入能量流與信息流智能匹配的機理，針對日益增長的計

10、算與人工智能算法能耗給出解決方案。例如，通過引入超蜂Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend-02-窩網絡架構實現網絡的柔性覆蓋與彈性接入，使得業務基站和邊緣服務器在業務量較低時可以進入休眠狀態，減少 能量的浪費（“節流”）。同時，大量引入可再生綠色能源（“開源”），通過能量流與信息流的智能適配，大幅降低電網的能耗，減少碳排放。進一步地，通過網絡功能虛擬化、通信與計算資源的高能效協同、以及移動智能體的分布式計算與協同等手段，實現綠色計算與人工智能算法。2.關鍵使能技術2.1 低碳的網絡架構2

11、.1.1 天地融合覆蓋盡管 5G 快速建設，“數字鴻溝”問題仍亟待解決 3，天地融合覆蓋將是 6G 發展的重要方面。如圖 1 所示，天地融合網絡的典型應用場景包括：應急救災，廣域生產，智慧物流，海域通信等。應急救災：當地面通信設施遭受毀壞，衛星、無人機等提供非地面應急通信手段，并與留存的地面設施協同組網，支持活動基站按需部署，迅速恢復通信服務。廣域生產：智能制造的原材料往往分布于偏遠礦山、林區等，地面設施部署困難，無人/少人作業需要天地融合網絡打造“廣域生產的神經系統”，通過感-傳-算-控閉環優化，提高機器作業效率。智慧物流：高價值冷鏈監測等需要全天時、全天候、全路段信息覆蓋，天地融合網絡即可

12、發揮衛星的廣播優勢，實現廣域態勢分發，也可通過天地協同覆蓋，消除盲區。海域通信：海上運輸、海上風電、海油開發等急需寬帶信息覆蓋，岸基基站覆蓋跨度受限，需通過天地融合網絡，以按需覆蓋新體制滿足廣域稀疏海上用戶需求。-03-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend圖 1.天地融合網絡的典型應用場景圖 2.對天地融合網絡的“復雜網絡-基本結構-最小鏈路”三層視角天地融合覆蓋的主要挑戰包括 4：星、地通信鏈路的時延、速率、覆蓋范圍等差異大，不能簡單視衛星或無人機為“空中”基站；軌道、空間環境、氣象條

13、件、地面狀態等復雜變化，制約天地融合網絡的部署優化；長途卡車、作業機器、海油平臺等典型用戶要求確定性（低/確定時延、超高可靠）信息服務，與天地融合網絡的動態性構成矛盾。天地融合網絡在環境和需求的雙重壓力下，往往復雜性高，要求“結構化、閉環化”設計新方法。-04-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend圖 3.面向感-傳-算-控閉環的多級邊緣計算輔助天地融合網絡示意圖“結構化”嘗試從系統論視角破解天地融合網絡的復雜性難題。由于天、地鏈路的差異性和耦合性，復雜網絡不能簡單分解為最小鏈路的加和，可

14、從如圖 2 所示的模型 X，模型 L 以及模型 V 等基本結構入手，尋找復雜天地融合網絡的優化設計準則。這三種模型是包含星地協同關系的最小單位，每一個模型只包含一個衛星鏈路和一個地面鏈路，最多由一個衛星，一個衛星用戶，一個地面基站和一個地面用戶組成。復雜的天地融合網絡可以看出這三種基本結構的非線性組合 2。“閉環化”面向廣域機器通信需求，在多級邊緣計算（MEC）輔助的天地融合網絡中構建感-傳-算-控閉環。如圖 3 所示，無人機攜帶一級 MEC，匯聚傳感器信息，智能決策后，調度控制器完成任務。多級 MEC可完成多級決策處理，無人機作為空中活動基站 5，與衛星協同構成“臂手結構”。系統論方法和仿生

15、設計是破解天地融合網絡復雜性難題的途徑。2.1.2 多層柔性覆蓋在移動蜂窩網絡架構中，網絡側消耗了蜂窩網絡中的大部分能耗，具有少量甚至沒有通信活動的基站通常消耗其峰值能量的 90%以上。因此，將資源利用率低的基站置于休眠模式，并同時保證網絡的覆蓋及傳輸速率，以滿足用戶的業務需求，將具有減少網絡側能耗的巨大潛力。-05-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend而現有蜂窩體系架構及其演進系統都是以基站為中心的，兼備網絡覆蓋、信道測量、用戶接入控制以及實際數據傳輸等多重身份。因此當基站休眠時，難以

16、保證小區的覆蓋和低速率業務的服務。如何在支持網絡無縫覆蓋的前提下實現靈活高效的基站休眠，是新形態節能無線通信系統面臨的核心問題。為了支撐更為靈活的基站休眠，實現柔性覆蓋，可發展基于控制覆蓋與業務覆蓋解耦的超蜂窩(Hyper-cellular)網絡架構 6。通過永遠在線的控制覆蓋與按需部署的業務覆蓋的適度分離與解耦，實現了網絡的柔性覆蓋，即網絡的信號覆蓋、資源匹配以及服務模式均隨業務需求以及網絡狀態的變化而動態適配，使得負載較低的業務基站可以按需休眠狀態而不用擔心網絡覆蓋，從而大幅度提高開啟基站的資源利用率，降低全網能耗。超蜂窩網絡架構的核心是控制覆蓋與業務覆蓋可按需在時域和空域上獨立進行動態調

17、整的智能網絡：控制覆蓋用于管理用戶的接入請求以及低速率網絡控制信號的傳遞，可使用大區覆蓋模式，相對固定；業務覆蓋用于為用戶提供高速數據的傳輸，按需部署，靈活而高效。相應的兩類基站為：一類為控制基站（Control Base Station，CBS），提供大范圍的控制覆蓋，傳輸和用戶終端間的控制信令；另一類為業務基站（Traffic Base Station，TBS），提供小范圍的業務覆蓋，提供高速數據傳輸業務。如圖 4 所示，同一個控制基站覆蓋范圍內有多個業務基站，可以根據業務量的大小進行業務基站動態休眠。可見，超蜂窩網絡可以在保圖 4.超蜂窩系統中控制覆蓋與業務覆蓋分離原理 7-06-Sus

18、tainable Green Intelligent and Concise 6G:Vision and Technology Trend證網絡無縫覆蓋和頻譜效率的同時大幅度降低整體能耗。這為未來移動通信（包括 5G 及其后續演進）網絡的長遠發展開辟了一條可持續發展的道路，同時保持了蜂窩網絡的基本理念，保障了網絡發展的后向兼容性。目前 5G 標準中的 NSA（Non-standard-alone）模式也可以視為超蜂窩架構的變形，而 3GPP R16 中的 CU/DU 分離的概念也類似于超蜂窩架構。同時，蜂窩網的演進正朝著云化的方向進行，并以 C-RAN 架構為代表。目前的 C-RAN 要求在大

19、范圍內匯聚高帶寬的基帶時域采樣信號流，同時還要求前傳網保持極低的傳輸時延并隨路傳輸同步信息，以高昂前傳成本換取計算成本和靈活性。將超蜂窩網絡控制與數據分離的思想和 C-RAN 有機融合，形成軟件定義超蜂窩架構，有望以前傳成本換取計算增益的特性，以將計算、前傳傳輸、射頻處理等網絡資源作為可重構的數據平面，并使用一個集中的控制平面進行統一調度 10。通信與計算資源可以通過控制平面達到協同運作的效果，避免了傳統 C-RAN 過度依賴前傳通信資源造成的問題。如圖 5 所示，軟件定義超蜂窩架構包含虛擬化的基礎設施和軟件定義的服務，其中虛擬化的基礎設施可以進一步分解為異構的數據平面物理資源與一個解耦的控制

20、平面實體協調器；而協調器負責進行通信與計算協同的資源管理和虛擬化。圖 5.通信與計算協同的軟件定義超蜂窩架構 7-07-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend軟件定義超蜂窩網絡架構中計算資源的最主要作用是承載虛擬基站，可以是控制基站也可以是業務基站，根據任務量規劃虛擬基站池規模并部署計算資源是最基本的一項通信與計算協同設計任務。基站池中的各小區任務量隨機變化、互補抵消，使總體計算資源需求降低并形成計算資源的統計復用效應。一般來說虛擬基站池的規模與計算資源統計復用增益呈正相關；但不可忽視的是

21、其覆蓋范圍內小區的前傳網傳輸成本也與虛擬基站池規模成正比。需要對計算資源統計復用增益和前傳網匯聚成本進行聯合考慮，通過調整虛擬基站池的規模在計算增益與前傳成本間取得良好平衡 11。根據網絡業務需求的空時漲落，通過功率控制、基站協作傳輸和基站動態休眠等手段，改變活躍基站覆蓋范圍的柔性覆蓋（Cell Zooming）機制，即在負載較重的時候縮小覆蓋范圍，而在負載較輕的時候擴大覆蓋范圍，使得超蜂窩網絡能夠更好地適應業務的漲落，無需頻繁的進行擴容，從而提升網絡能效。通過聯合優化業務基站休眠和頻譜分配，在典型場景下可節省 50%的網絡能耗。對于具體的業務基站休眠算法，可以分為分布式算法和集中式。而介于兩

22、者之間，可結合人工智能技術 8，采用分級決策，充分利用場景特殊性和流量規律性，對不同場景需求采用不同休眠深度，動態地調節休眠級別和方式，提升全天候、全場景的節能效果。同時基站休眠決策需要兼顧到對其他基站的影響，全局考慮所有基站的能耗情況和服務質量，根據業務變化情況實現動態無線資源管理和用戶調度，例如采用“定向負載轉移”9，綜合決策流量卸載和進入休眠的基站群體，并利用多基站協同傳輸，典型場景下可進一步節省約 20%的網絡能耗。2.1.3 自組織可重構在通信網絡發展和演進的過程中，無線蜂窩接入、光纖干線回傳、集中式核心網管理逐漸成為驅動移動通信系統成功的源動力。蜂窩技術有效解決了頻譜資源的空間復用

