📘 《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
83／150單元： AI Beamforming 🎯自動追最佳方向：6G 基地台的智慧波束大腦
________________________________________
🎯 單元導讀
5G/6G 大規模天線系統（Massive MIMO）最重要的功能就是：
⭐ 把能量朝「最需要」的方向打
⭐ 把干擾朝「最不該去」的方向避開
傳統 Beamforming 靠的是：
• CSI（Channel State Information）
• Codebook-based beam sweeping
• Feedback（UE 回報最佳 beam）
• RSRP / SNR 量測
但這個流程在真實世界有嚴重缺陷：
❌ UE 回報延遲太久（尤其高速移動）
❌ beam-sweeping 成本高（上百個 beam 要掃）
❌ LEO NTN 會快速移動，beam tracking 失效
❌ Massive MIMO 的 CSI 維度巨大（回傳不可能）
❌ NLOS / 反射場景，最佳 beam 並非 LOS 方向
❌ 室內通道高度非線性，公式無法描述
因此：
⭐ 6G Beamforming = 用 AI 直接「預測」最佳方向
⭐ AI 不再需要完整 CSI，只需要少量觀察
⭐ 基地台不掃描 → 自動知道 beam 要指到哪
這就是 AI-native Beamforming 的精神。
________________________________________
🧠 一、為什麼 Beamforming 必須使用 AI？
________________________________________
❌（1）傳統 CSI-based beamforming 無法 handling Massive MIMO
Massive MIMO (64、128、512 antennas) 的 CSI 維度：
• 100+ UE
• 多載波
• 時頻網格
→ 資料量巨大，回傳不可能。
AI 能做：
⭐ 用壓縮模型預測完整 CSI
⭐ 用少量 pilot 或 UE 的位置資訊直接預測 beam index
________________________________________
❌（2）高速移動（V2X、高鐵、LEO）中
traditional beam tracking 根本來不及
Kalman Filter / EKF 等 tracking 方法：
• 假設通道變化是線性的
• 假設 Doppler 可用線性方式補償
但現實：
🚄 高鐵（300 km/h）Doppler 非線性變動
🛰 LEO（7.5 km/s）beam footprint 隨時在跑
🚘 V2X（加減速 + 反射）通道非常混亂
AI（LSTM / Transformer）能：
⭐ 用 sequence model 預測下一個 beam
⭐ 直接預測未來 30–50 ms 的 beam sequence
⭐ 甚至預測 UE 的「未來位置」
________________________________________
❌（3）NLOS / 室內場景
傳統 beam scan 會錯過最佳 beam
基地台 beam-sweep 只能掃「固定方向」：
但真正最佳 beam 可能是：
• 經過牆壁反射
• 經過電梯井反射
• 經過桌面反射
• 走非直線 route
AI 可以學：
⭐ 真實環境的反射 pattern
⭐ LOS / NLOS 切換
⭐ multipath cluster 的 mapping
________________________________________
🧠 二、AI Beamforming 的三大主流架構
________________________________________
⭐（1）CNN / DNN：
用 RSRP、CSI 場景圖 → 直接挑出 beam index
輸入：
• RSRP grid
• partial CSI
• beam reference signals
• UE 位置
• UE 歷史 SNR 模式
輸出：
👉 最佳 beam index（分類問題）
適合場景：
✔ 室內微型細胞
✔ 低移動度系統
✔ UE feedback 不完整的情況
✔ Multi-beam environment
________________________________________
⭐（2）LSTM / GRU：
用序列資料預測下一個 beam（Beam Tracking）
輸入：
• h(t-1), h(t-2)... CSI sequence
• RSRP sequence
• UE speed / 角速度
• Doppler shifting pattern
輸出：
👉 下一個最佳 beam index
👉 未來數個 beam 的序列（prediction horizon）
適合：
✔ V2X
✔ 高鐵
✔ UAV
✔ 低空無人機
✔ NTN / LEO（最重要）
________________________________________
⭐（3）Transformer：
6G 核心：multi-domain beam prediction
Transformer 能同時看：
• 時域
• 空域（天線陣列）
• 頻域
可以做：
✔ Multi-domain CSI reconstruction
✔ 預測反射 cluster
✔ 預測 UE 的 3D 位置
✔ 預測 beam path（LOS → 反射 → 遮蔽）
✔ NTN beam auto-selection
一句話：
