Analysis Method of Stochastic Computing System Based on Hypergeometric Decomposition

1.   引言

第六代移动通信(6G)标准已作为当前着力部署的焦点，6G网络凭借其超高速率、超低延迟和超大容量正引领通信技术迈向一个服务于智能、高效的全面联结的新纪元，“万物智联、数字孪生”的宏伟蓝图逐渐成为现实。与此同时，随着人与人、人与机器、机器与物体及智慧系统间交互的深化，产生了大量多样化的数据形式。与传统通信注重符号层面的精确传递不同，语义通信更加重视通信双方在消息内容准确性上的传达，具有多项优势：实现了更加高效的信息传输和优化资源利用；提高了传输可靠性；增强了通信系统的适应性，并为用户提供了更好的安全性和隐私性^[1]。这项技术被认为有望突破基于经典信息论的通信系统传输瓶颈，语义通信有望成为6G网络的关键技术。

语义通信旨在通过语义特征提取、压缩和传输，实现信息的高效交流。其核心目标是在语义层面上确保接收者能够准确理解发送者的意图，这一特性有效缓解了频谱资源紧张与数据爆炸之间的矛盾，为未来通信技术的发展开辟了新的方向。与传统通信系统依赖概率论进行信息表征和度量不同，语义通信引入了更高层次的语义理解问题，在语义信息的传输中还面临语义理解偏差带来的模糊表征及度量难题。这种偏差不仅源于技术层面的局限性，还涉及语言表达、认知理解等更深层次的因素^[2]。因此，语义通信的研究不仅需要突破传统技术的边界，还需融合多学科知识，以实现语义信息的精准传输与高效理解。

智能超表面是一种广受关注的通信技术，其通过调整数百个小天线的相位和振幅来改变信号的传输方向和强度，以实现信号的增强和抑制等功能^[3]。RIS凭借其低成本、低功耗、可编程和易部署等优点，被认为是5G-Advanced和6G网络的关键候选技术之一。同时，RIS利用其大量可编程电磁单元，赋予了无线电系统前所未有的主动性。引入RIS的无线电系统能够智能识别环境变化，并根据需要对电磁波进行智能调控，从而显著提升通信效率和质量。这一特性革新了传统通信系统被动适应多变无线传播环境的局面。

RIS赋能语义通信系统在显著增强信号强度的同时，还通过巧妙部署RIS优化信号传输轨迹，确保了数据传输的稳健性与语义信息的精确传达。此外，RIS凭借智能调控信号的反射与折射特性，大幅度提高了频谱资源的利用效率。因此，RIS赋能语义通信系统无疑是对通信性能的一次飞跃式提升，为解决当前频谱资源日益紧张的问题提供了强有力的支持。

2.   语义通信发展

近年来，随着无线通信需求的持续增长，通信系统所需承载的数据传输量急剧增加，现有通信系统的传输速率已日益逼近香农极限的边界，于是研究的焦点开始从“如何精确还原传输的符号”转变为“如何精确还原传输的语义”^[4]，语义通信应运而生，成为解决当前通信瓶颈的关键路径。

尽管语义通信近年来才引起广泛关注，但早在1948年Shannon^[4]就用Level A～Level C共3个层级来进一步刻画语法、语义和语用通信。Level A解决技术问题，即通信符号如何保证正确传输；Level B解决发送的符号如何传递确切的含义；Level C解决接收的含义如何以期望的方式影响系统行为^[5]。

近年来，关于语义信息论的研究一直未曾停止，但语义通信的理论体系及其实现技术仍需进一步深化^[6]。目前语义通信系统可分为两类：面向语义的通信和面向目标的通信。在传统的通信系统中，传输内容往往被转化为纯粹的比特流，忽略了其内在的语义价值。而面向语义的通信设计则颠覆了这一传统，将信源数据语义的准确性视为核心，不再单一地依赖源数据的统计概率来评估信息的平均量。因此需要在编码前加入语义表征模块，捕获嵌入在信源数据中的核心信息，过滤不必要的冗余信息。在此基础上，面向目标的通信进一步提出了更高的要求，即通信的参与者需共同协作完成一个明确的通信目标或任务^[7]。此外与传统的通信方案相比，语义通信消息含义的数据大小通常比消息本身小得多，因此通信延迟降低，效率变高，在确保可靠性方面也表现出明显的优势。传统通信中，一个小小的比特错误就可能导致意义上的重大错误，而在语义通信中，解码过程中的小错误并不影响传输信息的完整性。图1展示了语义通信架构。

