近日，中国移动研究院无线接入网智能化领域论文“D2AN: Delay-Doppler Attention Network for Channel Estimation in OFDM Systems”被通信领域国际知名SCI期刊IEEE Wireless Communications Letters（影响因子：5.5）录用。该论文首次将无线信道的物理相关结构融入注意力机制、提出了一种时延多普勒注意力网络，在正交频分复用系统信道估计中实现了精度和鲁棒性的突破，为6G智能信号处理提供了新的技术路径。

　　信道估计是无线通信系统获取信道状态信息、保障高速可靠传输的核心环节。传统最小均方误差等估计方法依赖难以实时获得的信道统计先验，而现有深度学习方法大多采用纯数据驱动范式，将通信系统视为黑箱，缺乏对信道物理规律的利用，导致模型可解释性弱，在信道环境剧烈变化时性能明显退化。如何将无线通信的领域知识与深度学习有机结合，成为提升信道估计泛化能力的关键挑战。

　　为解决上述问题，研究团队创新性地从信道时频二维相关函数的结构出发，设计了一种全新的时延多普勒注意力机制。该机制在时延域和多普勒域内均匀采样复指数基函数，并通过轻量全连接网络学习基函数的组合权重，从而生成蕴含信道物理相关特性的注意力系数。在此基础上，论文构建了时延 多普勒注意力网络。这一架构使网络能够自适应地根据时延扩展、用户移动速度等信道条件调整注意力范围，高效捕获时间和频率维度的长距离相关性，同时保持良好的可解释性。

模型结构

　　为验证所提出方法的有效性，论文进行了大量仿真评估。结果表明，该方法在不同信噪比、时延扩展和移动速度下的信道估计精度均优于现有深度学习方案以及传统信道估计方法。即便在训练时未曾见过的信道条件下，该方法依然展现出良好的泛化性能和鲁棒性。此外，所提出时延-多普勒注意力网络的参数量小，推理速度快，在性能与实现效率之间取得了良好平衡。通过可视化注意力矩阵，可以清晰地观察到网络自主学习到了符合物理规律的信道相关模式，进一步验证了所提机制的有效性。

　　该研究将模型驱动的信道统计特性与数据驱动的深度学习有机融合，提出了可解释、高鲁棒、低复杂度的信道估计新方法，对6G无线接入网在复杂动态环境下的智能信道获取具有重要参考价值。未来，研究团队将在此基础上进一步探索该网络在多天线系统以及多种信道模型下的扩展应用，并推动相关技术的商业应用与落地。