📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
30/150 第3週：🎶 電波的語言：調變、編碼與 6G 高頻革命
5G / 6G 調變 × 編碼 × 等化核心
30／150 單元 第3章小結 × 測驗 🚀 6G 的容量極限挑戰
________________________________________
複習
在本章中，我們真正踏入無線通訊最核心的語言——
資料如何變成電波、如何穿越多路徑世界、如何被修正、如何被編碼保護。
這一章讓你完整理解：
• 訊號如何調變成電波（BPSK / QAM）
• OFDM 為什麼能吞下多路徑狂風
• 反射、散射、繞射如何破壞你的訊號
• 等化器如何把訊號救回來（ZF / MMSE）
• 編碼如何讓錯誤變小（Convolutional / Turbo / LDPC / Polar）
• AI 如何重新發明通道編碼（AI-based FEC）
• 6G 高頻革命（THz、LEO、AI-native 編碼）
這一章其實回答了一個最根本的問題：
📌 為什麼我的手機能用？訊號怎麼被塞、被拆、被救、被保護？
________________________________________
🌟 一、通訊的電波世界其實分成三大流程
資料 → 調變 → 通道 → 等化 → 編碼/解碼
📘 本章「三部曲」對照表
1️⃣ 調變（Modulation）
• 對應章節： 21、22
• 核心目的：
o 將 bits 映射成波形（IQ symbols）
o 放上子載波、OFDMA 資源
o 在頻域中有效分配與傳輸資訊
________________________________________
2️⃣ 通道 / 等化（Channel & Equalization）
• 對應章節： 23、24
• 核心目的：
o 抵禦多路徑與時延擴散（ISI）
o 修正 Doppler 與頻率偏移（特別是 LEO）
o 在高速、時變通道中恢復原始 symbol
________________________________________
3️⃣ 編碼（Channel Coding）
• 對應章節： 25–29
• 核心目的：
o 降低錯誤率（BER/BLER）
o 逼近香農容量極限
o 透過 AI/深度學習重塑傳統通道碼（AI Codec）
第 3 章讓你第一次完整掌握無線通訊的三大核心能力。
________________________________________
🧠 章節重點總整理（21～30 單元）
________________________________________
🎶 21. BPSK/QAM 調變：資料如何變成電波
電波不是 0/1，而是：
• 相位 (phase)
• 振幅 (amplitude)
• 或兩者疊加(Quadrature)
BPSK → 最抗干擾
16QAM/64QAM → 資料量大但也更敏感
256QAM (LTE-A/5G) → 高速但高 SNR 才能用
📌 調變是光纖、Wi-Fi、5G、LEO 都共用的第一個語言。
________________________________________
🧱 22. OFDM 與多工技術：LTE/5G 的基頻靈魂
OFDM 的關鍵：
• 把頻寬切成上千個子載波
• 使用 IFFT/FFT 完成調變
• 每個子載波視為窄頻通道 → 不怕多路徑
• CP（循環前綴）對抗延遲擾動
為什麼 5G、Wi-Fi 都用 OFDM？
因為它便宜、穩定、數位化、可平行化。
________________________________________
🔦 23. 多路徑通道與估測：反射、延遲、多普勒
真實世界中訊號不會直線傳：
• 反射（建築物）
• 散射（電線杆、行人）
• 地表鏡面（海面）
• Doppler（移動速度）
所以接收器看到的是：
y(t) = Σ hᵢ(t) x(t−τᵢ)
通道估測（Channel Estimation）
= 猜出 h(t)、τ(t) 的真實值。
在 LEO/NTN：
• Doppler > 30 kHz
• 通道 coherence time 非常短
→ AI/深度估測開始取代傳統估測器。
________________________________________
🔧 24. 等化器 ZF/MMSE：對抗扭曲的第一防線
等化就是：
📌 把通道“反轉”回來
ZF：
x̂ = (H⁺) y
MMSE：