图  1  语义通信架构

下载: 全尺寸图片 幻灯片

深度学习、神经网络、自然语言处理、信息处理等技术的蓬勃兴起，共同推动了语义通信的发展，同时学术界又做出了卓越贡献。张平团队突破性地提出了语义基(Semantic base, Seb)，使用语义基表征语义信息，并进一步提出模型驱动的语义通信框架，实现由传统比特传输到“模型”传输的转变。Shi等人^[8]提出了语义通信的基本框架，并研究了语义信息表征与压缩编码以及传统通信到语义通信的转变^[9]。

单模态语义通信研究包括文本、图像、音频和视频。文本语义通信的研究通常采用语义符号来表征语义，如单词“man”和“people”以及“the human race”可以映射到同一个语义符号，正是由于这种高效的语义映射机制，语义通信才能够显著减少带宽^[7]。早在2018年，Farsad等人^[10]受到深度学习在自然语言处理(Natural Language Processing, NLP)的启发，提出了基于GloVe的文字传输系统模型。该模型将所有句子嵌入到一个语言空间中，意思相近的句子被相邻放置，然后进行联合信源信道编码，保留语义信息。不过当面对长句子时，系统性能不再得到保证。面对存在的挑战，谢汇强等人^[11]提出的基于Transformer框架的DeepSC旨在恢复文本意思，对于信道变化更具鲁棒性，在低信噪比(Signal to Noise Ratio, SNR)下也具有更好性能。Xu等人^[12]提出了基于注意力的深度学习联合信源信道编码(Attention DL based JSCC, ADJSCC)，动态调整不同SNR下信源编码的压缩比和编码率，占用更少存储空间，具有更高鲁棒性。Hu等人^[13]提出一个资源节约型特征提取模型，使用带有视觉Transformer结构的掩码自编码器(Masked AutoEncoder, MAE)。MAE可以从部分观测中重构一个图像，显著减少了内存消耗，显著提高语义通信系统对抗语义噪声的鲁棒性。Tong等人^[14]提出一种基于波矢(Wave Vector, Wav2Vec)结构的自动编码器，该编码器由卷积神经网络(Convolutional Neural Network, CNN)组成，能够以少量数据实现高精度的音频传输，相较于传统编码方案，音频传输均方误差(Mean-Square Error, MSE)降低近100倍。Tung等人^[15]创新性地提出DeepWiVe，利用深度神经网络(Deep Neural Network, DNN)直接将视频信号映射为信道符号，将视频压缩、信道编码和调制整合为单一的神经转换，避免了悬崖效应，最大限度地提高最终视频质量。

多模态语义通信旨在实现多模态数据的精确处理和高效传输，精确恢复发送者的预期语义，给用户提供更好的体验。谢汇强等人^[16]设计地MU-DeepSC模型，能够联合捕捉相关多模态数据中的特征，比传统通信系统对于信道变化具有更强的鲁棒性。Hudson^[17]提出一种新颖的完全可微的MAC网络架构，在CLEVR数据集上实现98.9%准确率，计算数据效率高，需求数据量减少五成。文献[18]中提出的U-DeepSC，通过一个统一的模型服务于多任务工作，采用领域适应训练方法为每个任务指定特定的特征，系统只需传输特定任务的特征，极大地减少了传输开销。

3.   RIS赋能语义通信系统

3.1   智能超表面

RIS主要由一个3层结构面板和智能控制器构成。最外层搭载了众多反射单元；中间层则采用铜板或其他金属板，以防止信号能量衰减；内层则设有一个控制电路板，调节每个反射单元的反射振幅和相移。其关键优势在于无需额外电源支持，无需复杂的信号处理即可感知环境并调控无线电波^[3]。因此，RIS在实际应用中展现出极高的可行性与实用性，成为未来无线通信基础设施建设的理想选择。图2展示了RIS在无线通信系统中的主要功能。