23、效率問題；光纖通信技術提供了超過無線傳輸 1 2 個數量級的吞吐能力和可靠性；集中式核心網的設計則滿足了商用系統在管理、安全防護、計費方面的要求。在此基礎上，6G 網絡的演進發展將呈現自組織、自愈、無中心的新增特征，體現在覆蓋、連接、網絡管理、計算協同等方面。當無線頻段不斷提高，電磁波的穿透能力減弱導致蜂窩小區的半徑不斷縮小，進而無線基站/無線接入點的數量將數倍甚至數十倍于 3G、4G 網絡，也給無線網絡規劃、優化與管理帶來更復雜的工作量。自組織、自維護、協同優化的智能無線接入點可能在 6G 網絡中占據更大的比例。在大范圍廣域覆蓋的基礎上，根據用戶、工業機器、物聯終端等通信節點的時空分布，部署

24、智能無線接入點。智能無線接入點可以通過傳統的有線的光纖等專線連接 6G 網絡，可自主認知其周邊無線通信環境與通信能力，與其他智能無線接入點協作，構成無線多跳的自組織通信鏈接，實現與 6G 骨干網的連接。-08-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend智能無線接入點具有無線環境感知能力，可自動掃描探測無線環境情況，自動設置工作頻點、網優參數等，實現通電即服務。6G 用戶終端在待機和通信過程中，無線環境掃描和鏈路質量測量數據可反饋給所連接的無線接入點；各個智能無線接入點在其周圍相鄰的無線接入點之

25、間共享用戶反饋的測量數據。經過一段時間的網絡運行，局部區域內的多臺無線智能接入點，通過對區域內實際通信需求與通信質量的監測，可進行協同的自組織無線參數調優，避免密集部署的智能無線接入點之間的干擾，實現對通信用戶的自適應覆蓋；在用戶發起業務時，通過多臺無線智能接入點的協同測量與本地智能決策，可根據當前網絡的負荷、用戶位置的鏈路質量、用戶通信需求在智能接入點本地決策與用戶建立通信連接的資源配置方案，實現對通信用戶的自適應服務，保證通信服務質量，平衡網絡開銷。隨著 6G 網絡中終端種類、業務類型的增多，不同時空分布的用戶需求不一致，對峰值速率、傳輸時延、傳輸可靠性的要求可能差異巨大。6G 網絡標準將

26、定義和支持更多類別的空口傳輸技術，從局部空間或者局部時間來看，在特定時空約束下的 6G 網絡只需要提供部分的 6G 服務能力，而無需全網提供最大服務能力、統一服務能力。因此，智能無線接入點之間的協同能力包括配置相鄰無線接入點的通信頻點、信道帶寬、接入點發射功率、傳輸方案、終端接入限制等參數、算法及其動態調整策略。多節點的局部空間的自組織優化機制是 6G 網絡的研究挑戰，提高局部智能決策的有效性、穩定性，實現實時響應、快速收斂、逼近全局最優，將極大的提升 6G 網絡的自組織、自維護、自優化能力。智能無線接入點的部署方式降低了對光纖等有線連接條件的要求，可以更為精確的覆蓋通信需求的地理區域，或者靈

27、活的跟隨用戶運動軌跡臨時部署。進一步的智能無線接入點可迅速滿足網絡時空局部擴容的要求。智能無線接入點通過與相鄰無線接入點之間的本地協同，實現了本地化的、自組織的無線資源配置優化、用戶服務調度優化，降低對核心網集中管理的壓力。不僅是智能無線接入點，6G 網絡的核心網網元同樣具有自組織、自愈維護的特征。網元節點具有自主探測和發現連接資源、計算資源的能力，通過內置的身份認證策略，實現自動連接與加入網絡。網元的計算處理能力作為虛擬化的資源，可接受整網集中控制策略的調度，同時根據網絡拓撲的探測結果，與邏輯相鄰的其他網元構成協作群體，建立網元之間的自組織的邏輯連接映射關系，實現本地回環的服務能力。當任意核

28、心網網元、智能無線接入點發生故障、或者面對超容量的業務沖擊時，網元節點具有協同調整邏輯連接映射、配置計算資源、調整無線服務參數等功能；實現對故障網元的實時隔離、現存網元的實時映射調整、網絡服務能力重配與恢復、以及新增網元的實時入網與調度。移動通信系統的核心網負責終端的接入、認證、通信鏈路和移動性管理，這是終端接入網絡的必要條件。在集中式核心網設計下，所有終端接入所需的參數和安全密鑰等都由核心網派生和下發，因此控制面的數-09-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend據流必定匯聚于少量核心節點

29、，無法分布式處理；當核心節點，或者網元節點到核心節點之間的連接中斷或者不可靠時，網元節點對用戶的服務可能中斷。在 6G 網絡中，為實現核心網的無中心化，需要核心網功能能完全分布式部署，下沉到若干網元節點，且保證各節點間數據的即時同步，從而使得終端可在任意節點覆蓋下獲得接入服務。在節點具有自組織通信、自協同優化的支持下，無中心核心網的各節點要保持獨立工作能力以及數據動態同步能力。并且，從可靠授權與管理角度出發，無中心核心網節點對終端認證鑒權信息的處理具有不可篡改、不可否認的特性，類區塊鏈的技術可增強 6G 無中心核心網的能力。2.1.4 人智增強空口未來的空中接口，必須圍繞的核心就是最終需要完成

30、的信息任務，有些信息任務直接服務于人（如視頻、語音、游戲、XR 等），有些任務則通過服務于機器系統而間接服務于人，有些任務則通過感知、計算、存貯、控制等間接服務于機器系統而最終服務于人，后兩者將會占據越來越大的比重。財時未來的空中接口，不僅要完成數據傳輸的功能，還將包含空中無線信號可能攜帶的任何有用成份，包括而不限于能量傳遞、環境感知、空中計算等多重可能。顯然，不同任務對空中接口的要求，包括空/時/頻的能量覆蓋、信息攜帶能力、感知的空時精度、時延、可靠、安全、移動性等等諸多方面，提出差異化極大的要求。而無線空中接口的開放性及環境依賴性，決定了它面臨單點能量覆蓋范圍受限、信號與干擾在空間、時間、

31、頻率上的大幅度動態變化。所謂標準化的（預定義的）、有限種類的空時頻覆蓋方式、信號設計、控制協議，將無法支持未來在同一時空內共存的多種類未知任務的信息服務。為此，未來的空中接口，應該是現場可定義的以任務為核心以環境為條件的動態的空中接口。單個任務的通信空口，不再只是點到點的無線鏈路，而是包含可控傳播環境（分布式天線、背向散射、智能表面、支持各種處理機制的中繼/協作節點）在內的完整的信號、控制與協議。其現場可定義具體對單個即時的信息任務而言，就是要根據所掌握環境信息（可用節點的計算、存貯和固網通信能力、無線通信和感知的潛在能力），選擇包含無線通信在內任務實施組織方案，在感知、計算、通信之間合理地分

32、配相應的功能/性能指標，并隨著任務的進行，及時地根據環境的變化而動態調整。由于在同一時空范圍內，將存在大量不同類型的任務，這些任務所涉及的空中接口都需要占用同一區域的時頻資源和無線設備。設備和資源也需要根據任務執行過程和環境變化過程而進行動態的調度和管理。在空口環節的環境信息包括而不限于：可用的通信/感知空口節點（發射、接收、協作）、空口節點的可用工作頻率/功率/帶寬/空時頻基準/天線（陣）等參數、節點的空口可編程/配置能力（執行其它任務-10-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend時的剩

33、余能力）、節點間信道傳播特性（大小尺度信息、信道傳播物理環境信息等）、各節點受到的干擾的波形特征/頻率/功率/方向、干擾源的規避協議、潛在協作發射節點到不希望產生輻射影響的其它節點的信道傳播環境、節點資源使用意愿及可協商空間等。在空口環節，需要根據任務所分配的通信與感知需求，以及環境信息，智能而動態地定義空口波形與協議，包括而不限于：協作節點集合選擇、各節點工作頻率/帶寬/頻譜模板的規劃、天線/波束的選擇和優化、編碼調制樣式與參數、管理/控制協議選擇與協商、發射信號幀格式、傳輸定時、訓練波形/控制信道的波形設計、接收信息處理算法、協作節點路由維護協議、協作節點信息處理算法、背向散射或智能表面的

34、動態配置算法等等。上述根據信息任務和環境信息的可定義空中接口，還需要根據任務執行過程中，任務與環境的動態變化，適時地做出動態的調整。因此需要保持對任務需求、執行過程和環境狀態變化的動態跟蹤感知。這種情境感知，未來應作為一層服務來實現與提供。它不僅可以像傳統的無線通信一樣，由各個鏈路或設備在本地本設備內進行，而更應該通過空間上分布的多個設備，甚至同時服務多個任務的設備，在網絡的支持下協同完成。充分利用來自業務層面、任務層面、網絡層面、空口探測，以及其它一切可能提供的信息（如各種地圖、社交網絡等）進行智能的信息和態勢融合，為同一地域的所有任務提供各種不同層次和質量（精度、實時性等）的環境認知服務。

35、為了實現上述可定義的空中接口，要求信息節點具有盡可能高的開放性和可編程性，除了需要具有足夠靈活和強大的計算/存貯能力之外，其重點挑戰在于支持盡可能多頻帶的寬帶可編程射頻與天線（陣列）。寬帶和全頻譜除了可以提速率、降延時之外，在面向任務的現場可定義信息網絡中，還有其它重要意義：（1）有更多機會與其它設備協商到可用的通信頻率資源；（2）提供現高的定時精度；（3）小波長換來的陣列規模所能提供的空間精度和并行度；（4）為環境感知提供更高的測距/成像精度；（5）更有效的時頻管理（規避干擾等）。射頻和天線不應限于常規的電磁波，而應讓拓展到可以攜帶信息的任意物理效應，包括機械波、電場、磁場、粒子等。其功能除

