📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
📘 第 9周: 🤖 AI-native Network：RAN × Core × NTN 的智慧大腦
未來 6G 的核心章節
82／150單元： DL 通道估測 📡🤖用 AI 取代數學公式：6G 通道估測全面進化
________________________________________
🎯 單元導讀
在 4G/5G，通道估測（Channel Estimation）都是靠數學公式：
• LS（Least Square）
• LMMSE（Linear MMSE）
• Wiener Filtering
• Kalman Filter（tracking 用）
這些方法雖然經典，但在真實世界會遇到致命問題：
• 多徑太複雜
• Doppler 太快
• Rayleigh / Rician 不符合真實分布
• pilot 太少 → 難估
• Massive MIMO → 維度爆炸
• LEO ／高鐵 ／城市反射 → 完全非線性
結論是：
⭐ 5G 之後的通道，不再能用「解析解」描述。
⭐ 6G 的通道模型必須完全依賴 Deep Learning。
本章會讓你理解：
✔ AI 如何取代 LS/LMMSE
✔ CNN/RNN/Transformer 如何估通道
✔ pilot 少、SNR 低時，AI 為何遠勝公式
✔ NTN（LEO）通道必須 AI 才能處理
✔ Massive MIMO × AI 的 CSI 壓縮與復原
一句話：
未來基地台估通道，不再算公式，而是「讓網路去學」通道的分布。
________________________________________
🧠 一、傳統通道估測為什麼會失效？
傳統 CE（Channel Estimation）假設通道服從：
• 線性
• 高斯
• 窄帶
• 時不變（或近似時不變）
但現實世界是：
• 通道是高度非線性
• 時變比數學模型快 100 倍
• pilot 不可能無限增加
• Massive MIMO 的 CSI 維度太巨大
• LEO/GEO 會造成極大 Doppler（數十 kHz）
公式-based CE 的結局就是：
❌ 噪聲大 → LS 爆掉
❌ pilot 少 → LMMSE 重建失效
❌ Doppler 快 → Kalman 追不上
❌ Massive MIMO → matrix inversion 爆算力
❌ 反射強 → convolution model 不成立
所以：
⭐ 6G CE = 吃通道資料 → 學到「通道的統計」 → 用神經網路推到 CSI。
⭐ 不再依賴封閉公式。
________________________________________
🧠 二、AI 通道估測的三大主流模型
________________________________________
⭐（1）CNN-based Channel Estimation
CSI 在時間 × 頻率 domain 看起來就像一張圖片：
頻率 →
| ███░░░░░░
t ████░░░░░
↓ █████░░░░
CNN 可以提取：
• 多徑 pattern
• 時頻平滑度
• 延遲擴散形狀
• block fading 區塊
CNN CE 優點：
✔ 低延遲
✔ 適合 OFDM
✔ 訓練簡單
✔ 在低 pilot / 低 SNR 下仍強
✔ 可擴展到 MIMO（做 3D CNN）
________________________________________
⭐（2）RNN / LSTM / GRU（時間相關通道）
通道 h(t) 本質是時變過程。
LSTM 用於：
• 高速移動（車、火車）
• LEO（Doppler 變化非常快）
• urban NLOS
• 隱藏非線性記憶
優點：
✔ 擅長捕捉長程相關
✔ 對 Doppler 敏感
✔ 適合 mobility estimation
________________________________________
⭐（3）Transformer（6G 最主流）
Transformer 擅長：
• 長距離依賴
• 不規則 pattern
• 多天線 CSI 全域特徵
• 與位置、beam、環境影像融合
它能做到傳統模型不可能做到的事：
✔ 全頻帶 CSI 重建
✔ 大維度 MIMO 128–1024 天線估測
✔ pilot 半減甚至 1/4 仍能重建
✔ 空間 + 時間 + 頻率 三域同時建模
✔ NTN 的巨量快速變化
一句話：
⭐ Transformer 已經是 6G CE 的核心架構。
________________________________________
🧠 三、Deep Learning CE 的三大能力
________________________________________
⭐（1）Pilot 訊號壓縮與重建（Pilot Reduction）
傳統：
pilot 多 = 花頻寬
pilot 少 = CSI 估不好
AI：
「pilot 少也能重建完整 CSI」。
方法：
• AutoEncoder
• Compressive Sensing × DL
• Deep Unfolding Networks