图  2  RIS对无线信道的主要功能

下载: 全尺寸图片 幻灯片

3.2   智能超表面赋能语义通信

通过深度探究信息的本质，语义通信有望重塑通信系统的核心架构，推动通信网络向智能化方向演进。与此同时，将RIS引入语义通信系统也展现出显著优势，从而进一步赋能语义通信的实际应用。

(1)增强信号传输与覆盖：由于通信基础设施的局限性，语义通信系统可能会出现覆盖空洞。同时传输距离、障碍物、网络拥堵以及信号衰减等诸多因素，可能导致信号强度显著降低。RIS根据预设的算法或实时反馈信息对入射电磁波进行精确的相位调整，由此改变波的传播方向和特性并形成定向波束，将信号集中传输到特定的接收端，增强信号传输与覆盖，从而为用户提供更加稳定和高质量的通信服务。文献[19]提到部署RISs建立额外的语义传输和反射路径，通过最大化互信息量(Mutual Information, MI)增强用户感知模型QoE(Quality of Experience)。文献[20]利用强化学习(Reinforcement Learning, RL)动态调整RIS相位偏移，物理层上高度灵活且成本效益高，表现出较高的适应性，满足了极端信道条件下的用户需求。

(2)优化系统性能与效率：引入RIS不仅能够优化信息的编译码过程，还能确保关键语义信息的准确传输，从而显著提升通信的精确度和效率。文献[21]研究了RIS赋能语义通信的频谱高效通信和计算资源分配，提出一种多对多匹配方案解决RIS-user的关联问题，通过贪心策略获得优化的语义压缩比。文献[22]提出了一种新颖的RIS赋能逆语义通信范例，旨在实现轻量级的无线感知。其中的新型RIS硬件的幅度响应矩阵在编码的传感数据中嵌入了先验知识，使用自监督学习解码，无需消耗预训练资源即可实现原始传感数据的高质量恢复。

在语义通信领域引入RIS不仅极大地提升了语义通信的精确性和有效性，更在语义通信系统的未来发展蓝图中开辟出一条全新的路径，语义通信将迎来更加广阔的发展前景。图3展示了RIS在语义通信系统中的一些应用场景。

图  3  RIS赋能语义通信系统应用场景图

下载: 全尺寸图片 幻灯片

4.   RIS-SemCom系统优化设计

本文考虑的RIS赋能语义通信系统模型由发射器、具有N个独立无源反射元件的RIS和接收器组成。发射器和接收器均配备单根天线，每个反射元件通过智能控制器重新配置相移和幅度。发射器端输入文本为句子$s = [{w_1},{w_2}, \cdots ,{w_l}]$。其中，${w_l}$为输入句子中第$l$个单词，并且$s$经过语义编码可表示为

其中，${C_\alpha }$是具有参数集$\alpha$的通道编码器，${S_\beta }$是具有参数集$\beta$的语义编码器网络。

${{\gamma }_N}$和${\phi _N}$分别表示RIS第$N$个元件的幅度反射系数和相移，RIS反射系数矩阵表示为${\boldsymbol{\varPhi}} = {{\mathrm{diag}}} ({{\gamma }_1}{{\text{e}}^{{\text{j}}{\phi _1}}},{{\gamma }_2}{{\text{e}}^{{\text{j}}{\phi _2}}}, \cdots ,{{\gamma }_N}{{\text{e}}^{{\text{j}}{\phi _N}}})$。接收端接收的信号为

其中，${h_1} = \left| {{h_1}} \right|{{\text{e}}^{{\text{j}}{\theta _1}}}$表示接收端到发射端的直接信道，${{\boldsymbol{h}}_{\text{2}}} = {\left[ {{h_{21}},{h_{22}}, \cdots ,{h_{2N}}} \right]^{\mathrm{T}}}$与${{\boldsymbol{h}}_{\text{3}}} = \left[ {h_{31}},{h_{32}}, \cdots , {h_{3N}} \right]^{\mathrm{T}}$分别表示发送端到RIS和RIS到接收端的信道向量，$n$服从均值为0，方差为$\sigma _n^2$的加性高斯白噪声。

