12月12日消息(乐思)为增进科研交流、强化产学融合、进一步激发创新活力，清华大学-中国移动联合研究院举办了名为“StarLight”的系列学术沙龙活动。作为“StarLight”系列活动的开篇：“从5G到6G——‘连接’未来”沙龙活动近日在线上开启。
清华大学副教授联合研究院6G研究团队项目负责人秦志金受邀参与本次活动并发表了主体演讲。
她表示，在过去几十年，通信领域的研究主要集中在如何准确有效地将符号从发送端传输到接收端，即语法通信。随着无线通信系统的发展，系统容量逐渐接近香农极限。香农和韦弗将语义通信划分为通信的第二个层次。区别于传统通信将波特或符号的准确传输作为目标，语义通信的主要目的是实现语义信息的准确交互。
在演讲中，秦志金首先介绍了语义通信的概念及其与典型通信的关键区别;介绍了面向多模态数据的语义通信最新研究成果，并探讨了语义通信中存在的问题与挑战。
传统通信是基于统计概率的香农定理，增加信息传输物理维度，改变资源挖掘利用方式，实现符号级的准确传输。从1G到5G的发展，研究人员通过探索新的频谱利用方式，新的编码等方式不断提高系统的速率。
她指出，传统通信系统正面临着瓶颈，比如，信道容量逼近香农极限；信源压缩效率接近上限；通信系统能量功耗巨大；以及，优质频谱资源逐渐稀缺等等。“因此，亟需寻求新的优化空间和自由度，提升传输有效性。”
早在1949年，香农和韦弗就曾提出三层通信理论，第一层次是语法通信，主要解决符号准确传输；第二层次语义通信，主要解决语义信息准确交互；第三层次语用通信，解决信息效用准确传输。
秦志金介绍说，语义通信架构主要包括语义知识库，为收发两端提供语义信息处理指导，感知语义特征；语义编码器，对传输信息进行语义编码，并实现语义提取；语义解码器，针对接收语义信息，结合下游任务需求完成语义重建。
她认为，传统通信和语义通信有着明显的不同。传统通信基于经典香农信息论，使用的是信息熵压缩算法，采用的是比特级传输极致；而语义通信基于全新语义信息论；同时关注信源内部语义特征，语义熵压缩算法；传输部分为语义信息，极大地节省带宽资源，即语义级传输机制。
据悉，语义通信的应用场景广泛，比如3D全息虚拟场景会议，需要满足云、变、端智能协同以及多模态数据。使用语义通信能够大幅减少通信数据量，高清3D交互体验，多任务协同以及个性化服务。
当前，语义通信面临着挑战。一是语义信息表征。在语义通信中，如何表征语义信息？如何消除语义歧义？二是语义通信度量。传统的通信中只需要考虑信道的噪声。在语义通信中，需要考虑如何消除语义噪声。另外需要探索信道容量的边界。三是系统架构研究。主要是端到端语义通信；以及信源信道一体化。
近几年，研究人员发现，深度学习可以赋能语义通信系统。首先是深度学习拟合特征，避免语义信息的数学表征；其次深度学习可以进行神经网络特征提取，输出信源信息的语义特征。
演讲中，秦志金对团队相关工作中提出的基于深度学习的语义通信系统DeepSC进行了详细的介绍。
同时，她也指出，目前面向语义通信的研究还处在初期阶段，面临的挑战也是多样的。“首先是面向语义信息论的挑战，主要是语义信息的表征理论以及语义压缩的极限。其次是面向智能任务的挑战。研究语义知识库的构建；多模态语义噪声量度，以及多模态多任务一体化设计。最后是语义觉知网络资源分配。探索语义觉知网络新型优化目标；反映出语义网络资源分配。”
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