效果：
✔ pilot 減少 50%–75%
✔ 仍能維持高精度信道估測
這在 Massive MIMO 尤其關鍵。
________________________________________
⭐（2）非線性通道學習
實際通道包含：
• 反射
• 遮蔽
• 建築物邊界
• 高速運動
• 天線耦合
• 雜散
• mmWave 阻擋
傳統線性模型（h = convolution）根本不夠用。
AI 能學非線性 mapping：
y = f(x)（不一定線性）
→ 真實度與準確度遠高於 LMMSE。
________________________________________
⭐（3）多域通道融合（Time × Freq × Space）
AI 可以同時看三個 domain：
• 時域 fading
• 頻域 selectivity
• 空間天線 array pattern
這是傳統 CE 永遠做不到的。
________________________________________
🛰 四、為什麼 NTN（LEO）必須使用 AI 通道估測？
LEO 特性：
• Doppler 多達數十 kHz
• 通道變化頻率極快
• satellite handover 頻繁
• LOS/NLOS 轉換快
• 多徑來自地面＋反射
傳統 Kalman 完全不可能追到。
AI CE 可：
✔ 預測下一時刻 Doppler
✔ 預測 LEO beam footprint
✔ 自動追蹤 satellite handover
✔ 在 pilot 很少的情況重建 CSI
✔ 在低 SNR 下超越 LS/LMMSE
一句話：
⭐ 沒有 AI，就沒有 NTN CE。
________________________________________
🧠 五、AI CE 的數學基礎（最核心觀念）
AI 不是亂猜，它學的是：
📌 p(h | y, pilot)
（在接收訊號下推估通道的 posterior distribution）
傳統 CE：找解析解
AI CE：用 NN 逼近 mapping
Transformer CE：直接學 conditional distribution
這是通訊理論 × AI 的黃金結合。
________________________________________
🧠 六、ASCII 圖：AI-based Channel Estimation
pilot y_p received y
│ │
▼ ▼
┌────────────────────────────┐
│ Deep Learning CE Model │
│ (CNN / LSTM / Transformer) │
└───────────────┬────────────┘
▼
Predicted CSI ĥ(t,f)
AI 直接輸出預測的 CSI。
________________________________________
🧩 七、模擬題
________________________________________
**1️⃣ 專業題：
為什麼 CNN 可以用在 OFDM 通道估測？**
📦 答：
因為 CSI 在時間-頻率平面上具有「局部相關性」，CNN 擅長提取局部 patterns，因此能在 pilot 稀疏時仍重建 CSI。
________________________________________
**2️⃣ 應用題：
為什麼 AI CE 能減少 pilot？**
📦 答：
AI 學到通道分布的 prior，因此可以在少量 pilot 下補完 missing CSI，而不是僅做插值。
________________________________________
**3️⃣ 情境題：
為什麼 LEO NTN 的 CE 必須用 DL？**
A. 因為計算比較便宜
B. 因為 LEO 通道是高度時變且非線性 ✔
C. 因為 LEO 通道無雜訊
D. 因為 LEO 距離比較短
👉 LEO 通道受高速移動、多普勒效應與遮蔽影響，呈現高度時變且非線性特性，傳統模型難以即時精準描述，必須引入 AI。
________________________________________
🛠 八、實務演練題
1️⃣ 用 CNN 做 OFDM 通道補全（pilot 1/4）
2️⃣ 用 LSTM 追蹤高速移動 UE 的 CSI 序列
3️⃣ 用 Transformer 做三域 CSI 重建
4️⃣ 用 Deep Unfolding 實作 LMMSE-Net
5️⃣ 建立 LEO Doppler × AI CE 模型
________________________________________
✅ 九、小結：AI 通道估測＝6G 的真正核心能力
✔ 通道不再用公式，而是用模型「學」統計
✔ CNN/Transformer 遠勝 LS/LMMSE
✔ pilot 大幅減少
✔ Massive MIMO / NTN 必須 AI CE
✔ AI CE 能看時間 × 頻率 × 空間 三域特徵
✔ LEO/GEO 的極高速 Doppler 只能靠 AI 處理
一句話：
⭐ Channel Estimation 不再是推公式，而是訓練模型。
