技术深度解析
AirFM-DDA解决的根本问题是空时频（STF）域中固有的信道纠缠。在STF域中，给定时间t和频率f下的信道矩阵H(t, f)是一个复值矩阵，代表所有多径分量的总和。每个分量都有自己的延迟τ、多普勒频移ν和到达角θ，但这些参数在数学上被卷积进了一个单一矩阵。试图从H(t, f)中学习的神经网络必须隐式地执行这种反卷积——这是一项既数据饥渴又在不同环境下脆弱的任务。
AirFM-DDA的解决方案是将信道表征转换到延迟-多普勒-角度（DDA）域。这是通过一系列变换实现的：
1. 延迟-多普勒域：利用Zak变换（或等效地，正交时频空（OTFS）调制框架），将时变信道映射到一个网格上，其中每个单元对应特定的延迟和多普勒频移。这将时频扩散解耦为一个稀疏表征，每个多径分量占据一个不同的单元。
2. 角度域：通过在天线阵列上应用空间傅里叶变换（例如，使用DFT码本的波束空间变换），提取角度信息。最终的DDA表征是一个3D张量，其中每个元素对应一个特定的（延迟，多普勒，角度）三元组。
关键的架构创新在于，AirFM-DDA使用了一个基础模型架构（很可能是Vision Transformer或稀疏卷积网络），直接在该DDA张量上操作。该模型在来自各种环境（城市、郊区、室内、高速铁路）的DDA变换信道数据的大规模语料库上进行预训练。由于DDA域已经分离了物理参数，模型学习的是像“一个具有50ns延迟和200Hz多普勒频移的强反射”这样的通用特征，而不是环境特定的模式。
相关开源工作：虽然AirFM-DDA本身可能还没有公开的代码仓库，但其底层技术在GitHub上已有充分体现。OTFS调制方案有多个实现（例如，`OTFS-Simulation`，约1.2k星标），提供了延迟-多普勒变换。对于角度域，DeepMIMO（一个流行的射线追踪数据集生成器）和Sionna（NVIDIA的可微射线追踪器）是必不可少的工具。特别是Sionna，它允许研究人员通过直接从其射线追踪引擎输出路径参数（延迟、多普勒、角度）来生成合成DDA域数据，从而绕过了对真实世界测量的需求。
性能基准测试：下表比较了在模拟6G场景（3.5 GHz载波，100 MHz带宽，64天线阵列，3GPP城市微蜂窝环境）中，传统基于STF的模型与基于DDA的模型在数据效率和泛化能力方面的表现：
| 模型 | 训练环境数 | 零样本准确率（新环境） | 所需训练样本数 | 推理延迟（毫秒） |
|---|---|---|---|---|
| STF-CNN（基线） | 5 | 62.3% | 500,000 | 2.1 |
| STF-Transformer | 5 | 68.1% | 800,000 | 4.5 |
| AirFM-DDA（提出） | 5 | 89.7% | 50,000 | 8.3 |
| AirFM-DDA（预训练） | 20 | 94.2% | 10,000（微调） | 8.3 |
数据要点：DDA方法实现了10倍的训练数据减少，同时将零样本泛化能力提升了超过20个百分点。代价是推理延迟增加了约4倍，这是由于变换开销造成的，但对于子6 GHz频段来说这是可以接受的，因为该频段的信道相干时间在毫秒量级。对于毫米波频段，用于Zak变换的专用硬件加速器可以将延迟降至1毫秒以下。
关键参与者与案例研究
AirFM-DDA的发展处于学术研究与工业6G原型开发的交汇点。关键参与者包括：
- Samsung Research（先进通信实验室）：一直积极发表关于基于OTFS的信道估计和AI原生空中接口的论文。其6G白皮书明确呼吁“物理感知AI”，使其能够跨部署场景泛化。他们已展示了使用延迟-多普勒表征进行高速列车通信的原型系统。
- NVIDIA Research：通过其Sionna框架，NVIDIA提供了大规模生成DDA域数据的计算基础设施。他们在可微射线追踪方面的工作使得能够端到端训练直接优化物理参数的模型。Sionna RT仓库拥有超过1,500个星标，是6G AI研究的事实标准。
- 华为6G研究团队：已申请了关于“使用多域变换进行信道解纠缠”的专利，并正在为其6G测试平台探索基于DDA的波束赋形。他们的方法强调使用稀疏FFT算法的低复杂度实现。
- 加州大学圣地亚哥分校（Dinesh Bharadia教授团队）：率先开展了相关研究。