36、了傳輸中常用到的上下變頻、放大、雙工等，還應包含或支持用于新技術的射頻調制、能量采集等，以支持反向散射、空間調制、波束成形、智能表面、電磁全息等功能。可編程性應包含與信息處理相關的各種參數，如增益、延時、頻響、相移、頻響、極化等等。更寬的頻帶、更多參數的可編程，是系統現場可定義能力的基本保證。不過其在成本、效率、體積、功耗等的技術挑戰和發展空間還是巨大的。隨著新網絡和信息設備的部署和演進，網絡中信息節點的可編程、可配置能力將有一個逐步提升的過程，在這個過程中，必將存在不同能力的設備、網絡和系統共存、演進和生滅的過程。這也就需要在現場定義-11-Sustainable Green Intelli

37、gent and Concise 6G:Vision and Technology Trend空中接口過程中，充分用好當時的設備可編程能力，將動態的任務和環境與任務所處時空中的設備能力充分匹配，實現智能的動態任務編排。特別是充分利用軟件定義的無線設備的硬件可編程能力，對動態生成的空中接口波形，進行智能的波形代碼生成和加載，以進一步提升波形動態適應的時效性。上述智能的未來空中接口，涉及頻譜資源、設備資源、感知資源的共享，因而也涉及了不同的資源使用權限、環境感知權限、設備控制權限等，這也是未來需要特別關注的空中接口安全問題，對鑒權機制、激勵機制等也提出較多的挑戰。2.2 跨層多域智能協同2.2.1

38、 高時效語義通信1949 年，香農和維納提出將通信劃分為三個層次：1）技術層次，保證符號/比特精準傳輸，2）語義層次，傳輸的符號能準確地傳達期望的語義，3）效用層次，接收到的語義能有效地以期望的方式發揮作用。針對第一層次，傳統通信在過去幾十年中實現了理論和工程突破，實現了符號的精準傳輸并逐漸逼近香農極限 12。傳統的通信-應用解耦策略只考慮了可靠的比特傳輸，忽略了語義的傳輸（第二層次）和其有效性（第三層次）對應用的影響。通過考慮通信的第二/三層次，語義通信聯合優化通信-應用，能夠只傳輸和應用有關語義信息，不再是只用于恢復數據的比特流，可以實現低時延傳輸，高噪聲魯棒性，和改善各類智能應用性能的可

39、能性。如圖 1 所示，隨著各類智能應用的普及，語義通信可以應用到各類的智能場景中，例如，工業互聯網、智慧交通、視頻會議、在線教育、增強現實（AR）、虛擬現實（VR）。因此，語義通信近年來得到了學術界和工業界的廣泛關注，是下一代移動無線通信（6G）中標志性技術的有力候選者。圖 6.語義通信的典型應用場景-12-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend傳統信息論通過衡量信息的不確定度，計算出數據所包含的信息量并用比特為衡量單位。不同于傳統信息論，語義信息論衡量信息的語義量，或者對于傳輸任務的重要

40、性。與此同時，傳輸的目標由精準的傳輸比特流，轉變成多樣的智能任務，除了兼容傳統的數據恢復，還包括圖片檢索，機器翻譯，視頻檢索等。傳統的比特誤碼率將不再適用語義通信系統，針對不同的傳輸任務，將需要設置不同的評價指標來衡量系統性能。例如，圖像識別任務需使用識別精確度作為評價指標，機器翻譯需使用 BLEU 分數作為評價指標。基于深度學習的端到端語義通信系統設計，具有無線環境、數據和應用的自適應能力的無線傳輸技術。如圖 2 所示，深度學習驅動的語義通信系統包括 4 個模塊，語義編碼器，信源-信道編碼器，信源-信道解碼器，和語義解碼器 13。語義編碼器通過學習數據和相關任務的關系，從而在短時間內提取大量

41、數據的語義信息。信源-信道編碼解器負責壓縮語義信息以降低傳輸數據量和消除傳輸信道帶來的干擾。語義解碼器解碼語義信息為相應的智能應用服務。基于信源種類的不同，語義通信系統可以分為以下四類：文字，語音，視頻，多模態多用戶傳輸。文字基于文本信源的語義通信系統的關鍵在于成功傳輸文本數據中的稠密語義信息。文本語義編解碼器能夠提取句子中的語義信息，如語法信息，字詞含義，以及字詞間的邏輯關系，而忽略字詞的具體表達形式。信源-信道編解碼器能夠壓縮語義信息和處理信號失真。一般來說，設計文本語義編解碼器的方法多種多樣，包括處理文本的多層 LSTM 網絡，多層 GRU 網絡，Transformer 網絡等。而對于信

42、源-信道編解碼器的設計，可以使用基于 MLP 和基于 CNN 的自編碼器網絡。14 提出了基于 Transformer 網絡的文本語義通信系統，揭示了文本語義通信系統優于現有的傳統的哈夫曼編碼和 Turbo 編碼通信系統，特別是在傳輸環境不佳的情況下，能夠有接近 8 倍的性能增益。圖 7.基于神經網絡的語義通信系統-13-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend 語音針對語音信源的語義通信系統的設計的核心是提取和傳輸語音數據中的語義特征。由于語音信號的復雜性，其語義特征包括語音中包含的文本數

43、據，語種，語速，說話者的性別等等。在設計基于語音的語義通信系統中，信源-信道編碼器的主要任務是根據接收端的任務對語音信源進行壓縮提取，從而獲得只與接收端任務實現有關的語義特征。一般來說，對于語音恢復的任務，可以采用多層 FC 網絡，多層 DNN 網絡，或者具有專注機制的多層 FC/CNN 網絡等來提取語音信源中的各種語義特征進行傳輸，并通過信道-信源解碼器在接收端進行語音信源回歸。而對于一些只需要提取語音中部分語義特征的任務，比如語音識別，一般采用多層 LSTM 網絡，多層 GRU 網絡，Conformer 網絡等來提取語音中的文字語義。15 提出了基于多層 CNN網絡的語音語義通信系統，揭示

44、了語音語義通信系統優于傳統的通話系統，實現了對于同一評價指標，如最小均方誤差，語音語義通信系統能夠有接近 10dB 的性能增益。視頻基于視頻信源的語義通信系統的關鍵在于成功處理和傳輸視頻不同幀的稀疏語義信息。由于視頻幀本身所包含的語義信息是稀疏的，且除關鍵幀外，不同視頻幀之間的語義信息幾乎是相同，因此視頻語義編解碼器可以通過提取關鍵幀中的語義信息和設計合適幀結構傳遞視頻語義信息，如重要物體，物體紋理特征，環境整體背景等，而忽略其具體像素值的大小表示。信源-信道編解碼器能夠傳輸關鍵幀語義信息和其余幀結構的關系。一般來說，設計視頻語義編解碼器可以使用處理圖像的多層 CNN 網絡，ResNet 網絡

45、，Vision Transformer 網絡處理關鍵幀的語義信息。16 提出了基于多層 CNN 網絡的視頻語義通信系統，驗證了視頻語義通信系統的有效性，實現了在-4dB 的信噪比下，視頻語義通信系統等于傳統通信系統接近4dB 的性能。多模態多用戶傳輸多模態多用戶語義系統設計的關鍵在于來自不同用戶發端的不同模態數據語義處理和終端的不同模態語義融合。在現實生活中，部分智能應用需要接受文本，語音，視頻等不同模態的信息，并進行融合判決。因此，除了設計支持不同模態信息語義提取的語義編碼器外，收端需能夠提取不同模態語義信息中的互補部分，進而提高性能。一種解決方法是耦合多種語義信息，輸入到神經網絡中進行綜合

46、判決；或者解耦多種語義信息，分別進行判決，再結合判決信息進行綜合判決。17 提出了基于 Transformer 網絡的文本和圖像多元語義通信系統，揭示了耦合多元語義信息有效性，相比于單元語義通信系統和傳統語義通信系統能提升約 8-12dB 的性能增益。-14-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend語義通信面臨的機遇與挑戰包括：語義信息論語義信息論能夠提供理論基礎和指導對于語義信息的處理。然而，目前沒有行之有效的語義信息論工具衡量數據所包含的語義量和重要性。隨著解決語義信息論，提出語義熵，語

47、義信道容量，語義率失真函數的定義，從而有望明確語義系統的極限，對語義系統設計和資源分配提供指導意義。語義通信系統的設計語義通信系統的設計的難點主要集中于通用語義編碼器的設計和合適的損失函數的設計。通過設計通語義編碼器，能夠處理不同模態的語義信息，從而發端能夠根據輸入信息和相應的模態自適應地輸出對應的語義信息，無需再進行新的設計。合適的損失函數設計可以指導語義解碼器最大化利用語義信息，進而實現最優化智能應用表現。語義資源分配語義信息的引入也給基于傳統香農限的資源分配帶來了新的挑戰。在同一小區中，不同用戶具有不同的時頻資源和功率限制，同時需要考慮不同的語義傳輸任務。因此針對具有不同用戶語義資源分配

48、中，如何通過調節不同用戶的資源分配，能夠完成不同的語義傳輸任務，同時改善語義信息傳輸效率以及語義頻譜利用率，仍然是未來具有挑戰性的難題。2.2.2 感傳控算協同圖 8.物理空間和數字孿生的交互-15-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend6G 網絡將在 5G 網絡萬物互聯的基礎上進一步發展，實現萬物智聯的泛在感知、計算、通信全覆蓋網絡。如圖 8 所示，通過打破現有架構中通信、計算、感知、控制功能相對獨立的局面，6G 網絡將支持各功能模塊之間的相互協作，進而提升整體性能。通信與感知相互融合使

