1、Sustainable Green Intelligent and Concise 6G:Vision and Technology TrendWHITE PAPER V9.0A2023.03总体愿景 行业赋能与社会责任 低碳绿色可持续发展关键使能技术低碳的网络架构天地融合覆盖多层柔性覆盖自组织可重构人智增强空口跨层多域智能协同高时效语义通信感传控算协同无线赋能人智新材料与新芯片射频新材料智能超表面高能效芯片光电新器件参考文献贡献单位1 1.1 1.222.12.1.12.1.22.1.32.1.42.22.2.12.2.22.2.32.32.3.12.3.22.3.32.3.43401010

2、2030303050895目录-01-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend1.总体愿景1.1 行业赋能与社会责任5G 网络的规模化部署和商用开启了万物互联的新时代，推动了工业、农业、医疗、交通等传统行业的数字化转型和产业结构升级，促进了数字经济与数字社会建设，引领了新一轮信息革命浪潮。与此同时，关于 6G 网络的愿景规划、网络架构设计及关键技术研究已在全球范围展开，也成为我国“十四五”规划和 2035 远景目标纲要中“加快数字化发展，建设数字中

3、国”的关键一环。秉持可持续发展理念，着眼未来大数据与人工智能时代，“以低碳智简实现万物智联”成为 6G 发展的核心目标。6G 万物智联将赋能诸如无人驾驶、智能交通、智慧工厂、智慧城市、智慧海洋等千行百业垂直应用。为此，6G 网络需要以超大容量（Tbps 级峰值速率）、超低时延（0.1ms）、超高可靠（99.99999%）、超高效能（频谱效率、能量效率等），支持海量信息的实时传输交互 1。不仅如此，网络中具备环境感知能力的摄像头、雷达等传感设备，以无人车为代表的智能移动终端，以及高度智能化的网络节点，都将全方位地参与到信息的感知、转发和处理决策过程中，形成一个感知、通信、计算与控制深度融合的网络

4、。这些智能体间的通信内容往往与自身状态、周围环境及应用本身紧密相关，仅考虑传输过程的延时和可靠性并不足以满足垂直行业业务的实际需求。为此，需要结合典型垂直应用的特点和需求，刻画信息从产生直至被用于计算、控制的价值随时间的变化，即信息时效性（Information Timeliness），针对不同业务的特性及其服务质量需求，建立差异化的信息时效性模型和低时延高可靠指标体系，并设计相应的优化调度理论与方法。进一步，以网联自动驾驶、工业互联网为代表的垂直应用将引入大量人工智能算法，满足其数据采集、训练与推理决策的时效性需求将成为 6G 网络的一个全新挑战。为此，需要深度融合大数据、人工智能，边缘计算

5、、边缘缓存等技术，设计智慧内生的新型 6G 网络架构；在此基础上，研究高时效语义通信、分布式机器学习及多智能体协同的新理论、新方法。目前，我国的无线网络覆盖仍存在很多盲区，农村及偏远地区的网络覆盖水平难以满足基本的民生需求，新型基础设施建设任重道远，社会服务数字化普惠水平亟需提升 2。另一方面，大范围的海洋区域和三维空间飞行区域具有重要的战略意义和经济价值，却尚未实现宽带信息覆盖。为了实现全域全天候的网络覆盖，需要研究天地融合的广域宽带通信架构及关键技术。同时，万物智联的服务质量需求存在较大差异，因此需要综合考虑连接请求的任务形式、所处的地理位置、当时的网络状况、以及服务质量需求等要素，运用人

6、工智能、网络动态重构等技术为用户提供个性化服务。智慧网联需要全方位和全过程的安全可信保障。随着我国数据安全法的颁布，数据安全已得到越来越多的关注和重视。为保障数字化经济与数字社会的安全健康发展，6G 网络需要提供原生的数据保护和可信机制。为此，需要设计原生可信的新型网络架构，并通过融合云计算、人工智能、区块链等技术，构建一套安全性与可用性相互统一的全方位全过程保障体系。1.2 低碳绿色可持续发展各种信息技术，特别是遍布于地球各个角落的通信与网络基础设施，在经历了几十年高速发展之后都逐渐遇到了能耗的瓶颈，其快速增长的自身能耗也已演变为全球气候变暖的元凶之一。以移动通信网络为例，随着业务量的迅猛增

7、长，移动通信系统已成为高能耗产业，其中 80%的能耗在基站侧。例如，据中国移动2018 年的数据显示，同时运营着的 350 万台 2G、3G、4G 基站消耗电力 247 亿千瓦时，占总运营成本的 60%以上。2019-2021 年间，随着 5G 网络的建设，该公司又增加了近 70 万台 5G 基站，且每台 5G 基站的功耗为 4G 基站功耗的 34 倍，因此网络总能耗还在持续上涨。进一步地，未来 6G 网络需要大量引入计算能力与人工智能算法，为此需要额外大量部署边缘服务器，而一台典型边缘服务器的功耗可达 2kW 以上，其能耗水平也是非常可观的。可见，随着移动通信向 5G 和 6G 时代的迈进，

8、网络能耗将显著增加，严重制约移动通信的可持续发展。众所周知，能源危机与环境污染问题已经成为制约人类社会可持续发展的两个主要瓶颈。作为世界上最大的发展中国家以及第二大的能源消费国，中国也已经制定了“建设资源节约型和环境友好型社会”以及“2030年碳达峰、2060 年碳中和”的“双碳”战略。因此，迫切需要研究并突破可在提高移动通信系统容量的同时大幅降低全网能耗的理论与技术，构建能效与资源联合优化的大容量、高可靠和低延时的移动通信系统。显然，以提高能量效率（单位能量所能传送的信息量）为主线的传统意义上的绿色通信并不足够，因为各种预测均显示，随着全息媒体和万物互联时代的到来，未来 5 到 10 年人们

9、对网络容量的需求仍将呈现指数增长的态势，因此单纯提高能量效率并不一定能够降低总的能量消耗。为了应对该挑战，仅靠无线传输技术的改进和硬件实现水平的提高是远远不够的，因为经典信息理论，如指导移动通信 70 余年发展的香农定理，告诉我们：要想提高传输容量，要么需要更大的带宽或是更大的时间与空间自由度，要么需要大幅度提高信噪比，即提高发射功率。由于频谱资源只能是越来越受限，时间与空间自由度的获取也越来越受限于站址资源及信号处理的代价，因此提高发射功率成为了最后的手段。6G 低碳网络将跳出物理传输层的范畴，从系统和网络的角度探索能量的高效利用机理与方法。引入能量流与信息流智能匹配的机理，针对日益增长的计

10、算与人工智能算法能耗给出解决方案。例如，通过引入超蜂Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend-02-窝网络架构实现网络的柔性覆盖与弹性接入，使得业务基站和边缘服务器在业务量较低时可以进入休眠状态，减少 能量的浪费（“节流”）。同时，大量引入可再生绿色能源（“开源”），通过能量流与信息流的智能适配，大幅降低电网的能耗，减少碳排放。进一步地，通过网络功能虚拟化、通信与计算资源的高能效协同、以及移动智能体的分布式计算与协同等手段，实现绿色计算与人工智能算法。2.关键使能技术2.1 低碳的网络架构2

11、.1.1 天地融合覆盖尽管 5G 快速建设，“数字鸿沟”问题仍亟待解决 3，天地融合覆盖将是 6G 发展的重要方面。如图 1 所示，天地融合网络的典型应用场景包括：应急救灾，广域生产，智慧物流，海域通信等。应急救灾：当地面通信设施遭受毁坏，卫星、无人机等提供非地面应急通信手段，并与留存的地面设施协同组网，支持活动基站按需部署，迅速恢复通信服务。广域生产：智能制造的原材料往往分布于偏远矿山、林区等，地面设施部署困难，无人/少人作业需要天地融合网络打造“广域生产的神经系统”，通过感-传-算-控闭环优化，提高机器作业效率。智慧物流：高价值冷链监测等需要全天时、全天候、全路段信息覆盖，天地融合网络即可

12、发挥卫星的广播优势，实现广域态势分发，也可通过天地协同覆盖，消除盲区。海域通信：海上运输、海上风电、海油开发等急需宽带信息覆盖，岸基基站覆盖跨度受限，需通过天地融合网络，以按需覆盖新体制满足广域稀疏海上用户需求。-03-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend图 1.天地融合网络的典型应用场景图 2.对天地融合网络的“复杂网络-基本结构-最小链路”三层视角天地融合覆盖的主要挑战包括 4：星、地通信链路的时延、速率、覆盖范围等差异大，不能简单视卫星或无人机为“空中”基站；轨道、空间环境、气象条

13、件、地面状态等复杂变化，制约天地融合网络的部署优化；长途卡车、作业机器、海油平台等典型用户要求确定性（低/确定时延、超高可靠）信息服务，与天地融合网络的动态性构成矛盾。天地融合网络在环境和需求的双重压力下，往往复杂性高，要求“结构化、闭环化”设计新方法。-04-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend图 3.面向感-传-算-控闭环的多级边缘计算辅助天地融合网络示意图“结构化”尝试从系统论视角破解天地融合网络的复杂性难题。由于天、地链路的差异性和耦合性，复杂网络不能简单分解为最小链路的加和，可

14、从如图 2 所示的模型 X，模型 L 以及模型 V 等基本结构入手，寻找复杂天地融合网络的优化设计准则。这三种模型是包含星地协同关系的最小单位，每一个模型只包含一个卫星链路和一个地面链路，最多由一个卫星，一个卫星用户，一个地面基站和一个地面用户组成。复杂的天地融合网络可以看出这三种基本结构的非线性组合 2。“闭环化”面向广域机器通信需求，在多级边缘计算（MEC）辅助的天地融合网络中构建感-传-算-控闭环。如图 3 所示，无人机携带一级 MEC，汇聚传感器信息，智能决策后，调度控制器完成任务。多级 MEC可完成多级决策处理，无人机作为空中活动基站 5，与卫星协同构成“臂手结构”。系统论方法和仿生

