MPSi把多径参数提取固定成有限层：单次导频就能重建信道，精修步数不再随信号强弱变化
核心概要
MPSi把经典信道探测中依赖数据、迭代次数不定的非线性精修，换成一个小型路径计数网络加固定层数的展开式Levenberg–Marquardt精修，从单次导频观测中估计每条多径的复增益、到达角和时延。在两个射线追踪场景（小小区Bahen与密集城区Dundas）中，其初始接入与全信道估计表现与增强版RIMAX基线相当，而精修迭代次数固定且明显更少；重建信道的误码率接近完美信道参考。
深度剖析
多径参数提取从每次观测都要重新决定模型阶数、迭代到收敛，变成固定深度的前向计算，输出仍是可解释的路径级参数：每条路径的复增益、到达角和时延。 经典参数化信道探测算法RIMAX依靠依赖数据的路径数选择、扩散多径分量建模和带代价检查的迭代非线性精修，控制流可变、重复优化步数未知，因而难以用于低时延系统。 在Bahen与Dundas两个射线追踪场景中，MPSi的初始接入与全信道估计表现与增强版RIMAX基线相当，而精修迭代次数固定且明显少于RIMAX随发射功率变化的迭代次数。
做法是把物理信道模型保留在回路里，用学习组件替代RIMAX中最贵的两段：定阶与迭代精修。 路径计数网络从按天线平均的对数功率剖面上预测有效路径数，可微的soft-top-k门给固定候选路径分配权重，随后由固定层数的展开式Levenberg–Marquardt层联合更新几何参数并做岭正则化增益估计。 训练目标由最终重建的归一化均方误差、逐层深度监督损失和路径数稀疏惩罚三项合成，射线追踪只用于生成导频观测；测试结果来自独立于训练数据另行生成的实现。
启示与展望
结论限于两个站点特定的射线追踪环境，分别代表小小区（Bahen）与密集城区（Dundas），且训练与测试数据均由Sionna射线追踪配合OpenStreetMap场景合成，未使用实测基站数据。作者提出的后续方向包括在更广环境与更大测试集上评估、测量特定平台的运行时间、在下游学习任务中检验MPSi生成的标签，以及把多普勒纳入路径模型以支持移动场景与信道预测。
迭代次数在文中只作为控制流复杂度指标，部署级时延结论需要在指定软硬件平台上做运算计数与计时测量，这超出该工作范围。残差质量控制的阈值被作者称为实用的初始筛选门限，而非普适统计界限；该残差分析依赖已知的无噪仿真信号，实际部署需要标定或独立估计噪声水平。