49、得移動網絡具有低成本內生感知能力。一方面，感知結果可以用于提升通信網絡原生性能，以提高通信速率和連接數目，實現環境自適應通信網絡覆蓋；另一方面，泛在感知能力將被用于構造數字孿生網絡。借助最優化控制，數字孿生網絡可進行快速迭代以助力網絡優化、先進制造、智慧城市等應用。而通過計算與通信的融合，打通云-邊-端計算體系，實現計算資源的按需快速響應，為感知控制等功能提供柔性計算能力支撐。感傳算控協同體系將在泛在計算網絡支持下實現感知能力、通信能力的互相促進，提升智能控制應用性能，全面推進 6G 網絡發展。隨著通信頻段不斷提高，研究者們對于發掘無線信號的高精度定位能力形成了初步共識。現有 5G 系統已部分

50、支持基于蜂窩基站的定位能力，而 6G 將利用高頻段信號帶來的無線感知能力，設計通信感知一體化系統，獲得目標和環境的多維度感知信息。另一方面，隨著人工智能等技術發展，越來越多的邊緣設備具有感知能力，如城市攝像頭、自動駕駛車輛等。通過通信感知一體化技術，無線信號在承載信息比特同時，還可被用于高精度定位，服務未來垂直行業高精度定位需求。同時一體化系統將極大降低定位開銷和時延，提高定位信息時效性。與此同時，高精度高時效的感知結果可用于環境重構。通過及時更新時變環境狀態，可以降低信道信息獲取成本，從而實現如快速波束追蹤、參數自適應配置等應用，提升無線通信能力。除上述通信與感知相互促進之外，6G 通信網絡

51、還需要進行多點感知系統協同組網，對多源多維度感知數據進行分布傳輸和融合，以此提升感知結果的準確性和時效性。同時，多點感知結果將被應用于大規模協同控制系統，如網聯自動駕駛、分組協作機器人等。在 L5 級自動駕駛中，路線規劃和駕駛任務全部都由自動駕駛汽車自主完成。由于存在遮擋等不利條件，僅依賴單車感知難以實現具有超高可靠性的安全駕駛。通過融合其他車輛的感知結果，基于6G的泛在感知功能將極大擴展車輛的感知范圍。而6G所提供的超低延時、高可靠通信也將保證感知結果的時效性。另一方面，隨著基于無線網絡的控制系統發展，未來控制技術設計將綜合考慮通信資源和感知能力約束，并開發出具有差異化精度、時延需求的控制算

52、法。進一步地，海量的感知數據將催生以數字孿生為代表的物理世界與賽博空間融合技術。數字孿生將物理實體對應到賽博空間中的實時鏡像，具備可以快速迭代優化的特點。以傳統網絡優化為例，新技術在實際網絡上直接驗證往往具有耗時長、成本高的不足。而基于數字孿生技術，各種網絡應用可以在賽博空間中快速進行驗證，降低了創新技術的開發成本和周期。另一方面，通過結合數字孿生技術和人工智能技術，未來網絡將成為機器與機器之間分享經驗、積累知識的橋梁：來自不同環境的感知與決策信息將在數字孿生技術賦能下流動，使得單體智能逐步演進為群體智慧。-16-Sustainable Green Intelligent and Concis

53、e 6G:Vision and Technology Trend實現上述通信、感知、控制協同離不開豐富算力資源的支持。盡管無線網絡帶寬在不斷提高，但傳輸海量的感知數據仍將帶來巨大開銷。而隨著計算及存儲架構的不斷演進，計算能力逐漸從中心式的云計算向邊緣計算設備發展，形成“云-邊-端”的層次化計算架構模型。泛在分布于云、邊、端的計算能力可被利用于處理感知數據，以適應通信條件和感知需求。為了實現通信、感知、計算、控制的高度協同，網絡應具有算力需求感知能力，可基于應用需求、網絡資源狀態，通過進行算力路由，快速將計算資源與算力需求相匹配，充分提高網絡和計算資源的利用效率。仍以網聯自動駕駛為例，由于自動駕

54、駛汽車將具有豐富的計算資源，因此通過任務卸載等方式進行車輛之間計算任務分發，可以充分利用分布式的計算資源來提高計算的可靠性。展望未來 6G 網絡，通信與感知的協同將從包含從分離式弱耦合到一體化硬件及頻譜共享，實現多個層次的信息共享。通信系統既可以與感知一體化設計，也可以實現多節點協同感知，極大地擴展了感知的精度和時效性；而精確的感知能力可以用于成像和環境重建等應用，以快速獲得信道狀態，提高通信性能。云-邊-端算力網絡則為感知功能提供了算力保障。廣泛分布的算力將被抽象為算力池，快速響應感知需求，提高計算資源利用效率。根據通信資源狀況，分布式算力還可用于對感知數據進行預處理，以適應信道狀況及感知需

55、求。精確的感知功能又可以進一步地為算力路由提供豐富的信息，使得算力資源可以與需求快速匹配。在通感算相協同的基礎上，6G 網絡將支撐以“數字孿生”為代表的促進物理世界和賽博空間融合技術。而感知所提供的高精度信息，無線系統所提供的超低延時高可靠通信，廣泛存在的算力網絡，將會使得當前分立的單體智能連接起來，通過協同控制形成群體智慧，從而實現 6G 網路萬物智聯的愿景。2.2.3 無線賦能人智為實現 6G 萬物智聯，無線網絡將引入大量算力與人工智能算法，從數據傳輸管道進化為集信息感知、傳輸、處理為一體的智慧網聯通道。如何協調智能體異構的通信與計算資源，實現滿足時效性需求的分布式學習與決策，并同時降低網

56、絡能耗，成為一個亟待解決的科學問題。圖 9.無線網絡中的端邊協同訓練和推斷示意圖-17-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend為此，考慮如圖 9 所示的無線網絡端邊協同訓練與推斷場景。為在能量及資源受限條件下實現高時效性的訓練與推斷，需要對通信與計算資源進行聯合調度優化。針對終端在網絡協同下開展訓練的聯邦學習場景，可通過分析計算能力和通信速率的雙重隨機性對訓練收斂速度的影響，優化終端調度及異構計算速率下的最優帶寬分配 18。針對終端總能量受限場景，可進一步基于李雅普諾夫優化理論建立虛擬能量

57、隊列，用以指導終端的動態選擇 19。在去中心化的場景下，終端如何自組織、高效地完成訓練任務仍待研究，特別是針對智能車等高速移動終端參與訓練的動態拓撲場景。針對端邊協同推斷場景，應遵循“按需適度服務”原則，在滿足推斷決策的時效性和精度需求的同時，盡可能降低計算及通信能耗。為此，可通過剪枝（pruning）、量化等技術，對推斷模型的整體計算復雜度及中間層傳輸數據量進行壓縮，以支持靈活的分割部署，獲得節能機會 20。進而可基于服務功能鏈刻畫分割后各子模型間的時序關系，聯合優化部署方案及通信與計算資源調度。實現萬物智聯需要網絡部署大量計算資源，其部署成本和能耗代價都將是巨大的。隨著汽車的智能化、網聯化

58、和電動化，一種可能的解決思路是車載云計算（Vehicular Edge Computing），即網絡主動利用車輛的剩余算力獲得機會式計算服務，并通過車輛的移動將智能擴散到網絡的各個角落 2122。考慮到車輛移動性高和資源動態受限，單車的服務質量難以保障。為此，如圖 10 所示，可以通過任務復制 23 或編碼計算 24 技術，以適量的冗余獲得分集增益，以滿足服務質量需求。同時，需設計極簡通信協議，以支持車輛間的實時組網與協作，并通過自適應性強、復雜度低的分布式算法，如多臂賭博機（Multi-Armed Bandit）算法 25，優化計算任務分割部署及資源分配，賦能車間高可靠、低延時、高能效協同。

59、“智慧城市”是運用新一代信息通信技術手段，分析、整合城市運行系統的各項關鍵信息，實現與市民生活息息相關的各方面智能服務。隨著國家治理體系和治理能力現代化的不斷推進，隨著“創新、協調、綠色、開放、共享”發展理念的不斷深入，隨著網絡強國戰略、國家大數據戰略、“互聯網+”行動計劃的實施和圖 10.智能車的機會式組網與協同計算示意圖-18-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend“數字中國”建設的不斷發展，城市被賦予了新的內涵和新的要求，這不僅推動了傳統意義上的智慧城市向新型智慧城市演進，更為新型智

60、慧城市建設帶來了前所未有的發展機遇，正是未來 6G 賦能的廣闊空間：智慧交通、智慧政務、智慧生活等。當前，由于通信技術的廣泛覆蓋和高效傳輸方面的不足，使得大規模城市數據尚未發揮要素價值，新技術應用尚不充分等問題，需要 6G 賦能未來城市的泛在數字化與智能化。數字孿生城市，顧名思義，就是利用三維立體建模，把物理城市的建筑、道路、橋梁等和水、電、氣等所有要素數據化，在網絡空間再造一個與之匹配、相應的孿生城市。從技術上看，數字孿生城市源于 CIM 技術的實踐，高于“一張圖”建設，并且其內涵和外延有了極大的發展。但是數字孿生城市的意義，遠遠不局限于此。它不同于一般的數字孿生技術，不只是城市全要素的數字

61、化、城市全狀態實時化和可視化，更重要的是在“城市大腦”的基礎上實現城市管理決策協同化和智能化，這需要未來 6G 移動通信網絡賦予更廣更高更好的感知、傳輸、實時控制能力。基于 6G 對信息技術及基礎設施的廣泛推動作用，利用數字孿生技術打造數字城市，從一種新技術應用演變成一種新發展模式和一種新治理范式，為城市和相關產業發展數字化轉型提供了一種新路徑，是推動數據要素價值化的新驅動力。在數據采集方面，以6G網絡為感知和傳輸基礎，以數字孿生技術統一數據采集標準，統籌城市現有的部門數據和區域數據資源，避免建設過程中產生新的割裂式、片斷式智能模塊。在數據應用方面，針對城市數據來源復雜和涉密數據多、算力水平支