x̂ = (HᴴH + σ²I)⁻¹ Hᴴ y
ZF 適合高 SNR
MMSE 在所有環境都更穩定
LEO 多普勒補償
需要加入 Doppler shift correction：
H' = H · exp(−j 2π f_d t)
或使用 AI-Equalizer（多普勒可學習）。
________________________________________
🌀 25. 卷積碼：3G / DVB 的老牌英雄
卷積碼曾是：
• 2G
• 衛星通訊
• WiMAX
• 早期深空通訊
的主力 FEC。
雖然現在被 LDPC/Turbo 取代，但仍是基礎教材的必學內容。
________________________________________
🚀 26. Turbo Code：接近香農極限的經典
雙重卷積 + interleaver + iterative decoding
是 3G/4G 的 FEC 靈魂。
優點：
• 長碼長性能極接近 Shannon
• SNR 需求低
• 可 iterative decoding
缺點：
• 在短碼長時效能差
• 硬體複雜
因此 5G 不採用 Turbo。
________________________________________
🔒 27. LDPC：5G / Wi-Fi 的主流編碼
Wi-Fi 6
5G Data channel
DVB-S2X
Starlink
全部都用 LDPC。
原因：
✔ 可並行
✔ 硬體友善
✔ 逼近香農極限
✔ 支援長碼長
✔ 低錯誤地板
6G 仍會以 LDPC 為核心。
________________________________________
❄️ 28. Polar Code：5G 控制信道的前沿技術
Polar Code 的神奇之處：
• 第一個被證明「可達通道容量」的碼
• 低複雜 SC 解碼
• 5G 專用於 控制信道（PDCCH）
在短碼長時比 LDPC 更猛。
________________________________________
🤖 29. AI-based Channel Coding：Starlink/OneWeb 實例
AI 正在重新發明 FEC：
• Neural LDPC（BP + NN 更新）
• Learned constellation
• Autoencoder-based JSCC
• Reinforcement code design
Starlink：Neural-BP → +1 dB
OneWeb：AI constellation → 抗非線性更佳
📌 AI 是 6G FEC 的核心，不是附加功能。
________________________________________
🌈 30. 第 3 章單元小結 × 電信實務測驗
6G 調變 × 高頻通道 × AI 編碼革命
________________________________________
🌟 小結：第 3 章的真正價值
這一章讓你不只是“看懂調變”，而是：
✔ 看懂電波怎麼變成資料
✔ 看懂 OFDM 怎麼拯救多路徑
✔ 看懂等化器怎麼救回扭曲訊號
✔ 看懂編碼如何逼近香農極限
✔ 看懂 AI 為什麼正在取代傳統 FEC
一句話總結：
調變決定你能發多快；
等化決定你能救多少；
編碼決定你能錯多少；
AI 決定你能不能超越傳統框架。
________________________________________
📝 電信實務情境測驗（10 題）
（1）你在市區做 5G NR SA 優化，發現高樓街道邊 UE 的 DL BLER 異常偏高，為什麼 OFDM 卻能維持可接受？
解答：
市區多路徑非常強烈，但 OFDM 將通道切成多個窄頻子載波，使其近似平坦通道，再由 CP 吸收延遲擴散，因此雖然 SINR 不佳，但不易產生嚴重 ISI，讓系統仍能維持運作。
________________________________________
（2）你在做 5G 小區點位驗收時，發現 256QAM 模式一直掉回 64QAM，原因通常是什麼？
解答：
256QAM 星座點距離非常近，對 SNR 需求極高；只要場域有干擾、遮蔽、路損變大或 MIMO 配對不好，eNodeB/gNodeB 就會自動降調至 64QAM 以避免 symbol 錯判。
________________________________________
（3）你在做 Massive MIMO 波束調校時，注意到 ZF 的效果在弱覆蓋區反而比 MMSE 糟，為什麼？