⭐ Transformer 已經是「AI beamforming 的主流」。
________________________________________
🛰 三、AI Beamforming × NTN（LEO 衛星網路）
LEO 是最需要 AI beamforming 的通訊系統：
📌 特性：
• 衛星移動速度 7.5 km/s
• beam footprint 持續位移
• Doppler 30k–100k Hz
• UE 與衛星角度瞬變
• 高度貝氏性／非線性
• 反射由地面地形決定
傳統 beam tracking 完全不可能追上。
AI 可以：
✔ 預測未來 1–5 秒 beam steering angle
✔ 預測 Doppler shift
✔ 推估反射 cluster
✔ 在 UE 移動前預先調整 beam
✔ 做 predictive beamforming
這對：
• Starlink
• 6G NTN
• Direct-to-Device 衛星通訊
都是必要條件。
________________________________________
🧠 四、AI Beamforming 的數學核心概念
AI 做的事不是亂猜，而是逼近這個 mapping：
📌 argmax_beam p(beam | observation)
或更完整：
📌 argmax_beam p(beam | CSI_partial, RSRP, location, history)
傳統：
• 用公式算 beam
• 或是掃描所有 beam
• 或是用 codebook-based beam search
AI：
👉 直接預測 beam index
👉 不需要完整 CSI
👉 不需要全掃描
👉 不需要回報延遲
從通訊理論角度：
⭐ AI 是在逼近最優 beam selection 的 Bayes classifier。
________________________________________
🧠 五、ASCII 圖：AI Beamforming 工作流程
UE 回報 / 部分 CSI / RSRP
│
▼
┌──────────────────┐
│ AI Beamformer │ (CNN / LSTM / Transformer)
└──────────┬───────┘
▼
最佳 Beam index
│
▼
基地台天線陣列 Steering Vector
這張 AI Beamforming 工作流程示意圖說明：基地台先接收來自 UE 的 部分 CSI 或 RSRP 回報，再由 AI Beamformer（如 CNN／LSTM／Transformer） 學習通道與空間特性，直接在連續或大尺度搜尋空間中推估最佳 Beam 方向或索引，最後將結果轉換為天線陣列的 Steering Vector 進行波束指向。相較傳統 codebook 搜尋，AI 能降低訓練與掃描開銷，同時提升追蹤快速時變通道的能力。
________________________________________
🧩 六、模擬題
________________________________________
**1️⃣ 專業題：
為什麼 AI Beamforming 不需要完整 CSI？**
📦 答：
因為 AI 可以從 partial CSI / RSRP / 位置資訊學習通道的統計特徵，直接預測最優 beam，不需要完整通道矩陣。
________________________________________
**2️⃣ 應用題：
LEO NTN 中 AI beamforming 最大的好處是？**
A. 計算比較便宜
B. beam footprint 移動快速，AI 可預測 ✔
C. 衛星能量比較多
D. UE 不用回報位置
👉 LEO 衛星高速移動導致 beam footprint 快速漂移，AI 可預測最佳波束方向以提前調整，維持連線品質並降低追蹤延遲。
________________________________________
**3️⃣ 情境題：
高鐵場景中，哪種模型最適合做 beam tracking？**
A. CNN
B. LSTM / GRU ✔
C. K-Means clustering
D. Reed-Solomon code
👉 高鐵場景通道變化具有明顯時間序列特性，LSTM／GRU 擅長建模時序關聯，能預測波束演化以提升追蹤穩定性。
________________________________________
🛠 七、實務演練題
1️⃣ 用 CNN 訓練室內場景 beam selection
2️⃣ 用 LSTM 預測高速移動 UE 的 beam sequence
3️⃣ 用 Transformer 做 massive MIMO beam prediction
4️⃣ 用部分 CSI reconstruction → beam inference
5️⃣ 做 NTN Doppler + beam tracking 的 AI 模型
________________________________________
✅ 八、小結：AI Beamforming 是 6G RAN 的靈魂
✔ 大幅減少 pilot / sweeping overhead
✔ 大幅減少 UE 回報量
✔ 在高速移動（V2X、高鐵、LEO）中仍能準確
✔ Massive MIMO 高維 CSI 壓縮 → 用 AI 重建
✔ NLOS / 反射環境 AI 超越傳統算法
✔ 能做未來 beam 預測（predictive BF）
一句話：
⭐ 6G 的 beamforming，不再靠掃描，而是靠「預測」。