15、设计是破解天地融合网络复杂性难题的途径。2.1.2 多层柔性覆盖在移动蜂窝网络架构中，网络侧消耗了蜂窝网络中的大部分能耗，具有少量甚至没有通信活动的基站通常消耗其峰值能量的 90%以上。因此，将资源利用率低的基站置于休眠模式，并同时保证网络的覆盖及传输速率，以满足用户的业务需求，将具有减少网络侧能耗的巨大潜力。-05-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend而现有蜂窝体系架构及其演进系统都是以基站为中心的，兼备网络覆盖、信道测量、用户接入控制以及实际数据传输等多重身份。因此当基站休眠时，难以

16、保证小区的覆盖和低速率业务的服务。如何在支持网络无缝覆盖的前提下实现灵活高效的基站休眠，是新形态节能无线通信系统面临的核心问题。为了支撑更为灵活的基站休眠，实现柔性覆盖，可发展基于控制覆盖与业务覆盖解耦的超蜂窝(Hyper-cellular)网络架构 6。通过永远在线的控制覆盖与按需部署的业务覆盖的适度分离与解耦，实现了网络的柔性覆盖，即网络的信号覆盖、资源匹配以及服务模式均随业务需求以及网络状态的变化而动态适配，使得负载较低的业务基站可以按需休眠状态而不用担心网络覆盖，从而大幅度提高开启基站的资源利用率，降低全网能耗。超蜂窝网络架构的核心是控制覆盖与业务覆盖可按需在时域和空域上独立进行动态调

17、整的智能网络：控制覆盖用于管理用户的接入请求以及低速率网络控制信号的传递，可使用大区覆盖模式，相对固定；业务覆盖用于为用户提供高速数据的传输，按需部署，灵活而高效。相应的两类基站为：一类为控制基站（Control Base Station，CBS），提供大范围的控制覆盖，传输和用户终端间的控制信令；另一类为业务基站（Traffic Base Station，TBS），提供小范围的业务覆盖，提供高速数据传输业务。如图 4 所示，同一个控制基站覆盖范围内有多个业务基站，可以根据业务量的大小进行业务基站动态休眠。可见，超蜂窝网络可以在保图 4.超蜂窝系统中控制覆盖与业务覆盖分离原理 7-06-Sus

18、tainable Green Intelligent and Concise 6G:Vision and Technology Trend证网络无缝覆盖和频谱效率的同时大幅度降低整体能耗。这为未来移动通信（包括 5G 及其后续演进）网络的长远发展开辟了一条可持续发展的道路，同时保持了蜂窝网络的基本理念，保障了网络发展的后向兼容性。目前 5G 标准中的 NSA（Non-standard-alone）模式也可以视为超蜂窝架构的变形，而 3GPP R16 中的 CU/DU 分离的概念也类似于超蜂窝架构。同时，蜂窝网的演进正朝着云化的方向进行，并以 C-RAN 架构为代表。目前的 C-RAN 要求在大

19、范围内汇聚高带宽的基带时域采样信号流，同时还要求前传网保持极低的传输时延并随路传输同步信息，以高昂前传成本换取计算成本和灵活性。将超蜂窝网络控制与数据分离的思想和 C-RAN 有机融合，形成软件定义超蜂窝架构，有望以前传成本换取计算增益的特性，以将计算、前传传输、射频处理等网络资源作为可重构的数据平面，并使用一个集中的控制平面进行统一调度 10。通信与计算资源可以通过控制平面达到协同运作的效果，避免了传统 C-RAN 过度依赖前传通信资源造成的问题。如图 5 所示，软件定义超蜂窝架构包含虚拟化的基础设施和软件定义的服务，其中虚拟化的基础设施可以进一步分解为异构的数据平面物理资源与一个解耦的控制

20、平面实体协调器；而协调器负责进行通信与计算协同的资源管理和虚拟化。图 5.通信与计算协同的软件定义超蜂窝架构 7-07-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend软件定义超蜂窝网络架构中计算资源的最主要作用是承载虚拟基站，可以是控制基站也可以是业务基站，根据任务量规划虚拟基站池规模并部署计算资源是最基本的一项通信与计算协同设计任务。基站池中的各小区任务量随机变化、互补抵消，使总体计算资源需求降低并形成计算资源的统计复用效应。一般来说虚拟基站池的规模与计算资源统计复用增益呈正相关；但不可忽视的是

21、其覆盖范围内小区的前传网传输成本也与虚拟基站池规模成正比。需要对计算资源统计复用增益和前传网汇聚成本进行联合考虑，通过调整虚拟基站池的规模在计算增益与前传成本间取得良好平衡 11。根据网络业务需求的空时涨落，通过功率控制、基站协作传输和基站动态休眠等手段，改变活跃基站覆盖范围的柔性覆盖（Cell Zooming）机制，即在负载较重的时候缩小覆盖范围，而在负载较轻的时候扩大覆盖范围，使得超蜂窝网络能够更好地适应业务的涨落，无需频繁的进行扩容，从而提升网络能效。通过联合优化业务基站休眠和频谱分配，在典型场景下可节省 50%的网络能耗。对于具体的业务基站休眠算法，可以分为分布式算法和集中式。而介于两

22、者之间，可结合人工智能技术 8，采用分级决策，充分利用场景特殊性和流量规律性，对不同场景需求采用不同休眠深度，动态地调节休眠级别和方式，提升全天候、全场景的节能效果。同时基站休眠决策需要兼顾到对其他基站的影响，全局考虑所有基站的能耗情况和服务质量，根据业务变化情况实现动态无线资源管理和用户调度，例如采用“定向负载转移”9，综合决策流量卸载和进入休眠的基站群体，并利用多基站协同传输，典型场景下可进一步节省约 20%的网络能耗。2.1.3 自组织可重构在通信网络发展和演进的过程中，无线蜂窝接入、光纤干线回传、集中式核心网管理逐渐成为驱动移动通信系统成功的源动力。蜂窝技术有效解决了频谱资源的空间复用

23、效率问题；光纤通信技术提供了超过无线传输 1 2 个数量级的吞吐能力和可靠性；集中式核心网的设计则满足了商用系统在管理、安全防护、计费方面的要求。在此基础上，6G 网络的演进发展将呈现自组织、自愈、无中心的新增特征，体现在覆盖、连接、网络管理、计算协同等方面。当无线频段不断提高，电磁波的穿透能力减弱导致蜂窝小区的半径不断缩小，进而无线基站/无线接入点的数量将数倍甚至数十倍于 3G、4G 网络，也给无线网络规划、优化与管理带来更复杂的工作量。自组织、自维护、协同优化的智能无线接入点可能在 6G 网络中占据更大的比例。在大范围广域覆盖的基础上，根据用户、工业机器、物联终端等通信节点的时空分布，部署

24、智能无线接入点。智能无线接入点可以通过传统的有线的光纤等专线连接 6G 网络，可自主认知其周边无线通信环境与通信能力，与其他智能无线接入点协作，构成无线多跳的自组织通信链接，实现与 6G 骨干网的连接。-08-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend智能无线接入点具有无线环境感知能力，可自动扫描探测无线环境情况，自动设置工作频点、网优参数等，实现通电即服务。6G 用户终端在待机和通信过程中，无线环境扫描和链路质量测量数据可反馈给所连接的无线接入点；各个智能无线接入点在其周围相邻的无线接入点之

25、间共享用户反馈的测量数据。经过一段时间的网络运行，局部区域内的多台无线智能接入点，通过对区域内实际通信需求与通信质量的监测，可进行协同的自组织无线参数调优，避免密集部署的智能无线接入点之间的干扰，实现对通信用户的自适应覆盖；在用户发起业务时，通过多台无线智能接入点的协同测量与本地智能决策，可根据当前网络的负荷、用户位置的链路质量、用户通信需求在智能接入点本地决策与用户建立通信连接的资源配置方案，实现对通信用户的自适应服务，保证通信服务质量，平衡网络开销。随着 6G 网络中终端种类、业务类型的增多，不同时空分布的用户需求不一致，对峰值速率、传输时延、传输可靠性的要求可能差异巨大。6G 网络标准将

26、定义和支持更多类别的空口传输技术，从局部空间或者局部时间来看，在特定时空约束下的 6G 网络只需要提供部分的 6G 服务能力，而无需全网提供最大服务能力、统一服务能力。因此，智能无线接入点之间的协同能力包括配置相邻无线接入点的通信频点、信道带宽、接入点发射功率、传输方案、终端接入限制等参数、算法及其动态调整策略。多节点的局部空间的自组织优化机制是 6G 网络的研究挑战，提高局部智能决策的有效性、稳定性，实现实时响应、快速收敛、逼近全局最优，将极大的提升 6G 网络的自组织、自维护、自优化能力。智能无线接入点的部署方式降低了对光纤等有线连接条件的要求，可以更为精确的覆盖通信需求的地理区域，或者灵

27、活的跟随用户运动轨迹临时部署。进一步的智能无线接入点可迅速满足网络时空局部扩容的要求。智能无线接入点通过与相邻无线接入点之间的本地协同，实现了本地化的、自组织的无线资源配置优化、用户服务调度优化，降低对核心网集中管理的压力。不仅是智能无线接入点，6G 网络的核心网网元同样具有自组织、自愈维护的特征。网元节点具有自主探测和发现连接资源、计算资源的能力，通过内置的身份认证策略，实现自动连接与加入网络。网元的计算处理能力作为虚拟化的资源，可接受整网集中控制策略的调度，同时根据网络拓扑的探测结果，与逻辑相邻的其他网元构成协作群体，建立网元之间的自组织的逻辑连接映射关系，实现本地回环的服务能力。当任意核

28、心网网元、智能无线接入点发生故障、或者面对超容量的业务冲击时，网元节点具有协同调整逻辑连接映射、配置计算资源、调整无线服务参数等功能；实现对故障网元的实时隔离、现存网元的实时映射调整、网络服务能力重配与恢复、以及新增网元的实时入网与调度。移动通信系统的核心网负责终端的接入、认证、通信链路和移动性管理，这是终端接入网络的必要条件。在集中式核心网设计下，所有终端接入所需的参数和安全密钥等都由核心网派生和下发，因此控制面的数-09-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend据流必定汇聚于少量核心节点