62、撐不足等客觀困難，通過 6G 技術實現在城市感知覆蓋不全、數據尚未完全打通、部分數據顆粒度不夠等現實挑戰下，可以基于有缺失、有冗余、有偏的數據實現對城市全場景大規模的高效模擬，進而釋放城市數據價值。在應用效果方面，實現城市的動態映射（虛實互動）和真實模擬（態勢評價與趨勢預測）的基礎上，針對城市復雜系統難以建模、政策不能“朝令夕改”等挑戰，基于 6G 網絡能力真正實現數據驅動的城市治理（智能決策）。因此，未來 6G 將賦能智慧城市的感知和決策方方面面，需要在建設 6G 網絡過程中，逐步擴展數字孿生城市的應用場景，覆蓋到城市管理、應急安全、環境保護、衛健防疫、社會經濟等領域，豐富智慧城市應用場景，

63、為基于 6G 通信網絡的全域數字孿生城市建設和全面數字化轉型提供參考。2.3 新材料與新芯片2.3.1 射頻新材料微波毫米波集成電路在通信、雷達等領域發揮著日益重要的作用，特別是 6G 通信、新型探測技術等應用為微波毫米波集成電路技術的廣泛應用展示了巨大的應用前景。微波毫米波集成電路的發展趨勢可以概括為-19-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend“三高兩低”，即向著高頻率、高功率、高集成方向，以及“低功耗、低成本”的方向發展。微波毫米波集成電路技術的快速發展，也為微波毫米波集成電路的研究

64、提出了許多新的課題，對我們的方法理論、設計技術、測試技術等提出了新的挑戰。毫米波技術正在成為 6G 無線通信、下一代無線互聯網（WiFi）、自動駕駛雷達與智能感知、空天地一體化衛星通信網絡、高精度遙感、安檢透視成像、醫學成像、軍用雷達、多波束高效巡天射電天文望遠鏡等領域的核心支撐技術。在未來 6G 移動通信網絡中，毫米波將作為主要應用頻段發揮出無可替代的作用。甚至有專家預測，太赫茲也將作為 6G/B6G 的重要候選頻段，基于比毫米波更為豐富的頻譜資源提供更高速率的無線傳輸。太赫茲無線數傳已在基站無線回傳應用中驗證了其可行性和技術優勢。然而，毫米波太赫茲頻段無線傳輸損耗很大，特別在 NLOS 場

65、景下該問題尤為明顯。為提高毫米波太赫茲組網覆蓋能力，其基站前端需要具備提供更高 EIRP 的能力。因此，高功率、高效率、高集成度的射頻前端成為毫米波太赫茲無線通信的重要研究方向。多通道陣列化的微波毫米波電路與單通道電路相比，可以提供更高的輸出功率、陣列合成增益、角度分辨率、信道容量和設計自由度，更是相控陣、MIMO 等廣泛應用的無線系統的硬件基礎。隨著集成工藝與設計技術的不斷發展進步，在單顆芯片上實現數十個微波毫米波收發通道已經得以實現，通過進一步的系統集成方法還可將其擴展為成百上千甚至上萬個通道的大規模微波毫米波陣列。例如，2020 年美國加州大學圣地亞哥分校（UCSD）團隊設計的 60GH

66、z 晶圓級相控陣收發機芯片中就包含了 64 個收發單元，每單元具有 2個極化，形成 2 個波束，這僅是一塊芯片，其電路復雜度、集成度和過去已不可同日而語。圖 11 無線通信射頻電路發展趨勢-20-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend為了突破 6G 毫米波前端高密度、低功耗、低成本、多極化、可重構等關鍵技術問題，多通道射頻前端電路、集成化天線陣列與高速數字信號處理電路的復雜混合集成系統架構方案和高增益陣列天線與芯片的高效互連技術，更是相關應用基礎研究的重中之重。在毫米波通信中，天線陣列的高

67、集成化、高功率輸出、多波束多極化的需求日益強烈，利用現有的方法實現毫米波天線的集成面臨極大的挑戰。因此，如何利用微波毫米波集成電路與天線集成以及天線陣列分組實現高密度陣列集成是亟需解決的關鍵科技問題。毫米波電路與天線的集成互連影響系統整體損耗，從而影響整體效率。為降低芯片與天線間的集成損耗并滿足散熱、耦合等物理要求，通過模塊化分解表征分析，構建芯片、天線、封裝到系統不同層級的電磁模型，實現高密度射頻前端中芯片互連、饋電網絡、天線封裝等各部件和系統整體的電磁仿真與精確建模是重要的分析手段。還應重點突破毫米波低損耗傳輸與轉化機制、毫米波高增益片上和封裝天線設計、電路與天線三維集成封裝等關鍵技術。硅

68、和化合物半導體都有其局限性，許多復雜電子系統用任何單一半導體工藝都很難實現很好的綜合效能。因此，異質異構集成是應對單一半導體局限的自然選擇，將不同工藝和節點的高性能器件或芯片與低成本高集成度器件或芯片，通過鍵合或生長的方式集成為單個電路系統，可顯著增強系統設計靈活性和功能，提高集成度和性能，實現小型輕質化，降低功耗和成本，最大限度發揮現有工藝和設備的實現能力。因為毫米波電子系統往往需要各類數字、模擬、毫米波器件與電路的組合，其中開關、功率放大器適合采用GaAs、GaN 等化合物半導體工藝，而多通道收發芯片、數字信號處理芯片等適合采用硅基工藝，高性能濾波器和天線等無源結構則適合采用 RF MEM

69、S 技術來實現，對異質集成的需求非常迫切，毫米波電路系統與異質異構集成技術匹配度較高。但另一方面，由于工作頻率高，毫米波異質集成電路所面臨的科學技術問題也最為復雜和突出，最有典型性和代表性。在微波毫米波異質異構集成電路方向取得突破性研究進展，將推動集成電路由硅或化合物半導體單一同質工藝集成向異質集成，由平面向三維立體集成，由單一微米或納米工藝節點向微納多尺度集成方向發展的變革，促進新的微納電子學革命。2.3.2 智能超表面基于各類可重構反射或透射陣列的硬件結構，智能超表面（Reconfigurable Intelligent Surface,RIS）被置于無線信道中間，能夠實時改變入射電磁波信

70、號的反射強度和相位，從而實現了改變電磁波信號在信道中傳播特性的目的。因此，傳統上認為只能被動適應的無線信道，由于智能超表面的出現，成為了無線通信系統設計和優化的一部分。這一設計思路上的創新，給無線通信和網絡的研究提供了一個全新的設計維度，帶來了大幅提升通信頻譜利用率以及降低系統能耗的可能性。因此，智能超表面近年來得到了學術界和工業界的廣泛關注，是下一代移動無線通信（6G）中標志性技術的有力候選者。-21-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend現有智能超表面的系統功能，是通過實時配置陣列中每

71、一個可重構反射單元上的放大器和相移電路來實現的，目標是在通信接收機區域增強信號質量、或降低通信干擾。考慮到每一個智能超表面都由成千上萬個可重構反射單元構成，龐大的反射路徑數加上每個反射路徑上信號相位和強度的高度可編程性，使得智能超表面具備顯著影響任何無線信道的能力，有望真正實現可控可編程的無線環境。RIS 的應用場景包括：傳統通信業務智能超表面技術在傳統通信業務領域（包括無線移動網和無線局域網等）已展現出廣闊的應用空間。第一、置于信道中間的智能超表面，創建了大量幅度和相位可控的反射路徑，可以為智能超表面所支撐的上層無線通信網提供高多樣性的多徑信道。因此，智能超表面可以顯著增加單用戶的通信速率和

72、可靠性，或在不需額外頻譜資源的前提下為多個并發用戶提供更高速的傳輸、從而增加網絡的吞吐率。第二、以毫米波、太赫茲通信為代表的基于有向波束進行信號傳播的高速通信系統，十分依賴視距信道；如果視距信道被障礙物遮擋，由于反射過程中的高信號衰減，非視距信道能實現的通信速率會嚴重降低。智能超表面是解決毫米波、太赫茲通信中遮擋問題的最有效途徑：由于智能超表面能非常高效地反射來自通信發送端的信號、且反射波束的方向可以實時控制，因此智能超表面創建的反射路徑可以有效覆蓋被障礙物遮擋的非視距區域、且能根據障礙物或通信接收端的移動進行實時的波束跟蹤，為在復雜場景中實現移動毫米波、太赫茲通信奠定了基礎。第三、由于智能超

73、表面能顯著增加通信系統的覆蓋范圍和頻譜利用率，因此系統要實現一定通信速率、或達到一定通信覆蓋所需的能耗降大幅降低。因此，智能超表面有望顯著降低未來通信系統的能耗。垂直行業應用智能超表面技術的核心思想在于對無線信道的控制，因此對于特殊或惡劣信道中的無線通信系統，將產生更顯著的邊際效益；代表應用包括水下無線通信系統和地下無線通信系統。一方面，由于水下環境和物理性質的制約，目前水聲通信是唯一能在水下實現遠距離無線覆蓋的通信技術，而水聲通信面臨低通信速率這一“卡脖子”問題。由于水聲稀缺的頻譜資源早已被開發至極限，而用戶端實現超大規模水聲 MIMO 的成本和能耗極高，因此，智能超表面通過控制信道提高通信

74、容量的技術路線有望解決目前水聲通信面臨的發展瓶頸。另一方面，地下礦井中的高速可靠通信是安全生產、高效開采的基礎技術，更會使能未來智慧礦山等多種重要應用。目前地下無線通信技術在礦井中面臨的一大難題是巷道和采掘面中復雜多障礙的信道條件，智能超表面可以通過創建可控反射路徑來實現非視距的無線覆蓋，能很好地解決這一難題。-22-Sustainable Green Intelligent and Concise 6G:Vision and Technology TrendRIS 的關鍵技術包括：RIS 硬件設計RIS 硬件設計的基礎是可控電磁超材料。通過周期性地部署可控的超材料單元并施加外界刺激以調整單元

