移动通信与AI融合的数据格式和模型建议_第二版_13页_1mb

移动通信与AI融合的数据和模型建议书总结

核心内容概述

本建议书旨在探讨移动通信系统与人工智能（AI）技术融合的关键领域，包括智能解调制、信道估计、智能接收机、智能收发机、多关联任务联合优化、智能译码以及PA非线性优化等。建议书基于IMT-2030(6G)推进组2024年无线智能化关键技术测试工作，分析了AI在无线通信中产业化落地的关键难题，特别是模型泛化性对技术应用的影响。文档总结了不同厂商在上述各个技术领域的模型设计、训练数据来源、性能表现以及泛化性提升方法。

主要观点

• AI赋能无线通信：通过引入AI技术，对传统通信模块（如解调制、信道估计、接收机、译码、PA优化等）进行优化和重构，以提升系统性能和适应复杂信道环境。
• 泛化性能是关键：模型泛化能力直接影响AI在无线通信中的实际应用效果，因此提升模型泛化性成为研究重点。
• 数据来源多样化：测试数据包括仿真数据和真实空口数据，其中真实空口数据在模型微调和自适应选择中起到了重要作用。
• 模型优化方法：包括使用真实数据微调仿真模型、模型自适应选择、联合优化等，以增强模型在不同场景下的适应能力。
• 性能提升显著：部分AI技术在吞吐量、误码率等方面表现出优于传统方法的性能。
• 算力需求与资源占用：AI模型在推理过程中对算力和内存有一定需求，但通过优化可实现高效部署。

关键信息汇总

1. 基于AI的智能解调制

• 测试目标：提升解调制模型在不同信道环境下的泛化性。
• 数据来源：仿真数据与真实空口数据结合。
• 模型类型：MLP（厂家一）与CNN（厂家二）。
• 训练数据集大小：厂家一约600K条样本，厂家二约17K条样本。
• 性能提升：与传统算法相比，吞吐量提升约3%。
• 泛化性提升方法：微调与动态自适应模型。

2. 基于AI的信道估计

• 测试目标：提升信道估计模型的泛化性。
• 数据来源：仿真数据与真实空口数据结合。
• 模型类型：CNN（厂家一）与MLP（厂家二）。
• 训练数据集大小：厂家一约1.5M条样本，厂家二约20W条样本。
• 性能提升：微调模型可有效提升信道估计在新场景下的泛化性。

3. 基于AI的智能接收机

• 测试目标：提升接收机模型在不同信道环境下的泛化性。
• 数据来源：仿真数据与真实空口数据结合。
• 模型类型：Transformer（厂家一）与ResNet（厂家二）。
• 训练数据集大小：厂家一约10M条样本，厂家二约2K条样本。
• 性能提升：微调模型可有效提升接收机模型在新场景下的泛化性。

4. 基于AI的智能收发机

• 测试目标：联合优化收发端功能模块，提升整体系统性能。
• 数据来源：仿真数据与真实空口数据结合。
• 模型类型：Transformer。
• 训练数据集大小：厂家一约20M（Tx）与20W（Rx）条样本。
• 性能提升：微调模型可有效提升收发机模型在新场景下的泛化性。

5. 基于AI的多关联任务联合优化

• 测试目标：验证AI在多任务联合优化中的可行性。
• 数据来源：真实空口数据。
• 模型类型：Transformer。
• 训练数据集大小：约3K条样本。
• 性能优势：多任务联合优化方案在模型参数量上显著优于逐任务优化方案，参数量下降超过90%。

6. 基于AI的智能译码

• 测试目标：验证基于AI的LDPC译码方案的性能增益。
• 数据来源：真实空口数据与仿真数据结合。
• 模型类型：基于模型驱动的神经网络架构。
• 训练数据集大小：约25W条样本。
• 性能提升：吞吐量提升约6%。

7. 基于AI的PA非线性优化

• 测试目标：验证AI在功率放大器非线性优化中的可行性。
• 数据来源：仿真数据与实测PA数据。
• 模型类型：MLP。
• 训练数据集大小：厂家一约10W条样本，厂家二约2W条样本。
• 性能表现：在EVM和NMSE方面未表现出明显优势，需进一步优化。

关键信息表格总结

参加单位

• 中国信息通信研究院移动通信创新中心
• 华为技术有限公司
• 中兴通讯股份有限公司
• 中信科移动通信技术股份有限公司
• 维沃移动通信有限公司
• 上海诺基亚贝尔股份有限公司
• 北京小米移动软件有限公司
• 紫光展锐科技有限公司
• 中国移动研究院
• 中国电信研究院
• 中国联通研究院

总结

本建议书系统地介绍了AI在移动通信中的应用现状与发展方向，重点分析了AI在提升模型泛化性、优化通信性能等方面的作用。通过引入真实空口数据对仿真模型进行微调和自适应选择，可以显著增强模型在实际环境中的适应能力。测试结果显示，部分AI技术在吞吐量、误码率等方面表现出优势，但某些技术如PA非线性优化仍需进一步研究。文档为无线AI技术的产业化提供了数据和模型方面的指导，有助于推动技术共识的形成。