AI技术助力天线革新：空间与电磁域的双重优化
近日，由北京理工大学、新加坡国立大学等多个研究团队联合完成的综述论文 《AI Signal Processing Paradigm for Movable Antenna: From Spatial Position Optimization to Electromagnetic Reconfigurability》 已正式被 Chinese Journal of Electronics录用，第一作者为硕士研究生李亦宁，通讯作者为高镇。该文系统梳理了空间可移动天线（SMA）与电磁可重构天线（ERA）两类关键技术的发展脉络，重点分析了二者进一步融合形成的可移动与可重构天线（MARA）在6G无线通信与感知场景中的应用潜力。文章指出，传统固定天线在智能化、高重构、空天地一体化网络演进中逐渐显露局限，而SMA与ERA分别从空间域和电磁域引入新的自由度，二者融合后有望显著提升未来无线系统的频谱效率、环境适应能力与通感一体化性能。
标题：AI Signal Processing Paradigm for Movable Antenna: From Spatial Position Optimization to Electromagnetic Reconfigurability
作者：Yining Li, Ziwei Wan, Chongjia Sun, Kaijun Feng, Keke Ying, Wenyan Ma, Lipeng Zhu, Xiaodan Shao, Weidong Mei, Wenqian Shen, Zhenyu Xiao, Zhen Gao, and Rui Zhang
论文链接：https://arxiv.org/abs/2510.19209
01 研究背景
随着6G无线通信系统向智能化、高重构和空天地一体化方向快速演进，传统固定天线（TFA）在频谱效率、抗衰落能力、灵活波束控制以及高精度感知方面的不足愈发突出。为突破这一瓶颈，空间可移动天线（SMA）通过动态调整天线位置或朝向，重构无线信道的空间维度；电磁可重构天线（ERA）则通过动态改变辐射方向图、极化等电磁属性，在不移动实体位置的情况下引入新的电磁域自由度。
进一步地，文章提出了可移动与可重构天线（MARA）的统一视角：一方面通过物理位置调整获取空间分集和更优信道条件，另一方面通过电磁特性重构实现更精细的波束塑形与干扰抑制。相比单一的SMA或ERA，MARA能够在通信与感知场景中展现出更强的系统适应性和性能潜力。
02 可移动与可重构天线基础与统一建模
在基础原理层面，文章将相关技术分为两大类。第一类是SMA，其核心在于通过机械滑轨、电机、MEMS器件或液态金属等方式实现天线位置或姿态的变化；第二类是ERA，其核心在于通过像素天线、多模贴片等结构，对天线的电磁辐射模式进行快速重构。前者优势在于物理移动范围大、空间增益直观，后者则具有响应速度快、结构紧凑的特点。
文章同时指出，两类技术各有约束。SMA虽然能够显著改善接收信号强度与空间分集能力，但硬件复杂度、机械磨损和响应速度会带来现实挑战；ERA虽然可在纳秒到微秒级实现快速切换，并在有限孔径下提升系统容量，但其硬件成本、控制电路复杂度以及等效移动范围也受到限制。正因如此，将二者融合并在统一框架下分析，成为推动下一代天线系统发展的关键方向。
在此基础上，论文进一步建立了统一建模框架，在宽带TDD大规模MIMO-OFDM场景下，把SMA的位置优化、ERA的电磁域预编码设计以及数字预编码联合纳入MARA框架中，为后续的性能分析和AI算法设计提供了统一理论基础。
03 无线通信中的应用与性能优势
围绕通信性能，文章通过仿真对TFA、SMA、ERA和MARA进行了系统比较。结果表明，在给定系统设置下，频谱效率表现从高到低依次为MARA、ERA、SMA和传统固定天线。与TFA相比，SMA可实现约39%的频谱效率提升，ERA约为58%，而同时利用空间域与电磁域双重自由度的MARA可达到约107%的提升，体现出明显的协同增益。
这说明，天线自由度的挖掘越充分，系统在链路增强、波束控制和干扰管理方面的潜力就越大。尤其是MARA，不仅能通过宏观位移获取更优的传播条件，还能通过微观辐射模式重构实现更细粒度的波束优化，因此在未来多用户、大规模天线通信系统中展现出较强的应用前景。
04 AI赋能的关键技术方向
文章指出，MARA的核心优化问题本质上是高维、非凸、强耦合问题。天线位置、电磁域参数与数字预编码需要联合设计，传统迭代算法往往面临搜索空间巨大、实时性不足以及CSI获取困难等问题，因此AI逐渐从“可选工具”转变为解决复杂优化问题的“关键使能技术”。
在AI赋能路径上，论文重点归纳了三个方向。第一是信道估计与预测：针对候选位置多、导频开销大、辐射模式变化快等难点，研究者尝试通过贝叶斯方法、监督学习与自监督学习，从少量观测恢复完整CSI。第二是波束赋形与位置/模式选择：通过强化学习、CNN、MLP以及物理先验融合方法，实现更快的天线配置与波束联合优化。第三是通感一体化（ISAC）：借助扩散模型、Transformer、物理信息神经网络和基础模型，在动态场景中协调通信与感知之间的冲突与平衡。
其中，在信道恢复方面，文章提到了利用Transformer与图注意力网络结合的AGMAE结构，用以更准确地捕捉可移动与可重构天线表面的局部相关性与平滑性；在波束与位置优化方面，强化学习和深度学习正展现出更强的环境适应能力与在线决策效率。整体来看，AI正在成为驱动“AI+MARA”范式落地的重要推动力。
05 未来方向与应用前景
面向未来，文章重点展望了三类重要方向。首先是MARA与新型波形的协同设计，例如OTFS、MIMO-Chirp和AFDM等，以适应高移动性、强频率选择性和更复杂传播环境。其次是MARA与具身智能的结合，使天线从传统“被动收发器”逐步演进为智能系统中的主动感知与连接单元，服务于无人机、机器人和自动驾驶等场景。
此外，文章还讨论了MARA与透镜天线、6DMA、RIS、MiLAC等新型体系结构的融合前景。通过构建多级波束赋形系统，这类融合方案有望在覆盖范围、能量效率、计算复杂度和系统级协同方面实现进一步突破，为未来6G智能无线网络提供更完整的软硬件协同设计思路。
06 总结与未来展望
总体来看，这篇综述围绕MARA辅助无线网络，从研究动机、基础原理、统一建模、AI关键方法到未来方向进行了较为完整的系统梳理。文章认为，可移动与可重构天线将成为连接空间域优化与电磁域优化、通信能力与感知能力、算法设计与硬件实现的重要桥梁。当然，该方向目前仍处于发展早期。在真实信道实验验证、混合重构建模、AI模型可解释性与泛化能力等方面，仍存在不少挑战。但可以预见，随着理论研究、算法设计与原型系统的持续推进，MARA有望成为未来6G自适应、高效率、智能化无线网络的重要支撑技术。