为了评估所提模型的系统性能，选择双语评估替补(Bilingual Evaluation Understudy, BLEU)衡量系统性能结果。其中BLEU的取值范围为0～1，数值越大，重建文本和源文本信息相似度越高^[23]。此外，选取欧洲议会会议记录作为实验数据集，其中包含约 200 万个句子和 5300 万个单词^[24]。通过多种基线对比提供语义通信系统在不同通信环境下的性能表现，显示出RIS对于语义通信系统的显著提升。

图4展示了不同信道环境下语义通信系统BLEU值随SNR的变化。RIS信道条件下的BLEU值显著优于其他信道，且稳定性更强，受SNR波动影响较小，尤其在低SNR环境下仍能保持较高的语义准确性。此外，1-gram的BLEU值高于2-gram，前者注重词汇精确度，后者强调词汇顺序与语句连贯性。因此，实际应用中需根据数据集规模、计算复杂度及任务需求，合理选择模型或探索更高阶N-gram模型。

图  4  不同信道条件下BLEU与SNR关系

下载: 全尺寸图片 幻灯片

RIS-SemCom优化设计需遵循资源优化、用户需求优先、公平性保障和安全性考量等准则，通过需求分析、RIS配置优化、编解码算法设计及性能评估等步骤，实现系统性能与用户体验的最优。设计过程中需综合考虑信道建模、语义特征提取、RIS反射系数及编码策略等多因素联合优化，并确保算法具备实时性与适应性，以应对动态信道与多样语义信息。作为通信技术与RIS融合的前沿领域，RIS-SemCom不仅具有复杂性，更蕴含巨大创新潜力，有望推动未来智能通信网络向高效、灵活与智能化方向发展。

5.   未来研究展望

目前，RIS赋能语义通信系统的研究还处于起步阶段，主要集中在资源分配、性能增益及系统架构设计等方面。同时，语义通信的发展存在较多局限，缺少像香农信息论一样的理论支持和完整的数学体系。并且很大程度上取决于通信双方知识库的完备性，而知识库的共享及实时更新容易遭到恶意攻击。因此，RIS在语义通信系统中的实际应用仍有许多问题亟待解决。

(1)跨模态语义融合传输架构设计：现有的语义传输更关注端到端的单一模态通信问题，难以满足多样化的6G网络。随着6G网络的不断发展，跨模态的通信模式将成为一种必然，RIS赋能语义通信的跨模态融合传输架构设计也迫在眉睫。然而，现有框架大多无法满足复杂需求，如何实现高效的跨模态语义通信仍需明确。

(2)本地知识库的更新与设计：本地知识库是语义通信实现低码率传输的关键。换言之，语义通信的效能极大地依赖于通信双方背景知识的匹配程度及其完整性。随着语义变化与知识更新，知识库需定期更新以确保语义通信达到既定的性能标准。尽管已有研究对本地知识库的重叠度和覆盖范围进行了初步建模，但仍面临着泛化能力不足、资源消耗过大等问题。因此，如何高效地设计和更新本地背景知识库成为重要挑战。

(3)通信安全设计：语义通信系统不仅面临传统网络攻击，还面临针对人工智能模型的攻击以及同质知识库带来的隐私泄露风险。用户的知识库不一致可能会导致信息解释的歧义，为恶意攻击者提供可利用的漏洞；恶意用户还可能利用RIS等技术的反射特性来干扰或窃听通信。因此，亟需通过加密、物联网安全和动态调整等防御措施来对抗潜在威胁，确保RIS赋能语义通信系统的安全性。

6.   结束语

本文探讨了语义通信的发展历程及RIS基础理论框架。语义通信旨在突破传统通信的带宽限制，实现更自然流畅的人机交互，已在多个领域展现出显著潜力。同时，本文分析了RIS在提升无线系统性能方面的优势及其在语义通信中的应用前景。通过引入RIS，可有效缓解阻塞区域对系统性能的限制，显著提升通信效率与可靠性。基于此，提出了一种RIS赋能语义通信系统模型，验证了RIS在提高信息恢复准确性及通信质量方面的有效性。此外，本文进一步展望了RIS赋能语义通信发展前景，提出跨模态传输架构、知识库更新与设计以及安全性等研究课题，亟待科研人员深入挖掘。