发布时间：2026-07-02

文章标题：祝贺硕士生张诗晨论文“大模型赋能的二维真时延智能超表面天线近场波束聚焦”被《电子学报》录用！

内容：

祝贺硕士生张诗晨论文被《电子学报》录用！

大模型赋能的二维真时延智能超表面天线近场波束聚焦

在6G通信系统向中高频段与超大规模天线阵列演进的背景下，通信距离特征发生改变，导致用户落入近场球面波范围。近场波束分裂效应与波束聚焦难题严重制约了通信性能的提升。传统的波束聚焦方案或依赖硬件成本高昂的真时延器（TTD，true time delay）配置，或面临信道估计复杂、计算复杂度高、码本规模爆炸等问题，难以适配动态近场通信场景。为突破上述限制，本文首先从硬件架构层面设计了一种二维真时延智能超表面天线结构。该架构将超表面子阵按行列区分，分别配置行TTD与列TTD，通过行列独立调控的真时延器网络与相移单元协同工作，在实现精准相位补偿并抑制波束分裂效应的同时，大幅减少了所需的TTD总量。其次，面对近场信道高维动态特性与显式信道估计带来的巨大开销，本文提出一种由大语言模型驱动的端到端近场波束聚焦算法。该方法彻底摒弃了传统“先估计信道，再优化波束”的两阶段冗长流程，以最大化系统总速率为目标，创新性地将波束聚焦问题转化为从接收导频信号语义特征到系统控制参数的直接映射。为此，本文建立了一个包含预处理、特征融合、语义建模与多任务输出的四模块协同网络架构。其中，特征融合模块利用极化自注意力机制分别提取频率域和时间空间域的语义特征，大语言模型模块则利用预训练的GPT-2骨干网络强大的长序列建模与上下文依赖捕捉能力进行全局特征关联。进一步地，在输出端，网络通过多任务模块联合优化，分别输出符合物理约束的模拟端相位、数字预编码以及真时延器参数。在训练策略上，模型依托大语言模型的迁移学习与少样本学习能力，加载预训练权重并仅对特定层进行微调，实现了网络的高效稳定收敛，完全绕过了复杂的信道估计环节。与传统迭代优化算法相比，所提方案不仅大幅降低了对导频开销的依赖，还将在线计算复杂度从立方次增长降至近线性级别，在动态宽带近场通信系统中展现出极高的工程应用潜力。