Generative AI for the Optimization of Next-Generation Wireless Networks: Basics, State-of-the-Art, and Open Challenges

下一代（xG）无线网络由于其复杂和动态的特性，使用传统的优化技术存在着重大挑战。生成式人工智能（GAI）由于其独特的优势而成为一个强大的工具。与传统的优化技术和其他机器学习方法不同，GAI擅长于从真实世界的网络数据中学习，捕捉其复杂性。这使得网络配置的安全离线探索和生成多样化、未曾见过的场景成为可能，从而为xG网络提供了主动的、数据驱动的探索和优化。此外，GAI的可扩展性使其成为大规模xG网络的理想选择。本文调查了GAI模型在xG无线网络中解锁优化机会的方式。我们首先回顾了GAI模型和一些xG（如6G）无线网络的主要通信范式。然后我们探讨了如何使用GAI来改善资源分配和提高整体网络性能。此外，我们简要回顾了支持xG无线网络中GAI应用的网络要求。本文进一步讨论了利用GAI进行网络优化面临的主要挑战和未来研究方向。最后，一个案例研究展示了基于扩散的GAI模型在非地面网络中进行负载平衡、载波聚合和回传优化的应用，这是xG网络的核心技术。这个案例研究作为一个实际的例子，展示了如何将强化学习和GAI相结合来解决真实世界的网络优化问题。

使用传统的优化技术解决下一代无线网络中的问题很困难，因此本文探讨了如何利用生成式人工智能（GAI）模型来进行网络优化。

GAI模型可以从真实世界的网络数据中学习并生成多种多样的情景，从而能够实现离线探索和优化。同时，GAI的可伸缩性使其非常适合大规模的下一代无线网络。

本文介绍了GAI模型如何用于资源分配和网络性能优化，并讨论了支持GAI应用的网络要求。此外，本文还介绍了一个基于扩散的GAI模型在非地面网络中实现负载均衡、载波聚合和回传优化的案例研究。

与本文相关的研究包括：《A Survey of Machine Learning Techniques for Radio Resource Management in 5G Cellular Networks》、《Deep Reinforcement Learning for Resource Allocation in Wireless Networks: A Review》等。