2024-01-21-IMT-2023_移动通信与AI融合的数据格式和模型建议书（第一阶段_12页_1mb

报告摘要

IMT-2030(6G)推进组依托IMT-2030(6G)推进组2023年无线智能化关键技术测试工作，联合业内机构发布《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），旨在汇聚AI与移动通信融合的七大类典型用例，分享训练数据来源、数据集格式、模型参数、内存占用、推理算力等关键信息，以及引入AI后对性能的提升，供产学研用参考。

主要内容

研究概述：
本建议书通过真实空口场景的原型样机和商用设备，验证AI在物理层（如解调制、调制解调、信道估计、接收机、收发机等）的可行性与性能提升。
基于AI的智能解调制：
- 性能提升：相较于传统算法，吞吐量提升约3%。
- 场景优化：低SNR下增益更明显，室内静止环境优于室外低速运动。
基于AI的智能调制解调：
- 优势：吞吐量提升约10%，低SNR下表现更优。
基于AI的DMRS信道估计：
- 性能：采用基于AI的DMRS信道估计方案，吞吐量提升约9%，低SNR下具有更大增益。
- 导频开销优化：在导频开销降低50%的情况下，仍可达到传统算法的性能水平。
基于AI的参考信号设计：
- 性能提升：导频开销下，性能提升约7%。通过AI优化，可在降低导频开销的情况下实现传统算法水平的性能。
基于AI的上下行开销联合优化：
- 在保证信道状态信息(SGCS>0.8)的条件下，下行CSI-RS导频开销可降低66%。
- 上行反馈开销可降低37%。
基于AI的智能接收机与收发机：
- 性能提升：吞吐量提升约15%，MIMO模式比SISO模式提升更显著（高5个百分点），低SNR和室内静止场景下增益更明显。