29、，无法分布式处理；当核心节点，或者网元节点到核心节点之间的连接中断或者不可靠时，网元节点对用户的服务可能中断。在 6G 网络中，为实现核心网的无中心化，需要核心网功能能完全分布式部署，下沉到若干网元节点，且保证各节点间数据的即时同步，从而使得终端可在任意节点覆盖下获得接入服务。在节点具有自组织通信、自协同优化的支持下，无中心核心网的各节点要保持独立工作能力以及数据动态同步能力。并且，从可靠授权与管理角度出发，无中心核心网节点对终端认证鉴权信息的处理具有不可篡改、不可否认的特性，类区块链的技术可增强 6G 无中心核心网的能力。2.1.4 人智增强空口未来的空中接口，必须围绕的核心就是最终需要完成

30、的信息任务，有些信息任务直接服务于人（如视频、语音、游戏、XR 等），有些任务则通过服务于机器系统而间接服务于人，有些任务则通过感知、计算、存贮、控制等间接服务于机器系统而最终服务于人，后两者将会占据越来越大的比重。财时未来的空中接口，不仅要完成数据传输的功能，还将包含空中无线信号可能携带的任何有用成份，包括而不限于能量传递、环境感知、空中计算等多重可能。显然，不同任务对空中接口的要求，包括空/时/频的能量覆盖、信息携带能力、感知的空时精度、时延、可靠、安全、移动性等等诸多方面，提出差异化极大的要求。而无线空中接口的开放性及环境依赖性，决定了它面临单点能量覆盖范围受限、信号与干扰在空间、时间、

31、频率上的大幅度动态变化。所谓标准化的（预定义的）、有限种类的空时频覆盖方式、信号设计、控制协议，将无法支持未来在同一时空内共存的多种类未知任务的信息服务。为此，未来的空中接口，应该是现场可定义的以任务为核心以环境为条件的动态的空中接口。单个任务的通信空口，不再只是点到点的无线链路，而是包含可控传播环境（分布式天线、背向散射、智能表面、支持各种处理机制的中继/协作节点）在内的完整的信号、控制与协议。其现场可定义具体对单个即时的信息任务而言，就是要根据所掌握环境信息（可用节点的计算、存贮和固网通信能力、无线通信和感知的潜在能力），选择包含无线通信在内任务实施组织方案，在感知、计算、通信之间合理地分

32、配相应的功能/性能指标，并随着任务的进行，及时地根据环境的变化而动态调整。由于在同一时空范围内，将存在大量不同类型的任务，这些任务所涉及的空中接口都需要占用同一区域的时频资源和无线设备。设备和资源也需要根据任务执行过程和环境变化过程而进行动态的调度和管理。在空口环节的环境信息包括而不限于：可用的通信/感知空口节点（发射、接收、协作）、空口节点的可用工作频率/功率/带宽/空时频基准/天线（阵）等参数、节点的空口可编程/配置能力（执行其它任务-10-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend时的剩

33、余能力）、节点间信道传播特性（大小尺度信息、信道传播物理环境信息等）、各节点受到的干扰的波形特征/频率/功率/方向、干扰源的规避协议、潜在协作发射节点到不希望产生辐射影响的其它节点的信道传播环境、节点资源使用意愿及可协商空间等。在空口环节，需要根据任务所分配的通信与感知需求，以及环境信息，智能而动态地定义空口波形与协议，包括而不限于：协作节点集合选择、各节点工作频率/带宽/频谱模板的规划、天线/波束的选择和优化、编码调制样式与参数、管理/控制协议选择与协商、发射信号帧格式、传输定时、训练波形/控制信道的波形设计、接收信息处理算法、协作节点路由维护协议、协作节点信息处理算法、背向散射或智能表面的

34、动态配置算法等等。上述根据信息任务和环境信息的可定义空中接口，还需要根据任务执行过程中，任务与环境的动态变化，适时地做出动态的调整。因此需要保持对任务需求、执行过程和环境状态变化的动态跟踪感知。这种情境感知，未来应作为一层服务来实现与提供。它不仅可以像传统的无线通信一样，由各个链路或设备在本地本设备内进行，而更应该通过空间上分布的多个设备，甚至同时服务多个任务的设备，在网络的支持下协同完成。充分利用来自业务层面、任务层面、网络层面、空口探测，以及其它一切可能提供的信息（如各种地图、社交网络等）进行智能的信息和态势融合，为同一地域的所有任务提供各种不同层次和质量（精度、实时性等）的环境认知服务。

35、为了实现上述可定义的空中接口，要求信息节点具有尽可能高的开放性和可编程性，除了需要具有足够灵活和强大的计算/存贮能力之外，其重点挑战在于支持尽可能多频带的宽带可编程射频与天线（阵列）。宽带和全频谱除了可以提速率、降延时之外，在面向任务的现场可定义信息网络中，还有其它重要意义：（1）有更多机会与其它设备协商到可用的通信频率资源；（2）提供现高的定时精度；（3）小波长换来的阵列规模所能提供的空间精度和并行度；（4）为环境感知提供更高的测距/成像精度；（5）更有效的时频管理（规避干扰等）。射频和天线不应限于常规的电磁波，而应让拓展到可以携带信息的任意物理效应，包括机械波、电场、磁场、粒子等。其功能除

36、了传输中常用到的上下变频、放大、双工等，还应包含或支持用于新技术的射频调制、能量采集等，以支持反向散射、空间调制、波束成形、智能表面、电磁全息等功能。可编程性应包含与信息处理相关的各种参数，如增益、延时、频响、相移、频响、极化等等。更宽的频带、更多参数的可编程，是系统现场可定义能力的基本保证。不过其在成本、效率、体积、功耗等的技术挑战和发展空间还是巨大的。随着新网络和信息设备的部署和演进，网络中信息节点的可编程、可配置能力将有一个逐步提升的过程，在这个过程中，必将存在不同能力的设备、网络和系统共存、演进和生灭的过程。这也就需要在现场定义-11-Sustainable Green Intelli

37、gent and Concise 6G:Vision and Technology Trend空中接口过程中，充分用好当时的设备可编程能力，将动态的任务和环境与任务所处时空中的设备能力充分匹配，实现智能的动态任务编排。特别是充分利用软件定义的无线设备的硬件可编程能力，对动态生成的空中接口波形，进行智能的波形代码生成和加载，以进一步提升波形动态适应的时效性。上述智能的未来空中接口，涉及频谱资源、设备资源、感知资源的共享，因而也涉及了不同的资源使用权限、环境感知权限、设备控制权限等，这也是未来需要特别关注的空中接口安全问题，对鉴权机制、激励机制等也提出较多的挑战。2.2 跨层多域智能协同2.2.1

38、 高时效语义通信1949 年，香农和维纳提出将通信划分为三个层次：1）技术层次，保证符号/比特精准传输，2）语义层次，传输的符号能准确地传达期望的语义，3）效用层次，接收到的语义能有效地以期望的方式发挥作用。针对第一层次，传统通信在过去几十年中实现了理论和工程突破，实现了符号的精准传输并逐渐逼近香农极限 12。传统的通信-应用解耦策略只考虑了可靠的比特传输，忽略了语义的传输（第二层次）和其有效性（第三层次）对应用的影响。通过考虑通信的第二/三层次，语义通信联合优化通信-应用，能够只传输和应用有关语义信息，不再是只用于恢复数据的比特流，可以实现低时延传输，高噪声鲁棒性，和改善各类智能应用性能的可

39、能性。如图 1 所示，随着各类智能应用的普及，语义通信可以应用到各类的智能场景中，例如，工业互联网、智慧交通、视频会议、在线教育、增强现实（AR）、虚拟现实（VR）。因此，语义通信近年来得到了学术界和工业界的广泛关注，是下一代移动无线通信（6G）中标志性技术的有力候选者。图 6.语义通信的典型应用场景-12-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend传统信息论通过衡量信息的不确定度，计算出数据所包含的信息量并用比特为衡量单位。不同于传统信息论，语义信息论衡量信息的语义量，或者对于传输任务的重要

40、性。与此同时，传输的目标由精准的传输比特流，转变成多样的智能任务，除了兼容传统的数据恢复，还包括图片检索，机器翻译，视频检索等。传统的比特误码率将不再适用语义通信系统，针对不同的传输任务，将需要设置不同的评价指标来衡量系统性能。例如，图像识别任务需使用识别精确度作为评价指标，机器翻译需使用 BLEU 分数作为评价指标。基于深度学习的端到端语义通信系统设计，具有无线环境、数据和应用的自适应能力的无线传输技术。如图 2 所示，深度学习驱动的语义通信系统包括 4 个模块，语义编码器，信源-信道编码器，信源-信道解码器，和语义解码器 13。语义编码器通过学习数据和相关任务的关系，从而在短时间内提取大量

41、数据的语义信息。信源-信道编码解器负责压缩语义信息以降低传输数据量和消除传输信道带来的干扰。语义解码器解码语义信息为相应的智能应用服务。基于信源种类的不同，语义通信系统可以分为以下四类：文字，语音，视频，多模态多用户传输。文字基于文本信源的语义通信系统的关键在于成功传输文本数据中的稠密语义信息。文本语义编解码器能够提取句子中的语义信息，如语法信息，字词含义，以及字词间的逻辑关系，而忽略字词的具体表达形式。信源-信道编解码器能够压缩语义信息和处理信号失真。一般来说，设计文本语义编解码器的方法多种多样，包括处理文本的多层 LSTM 网络，多层 GRU 网络，Transformer 网络等。而对于信

42、源-信道编解码器的设计，可以使用基于 MLP 和基于 CNN 的自编码器网络。14 提出了基于 Transformer 网络的文本语义通信系统，揭示了文本语义通信系统优于现有的传统的哈夫曼编码和 Turbo 编码通信系统，特别是在传输环境不佳的情况下，能够有接近 8 倍的性能增益。图 7.基于神经网络的语义通信系统-13-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend 语音针对语音信源的语义通信系统的设计的核心是提取和传输语音数据中的语义特征。由于语音信号的复杂性，其语义特征包括语音中包含的文本数

43、据，语种，语速，说话者的性别等等。在设计基于语音的语义通信系统中，信源-信道编码器的主要任务是根据接收端的任务对语音信源进行压缩提取，从而获得只与接收端任务实现有关的语义特征。一般来说，对于语音恢复的任务，可以采用多层 FC 网络，多层 DNN 网络，或者具有专注机制的多层 FC/CNN 网络等来提取语音信源中的各种语义特征进行传输，并通过信道-信源解码器在接收端进行语音信源回归。而对于一些只需要提取语音中部分语义特征的任务，比如语音识别，一般采用多层 LSTM 网络，多层 GRU 网络，Conformer 网络等来提取语音中的文字语义。15 提出了基于多层 CNN网络的语音语义通信系统，揭示