75、表面電磁響應，RIS 能夠對入射電磁波進行幅度、相位、極化方向等狀態的調整。一般來說，可控超材料的實現方法多種多樣，包括變容二極管、三極管、MEMS、液晶、石墨烯、相變材質等。而對于常見的相控 RIS而言，其每個獨立的單元可以被建模為端接可調阻抗的貼片天線，往往可以采用二極管的通斷來實現阻抗控制，從而改變反射相位，目前已成為一種主流的 RIS 硬件設計架構。信道估計針對 RIS 系統信道估計設計的核心需求是降低大陣列估計所需的導頻開銷。考慮到 RIS 往往被部署在高樓外墻等，環境散射體數量較為有限，利用這一特征，采用壓縮感知等方法可以顯著降低信道估計開銷。此外，基站和 RIS 安裝在固定位置，

76、其信道維度高但變化緩慢，從而可以通過在基站引入輔助天線等的方式對 RIS 輔助鏈路的兩段子信道進行分別估計。同時，在同一個 RIS 系統中，多個用戶級聯信道“共享”基站和 RIS 間的一段相同信道。因此，可以先用第一個用戶進行高開銷信道估計，其余的用戶只需要額外發送較少的參考信號，估計出與參考信道的不同特征即可。波束賦形RIS 的波束賦形的關鍵在于基站端的主動預編碼向量與 RIS 端的移相矩陣的聯合優化。從數學模型上來看，RIS 端的移相矩陣的優化類似于低比特移相的相控陣移相優化，其難點在于恒模約束（即反射系數幅度不可調）與低比特相位約束，從而導致了 RIS 波束賦形的超參數優化問題。為此，大

77、多數現有研究選擇將輪詢迭代與組合優化相結合。除了常規的啟發式搜索算法之外，可以通過連續松弛、分式變換、離散投影、半正定規劃等數學工具，將超參數優化轉化為連續變量優化問題，從而實現次優的 RIS 波束賦形。反射調制通過將 RIS 部署在基站，RIS 能夠替代原有基帶、射頻鏈功能。具體而言，基站側只需要部署載波發生饋源，將載波信號照射到 RIS 陣面。然后，RIS 將實時地調整其相位、幅度、極化方向等電磁特性，將基站待發送的信息調制映射為表面電磁狀態以實現調制，然后將調制后的信號反射到用戶，即可實現反射式調制。該方法的優勢在于低成本和低功耗，為未來綠色基站的建設提供了一種可行的解決方案。-23-S

78、ustainable Green Intelligent and Concise 6G:Vision and Technology TrendRIS 潛在的挑戰與機遇包括：克服天然的“乘性衰落效應”RIS 為無線通信提供了額外的反射鏈路，然而，由于 RIS 反射鏈路的路損實際為基站-RIS 與 RIS-用戶兩端子信道路損的乘積（即乘性衰落效應），在基站-用戶直射徑較強的典型通信場景下，RIS 提供的性能優勢十分有限。在未來的研究中，一個直觀的解決思路是在 RIS 單元后端接反射式放大器，使得信號在被反射的同時能夠被放大，從而有望克服乘性衰落效應，在典型場景下發揮 RIS 的性能優勢 6。低開銷

79、的 RIS 信道估計除算法設計外，針對 RIS 開展結構創新也是降低信道估計開銷的一個重要手段。例如，允許 RIS 陣面配備少量有源主動接收單元，通過離線方式訓練基于天線拓撲的信道預測網絡，學習有源單元信道與全空間信道的映射關系，根據局部信道外推以獲取完整信道。此外，通過基于碼本的信道訓練與波束賦形協同方案是未來工程應用場景的典型方式，但 RIS 信道分段特性和近場特性會對傳統碼本方案帶來挑戰，低復雜度RIS 信道碼本設計是亟待解決的重要問題。低復雜度的 RIS 波束賦形低復雜度的 RIS 波束賦形對于擴大 RIS 的部署規模具有重要意義，人工智能和結構改進是實現復雜度降低的重要手段。例如，可

80、以采用強化學習與 RIS 波束賦形設計相結合，通過在 RIS 端部署反饋信號接收器，然后使其自主學習判定不同波束賦形策略的優劣并累積性能評價。從而，在經歷了一段時間的強化學習后，RIS 能夠直接根據特定的信道環境自適應地調整自身相位信息，而無需高復雜度的波數優化計算。RIS 網絡架構RIS 的引入也給多個無線網絡的共存帶來了新的挑戰。在實際通信網中，RIS 板面上入射的無線信號既包括來自目標網絡的“目標信號”，也包括來自其他無線網絡的“非目標信號”。而 RIS 將不可避免地同時調節這兩種信號。通過調節電磁波的振幅、相位和極化方式，雖然可以增強“目標信號”，但也會對“非目標信號”進行不可預料的異

81、常調節，從而對其他無線網絡產生干擾。如何應對 RIS 的多網絡共存仍然是未來具有挑戰性的難題。-24-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend2.3.3 高能效芯片以 6G 為代表的未來通信技術的發展，正推動全球通信芯片市場的快速增長。通信芯片正朝著高性能、低功耗和智能化方向發展。性能方面，高帶寬、低延時的通信需求成為驅動新一代芯片性能提升的核心驅動力。功耗方面，移動通信的需求要求通信芯片不斷降低其功耗，以延長移動終端的工作時間和通訊基站的運維成本。智能方面，隨著人工智能技術在通信系統中應用

82、的不斷增加，通信芯片中對于人工智能的支撐也被提上日程。在新一代通信芯片中，高能效模擬數字轉換芯片和通信智能芯片是其中兩個重要發展方向，將對其發展現狀和相關成果展開。1）高能效模擬數字轉換芯片模數轉換器（ADC）和數模轉換器（DAC）是通訊接收機和通信發射機中的核心模塊。傳統的外差式收發機架構使用混頻器、本地振蕩器、帶通濾波器等一系列電路，在低頻處理基帶有用信號，并通過變頻實現基帶信號和射頻信號的相互轉換。而射頻直接采樣技術直接數字化射頻信號，通過高速數字信號處理實現對射頻信號的直接控制，能夠極大的簡化基站收發機的系統復雜度，因此被認為是未來的發展方向。圖 12 使用射頻直采對多載波系統進行簡化

83、-25-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend在接收端，射頻直接采樣技術需要高速高精度 ADC 實現對寬帶射頻信號的直接采樣。時間交織流水線架構是高速高精度ADC的未來趨勢，ADI公司于2020年發布的12比特18GS/s采樣率ADC就采用了該架構26，并大量使用數字校準技術，利用先進納米工藝下數字電路功耗、面積大幅下降的優勢來提高系統整體性能。射頻直接采樣技術在要求 ADC 本身有優異性能的同時，還需要抖動低于 50fs 的高性能采樣時鐘 27，這也需要持續的研究與創新。經典的離散時間奈

84、奎斯特流水線 ADC 均包括采樣保持電路，需要高功耗的輸入驅動電路及專門的抗混疊濾波器。為了降低系統功耗，一種解決方案是使用連續時間流水線 ADC，其輸入負載從開關電容換為電阻，大幅降低了驅動電路的功耗，同時其前端自然形成連續時間的低通濾波器，對信號進行了抗混疊濾波，由于沒有在前端對信號采樣，也避免了引入采樣噪聲 28。連續時間流水線 ADC的一大挑戰在于如何保證輸入信號主通路與子 AD/DA 通路之間延遲時間的匹配以避免噪聲過載，該問題還需要進一步的研究。6G 終端需要高帶寬低功耗的 ADC 解決方案。傳統的終端接收機通常采用連續時間 DSM 架構，但該架構繼續向高帶寬發展會遇到采樣率過高的

85、瓶頸，因此需要在高比特、高階 MASH 架構上進行更多研究 29。此外，多通道交織 SAR 也是很有潛力的架構，該架構在高速下有更高的能效，但其開關電容輸入會對驅動提出很高要求，此外復雜的后臺校準也是一大挑戰。終端的另一挑戰是需要同時支持 2G6G 等多種通信標準的接收機，以往的解決方案是在芯片上實現高達數十個專用接收機和ADC，這種做法會消耗大量功耗和面積。目前的一大發展方向是采用可重構 ADC，即單個 ADC 同時支持多種通信制式和頻段，在此基礎上將 ADC組成資源池，可以極大降低接收機芯片的面積和功耗。在發射端，為了實現射頻直采技術，需要寬帶高動態范圍的 DAC 直接生成所需的射頻信號。

86、隨著無線通信技術頻段的擴展和調制技術的發展，射頻直采技術對 DAC 的采樣率和動態范圍提出了更高的挑戰。采用多通道交織 DAC 結構是實現更高采樣率的有力技術。但是多通道之間時序的失配會嚴重影響交織 DAC的性能 30。如何實現高速下多相時鐘間占空比、延時之間的時序匹配，是交織 DAC 需要解決的關鍵問題。目前學術界的設計大都采用雙通道或四通道設計，并大量使用數字校準技術對通道間的失配進行校準，實現低失配的多相時鐘 31。隨著 6G 通信帶寬的進一步提升，如何在更高速情況下，實現多相時鐘間失配信息的獲取和失配的校準，是多通道交織 DAC 研究的一個重要方向。同時，隨著摩爾定律失效，數字電路頻率

87、進一步提升更加困難，給高速 DAC 的譯碼器設計帶來了困難。因此，探索更多通道的交織技術，降低對單通道子 DAC 譯碼器數字電路的要求，也是交織 DAC 一個極具潛力的研究方向。為了實現更高階的調制方式，需要射頻直采發射機發射信號具有更高的發射信號動態范圍，因而對 DAC 的動態范圍提出了更高的挑戰。在寬帶高動態范圍 DAC 中，單元切換引入的動態失真與信號間的相關性是限制 DAC 動態范圍進一步提升的瓶頸。ADI 公司的 AD9172 芯片采用了差分四相切換技術(Differential-Quad-26-Sustainable Green Intelligent and Concise 6G

