《Semantic communications - Principles and challenges》语义通信文献阅读与分析总结

《语义通信：原理与挑战》文献详细总结

1. 语义通信的概念

• 语义通信是一种超越传统香农通信范式的全新通信模式，它关注的是信息意义的传递，而不仅仅是数据本身的准确传输。传统通信强调比特级别的准确性，而语义通信更强调信息对接收方执行特定任务的有效性。这种模式被认为是第六代（6G）无线网络的核心技术之一，能够支持包括智能交通、智能监控、视频会议、增强现实（AR）和虚拟现实（VR）在内的多种智能应用。
• 在语义通信中，发送方在传输前对信息进行语义编码，只提取出对任务执行最相关的特征，从而减少不必要的信息传输。这种方式可以显著降低数据流量和能耗，使得通信网络更加高效、可持续。

2. 与传统通信的区别

• 在传统的香农通信模式中，通信系统的目标是尽可能准确地传输数据，其传输容量受香农容量定理的约束，因此系统性能通常由比特误码率（BER）或符号误码率（SER）来衡量。
• 语义通信则不同，它通过语义编码提取与接收方任务相关的语义信息。这意味着仅有那些与特定任务相关的特征会被传输，从而大幅度减少了数据需求。例如，在一个图像识别任务中，语义通信系统会传输图像中需要识别的对象信息，而忽略背景等无关内容。相比传统通信系统，语义通信能够更加高效地利用带宽和能量资源，提升任务执行效果。

3. 语义通信的理论基础

• 语义熵：扩展了香农信息熵的概念，语义熵表示完成特定任务所需的信息量。目前，学术界已经提出了一些测量语义熵的方法，但尚未有统一的模型来描述语义熵在各种场景中的表现。
• 语义信道容量：该理论用于确定在有噪信道上传输语义信息的最大容量。与传统的香农信道容量不同，语义信道容量考虑了传输数据对特定任务的实际贡献。
• 语义率失真理论：这一理论在压缩语义信息和满足任务所需的准确性之间取得平衡，从而优化传输效率。与传统通信中的率失真理论类似，语义率失真理论能够描述语义通信中数据压缩对任务执行效果的影响。

4. 系统结构与组成

• 语义通信系统的组成通常包括语义编码器、解码器和物理信道，具有语义噪声信道来描述传输中的误解或信息丢失。
• 文献中提出了语义OSI模型，这一模型允许语义层接入传感器或执行器，并可以访问算法和数据来支持特定任务。在语义层中，语义编码器会将任务相关的语义信息传输至下层，实现语义符号的纠错与控制。此外，无线接入层则负责提高系统的传输性能，将控制信号传输至语义层以帮助校正语义错误或优化应用层的计算。

5. 语义噪声的定义与处理

• 语义噪声是语义通信系统中的一种独特问题，它指的是影响消息解释的各种干扰，可能会导致接收方对信息的误解。语义噪声不同于物理噪声，它包含由于解释错误、词义歧义或传输任务中的中断而产生的干扰。
• 文献将语义噪声分为两种类型：一类是源信息的语义歧义噪声，如轻微修改文字的顺序、替换同义词等，会使机器难以理解语义；另一类是对抗性语义噪声，尤其在图像处理中，少量对图像的干扰可能会使深度学习模型产生错误判断。这些对抗性干扰在自然图像中不易察觉，但会对任务执行产生显著影响。

6. 语义通信的性能指标

• 传统通信系统通常使用比特误码率（BER）和符号误码率（SER）作为性能指标，而在语义通信中，这些指标并不足以衡量信息传输的有效性。
• 新的性能指标包括语义相似度（如文本传输中的BLEU得分和图像传输中的感知损失）以及任务特定的准确性指标（如语音识别的字符错误率）。这些指标更关注接收方是否能够正确理解并执行任务，而非数据的精确性。例如，语义相似度用于评估两个句子或图像是否在语义上相似。

7. 应用与实际实现

• 文本传输：深度学习推动了文本语义编码的发展，例如基于Transformer的DeepSC系统，可对文本语义特征进行编码，从而在语义上实现高保真度的文本传输。
• 图像和视频传输：在图像语义传输中，语义编码器提取关键的视觉特征，减少数据量，同时保留视觉内容的主要语义，适用于视频会议等场景。例如，深度学习模型通过提取特征，实现低维度的语义压缩，减少图像传输带宽的需求。
• 语音传输：语义通信系统也被应用于语音传输，既可以完成语音信号的全量重构，也可进行简化的任务（如基于文本的语音合成），以节省传输资源。与传统语音传输不同，语义语音传输系统可以更高效地完成语音任务。
• 多模态数据传输：在增强现实（AR）、虚拟现实（VR）和人机交互系统中，多模态数据具有显著的应用潜力。通过语义通信系统，文本、图像和音频数据的多模态传输得以实现，利用多模态数据间的关联性可大幅减少冗余传输。

8. 研究挑战与未来发展方向

• 语义通信理论：尽管在过去几十年中已有不少关于语义信息量度的研究，但这些研究大多基于逻辑概率模型，适用场景有限。是否可以沿袭香农信息理论的路径来量化语义通信的语义熵、信道容量和推理准确性等问题，仍是一个未解的难题。
• 语义收发系统：设计一种适用于不同数据类型的通用语义收发系统，尤其在多种信道噪声环境下依然保持鲁棒性，是当前的一大挑战。此外，如何设计适当的损失函数，使得网络模型在训练过程中不会出现梯度消失，也是语义通信中的重要难题。
• 支持推理的语义通信：未来的语义通信系统有望具备推理能力，这意味着仅需传输最关键的语义信息即可满足接收方的任务需求。这种具备推理能力的系统在带宽和资源有限的条件下尤为重要，但目前仍在早期研究阶段。
• 语义感知的资源分配：在语义感知网络中，资源分配需要重新定义，既要考虑工程因素（如比特传输速率），也要考虑语义传输效率。例如，语义频谱效率即是一个新兴的指标，用以评估在语义通信中的资源利用效率。
• 性能评估标准：尽管已有一些性能评估方法，但语义通信仍需更加全面的评估标准，例如用于衡量信息中所保留或遗漏的语义内容的量度。此外，类似于传统通信系统中的BER或SER，语义通信也需要一个通用的性能指标来衡量系统的有效性。
• 应用领域：目前语义通信在增强现实（AR）、物联网、智能系统等领域的应用前景广阔。这些应用不仅推动了学术界对语义通信的关注，也为该技术在实际应用中带来了前所未有的发展机会。

综上所述，文献深入探讨了语义通信的潜力和挑战，强调了从数据驱动的传统通信向意义驱动的新通信模式的转变。语义通信被认为是6G及未来通信系统的重要突破，但其理论体系和实现细节仍在不断发展之中。