44、了语音语义通信系统优于传统的通话系统，实现了对于同一评价指标，如最小均方误差，语音语义通信系统能够有接近 10dB 的性能增益。视频基于视频信源的语义通信系统的关键在于成功处理和传输视频不同帧的稀疏语义信息。由于视频帧本身所包含的语义信息是稀疏的，且除关键帧外，不同视频帧之间的语义信息几乎是相同，因此视频语义编解码器可以通过提取关键帧中的语义信息和设计合适帧结构传递视频语义信息，如重要物体，物体纹理特征，环境整体背景等，而忽略其具体像素值的大小表示。信源-信道编解码器能够传输关键帧语义信息和其余帧结构的关系。一般来说，设计视频语义编解码器可以使用处理图像的多层 CNN 网络，ResNet 网络

45、，Vision Transformer 网络处理关键帧的语义信息。16 提出了基于多层 CNN 网络的视频语义通信系统，验证了视频语义通信系统的有效性，实现了在-4dB 的信噪比下，视频语义通信系统等于传统通信系统接近4dB 的性能。多模态多用户传输多模态多用户语义系统设计的关键在于来自不同用户发端的不同模态数据语义处理和终端的不同模态语义融合。在现实生活中，部分智能应用需要接受文本，语音，视频等不同模态的信息，并进行融合判决。因此，除了设计支持不同模态信息语义提取的语义编码器外，收端需能够提取不同模态语义信息中的互补部分，进而提高性能。一种解决方法是耦合多种语义信息，输入到神经网络中进行综合

46、判决；或者解耦多种语义信息，分别进行判决，再结合判决信息进行综合判决。17 提出了基于 Transformer 网络的文本和图像多元语义通信系统，揭示了耦合多元语义信息有效性，相比于单元语义通信系统和传统语义通信系统能提升约 8-12dB 的性能增益。-14-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend语义通信面临的机遇与挑战包括：语义信息论语义信息论能够提供理论基础和指导对于语义信息的处理。然而，目前没有行之有效的语义信息论工具衡量数据所包含的语义量和重要性。随着解决语义信息论，提出语义熵，语

47、义信道容量，语义率失真函数的定义，从而有望明确语义系统的极限，对语义系统设计和资源分配提供指导意义。语义通信系统的设计语义通信系统的设计的难点主要集中于通用语义编码器的设计和合适的损失函数的设计。通过设计通语义编码器，能够处理不同模态的语义信息，从而发端能够根据输入信息和相应的模态自适应地输出对应的语义信息，无需再进行新的设计。合适的损失函数设计可以指导语义解码器最大化利用语义信息，进而实现最优化智能应用表现。语义资源分配语义信息的引入也给基于传统香农限的资源分配带来了新的挑战。在同一小区中，不同用户具有不同的时频资源和功率限制，同时需要考虑不同的语义传输任务。因此针对具有不同用户语义资源分配

48、中，如何通过调节不同用户的资源分配，能够完成不同的语义传输任务，同时改善语义信息传输效率以及语义频谱利用率，仍然是未来具有挑战性的难题。2.2.2 感传控算协同图 8.物理空间和数字孪生的交互-15-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend6G 网络将在 5G 网络万物互联的基础上进一步发展，实现万物智联的泛在感知、计算、通信全覆盖网络。如图 8 所示，通过打破现有架构中通信、计算、感知、控制功能相对独立的局面，6G 网络将支持各功能模块之间的相互协作，进而提升整体性能。通信与感知相互融合使

49、得移动网络具有低成本内生感知能力。一方面，感知结果可以用于提升通信网络原生性能，以提高通信速率和连接数目，实现环境自适应通信网络覆盖；另一方面，泛在感知能力将被用于构造数字孪生网络。借助最优化控制，数字孪生网络可进行快速迭代以助力网络优化、先进制造、智慧城市等应用。而通过计算与通信的融合，打通云-边-端计算体系，实现计算资源的按需快速响应，为感知控制等功能提供柔性计算能力支撑。感传算控协同体系将在泛在计算网络支持下实现感知能力、通信能力的互相促进，提升智能控制应用性能，全面推进 6G 网络发展。随着通信频段不断提高，研究者们对于发掘无线信号的高精度定位能力形成了初步共识。现有 5G 系统已部分

50、支持基于蜂窝基站的定位能力，而 6G 将利用高频段信号带来的无线感知能力，设计通信感知一体化系统，获得目标和环境的多维度感知信息。另一方面，随着人工智能等技术发展，越来越多的边缘设备具有感知能力，如城市摄像头、自动驾驶车辆等。通过通信感知一体化技术，无线信号在承载信息比特同时，还可被用于高精度定位，服务未来垂直行业高精度定位需求。同时一体化系统将极大降低定位开销和时延，提高定位信息时效性。与此同时，高精度高时效的感知结果可用于环境重构。通过及时更新时变环境状态，可以降低信道信息获取成本，从而实现如快速波束追踪、参数自适应配置等应用，提升无线通信能力。除上述通信与感知相互促进之外，6G 通信网络

51、还需要进行多点感知系统协同组网，对多源多维度感知数据进行分布传输和融合，以此提升感知结果的准确性和时效性。同时，多点感知结果将被应用于大规模协同控制系统，如网联自动驾驶、分组协作机器人等。在 L5 级自动驾驶中，路线规划和驾驶任务全部都由自动驾驶汽车自主完成。由于存在遮挡等不利条件，仅依赖单车感知难以实现具有超高可靠性的安全驾驶。通过融合其他车辆的感知结果，基于6G的泛在感知功能将极大扩展车辆的感知范围。而6G所提供的超低延时、高可靠通信也将保证感知结果的时效性。另一方面，随着基于无线网络的控制系统发展，未来控制技术设计将综合考虑通信资源和感知能力约束，并开发出具有差异化精度、时延需求的控制算

52、法。进一步地，海量的感知数据将催生以数字孪生为代表的物理世界与赛博空间融合技术。数字孪生将物理实体对应到赛博空间中的实时镜像，具备可以快速迭代优化的特点。以传统网络优化为例，新技术在实际网络上直接验证往往具有耗时长、成本高的不足。而基于数字孪生技术，各种网络应用可以在赛博空间中快速进行验证，降低了创新技术的开发成本和周期。另一方面，通过结合数字孪生技术和人工智能技术，未来网络将成为机器与机器之间分享经验、积累知识的桥梁：来自不同环境的感知与决策信息将在数字孪生技术赋能下流动，使得单体智能逐步演进为群体智慧。-16-Sustainable Green Intelligent and Concis

53、e 6G:Vision and Technology Trend实现上述通信、感知、控制协同离不开丰富算力资源的支持。尽管无线网络带宽在不断提高，但传输海量的感知数据仍将带来巨大开销。而随着计算及存储架构的不断演进，计算能力逐渐从中心式的云计算向边缘计算设备发展，形成“云-边-端”的层次化计算架构模型。泛在分布于云、边、端的计算能力可被利用于处理感知数据，以适应通信条件和感知需求。为了实现通信、感知、计算、控制的高度协同，网络应具有算力需求感知能力，可基于应用需求、网络资源状态，通过进行算力路由，快速将计算资源与算力需求相匹配，充分提高网络和计算资源的利用效率。仍以网联自动驾驶为例，由于自动驾

54、驶汽车将具有丰富的计算资源，因此通过任务卸载等方式进行车辆之间计算任务分发，可以充分利用分布式的计算资源来提高计算的可靠性。展望未来 6G 网络，通信与感知的协同将从包含从分离式弱耦合到一体化硬件及频谱共享，实现多个层次的信息共享。通信系统既可以与感知一体化设计，也可以实现多节点协同感知，极大地扩展了感知的精度和时效性；而精确的感知能力可以用于成像和环境重建等应用，以快速获得信道状态，提高通信性能。云-边-端算力网络则为感知功能提供了算力保障。广泛分布的算力将被抽象为算力池，快速响应感知需求，提高计算资源利用效率。根据通信资源状况，分布式算力还可用于对感知数据进行预处理，以适应信道状况及感知需

55、求。精确的感知功能又可以进一步地为算力路由提供丰富的信息，使得算力资源可以与需求快速匹配。在通感算相协同的基础上，6G 网络将支撑以“数字孪生”为代表的促进物理世界和赛博空间融合技术。而感知所提供的高精度信息，无线系统所提供的超低延时高可靠通信，广泛存在的算力网络，将会使得当前分立的单体智能连接起来，通过协同控制形成群体智慧，从而实现 6G 网路万物智联的愿景。2.2.3 无线赋能人智为实现 6G 万物智联，无线网络将引入大量算力与人工智能算法，从数据传输管道进化为集信息感知、传输、处理为一体的智慧网联通道。如何协调智能体异构的通信与计算资源，实现满足时效性需求的分布式学习与决策，并同时降低网

56、络能耗，成为一个亟待解决的科学问题。图 9.无线网络中的端边协同训练和推断示意图-17-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend为此，考虑如图 9 所示的无线网络端边协同训练与推断场景。为在能量及资源受限条件下实现高时效性的训练与推断，需要对通信与计算资源进行联合调度优化。针对终端在网络协同下开展训练的联邦学习场景，可通过分析计算能力和通信速率的双重随机性对训练收敛速度的影响，优化终端调度及异构计算速率下的最优带宽分配 18。针对终端总能量受限场景，可进一步基于李雅普诺夫优化理论建立虚拟能量

57、队列，用以指导终端的动态选择 19。在去中心化的场景下，终端如何自组织、高效地完成训练任务仍待研究，特别是针对智能车等高速移动终端参与训练的动态拓扑场景。针对端边协同推断场景，应遵循“按需适度服务”原则，在满足推断决策的时效性和精度需求的同时，尽可能降低计算及通信能耗。为此，可通过剪枝（pruning）、量化等技术，对推断模型的整体计算复杂度及中间层传输数据量进行压缩，以支持灵活的分割部署，获得节能机会 20。进而可基于服务功能链刻画分割后各子模型间的时序关系，联合优化部署方案及通信与计算资源调度。实现万物智联需要网络部署大量计算资源，其部署成本和能耗代价都将是巨大的。随着汽车的智能化、网联化