解答：
ZF 需對 H 做反矩陣運算，弱訊號或高噪聲時會放大 N0（noise amplification），導致效能崩壞；MMSE 因考慮噪聲能量，在低 SNR 區其穩定性較好。
________________________________________
（4）你在 LEO NTN 測試中發現傳統等化器頻繁失效，OFDM 子載波間干擾（ICI）劇烈，最可能原因是什麼？
解答：
LEO 的 Doppler 變化速度太快，傳統 LS/MMSE 通道估測來不及追蹤，導致通道矩陣快速老化。
AI-based Equalizer 能學習 Doppler pattern，在高速時變通道下穩定得多。
________________________________________
（5）你在 gNB 設定中發現「數據用 LDPC、控制用 Polar」，這樣分配的工程理由是什麼？
解答：
• 數據信道： 長碼長優勢下，LDPC 可高平行化、逼近香農極限。
• 控制信道： 封包短、需低延遲，Polar 在短碼長表現比 Turbo/LDPC 更佳。
因此形成 5G 最高效的雙碼組合。
________________________________________
（6）你在審查 5G 產品規格時，發現未採用 Turbo Code，這在工程應用上有何優勢？
解答：
Turbo Code 在短碼長效能差、硬體功率高、迭代延遲大，不適合 5G/6G 的低延遲要求；改用 LDPC + Polar 後解碼更快、能效更佳。
________________________________________
（7）你在 mmWave 站台測試時發現 QAM 的 BER 高到無法接受，但 AI-based constellation 卻成功降低誤碼，原因是？
解答：
mmWave/LEO 存在非線性、雨衰、相位雜訊等嚴重通道失真，傳統 QAM 受限於方格星座，無法最佳化；AI 星座可根據通道條件自動調整分布，使 BER 顯著改善。
________________________________________
（8）你在做 AI FEC 實驗時，發現 BER 比 LDPC 還低，你的主管問：這是不是突破香農極限？你要怎麼回覆？
解答：
不能突破香農極限，但
✔ 在短碼長
✔ 高非線性
✔ 多徑時變通道（如 LEO）
AI FEC 可以比人工設計的碼 更快、更省運算地逼近香農邊界，因此呈現出比 LDPC 更好的 BER，而不是超越 capacity 本身。
________________________________________
（9）你在做 mmWave 站點規劃，被問：為什麼 THz/mmWave 必須用 Massive MIMO？
解答：
mmWave/THz 路徑損耗（FSPL）極大，不做 beamforming 基本無法連接；
又因高頻波長短，可以在小空間放入大量天線，使 Massive MIMO 成為補償損耗的唯一可行方案。
________________________________________
（10）你在 LEO NTN 下行測試頻繁發現 CFO（Carrier Frequency Offset）異常增大，原因通常是什麼？
解答：
LEO 衛星高速移動（7.5 km/s）造成巨量 Doppler shift，導致接收端本振與實際載波產生頻差。
若 CFO 補償不及時，OFDM 正交性被破壞，ICI 立刻惡化。
________________________________________
📘 第 3 章｜學習後的收穫
完成本章後，讀者將能具備更完整的通訊基礎，並理解以下重要觀念：
✔ 能說明 5G/6G 常用的調變方式（BPSK、QAM）及其在不同 SNR 下的適用性。
✔ 能理解 OFDM 的核心設計，包括子載波分割、IFFT/FFT 與循環字首，並分析其面對多路徑時的優勢與限制。
✔ 能解釋多路徑通道的數學模型，並掌握反射、散射與 Doppler 等物理效應對訊號的影響。
✔ 能比較 ZF 與 MMSE 等化器，並根據 SNR 與通道條件判斷其適用範圍。
✔ 能理解不同通道編碼技術（Convolutional、Turbo、LDPC、Polar）的設計理念及在 5G/6G 中的實際部署原因。
✔ 能描述 AI 在現代 FEC、星座圖與通道估測中的應用方向，並理解其目前的角色與發展趨勢。
✔ 能將調變、通道、等化、編碼等概念串聯，形成對無線連接的整體性理解。
