2023_移动通信与AI融合的数据格式和模型建议书（第一阶段：物理层领域）-IMT-2020_5G_推进组_12页_1mb

移动通信与AI融合的数据格式和模型建议书（第一阶段：物理层领域）由IMT-2030(6G)推进组基于2023年无线智能化关键技术测试成果编写，聚焦七大典型用例，分析AI在物理层的部署效果。报告涵盖智能解调制、智能调制解调、DMRS信道估计、参考信号设计、上下行开销联合优化、智能接收机、智能收发机等场景，总结关键信息如下：

1. 智能解调制
   采用神经网络替代传统解调模块，测试显示AI方案在SISO场景下可实现约3%吞吐量提升，且低信噪比（SNR）环境下增益更显著。测试数据基于仿真与真实空口场景，模型类型包括MLP和CNN，数据集规模从5K到600K样本不等，所需算力范围为5M至74568M FLOPs。

2. 智能调制解调
   神经网络替代调制与解调模块后，吞吐量性能提升达10%。测试数据包含SISO和MIMO场景，训练数据集大小均在600K样本级别，模型参数量差异较大（从47K到9972K），内存占用从数MB至数MB不等，算力需求最高达12G。低SNR环境和室内静止场景表现更优。

3. DMRS信道估计
   基于AI的DMRS信道估计方案，仿真数据下吞吐量提升约9%，真实空口测试中在相同导频开销条件下性能提升约7%。通过降低导频开销50%，可达到传统算法同等效果。模型类型为MLP，训练数据集规模约720K至2M样本，算力需求范围从278M到600M FLOPs。

4. 参考信号设计
   AI优化后的参考信号方案在降低导频开销方面表现突出，测试数据显示其性能与移动芯片测试结果一致。模型参数量约2k，内存占用10KB，算力需求最低1M。测试结合真实空口数据与仿真数据，覆盖多种MIMO场景。

5. 上下行开销联合优化
   通过集成AI模型优化上下行开销，测试表明CSI反馈压缩技术可降低下行导频开销66%（SGCS>0.8），AI信道识别技术减少上行反馈开销37%。模型类型包括Transformer和MLP/CNN，训练数据集规模达1M样本。三种复杂度模型内存占用从0.12MB至1.77MB不等。

6. 智能接收机优化
   AI赋能的接收机方案在SISO和MIMO场景下吞吐量分别提升约15%和20%。测试中使用Transformer和CNN模型，数据集规模从5K至10M样本，算力需求最高达12G。室内静止环境性能优于室外低速运动场景，低SNR下增益更明显。

7. 智能收发机方案
   采用AI联合优化收发端功能模块，吞吐量提升约15%。测试包括SISO和MIMO场景，数据集规模从5K至1M样本，模型参数量范围为326M至918M，内存占用24MB至66MB，算力需求从120M到550M FLOPs。不同天线配置和信道条件下的性能差异显著。

报告由中移创新中心联合华为、中兴、中信科、vivo、爱立信、诺基亚贝尔等产学研单位共同完成，测试数据涵盖仿真与真实空口场景，模型类型以Transformer和CNN为主。AI方案在低SNR、复杂信道环境中表现优于传统算法，但单模块性能提升有限，需进一步探索多模块协同优化。整体建议书强调数据格式标准化、模型轻量化及跨场景适配性，为6G物理层智能化提供参考框架。