58、和电动化，一种可能的解决思路是车载云计算（Vehicular Edge Computing），即网络主动利用车辆的剩余算力获得机会式计算服务，并通过车辆的移动将智能扩散到网络的各个角落 2122。考虑到车辆移动性高和资源动态受限，单车的服务质量难以保障。为此，如图 10 所示，可以通过任务复制 23 或编码计算 24 技术，以适量的冗余获得分集增益，以满足服务质量需求。同时，需设计极简通信协议，以支持车辆间的实时组网与协作，并通过自适应性强、复杂度低的分布式算法，如多臂赌博机（Multi-Armed Bandit）算法 25，优化计算任务分割部署及资源分配，赋能车间高可靠、低延时、高能效协同。

59、“智慧城市”是运用新一代信息通信技术手段，分析、整合城市运行系统的各项关键信息，实现与市民生活息息相关的各方面智能服务。随着国家治理体系和治理能力现代化的不断推进，随着“创新、协调、绿色、开放、共享”发展理念的不断深入，随着网络强国战略、国家大数据战略、“互联网+”行动计划的实施和图 10.智能车的机会式组网与协同计算示意图-18-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend“数字中国”建设的不断发展，城市被赋予了新的内涵和新的要求，这不仅推动了传统意义上的智慧城市向新型智慧城市演进，更为新型智

60、慧城市建设带来了前所未有的发展机遇，正是未来 6G 赋能的广阔空间：智慧交通、智慧政务、智慧生活等。当前，由于通信技术的广泛覆盖和高效传输方面的不足，使得大规模城市数据尚未发挥要素价值，新技术应用尚不充分等问题，需要 6G 赋能未来城市的泛在数字化与智能化。数字孪生城市，顾名思义，就是利用三维立体建模，把物理城市的建筑、道路、桥梁等和水、电、气等所有要素数据化，在网络空间再造一个与之匹配、相应的孪生城市。从技术上看，数字孪生城市源于 CIM 技术的实践，高于“一张图”建设，并且其内涵和外延有了极大的发展。但是数字孪生城市的意义，远远不局限于此。它不同于一般的数字孪生技术，不只是城市全要素的数字

61、化、城市全状态实时化和可视化，更重要的是在“城市大脑”的基础上实现城市管理决策协同化和智能化，这需要未来 6G 移动通信网络赋予更广更高更好的感知、传输、实时控制能力。基于 6G 对信息技术及基础设施的广泛推动作用，利用数字孪生技术打造数字城市，从一种新技术应用演变成一种新发展模式和一种新治理范式，为城市和相关产业发展数字化转型提供了一种新路径，是推动数据要素价值化的新驱动力。在数据采集方面，以6G网络为感知和传输基础，以数字孪生技术统一数据采集标准，统筹城市现有的部门数据和区域数据资源，避免建设过程中产生新的割裂式、片断式智能模块。在数据应用方面，针对城市数据来源复杂和涉密数据多、算力水平支

62、撑不足等客观困难，通过 6G 技术实现在城市感知覆盖不全、数据尚未完全打通、部分数据颗粒度不够等现实挑战下，可以基于有缺失、有冗余、有偏的数据实现对城市全场景大规模的高效模拟，进而释放城市数据价值。在应用效果方面，实现城市的动态映射（虚实互动）和真实模拟（态势评价与趋势预测）的基础上，针对城市复杂系统难以建模、政策不能“朝令夕改”等挑战，基于 6G 网络能力真正实现数据驱动的城市治理（智能决策）。因此，未来 6G 将赋能智慧城市的感知和决策方方面面，需要在建设 6G 网络过程中，逐步扩展数字孪生城市的应用场景，覆盖到城市管理、应急安全、环境保护、卫健防疫、社会经济等领域，丰富智慧城市应用场景，

63、为基于 6G 通信网络的全域数字孪生城市建设和全面数字化转型提供参考。2.3 新材料与新芯片2.3.1 射频新材料微波毫米波集成电路在通信、雷达等领域发挥着日益重要的作用，特别是 6G 通信、新型探测技术等应用为微波毫米波集成电路技术的广泛应用展示了巨大的应用前景。微波毫米波集成电路的发展趋势可以概括为-19-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend“三高两低”，即向着高频率、高功率、高集成方向，以及“低功耗、低成本”的方向发展。微波毫米波集成电路技术的快速发展，也为微波毫米波集成电路的研究

64、提出了许多新的课题，对我们的方法理论、设计技术、测试技术等提出了新的挑战。毫米波技术正在成为 6G 无线通信、下一代无线互联网（WiFi）、自动驾驶雷达与智能感知、空天地一体化卫星通信网络、高精度遥感、安检透视成像、医学成像、军用雷达、多波束高效巡天射电天文望远镜等领域的核心支撑技术。在未来 6G 移动通信网络中，毫米波将作为主要应用频段发挥出无可替代的作用。甚至有专家预测，太赫兹也将作为 6G/B6G 的重要候选频段，基于比毫米波更为丰富的频谱资源提供更高速率的无线传输。太赫兹无线数传已在基站无线回传应用中验证了其可行性和技术优势。然而，毫米波太赫兹频段无线传输损耗很大，特别在 NLOS 场

65、景下该问题尤为明显。为提高毫米波太赫兹组网覆盖能力，其基站前端需要具备提供更高 EIRP 的能力。因此，高功率、高效率、高集成度的射频前端成为毫米波太赫兹无线通信的重要研究方向。多通道阵列化的微波毫米波电路与单通道电路相比，可以提供更高的输出功率、阵列合成增益、角度分辨率、信道容量和设计自由度，更是相控阵、MIMO 等广泛应用的无线系统的硬件基础。随着集成工艺与设计技术的不断发展进步，在单颗芯片上实现数十个微波毫米波收发通道已经得以实现，通过进一步的系统集成方法还可将其扩展为成百上千甚至上万个通道的大规模微波毫米波阵列。例如，2020 年美国加州大学圣地亚哥分校（UCSD）团队设计的 60GH

66、z 晶圆级相控阵收发机芯片中就包含了 64 个收发单元，每单元具有 2个极化，形成 2 个波束，这仅是一块芯片，其电路复杂度、集成度和过去已不可同日而语。图 11 无线通信射频电路发展趋势-20-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend为了突破 6G 毫米波前端高密度、低功耗、低成本、多极化、可重构等关键技术问题，多通道射频前端电路、集成化天线阵列与高速数字信号处理电路的复杂混合集成系统架构方案和高增益阵列天线与芯片的高效互连技术，更是相关应用基础研究的重中之重。在毫米波通信中，天线阵列的高

67、集成化、高功率输出、多波束多极化的需求日益强烈，利用现有的方法实现毫米波天线的集成面临极大的挑战。因此，如何利用微波毫米波集成电路与天线集成以及天线阵列分组实现高密度阵列集成是亟需解决的关键科技问题。毫米波电路与天线的集成互连影响系统整体损耗，从而影响整体效率。为降低芯片与天线间的集成损耗并满足散热、耦合等物理要求，通过模块化分解表征分析，构建芯片、天线、封装到系统不同层级的电磁模型，实现高密度射频前端中芯片互连、馈电网络、天线封装等各部件和系统整体的电磁仿真与精确建模是重要的分析手段。还应重点突破毫米波低损耗传输与转化机制、毫米波高增益片上和封装天线设计、电路与天线三维集成封装等关键技术。硅

68、和化合物半导体都有其局限性，许多复杂电子系统用任何单一半导体工艺都很难实现很好的综合效能。因此，异质异构集成是应对单一半导体局限的自然选择，将不同工艺和节点的高性能器件或芯片与低成本高集成度器件或芯片，通过键合或生长的方式集成为单个电路系统，可显著增强系统设计灵活性和功能，提高集成度和性能，实现小型轻质化，降低功耗和成本，最大限度发挥现有工艺和设备的实现能力。因为毫米波电子系统往往需要各类数字、模拟、毫米波器件与电路的组合，其中开关、功率放大器适合采用GaAs、GaN 等化合物半导体工艺，而多通道收发芯片、数字信号处理芯片等适合采用硅基工艺，高性能滤波器和天线等无源结构则适合采用 RF MEM

69、S 技术来实现，对异质集成的需求非常迫切，毫米波电路系统与异质异构集成技术匹配度较高。但另一方面，由于工作频率高，毫米波异质集成电路所面临的科学技术问题也最为复杂和突出，最有典型性和代表性。在微波毫米波异质异构集成电路方向取得突破性研究进展，将推动集成电路由硅或化合物半导体单一同质工艺集成向异质集成，由平面向三维立体集成，由单一微米或纳米工艺节点向微纳多尺度集成方向发展的变革，促进新的微纳电子学革命。2.3.2 智能超表面基于各类可重构反射或透射阵列的硬件结构，智能超表面（Reconfigurable Intelligent Surface,RIS）被置于无线信道中间，能够实时改变入射电磁波信

70、号的反射强度和相位，从而实现了改变电磁波信号在信道中传播特性的目的。因此，传统上认为只能被动适应的无线信道，由于智能超表面的出现，成为了无线通信系统设计和优化的一部分。这一设计思路上的创新，给无线通信和网络的研究提供了一个全新的设计维度，带来了大幅提升通信频谱利用率以及降低系统能耗的可能性。因此，智能超表面近年来得到了学术界和工业界的广泛关注，是下一代移动无线通信（6G）中标志性技术的有力候选者。-21-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend现有智能超表面的系统功能，是通过实时配置阵列中每

71、一个可重构反射单元上的放大器和相移电路来实现的，目标是在通信接收机区域增强信号质量、或降低通信干扰。考虑到每一个智能超表面都由成千上万个可重构反射单元构成，庞大的反射路径数加上每个反射路径上信号相位和强度的高度可编程性，使得智能超表面具备显著影响任何无线信道的能力，有望真正实现可控可编程的无线环境。RIS 的应用场景包括：传统通信业务智能超表面技术在传统通信业务领域（包括无线移动网和无线局域网等）已展现出广阔的应用空间。第一、置于信道中间的智能超表面，创建了大量幅度和相位可控的反射路径，可以为智能超表面所支撑的上层无线通信网提供高多样性的多径信道。因此，智能超表面可以显著增加单用户的通信速率和