88、:Vision and Technology Trend Switching)32 來降低 DAC 切換失真和輸入信號的相關性，實現了在 12GS/s 的采樣率，2.65GHz 輸入信號下無雜散動態范圍(SFDR)等于 75dB 的動態性能。近年來學術界也有在譯碼器層面減小切換失真與輸入信號相關性的研究 33。但是隨著 DAC 采樣率的不斷提高，實現在高速情況下能夠進行復雜譯碼的數字電路越來越困難。因而如何在高采樣率下仍然能夠減小切換失真與輸入信號相關性，以支持 6G 通信使用更高頻段、更高階調制方式，是目前寬帶高動態范圍 DAC 的一個重要研究方向。2）通信智能芯片隨著可穿戴設備、虛擬現實等

89、新興應用的興起，以空氣作為媒介的傳統通信方式（藍牙、Zigbee 等）已經難以滿足傳輸節點對于數據速率和功耗的需求。作為新一代體域網通信技術，以人體作為媒介的人體信道通信可實現更低路徑損耗，并且在可靠性、安全性和小型化等方面也具備優勢，具有廣闊的應用前景。盡管人體信道通信技術具備非常好的發展潛力，但面向圖像/視頻等大規模數據傳輸應用時存在帶寬受限的問題，需考慮高倍率的數據壓縮和編碼方案。基于 AI 方法的深度壓縮編解碼方案在壓縮效率上相比傳統方法具備更大優勢，完成 AI 到通信的賦能、實現融合高能效 AI 處理的人體信道通信的芯片將給體域網通信帶來變革。在新一代人體信道通信的鏈路研究方面，隨著

90、無線體域網絡通信 IEEE 802.15.6 標準的制訂錯誤!未找到引用源。，國內外學者廣泛開展了低功耗體域網通信技術與相關電路芯片的研究。圖 13 對比了近年來在ISSCC/JSSC 發表的幾種低功耗無線體域網絡收發器芯片的能效，目前人體媒介的通信收發機芯片的能效已經達到 16 pJ/bit 錯誤!未找到引用源。，相比十年前的水平提升了數十倍，相比藍牙、ZigBee 等空氣媒介收發機能效提升了約 12 個數量級的水平。圖 13.新一代人體信道通信的優勢所在-27-Sustainable Green Intelligent and Concise 6G:Vision and Technolog

91、y Trend在信源信宿壓縮編解碼方面，人工智能的學習方法將能夠對海量數據進行細致化分析，依靠機器學習算法可實現對數據的篩選過濾、分類整理，從而在短時間內完成大量數據的整合、壓縮及傳輸，AI 將使通信更加智能化、高效化。基于 AI 的深度壓縮模型在近年來被廣泛研究，如基于自編碼器的圖像壓縮模型錯誤!未找到引用源。、基于插值方法的深度視頻壓縮編解碼器錯誤!未找到引用源。、基于差分幀迭代的深度視頻壓縮方法錯誤!未找到引用源。等。相比傳統的 JEPG/H.264 等圖像視頻壓縮方法，通過深度學習技術可以實現壓縮恢復編解碼器的聯合優化，并且能夠針對不同場景和任務需求進行更加高效且智能的編解碼。在通信智

92、能芯片方向，電子系已取得一定開創性成果。針對人體信道通信，研制出高能效準靜態頻道的收發機芯片，通過補償技術實現對信道響應的實時補償，提升通信的穩定性和能量效率。針對深度編解碼模型，提出硬件優化的計算電路及芯片架構，實現對深度模型的稀疏計算優化及硬件支持。最終建立起融合高能效 AI 處理智能通信芯片及系統，為推動新一代通信芯片的智能化發展作出貢獻。圖 14.融合高能效 AI 處理的人體信道通信芯片及系統圖 15.低功耗微波光子無線通信系統 1-28-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend2.

93、3.4 光電新器件隨著無線通信向更高頻段(如微波、太赫茲)發展以及對高速感知、低功耗以及高通量傳輸日益增長的需求，使用集成光子器件和技術來生成、操縱、傳輸和測量高速射頻信號的微波光子學能夠用于提升通信系統的信息計算速度和能量效率(圖 15)。當前，光子集成平臺能夠實現光源、超小型和高帶寬光電調制器、低噪聲頻率合成器、光電探測器和信號處理器的片上異質或者混合集成。光計算領域的蓬勃發展也促進了構建多功能、可重構的復雜射頻信號光子處理器，實現片上集成、先進功能和高性能數據處理的協同發展 39。大規模智能無線通信系統需要先進人工智能算法的支撐，然而現有人工智能算法對計算性能急劇增長的需求已經遠超當前電

94、子計算處理器的發展速度。以光計算為基礎、通過光電融合的方式構建光子神經網絡與智能光子計算芯片能夠實現計算性能的跨越式升級，理論上計算速度能夠提升三個數量級、計算能效能夠提升六個數量級，被認為是具有顛覆性的新一代智能計算技術。基于光子計算基本單元和神經網絡基本算子，現有光子神經網絡可以直接轉換電子神經網絡的計算范式，構建光電融合的片上智能光子計算處理器，實現片上全連接、卷積、循環等光子神經網絡架構和深度學習系統 40-43，可應用于智能無線通信。通信系統中大規模矩陣運算可以通過光計算實現。向量-矩陣乘法器可以分為光電混合和全光計算兩大類43,44。對于光電混合型，乘法和加法運算是在光學域和電學域

95、共同完成，而全光線性計算則是在光學域完成所有的乘法和加法運算。基于高維空間相干模式的可編程任意矩陣運算具有三個特點：(1)高并行的任意矩陣運算。離散空間相干模式可以被理解為多個光束合并在一起向前傳播，光束在空間位置上存在特定的分布，這就充分利用了光子玻色子的物理特性，可以同時并行處理多個光束。(2)對光場復振幅實現復系數矩陣運算。對離散空間相干模式的可編程矩陣變換是基于對光場的分束和合束的兩級結構，利用了各個光束之間的相干性，可以同時對光場振幅和相位實現任意復系數的矩陣運算。高維空間相干模式復振幅中強度和相位均可用于編碼光學計算中的光學矢量，提供了非常大的靈活性。(3)可芯片化。對離散空間相干

96、模式實現任意復系數的變換矩陣是利用了一系列的閃耀光柵，這就有可能通過光子集成器件實現芯片化的矩陣運算單元。目前，對于光子超表面(meta-surface)實現復雜相位光柵的可行性已經做了仿真和實驗驗證，已經初步證明了芯片化的可行性，結合集成的光調制和探測器件，則有可能進一步實現全光通用線性計算芯片。基于離散空間相干模式的全光通用線性計算單元和芯片，由于具有并行計算的特點，同時計算過程中利用了光波的干涉疊加，因此在高維矩陣運算中能夠實現快速和高效的運算，有望為未來的 6G 通信系統提供高速的信號處理解決方案。-29-Sustainable Green Intelligent and Concis

97、e 6G:Vision and Technology Trend圖 16.新型光電子計算器件與架構 5-10無線通信所產生的高通量多用戶數據需要通過光纖通信系統傳輸 7。面向更高頻段的無線通信系統設計，無線移動收發端和光纖通信遠距離傳輸的系統邊界將變的越來越模糊(圖 16)43-48。近年來，隨著光技術的飛速發展，光通信系統的帶寬容量已經突破 Tbps，為爆炸增長的大數據的存儲、傳輸和共享等技術的發展提供了肥沃的土壤。超大的通信帶寬不僅是光波本身的并行性所帶來的優勢，還得益于光通信系統中，在發送端采用多維度復用和更為高階的調制格式，在接收端針對不同場景采用更為多樣的接收方式，以及更復雜的數字信

98、號處理（DSP）算法處理。然而，隨著傳輸速率和傳輸距離的不斷增加，光信號也面臨著更為嚴重的畸變和失真，使得各類諸如均衡、補償等 DSP 算法在光通信系統中的重要性大大提升。在目前主流的光通信系統中，光信號在接收端經過光電轉換，變為電信號后被送入傳統 DSP 中進行實時或者離線的處理。然而，面對更為高速的通信速率和更為復雜的信道情況，傳統 DSP 受限制于其時鐘頻率，必須采用分布式架構來提高其并行化處理的能力，這使得硬件復雜度將隨著算法復雜度的提高而提高 2。光計算技術基于光波信號的多維調控能力，可以實現天然的信息并行化計算，通過極低的硬件復雜度和功耗獲得極大的計算帶寬。目前主流的光計算方案包括

99、基于馬赫曾德爾干涉儀網絡 40、微環調制器陣列 46、自由空間衍射層 41,43 等結構，初步顯示了其對比于傳統電子計算的獨特優勢，在學術界和工業界都引發了廣泛的關注。近年來，基于光計算技術強大的并行化能力，研究人員開始探索將光計算系統用于高速光通信系統 DSP 處理的可能性。光計算系統在未來光通信系統場景下的優勢主要包括：(1)光計算可以提供極低的計算延時，適用于時變信道模型下的實時光通信系統。未來的光計算系統可以被嵌入到實時光通信系統中，置于傳統 DSP 芯片前，在避免光電轉換的前提下承擔部分運算，降低 DSP 的計算量的同時提高通信系統的響應速度。(2)光計算具有高帶寬和低功耗的特點，可

100、以在提供強大算力的同時解放通信系統的功耗瓶頸。光計算在完成同等規-30-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend模運算的條件下功耗可降低兩個數量級以上，極大地緩解了通信系統的能耗，進一步提高高速光通信系統的傳輸效率。(3)光計算系統可實現集成化。借助目前快速發展的集成光電子技術，可以實現光計算系統的小型化，進一步提高其可擴展性。同時借助光電協同封裝技術，可實現光芯片和 DSP 的 2.5D 和 3D 封裝，進一步降低光通信系統的能耗。光計算系統的低延時、高帶寬和低功耗等特點具有傳統 DSP

101、所不可比擬的強大算力和效率，同時也為全光通信網絡的搭建和未來的 6G 通信技術的發展提供了一個高帶寬、低延時、綠色、經濟的全新解決方案。3.參考文獻1.“6G 無線通信新征程：跨越人聯、物聯，邁向萬物智聯,”華為,2022.2.“國務院關于印發“十四五”數字經濟發展規劃的通知,”2022.3.H.Saarnisaari,S.Dixit,et al,“A 6G white paper on connectivity for remote areas”(6G Research Visions,No.5),ISBN:978-952-62-2675-0,2020,arXiv:2004.14699.4.

