MultiPathFormer：以多径物理特性为核心的无线通信基础模型新范式

随着机器学习在无线通信领域的深入应用，训练能够支持信道估计、波束预测和定位等任务的无线基础模型已成为研究热点。然而，现有的无线基础模型通常侧重于对信道张量进行预训练，通过掩码重建子载波、天线或时间维度来学习特征，这种做法往往忽视了无线传播背后的物理特性，导致模型难以捕捉真实的传播规律。针对这一痛点，本研究提出了一种全新的预训练范式，即直接将多径传播作为基础预训练对象，并推出了MultiPathFormer模型。该模型的核心贡献在于打破了传统信道张量处理的局限，转而关注无线信号在空间中的物理传播路径。通过将每个发射-接收链路表示为有序序列的连续值路径令牌，MultiPathFormer利用自回归的下一路径预测机制进行预训练，从而能够更准确地建模无线环境的复杂结构。这一创新不仅提升了模型对无线传播特性的理解能力，也为后续在多种下游任务中的泛化性能奠定了坚实基础，标志着无线基础模型从数据驱动向物理感知驱动的重要转变。

在技术方法层面，MultiPathFormer构建了一个基于Transformer骨干网络的自回归基础模型。其独特之处在于引入了环境检索增强生成（Environmental RAG）机制以及首径码本（first-path codebook）。在传统的Transformer架构中，模型主要依赖序列内部的相关性进行预测，而MultiPathFormer通过RAG机制，将外部环境知识引入到路径统计量的估计过程中。这种设计使得模型在处理延迟和功率等关键路径参数时，能够参考类似环境的历史数据，从而显著提高了估计的准确性。具体而言，首径码本的使用帮助模型更好地识别和表征信号传播的第一条路径，这对于定位和波束成形任务至关重要。此外，模型采用连续值路径令牌来表示传播路径，保留了信号的连续物理特性，避免了离散化带来的信息损失。

通过这种结合环境知识与自回归预测的策略，MultiPathFormer能够在预训练阶段学习到更加丰富和鲁棒的无线传播表示，为后续的迁移学习和微调提供了高质量的特征基础。实验部分在27个不同的无线环境中对MultiPathFormer进行了全面评估，并测试了其在未见用户和全新环境中的迁移能力。结果显示，经过特定场景的微调后，MultiPathFormer的性能显著优于在相同新环境中从头训练的模型，证明了其预训练表示的可重用性。在多个下游任务中，该模型均达到了当前最先进水平。具体而言，在定位任务中，MultiPathFormer实现了5.57米的平均定位误差，展现了高精度的空间感知能力；在波束预测任务中，其Top-3波束准确率达到0.914，能够有效辅助天线阵列的快速波束对齐；在视距（LoS）分类任务中，准确率高达0.994，几乎完美区分了视距与非视距场景；在信道估计任务中，归一化均方误差（NMSE）仅为0.561，优于现有的基于信道的基线模型。消融实验进一步证实，环境RAG机制和首径码本对提升路径统计量估计精度起到了关键作用，其中延迟和功率的估计精度最高提升了59%。

这些结果不仅验证了MultiPathFormer的有效性，也展示了路径级预训练在无线通信任务中的巨大潜力。MultiPathFormer的提出对无线通信领域的开源社区、工业落地及后续研究具有深远意义。在开源社区方面，该模型为无线基础模型的研究提供了新的思路，即从关注信道数据本身转向关注物理传播机制，这有助于推动更多研究者探索物理信息嵌入的机器学习方法。在工业落地方面，MultiPathFormer在定位、波束预测等关键任务上的优异表现，使其有望直接应用于5G/6G网络的优化中，降低基站部署和运维成本，提升用户体验。特别是在动态无线环境中，模型良好的泛化能力意味着它可以适应不同的用户和场景，减少了对大量标注数据的依赖。对于后续研究而言，MultiPathFormer证明了路径级预训练的有效性，鼓励学者进一步探索如何将其他物理特性（如多普勒频移、角度扩展等）融入基础模型中。此外，环境RAG机制的引入也为跨域知识迁移提供了新的技术路径，可能在未来推动无线通信与地理信息系统、数字孪生等领域的深度融合，开启智能无线通信的新篇章。