72、可靠性，或在不需额外频谱资源的前提下为多个并发用户提供更高速的传输、从而增加网络的吞吐率。第二、以毫米波、太赫兹通信为代表的基于有向波束进行信号传播的高速通信系统，十分依赖视距信道；如果视距信道被障碍物遮挡，由于反射过程中的高信号衰减，非视距信道能实现的通信速率会严重降低。智能超表面是解决毫米波、太赫兹通信中遮挡问题的最有效途径：由于智能超表面能非常高效地反射来自通信发送端的信号、且反射波束的方向可以实时控制，因此智能超表面创建的反射路径可以有效覆盖被障碍物遮挡的非视距区域、且能根据障碍物或通信接收端的移动进行实时的波束跟踪，为在复杂场景中实现移动毫米波、太赫兹通信奠定了基础。第三、由于智能超

73、表面能显著增加通信系统的覆盖范围和频谱利用率，因此系统要实现一定通信速率、或达到一定通信覆盖所需的能耗降大幅降低。因此，智能超表面有望显著降低未来通信系统的能耗。垂直行业应用智能超表面技术的核心思想在于对无线信道的控制，因此对于特殊或恶劣信道中的无线通信系统，将产生更显著的边际效益；代表应用包括水下无线通信系统和地下无线通信系统。一方面，由于水下环境和物理性质的制约，目前水声通信是唯一能在水下实现远距离无线覆盖的通信技术，而水声通信面临低通信速率这一“卡脖子”问题。由于水声稀缺的频谱资源早已被开发至极限，而用户端实现超大规模水声 MIMO 的成本和能耗极高，因此，智能超表面通过控制信道提高通信

74、容量的技术路线有望解决目前水声通信面临的发展瓶颈。另一方面，地下矿井中的高速可靠通信是安全生产、高效开采的基础技术，更会使能未来智慧矿山等多种重要应用。目前地下无线通信技术在矿井中面临的一大难题是巷道和采掘面中复杂多障碍的信道条件，智能超表面可以通过创建可控反射路径来实现非视距的无线覆盖，能很好地解决这一难题。-22-Sustainable Green Intelligent and Concise 6G:Vision and Technology TrendRIS 的关键技术包括：RIS 硬件设计RIS 硬件设计的基础是可控电磁超材料。通过周期性地部署可控的超材料单元并施加外界刺激以调整单元

75、表面电磁响应，RIS 能够对入射电磁波进行幅度、相位、极化方向等状态的调整。一般来说，可控超材料的实现方法多种多样，包括变容二极管、三极管、MEMS、液晶、石墨烯、相变材质等。而对于常见的相控 RIS而言，其每个独立的单元可以被建模为端接可调阻抗的贴片天线，往往可以采用二极管的通断来实现阻抗控制，从而改变反射相位，目前已成为一种主流的 RIS 硬件设计架构。信道估计针对 RIS 系统信道估计设计的核心需求是降低大阵列估计所需的导频开销。考虑到 RIS 往往被部署在高楼外墙等，环境散射体数量较为有限，利用这一特征，采用压缩感知等方法可以显著降低信道估计开销。此外，基站和 RIS 安装在固定位置，

76、其信道维度高但变化缓慢，从而可以通过在基站引入辅助天线等的方式对 RIS 辅助链路的两段子信道进行分别估计。同时，在同一个 RIS 系统中，多个用户级联信道“共享”基站和 RIS 间的一段相同信道。因此，可以先用第一个用户进行高开销信道估计，其余的用户只需要额外发送较少的参考信号，估计出与参考信道的不同特征即可。波束赋形RIS 的波束赋形的关键在于基站端的主动预编码向量与 RIS 端的移相矩阵的联合优化。从数学模型上来看，RIS 端的移相矩阵的优化类似于低比特移相的相控阵移相优化，其难点在于恒模约束（即反射系数幅度不可调）与低比特相位约束，从而导致了 RIS 波束赋形的超参数优化问题。为此，大

77、多数现有研究选择将轮询迭代与组合优化相结合。除了常规的启发式搜索算法之外，可以通过连续松弛、分式变换、离散投影、半正定规划等数学工具，将超参数优化转化为连续变量优化问题，从而实现次优的 RIS 波束赋形。反射调制通过将 RIS 部署在基站，RIS 能够替代原有基带、射频链功能。具体而言，基站侧只需要部署载波发生馈源，将载波信号照射到 RIS 阵面。然后，RIS 将实时地调整其相位、幅度、极化方向等电磁特性，将基站待发送的信息调制映射为表面电磁状态以实现调制，然后将调制后的信号反射到用户，即可实现反射式调制。该方法的优势在于低成本和低功耗，为未来绿色基站的建设提供了一种可行的解决方案。-23-S

78、ustainable Green Intelligent and Concise 6G:Vision and Technology TrendRIS 潜在的挑战与机遇包括：克服天然的“乘性衰落效应”RIS 为无线通信提供了额外的反射链路，然而，由于 RIS 反射链路的路损实际为基站-RIS 与 RIS-用户两端子信道路损的乘积（即乘性衰落效应），在基站-用户直射径较强的典型通信场景下，RIS 提供的性能优势十分有限。在未来的研究中，一个直观的解决思路是在 RIS 单元后端接反射式放大器，使得信号在被反射的同时能够被放大，从而有望克服乘性衰落效应，在典型场景下发挥 RIS 的性能优势 6。低开销

79、的 RIS 信道估计除算法设计外，针对 RIS 开展结构创新也是降低信道估计开销的一个重要手段。例如，允许 RIS 阵面配备少量有源主动接收单元，通过离线方式训练基于天线拓扑的信道预测网络，学习有源单元信道与全空间信道的映射关系，根据局部信道外推以获取完整信道。此外，通过基于码本的信道训练与波束赋形协同方案是未来工程应用场景的典型方式，但 RIS 信道分段特性和近场特性会对传统码本方案带来挑战，低复杂度RIS 信道码本设计是亟待解决的重要问题。低复杂度的 RIS 波束赋形低复杂度的 RIS 波束赋形对于扩大 RIS 的部署规模具有重要意义，人工智能和结构改进是实现复杂度降低的重要手段。例如，可

80、以采用强化学习与 RIS 波束赋形设计相结合，通过在 RIS 端部署反馈信号接收器，然后使其自主学习判定不同波束赋形策略的优劣并累积性能评价。从而，在经历了一段时间的强化学习后，RIS 能够直接根据特定的信道环境自适应地调整自身相位信息，而无需高复杂度的波数优化计算。RIS 网络架构RIS 的引入也给多个无线网络的共存带来了新的挑战。在实际通信网中，RIS 板面上入射的无线信号既包括来自目标网络的“目标信号”，也包括来自其他无线网络的“非目标信号”。而 RIS 将不可避免地同时调节这两种信号。通过调节电磁波的振幅、相位和极化方式，虽然可以增强“目标信号”，但也会对“非目标信号”进行不可预料的异

81、常调节，从而对其他无线网络产生干扰。如何应对 RIS 的多网络共存仍然是未来具有挑战性的难题。-24-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend2.3.3 高能效芯片以 6G 为代表的未来通信技术的发展，正推动全球通信芯片市场的快速增长。通信芯片正朝着高性能、低功耗和智能化方向发展。性能方面，高带宽、低延时的通信需求成为驱动新一代芯片性能提升的核心驱动力。功耗方面，移动通信的需求要求通信芯片不断降低其功耗，以延长移动终端的工作时间和通讯基站的运维成本。智能方面，随着人工智能技术在通信系统中应用

82、的不断增加，通信芯片中对于人工智能的支撑也被提上日程。在新一代通信芯片中，高能效模拟数字转换芯片和通信智能芯片是其中两个重要发展方向，将对其发展现状和相关成果展开。1）高能效模拟数字转换芯片模数转换器（ADC）和数模转换器（DAC）是通讯接收机和通信发射机中的核心模块。传统的外差式收发机架构使用混频器、本地振荡器、带通滤波器等一系列电路，在低频处理基带有用信号，并通过变频实现基带信号和射频信号的相互转换。而射频直接采样技术直接数字化射频信号，通过高速数字信号处理实现对射频信号的直接控制，能够极大的简化基站收发机的系统复杂度，因此被认为是未来的发展方向。图 12 使用射频直采对多载波系统进行简化

83、-25-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend在接收端，射频直接采样技术需要高速高精度 ADC 实现对宽带射频信号的直接采样。时间交织流水线架构是高速高精度ADC的未来趋势，ADI公司于2020年发布的12比特18GS/s采样率ADC就采用了该架构26，并大量使用数字校准技术，利用先进纳米工艺下数字电路功耗、面积大幅下降的优势来提高系统整体性能。射频直接采样技术在要求 ADC 本身有优异性能的同时，还需要抖动低于 50fs 的高性能采样时钟 27，这也需要持续的研究与创新。经典的离散时间奈

84、奎斯特流水线 ADC 均包括采样保持电路，需要高功耗的输入驱动电路及专门的抗混叠滤波器。为了降低系统功耗，一种解决方案是使用连续时间流水线 ADC，其输入负载从开关电容换为电阻，大幅降低了驱动电路的功耗，同时其前端自然形成连续时间的低通滤波器，对信号进行了抗混叠滤波，由于没有在前端对信号采样，也避免了引入采样噪声 28。连续时间流水线 ADC的一大挑战在于如何保证输入信号主通路与子 AD/DA 通路之间延迟时间的匹配以避免噪声过载，该问题还需要进一步的研究。6G 终端需要高带宽低功耗的 ADC 解决方案。传统的终端接收机通常采用连续时间 DSM 架构，但该架构继续向高带宽发展会遇到采样率过高的

85、瓶颈，因此需要在高比特、高阶 MASH 架构上进行更多研究 29。此外，多通道交织 SAR 也是很有潜力的架构，该架构在高速下有更高的能效，但其开关电容输入会对驱动提出很高要求，此外复杂的后台校准也是一大挑战。终端的另一挑战是需要同时支持 2G6G 等多种通信标准的接收机，以往的解决方案是在芯片上实现高达数十个专用接收机和ADC，这种做法会消耗大量功耗和面积。目前的一大发展方向是采用可重构 ADC，即单个 ADC 同时支持多种通信制式和频段，在此基础上将 ADC组成资源池，可以极大降低接收机芯片的面积和功耗。在发射端，为了实现射频直采技术，需要宽带高动态范围的 DAC 直接生成所需的射频信号。