102、X.Fang,W.Feng,T.Wei,Y.Chen,N.Ge,and C.-X.Wang,“5G embraces satellites for 6G ubiquitous IoT:basic models for integrated satellite terrestrial networks,”IEEE Internet of Things Journal,vol.8,no.18,pp.14399-14417,Sep.15,2021.5.C.Liu,W.Feng,X.Tao,and N.Ge,“MEC-empowered non-terrestrial network for 6G w

103、ide-area time-sensitive Internet of Things,”Engineering,vol.8,pp.96-107,Jan.2022.6.牛志升,鄭福春,楊晨陽,等.基于超蜂窩架構的綠色通信專刊編者按 J.中國科學:信息科學,2017,47(5):527-528.7.劉景初，軟件定義超蜂窩網絡中的通信與計算協同設計與優化，清華大學博士論文，2017.8.LIU J C,KRISHNAMACHARI B,ZHOU S,et al.DeepNap:Data-driven base station sleeping operations through deep rein

104、forcement learningJ.IEEE Internet Things J.,2018,5(6):4273-4282.9.ZHANG S,GONG J,ZHOU S,et al.How many small cells can be turned off via vertical offloading under a separation architectureJ.IEEE Trans.Wireless Commun.,2015,14(10):5440-5453.10.ZHOU S,ZHAO T,NIU Z S,et al.Software-defined hyper-cellul

105、ar architecture for green and elastic wireless accessJ.IEEE Commun.Mag.,2016,54(1):12-19.11.LIU J C,ZHOU S,GONG J,et al.Statistical multiplexing gain analysis of heterogeneous virtual base station pools in cloud radio access networksJ.IEEE Trans.Wireless Commun.,2016,15(8):5681-5694.12.Shannon C.E.a

106、nd Weaver W,The Mathematical Theory of CommunicationM.The-31-Sustainable Green Intelligent and Concise 6G:Vision and Technology TrendUniversity of Illinois Press,1949.13.Qin Z,Tao X,Lu J,and Li G.Y.,Semantic communications:Principles and challengesJ.arXiv:2201.01389.14.Xie H,Qin Z,Li G.Y.and Juang B

107、.H.,Deep learning enabled semantic communication systemsJ.IEEE Transactions on Signal Processing,2021,69:2663-2675.15.Weng Z and Qin Z,Semantic Communication Systems for Speech TransmissionJ.IEEE Journal on Selected Areas in Communications,2021,39(8):2434244416.Tung T.Y.and Gndz D.DeepWiVe:Deep-Lear

108、ning-Aided Wireless Video TransmissionJ.arXiv:2111.13034.17.Xie H,Qin Z,Tao X,and Letaief K.B.,Task-Oriented Multi-User Semantic CommunicationsJ.arXiv:2112.10255.18.W.Shi,S.Zhou,Z.Niu,M.Jiang,and L.Geng,“Joint Device Scheduling and Resource Allocation for Latency Constrained Wireless Federated Learn

109、ing,”IEEE Trans.Wireless Commun.,2021,20:(1):453-467.19.Y.Sun,S.Zhou,Z.Niu,and D.Gunduz,“Dynamic Scheduling for Over-the-Air Federated Edge Learning with Energy Constraints”,IEEE J.Sel.Areas Commun.,2022,40(1):227-242.20.Y.Sun,W.Shi,X.Huang,S.Zhou,Z.Niu,“Edge learning with timeliness constraints:Cha

110、llenges and solutions”,IEEE Commun.Mag.,2020,58(12):27-33.21.S.Zhou,Y.Sun,Z.Jiang,and Z.Niu,“Exploiting Moving Intelligence:Delay-Optimized Computation Offloading in Vehicular Fog Networks,”IEEE Commun.Mag.,2019,57(5):49-55.22.牛志升,周盛,孫宇璇.面向“雙碳”戰略的綠色通信與網絡:挑戰與對策.通信學報，43(2):1-14.23.Y.Sun,S.Zhou,and Z.N

111、iu,“Distributed Task Replication for Vehicular Edge Computing:Performance Analysis and Learning-based Algorithm,”IEEE Trans.Wireless Commun.,2021,20(2):1138-1151.24.Y.Sun,F.Zhang,J.Zhao,S.Zhou,Z.Niu,and D.Gunduz,“Coded Computation across Shared Heterogeneous Workers with Communication Delay,”arXiv p

112、reprint arXiv:2109.11246,2021.25.Y.Sun,X.Guo,J.Song,S.Zhou,Z.Jiang,X.Liu,and Z.Niu,“Adaptive Learning-based Task Offloading for Vehicular Edge Computing Systems,”IEEE Trans.Veh.Technol.,2019,68(4):3061-3074.26.Ali A M A,Dinc H,Bhoraskar P,et al.A 12-b 18-GS/s RF sampling ADC with an integrated-32-Su

113、stainable Green Intelligent and Concise 6G:Vision and Technology Trendwideband track-and-hold amplifier and background calibrationJ.IEEE Journal of Solid-State Circuits,2020,55(12):3210-3224.27.Razavi B.Jitter-power trade-offs in PLLsJ.IEEE Transactions on Circuits and Systems I:Regular Papers,2021,

114、68(4):1381-1387.28.Shibata H,Kozlov V,Ji Z,et al.16.2 A 9GS/s 1GHz-BW oversampled continuous-time pipeline ADC achieving 161dBFS/Hz NSDC.2017 IEEE International Solid-State Circuits Conference(ISSCC).IEEE,2017:278-279.29.Dong Y,Zhao J,Yang W,et al.15.5 A 930mW 69dB-DR 465MHz-BW CT 1-2 MASH ADC in 28

115、nm CMOSC.2016 IEEE International Solid-State Circuits Conference(ISSCC),IEEE,2016:278-279.30.Caragiulo,Pietro,et al.A 2x Time-Interleaved 28-GS/s 8-Bit 0.03-mm 2 Switched-Capacitor DAC in 16-nm FinFET CMOSJ.IEEE Journal of Solid-State Circuits,2021,56(8):2335-2346.31.Clara,Martin,et al.10.7 A 64GS/s

116、 4-Interpolated 1b Semi-Digital FIR DAC for Wideband Calibration and BIST of RF-Sampling A/D ConvertersC.2021 IEEE International Solid-State Circuits Conference(ISSCC),IEEE,2021:176-178.32.Park,Sungkyung,et al.A digital-to-analog converter based on differential-quad switchingJ.IEEE Journal of Solid-

117、State Circuits,2002,37(10):1335-1338.33.Huang,Hung-Yi,Xin-Yu Chen,and Tai-Haur Kuo.A 177mW 10GS/s NRZ DAC with Switching-Glitch Compensation Achieving 64dBc SFDR and200 x area efficiency,”Proc.Asia South Pacific Des.Autom.Conf.ASP-DAC,vol.2018Janua,pp.311312,2018.36.Toderici G,OMalley S M,Hwang S J,

118、et al.“Variable rate image compression with recurrent neural networks.”Computer Science,2015.37.Wu C Y,Singhal N,Krahenbuhl P.“Video compression through image interpolation.”Proceedings of the European Conference on Computer Vision(ECCV),2018:416-431.38.Lu G,Ouyang W,Xu D,et al.“DVC:An end-to-end de

119、ep video compression framework.”Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR),-33-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend2019:11006-11015.39.Marpaung,David,Jianping Yao,and Jos Capmany.Integrated microwave photonics.Nature ph

120、otonics 13.2(2019):80-90.40.Shen,Yichen,et al.Deep learning with coherent nanophotonic circuits.Nature Photonics 11.7(2017):441-446.41.Lin,Xing,et al.All-optical machine learning using diffractive deep neural networks.Science 361.6406(2018):1004-1008.42.Peng,Hsuan-Tung,et al.Neuromorphic photonic in

121、tegrated circuits.IEEE Journal of Selected Topics in Quantum Electronics 24.6(2018):1-15.43.Fu,Tingzhao,et al.On-chip photonic diffractive optical neural network based on a spatial domain electromagnetic propagation model.Optics Express 29.20(2021):31924-31940.44.Wang,Yu,et al.Programmable holograph

122、ic technique for implementing unitary and nonunitary transformations.Physical Review A 95.3(2017):033827.(Highlighted as the Editors Suggestion)45.Agrell,Erik,et al.Roadmap of optical communications.Journal of Optics 18.6(2016):063002.46.Huang,Chaoran,et al.A silicon photonicelectronic neural networ

123、k for fibre nonlinearity compensation.Nature Electronics 4.11(2021):837-844.47.Mohammadi Estakhri,Nasim,Brian Edwards,and Nader Engheta.Inverse-designed metastructures that solve equations.Science 363.6433(2019):1333-1338.48.Chen,Yitong,et al.Photonic unsupervised learning processor for secure and high-throughput optical fiber communication.arXiv preprint arXiv:2203.03807(2022).-34-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend4.貢獻單位清華大學-中國移動聯合研究院-35-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend