2026年6月5日下午，应计算机与电子信息学院/人工智能学院邀请，拉瓦尔大学电气与计算机工程系曾明副教授在明理楼402会议室做学术报告。本次报告由计算机与电子信息学院/人工智能学院杨琬琪副院长主持，我院部分教师和研究生聆听了此次报告。

曾明（IEEE高级会员）分别于2013年和2016年获得中国北京邮电大学工学学士学位和硕士学位，并于2020年获得加拿大纽芬兰纪念大学电信工程博士学位。目前，他是加拿大拉瓦尔大学电气与计算机工程系副教授，并担任加拿大无线接入网络研究主席（tier-2）。他同时隶属于光学、光子学与激光中心（Centre d’optique, photonique et lasers, COPL）。他的研究方向包括无线通信、光通信、无线接入网络、信号处理与优化，近期研究重点涵盖pinching-antenna系统、毫米波/太赫兹通信、能效资源分配以及先进网络架构。他已在 IEEE主要期刊和会议上发表多篇学术论文，并积极推动下一代无线系统新研究方向的发展。他目前担任IEEE Transactions on Communications和IEEE Wireless Communications Letters的副编辑。

报告中，曾明副教授围绕下一代通信系统中的无线通信与光通信前沿技术，系统介绍了其团队近年来取得的最新研究成果。首先，曾教授以“面向空中计算网络的流体天线阵列鲁棒资源分配”为主题，介绍了空中计算（Over-the-Air Computation, AirComp）技术的发展背景及应用价值。空中计算利用无线信道叠加特性实现数据聚合，具有低时延、高频谱效率等优势，在物联网和联邦学习等场景中具有广阔应用前景。针对传统天线系统在信道状态信息不确定条件下性能受限的问题，曾教授提出将流体天线阵列（Fluid Antenna Array, FAA）引入空中计算网络，通过动态调整天线位置提升系统适应能力和鲁棒性。在此基础上，团队建立了考虑信道不确定性的鲁棒资源分配模型，并采用块坐标下降（BCD）方法联合优化用户发射功率、接收波束形成以及流体天线位置。实验结果表明，该方法能够显著降低系统均方误差，在不同信噪比和信道不确定性条件下均优于现有基准方案，为未来智能无线网络设计提供了新的思路。

随后，曾明副教授以“机器学习赋能光通信数字预失真技术”为主题，介绍了机器学习在高速光通信系统中的应用进展。随着数据流量和网络容量需求的快速增长，光通信系统面临带宽受限和器件非线性等问题，严重影响信号传输质量。针对传统Volterra模型和查找表（LUT）等数字预失真方法复杂度高、可扩展性不足的问题，曾教授详细阐述了基于神经网络的数字预失真（DPD）框架。报告重点介绍了直接学习（Direct Learning）与间接学习（Indirect Learning）两种训练策略，以及卷积神经网络、双向循环神经网络（Bi-RNN）等深度学习模型在非线性补偿中的应用。实验结果表明，基于神经网络的数字预失真方案在强非线性传输环境下表现出更优的补偿能力，其中直接学习方法能够获得最佳性能增益，为下一代高速光通信系统中的智能信号处理提供了有效解决方案。

在交流环节，与会师生围绕流体天线技术的发展前景、空中计算网络优化方法以及人工智能在通信系统中的应用等问题与曾明副教授进行了深入讨论。曾明副教授结合自身科研经历和国际合作经验，对相关问题进行了细致解答，现场学术氛围热烈，此次报告在大家热烈的掌声中结束。