86、随着无线通信技术频段的扩展和调制技术的发展，射频直采技术对 DAC 的采样率和动态范围提出了更高的挑战。采用多通道交织 DAC 结构是实现更高采样率的有力技术。但是多通道之间时序的失配会严重影响交织 DAC的性能 30。如何实现高速下多相时钟间占空比、延时之间的时序匹配，是交织 DAC 需要解决的关键问题。目前学术界的设计大都采用双通道或四通道设计，并大量使用数字校准技术对通道间的失配进行校准，实现低失配的多相时钟 31。随着 6G 通信带宽的进一步提升，如何在更高速情况下，实现多相时钟间失配信息的获取和失配的校准，是多通道交织 DAC 研究的一个重要方向。同时，随着摩尔定律失效，数字电路频率

87、进一步提升更加困难，给高速 DAC 的译码器设计带来了困难。因此，探索更多通道的交织技术，降低对单通道子 DAC 译码器数字电路的要求，也是交织 DAC 一个极具潜力的研究方向。为了实现更高阶的调制方式，需要射频直采发射机发射信号具有更高的发射信号动态范围，因而对 DAC 的动态范围提出了更高的挑战。在宽带高动态范围 DAC 中，单元切换引入的动态失真与信号间的相关性是限制 DAC 动态范围进一步提升的瓶颈。ADI 公司的 AD9172 芯片采用了差分四相切换技术(Differential-Quad-26-Sustainable Green Intelligent and Concise 6G

88、:Vision and Technology Trend Switching)32 来降低 DAC 切换失真和输入信号的相关性，实现了在 12GS/s 的采样率，2.65GHz 输入信号下无杂散动态范围(SFDR)等于 75dB 的动态性能。近年来学术界也有在译码器层面减小切换失真与输入信号相关性的研究 33。但是随着 DAC 采样率的不断提高，实现在高速情况下能够进行复杂译码的数字电路越来越困难。因而如何在高采样率下仍然能够减小切换失真与输入信号相关性，以支持 6G 通信使用更高频段、更高阶调制方式，是目前宽带高动态范围 DAC 的一个重要研究方向。2）通信智能芯片随着可穿戴设备、虚拟现实等

89、新兴应用的兴起，以空气作为媒介的传统通信方式（蓝牙、Zigbee 等）已经难以满足传输节点对于数据速率和功耗的需求。作为新一代体域网通信技术，以人体作为媒介的人体信道通信可实现更低路径损耗，并且在可靠性、安全性和小型化等方面也具备优势，具有广阔的应用前景。尽管人体信道通信技术具备非常好的发展潜力，但面向图像/视频等大规模数据传输应用时存在带宽受限的问题，需考虑高倍率的数据压缩和编码方案。基于 AI 方法的深度压缩编解码方案在压缩效率上相比传统方法具备更大优势，完成 AI 到通信的赋能、实现融合高能效 AI 处理的人体信道通信的芯片将给体域网通信带来变革。在新一代人体信道通信的链路研究方面，随着

90、无线体域网络通信 IEEE 802.15.6 标准的制订错误!未找到引用源。，国内外学者广泛开展了低功耗体域网通信技术与相关电路芯片的研究。图 13 对比了近年来在ISSCC/JSSC 发表的几种低功耗无线体域网络收发器芯片的能效，目前人体媒介的通信收发机芯片的能效已经达到 16 pJ/bit 错误!未找到引用源。，相比十年前的水平提升了数十倍，相比蓝牙、ZigBee 等空气媒介收发机能效提升了约 12 个数量级的水平。图 13.新一代人体信道通信的优势所在-27-Sustainable Green Intelligent and Concise 6G:Vision and Technolog

91、y Trend在信源信宿压缩编解码方面，人工智能的学习方法将能够对海量数据进行细致化分析，依靠机器学习算法可实现对数据的筛选过滤、分类整理，从而在短时间内完成大量数据的整合、压缩及传输，AI 将使通信更加智能化、高效化。基于 AI 的深度压缩模型在近年来被广泛研究，如基于自编码器的图像压缩模型错误!未找到引用源。、基于插值方法的深度视频压缩编解码器错误!未找到引用源。、基于差分帧迭代的深度视频压缩方法错误!未找到引用源。等。相比传统的 JEPG/H.264 等图像视频压缩方法，通过深度学习技术可以实现压缩恢复编解码器的联合优化，并且能够针对不同场景和任务需求进行更加高效且智能的编解码。在通信智

92、能芯片方向，电子系已取得一定开创性成果。针对人体信道通信，研制出高能效准静态频道的收发机芯片，通过补偿技术实现对信道响应的实时补偿，提升通信的稳定性和能量效率。针对深度编解码模型，提出硬件优化的计算电路及芯片架构，实现对深度模型的稀疏计算优化及硬件支持。最终建立起融合高能效 AI 处理智能通信芯片及系统，为推动新一代通信芯片的智能化发展作出贡献。图 14.融合高能效 AI 处理的人体信道通信芯片及系统图 15.低功耗微波光子无线通信系统 1-28-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend2.

93、3.4 光电新器件随着无线通信向更高频段(如微波、太赫兹)发展以及对高速感知、低功耗以及高通量传输日益增长的需求，使用集成光子器件和技术来生成、操纵、传输和测量高速射频信号的微波光子学能够用于提升通信系统的信息计算速度和能量效率(图 15)。当前，光子集成平台能够实现光源、超小型和高带宽光电调制器、低噪声频率合成器、光电探测器和信号处理器的片上异质或者混合集成。光计算领域的蓬勃发展也促进了构建多功能、可重构的复杂射频信号光子处理器，实现片上集成、先进功能和高性能数据处理的协同发展 39。大规模智能无线通信系统需要先进人工智能算法的支撑，然而现有人工智能算法对计算性能急剧增长的需求已经远超当前电

94、子计算处理器的发展速度。以光计算为基础、通过光电融合的方式构建光子神经网络与智能光子计算芯片能够实现计算性能的跨越式升级，理论上计算速度能够提升三个数量级、计算能效能够提升六个数量级，被认为是具有颠覆性的新一代智能计算技术。基于光子计算基本单元和神经网络基本算子，现有光子神经网络可以直接转换电子神经网络的计算范式，构建光电融合的片上智能光子计算处理器，实现片上全连接、卷积、循环等光子神经网络架构和深度学习系统 40-43，可应用于智能无线通信。通信系统中大规模矩阵运算可以通过光计算实现。向量-矩阵乘法器可以分为光电混合和全光计算两大类43,44。对于光电混合型，乘法和加法运算是在光学域和电学域

95、共同完成，而全光线性计算则是在光学域完成所有的乘法和加法运算。基于高维空间相干模式的可编程任意矩阵运算具有三个特点：(1)高并行的任意矩阵运算。离散空间相干模式可以被理解为多个光束合并在一起向前传播，光束在空间位置上存在特定的分布，这就充分利用了光子玻色子的物理特性，可以同时并行处理多个光束。(2)对光场复振幅实现复系数矩阵运算。对离散空间相干模式的可编程矩阵变换是基于对光场的分束和合束的两级结构，利用了各个光束之间的相干性，可以同时对光场振幅和相位实现任意复系数的矩阵运算。高维空间相干模式复振幅中强度和相位均可用于编码光学计算中的光学矢量，提供了非常大的灵活性。(3)可芯片化。对离散空间相干

96、模式实现任意复系数的变换矩阵是利用了一系列的闪耀光栅，这就有可能通过光子集成器件实现芯片化的矩阵运算单元。目前，对于光子超表面(meta-surface)实现复杂相位光栅的可行性已经做了仿真和实验验证，已经初步证明了芯片化的可行性，结合集成的光调制和探测器件，则有可能进一步实现全光通用线性计算芯片。基于离散空间相干模式的全光通用线性计算单元和芯片，由于具有并行计算的特点，同时计算过程中利用了光波的干涉叠加，因此在高维矩阵运算中能够实现快速和高效的运算，有望为未来的 6G 通信系统提供高速的信号处理解决方案。-29-Sustainable Green Intelligent and Concis

97、e 6G:Vision and Technology Trend图 16.新型光电子计算器件与架构 5-10无线通信所产生的高通量多用户数据需要通过光纤通信系统传输 7。面向更高频段的无线通信系统设计，无线移动收发端和光纤通信远距离传输的系统边界将变的越来越模糊(图 16)43-48。近年来，随着光技术的飞速发展，光通信系统的带宽容量已经突破 Tbps，为爆炸增长的大数据的存储、传输和共享等技术的发展提供了肥沃的土壤。超大的通信带宽不仅是光波本身的并行性所带来的优势，还得益于光通信系统中，在发送端采用多维度复用和更为高阶的调制格式，在接收端针对不同场景采用更为多样的接收方式，以及更复杂的数字信

98、号处理（DSP）算法处理。然而，随着传输速率和传输距离的不断增加，光信号也面临着更为严重的畸变和失真，使得各类诸如均衡、补偿等 DSP 算法在光通信系统中的重要性大大提升。在目前主流的光通信系统中，光信号在接收端经过光电转换，变为电信号后被送入传统 DSP 中进行实时或者离线的处理。然而，面对更为高速的通信速率和更为复杂的信道情况，传统 DSP 受限制于其时钟频率，必须采用分布式架构来提高其并行化处理的能力，这使得硬件复杂度将随着算法复杂度的提高而提高 2。光计算技术基于光波信号的多维调控能力，可以实现天然的信息并行化计算，通过极低的硬件复杂度和功耗获得极大的计算带宽。目前主流的光计算方案包括

99、基于马赫曾德尔干涉仪网络 40、微环调制器阵列 46、自由空间衍射层 41,43 等结构，初步显示了其对比于传统电子计算的独特优势，在学术界和工业界都引发了广泛的关注。近年来，基于光计算技术强大的并行化能力，研究人员开始探索将光计算系统用于高速光通信系统 DSP 处理的可能性。光计算系统在未来光通信系统场景下的优势主要包括：(1)光计算可以提供极低的计算延时，适用于时变信道模型下的实时光通信系统。未来的光计算系统可以被嵌入到实时光通信系统中，置于传统 DSP 芯片前，在避免光电转换的前提下承担部分运算，降低 DSP 的计算量的同时提高通信系统的响应速度。(2)光计算具有高带宽和低功耗的特点，可

100、以在提供强大算力的同时解放通信系统的功耗瓶颈。光计算在完成同等规-30-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend模运算的条件下功耗可降低两个数量级以上，极大地缓解了通信系统的能耗，进一步提高高速光通信系统的传输效率。(3)光计算系统可实现集成化。借助目前快速发展的集成光电子技术，可以实现光计算系统的小型化，进一步提高其可扩展性。同时借助光电协同封装技术，可实现光芯片和 DSP 的 2.5D 和 3D 封装，进一步降低光通信系统的能耗。光计算系统的低延时、高带宽和低功耗等特点具有传统 DSP

101、所不可比拟的强大算力和效率，同时也为全光通信网络的搭建和未来的 6G 通信技术的发展提供了一个高带宽、低延时、绿色、经济的全新解决方案。3.参考文献1.“6G 无线通信新征程：跨越人联、物联，迈向万物智联,”华为,2022.2.“国务院关于印发“十四五”数字经济发展规划的通知,”2022.3.H.Saarnisaari,S.Dixit,et al,“A 6G white paper on connectivity for remote areas”(6G Research Visions,No.5),ISBN:978-952-62-2675-0,2020,arXiv:2004.14699.4.

102、X.Fang,W.Feng,T.Wei,Y.Chen,N.Ge,and C.-X.Wang,“5G embraces satellites for 6G ubiquitous IoT:basic models for integrated satellite terrestrial networks,”IEEE Internet of Things Journal,vol.8,no.18,pp.14399-14417,Sep.15,2021.5.C.Liu,W.Feng,X.Tao,and N.Ge,“MEC-empowered non-terrestrial network for 6G w

103、ide-area time-sensitive Internet of Things,”Engineering,vol.8,pp.96-107,Jan.2022.6.牛志升,郑福春,杨晨阳,等.基于超蜂窝架构的绿色通信专刊编者按 J.中国科学:信息科学,2017,47(5):527-528.7.刘景初，软件定义超蜂窝网络中的通信与计算协同设计与优化，清华大学博士论文，2017.8.LIU J C,KRISHNAMACHARI B,ZHOU S,et al.DeepNap:Data-driven base station sleeping operations through deep rein

104、forcement learningJ.IEEE Internet Things J.,2018,5(6):4273-4282.9.ZHANG S,GONG J,ZHOU S,et al.How many small cells can be turned off via vertical offloading under a separation architectureJ.IEEE Trans.Wireless Commun.,2015,14(10):5440-5453.10.ZHOU S,ZHAO T,NIU Z S,et al.Software-defined hyper-cellul

105、ar architecture for green and elastic wireless accessJ.IEEE Commun.Mag.,2016,54(1):12-19.11.LIU J C,ZHOU S,GONG J,et al.Statistical multiplexing gain analysis of heterogeneous virtual base station pools in cloud radio access networksJ.IEEE Trans.Wireless Commun.,2016,15(8):5681-5694.12.Shannon C.E.a

106、nd Weaver W,The Mathematical Theory of CommunicationM.The-31-Sustainable Green Intelligent and Concise 6G:Vision and Technology TrendUniversity of Illinois Press,1949.13.Qin Z,Tao X,Lu J,and Li G.Y.,Semantic communications:Principles and challengesJ.arXiv:2201.01389.14.Xie H,Qin Z,Li G.Y.and Juang B

107、.H.,Deep learning enabled semantic communication systemsJ.IEEE Transactions on Signal Processing,2021,69:2663-2675.15.Weng Z and Qin Z,Semantic Communication Systems for Speech TransmissionJ.IEEE Journal on Selected Areas in Communications,2021,39(8):2434244416.Tung T.Y.and Gndz D.DeepWiVe:Deep-Lear

108、ning-Aided Wireless Video TransmissionJ.arXiv:2111.13034.17.Xie H,Qin Z,Tao X,and Letaief K.B.,Task-Oriented Multi-User Semantic CommunicationsJ.arXiv:2112.10255.18.W.Shi,S.Zhou,Z.Niu,M.Jiang,and L.Geng,“Joint Device Scheduling and Resource Allocation for Latency Constrained Wireless Federated Learn

109、ing,”IEEE Trans.Wireless Commun.,2021,20:(1):453-467.19.Y.Sun,S.Zhou,Z.Niu,and D.Gunduz,“Dynamic Scheduling for Over-the-Air Federated Edge Learning with Energy Constraints”,IEEE J.Sel.Areas Commun.,2022,40(1):227-242.20.Y.Sun,W.Shi,X.Huang,S.Zhou,Z.Niu,“Edge learning with timeliness constraints:Cha

110、llenges and solutions”,IEEE Commun.Mag.,2020,58(12):27-33.21.S.Zhou,Y.Sun,Z.Jiang,and Z.Niu,“Exploiting Moving Intelligence:Delay-Optimized Computation Offloading in Vehicular Fog Networks,”IEEE Commun.Mag.,2019,57(5):49-55.22.牛志升,周盛,孙宇璇.面向“双碳”战略的绿色通信与网络:挑战与对策.通信学报，43(2):1-14.23.Y.Sun,S.Zhou,and Z.N

111、iu,“Distributed Task Replication for Vehicular Edge Computing:Performance Analysis and Learning-based Algorithm,”IEEE Trans.Wireless Commun.,2021,20(2):1138-1151.24.Y.Sun,F.Zhang,J.Zhao,S.Zhou,Z.Niu,and D.Gunduz,“Coded Computation across Shared Heterogeneous Workers with Communication Delay,”arXiv p

112、reprint arXiv:2109.11246,2021.25.Y.Sun,X.Guo,J.Song,S.Zhou,Z.Jiang,X.Liu,and Z.Niu,“Adaptive Learning-based Task Offloading for Vehicular Edge Computing Systems,”IEEE Trans.Veh.Technol.,2019,68(4):3061-3074.26.Ali A M A,Dinc H,Bhoraskar P,et al.A 12-b 18-GS/s RF sampling ADC with an integrated-32-Su

113、stainable Green Intelligent and Concise 6G:Vision and Technology Trendwideband track-and-hold amplifier and background calibrationJ.IEEE Journal of Solid-State Circuits,2020,55(12):3210-3224.27.Razavi B.Jitter-power trade-offs in PLLsJ.IEEE Transactions on Circuits and Systems I:Regular Papers,2021,

114、68(4):1381-1387.28.Shibata H,Kozlov V,Ji Z,et al.16.2 A 9GS/s 1GHz-BW oversampled continuous-time pipeline ADC achieving 161dBFS/Hz NSDC.2017 IEEE International Solid-State Circuits Conference(ISSCC).IEEE,2017:278-279.29.Dong Y,Zhao J,Yang W,et al.15.5 A 930mW 69dB-DR 465MHz-BW CT 1-2 MASH ADC in 28

115、nm CMOSC.2016 IEEE International Solid-State Circuits Conference(ISSCC),IEEE,2016:278-279.30.Caragiulo,Pietro,et al.A 2x Time-Interleaved 28-GS/s 8-Bit 0.03-mm 2 Switched-Capacitor DAC in 16-nm FinFET CMOSJ.IEEE Journal of Solid-State Circuits,2021,56(8):2335-2346.31.Clara,Martin,et al.10.7 A 64GS/s

116、 4-Interpolated 1b Semi-Digital FIR DAC for Wideband Calibration and BIST of RF-Sampling A/D ConvertersC.2021 IEEE International Solid-State Circuits Conference(ISSCC),IEEE,2021:176-178.32.Park,Sungkyung,et al.A digital-to-analog converter based on differential-quad switchingJ.IEEE Journal of Solid-

117、State Circuits,2002,37(10):1335-1338.33.Huang,Hung-Yi,Xin-Yu Chen,and Tai-Haur Kuo.A 177mW 10GS/s NRZ DAC with Switching-Glitch Compensation Achieving 64dBc SFDR and200 x area efficiency,”Proc.Asia South Pacific Des.Autom.Conf.ASP-DAC,vol.2018Janua,pp.311312,2018.36.Toderici G,OMalley S M,Hwang S J,

118、et al.“Variable rate image compression with recurrent neural networks.”Computer Science,2015.37.Wu C Y,Singhal N,Krahenbuhl P.“Video compression through image interpolation.”Proceedings of the European Conference on Computer Vision(ECCV),2018:416-431.38.Lu G,Ouyang W,Xu D,et al.“DVC:An end-to-end de

119、ep video compression framework.”Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR),-33-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend2019:11006-11015.39.Marpaung,David,Jianping Yao,and Jos Capmany.Integrated microwave photonics.Nature ph

120、otonics 13.2(2019):80-90.40.Shen,Yichen,et al.Deep learning with coherent nanophotonic circuits.Nature Photonics 11.7(2017):441-446.41.Lin,Xing,et al.All-optical machine learning using diffractive deep neural networks.Science 361.6406(2018):1004-1008.42.Peng,Hsuan-Tung,et al.Neuromorphic photonic in

121、tegrated circuits.IEEE Journal of Selected Topics in Quantum Electronics 24.6(2018):1-15.43.Fu,Tingzhao,et al.On-chip photonic diffractive optical neural network based on a spatial domain electromagnetic propagation model.Optics Express 29.20(2021):31924-31940.44.Wang,Yu,et al.Programmable holograph

122、ic technique for implementing unitary and nonunitary transformations.Physical Review A 95.3(2017):033827.(Highlighted as the Editors Suggestion)45.Agrell,Erik,et al.Roadmap of optical communications.Journal of Optics 18.6(2016):063002.46.Huang,Chaoran,et al.A silicon photonicelectronic neural networ

123、k for fibre nonlinearity compensation.Nature Electronics 4.11(2021):837-844.47.Mohammadi Estakhri,Nasim,Brian Edwards,and Nader Engheta.Inverse-designed metastructures that solve equations.Science 363.6433(2019):1333-1338.48.Chen,Yitong,et al.Photonic unsupervised learning processor for secure and high-throughput optical fiber communication.arXiv preprint arXiv:2203.03807(2022).-34-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend4.贡献单位清华大学-中国移动联合研究院-35-Sustainable Green Intelligent and Concise 6G:Vision and Technology Trend