移动通信与AI融合的数据格式和模型建议.v2.docx
1基本情况32术语和定义33基于AI的智能解调制33.1 概述33.2 数据格式和模型43.3 测试情况分析44基于AI的智能调制解调44.1 概述44.2 数据格式和模型54.3 3测试情况分析55基于AI的DMRS信道估计51. 1概述55. 2数据格式和模型56. 3测试情况分析66基于AI的参考信号设计66.1 概述66.2 数据格式和模型66.3 测试情况分析67基于AI的上下行开销联合优化77.1 概述77.2 数据格式和模型77.3 3测试情况分析88基于Al的智能接收机87.4 1概述88.2 数据格式和模型88.3 测试情况分析99基于AI的智能收发机99.1 概述99.2 数据格式和模型99.3 测试情况分析1110参加单位11移动通信与Al融合的数据格式和模型建议书1基本情况本建议书依托IMT-2030(6G)推进组2023年无线智能化关键技术测试工作，汇聚业界最关注的移动通信和Al融合的七大典型用例，详细介绍了用例采用的训练数据来源、训练数据集格式、训练数据集大小、模型类型、模型参数、模型占用内存、模型推理所需算力/FLOPs等关键信息，并分享测试实践中引入Al后对移动通信性能的提升，供产学研用各界参考研究。2术语和定义下列缩略语适用于本规范。(针对测试规范中的相关内容进行修改)英文缩写全称中文SISOSingleInputSingleOutput单输入单输出MIMOMultipleInputMultipleOutput多输入多输出SNRSignaltoNoiseRatio信噪比SINRSignaltoInterferenceplusNoiseRatio信干噪比BERBitErrorRate误比特率BLERBlockErrorRate误块率MCSModulationandCodingScheme调制与编码策略DMRSDemodulationReferenceSignal解调参考信号CSIChannelStateInformation信道状态信息3基于Al的智能解调制3.1 概述使用神经网络替换接收端传统解调制模块，验证基于Al的智能解调制方案的可行性与性能增益。»«««与Al合的数据格式和模8!建板书：8-*oo尼叵!匿(基，型®S®S图1基于AI的智能解调制拓扑图3.2 数据格式和模型不同厂家的模型参数和训练数据介绍如下表所示。系统*训练数据介绍训练数要*卷训练数据集大小模型类型模型参数量模型占用内存大小模型推理所需算力/FLOPs测试SISO第*核待解调数据(8,12,14,2)RBft,子载波数，符号数，实虚部600K条样本MLP4.7K30KB5M测试SISO真实空口数据待解调的数据(2,624,14)实虚部，子载波数，符号数5K条样本CNN49.86K0.23MB372.84MVIM0真实空口数据待解调的数据(2,624,4)实虚部，子载波数，符号数5K条样本CNN99.72K0.47MB745.68M3.3 测试情况分析采用原型样机验证室内静止以及室外低速运动真实空口场景下基于Al的智能解调制方案的可行性，并调节验证不同SNR下的性能表征。采用高性能GPU进行推理加速，实现了帧级别的实时推理。测试结果表明，基于Al的智能解调制方案相较于传统算法有3%左右的吞吐量性能提升，可以看出基于AI的单模块物理层设计的性能提升相对有限。基于Al的解决方案在较低的信噪比情况下的增益要更加明显，且室内静止条件下的性能表征要优于室外低速运动场景。4基于Al的智能调制解调4.1 概述使用神经网络替换传统的调制和解调模块，验证基于AI的智能调制解调方案的可行性与性能增益。图2基于Al的智能调制解调拓扑图4.2 数据格式和模型测试厂家的模型参数和训练数据介绍如下表所示。系统*训练数据介绍训练数据集大小模型类型模型参数量模型占用内存大小模型推理所帝算力/FLOPs测试SISO编数TX编码比特(8,12,14,X)RB数子载波数,符号数，调制阶数600K条样本MLP4.7K;30KB5MRX待解调数据(8,12,14,2)RB数，子载波数,符号实庄600K条样本MLP4.7K30KB5M4.3 测试情况分析采用原型样机验证室内静止以及室外低速运动真实空口场景下基于Al的智能调制解调方案的可行性，并调节验证不同SNR下的性能表征。采用高性能GPU进行推理加速实现了帧级别的实时推理。测试结果表明，基于AI的智能调制解调方案相较于传统算法有10%左右的吞吐量性能提升。基于Al的解决方案在较低的信噪比情况下的增益更加明显，且室内静止条件下的性能增益高于室外低速运动场景。5基于Al的DMRS信道估计5.1概述通过神经网络对DMRS信道估计进行替换调优，验证基于AI的DMRS信道估计方案的可行性与性能增益。图3基于Al的DMRS信道估计拓扑图5.2 数据格式和模型测试厂家的模型参数和训练数据介绍如下表所示。数据来源训练数据介绍训练数费训练斓集大小模型类型模型参数量模型占用内存大小模型推理所需算力FL(Hjs测试仿真数据(4,6,2,2)RB数，子载波数，符号数，实虚部720K条样本MLP1.39M5.31MB2.78M5.3 测试情况分析采用原型样机验证室内静止真实空口场景下基于Al的DMRS信道估计方案的可行性，并调节验证不同SNR下的性能表征。采用高性能GPU进行推理加速。测试结果表明，相同导频开销情况下基于Al的DMRS信道估计方案相较于传统算法有9%左右的吞吐量性能提升。基于Al的解决方案在较低的信噪比情况下的增益要更加明显。2022年，中国信息通信研究院移动通信创新中心联合中国移动终端公司开展基于智能信道估计算法的验证工作，在高通和MTK商用芯片上部署量化后的智能信道估计模型。基于AI的DMRS信道估计方案在吞吐量性能增益方面与移动芯片测试工作基本一致。6基于Al的参考信号设计6.1概述通过神经网络对DMRS信道估计进行替换调优，验证基于Al的DMRS信道估计方案的在降低导频开销方面的性能表征。图4基于Al的参考信号设计拓扑图6.2 数据格式和模型测试厂家的模型参数和训练数据介绍如下表所示。整木训练数据介绍训练数据集大小模型类型模型参数量模型占用内存大小模型推理所需算力/FLOPs测试真实空口数据+仿真数据器(14,51,12,4)符号数，RB数，子载波数，调制阶数2M条样本NN2k"IOKB1M6.3 测试情况分析采用商用收发设备验证基于Al的DMRS信道估计算法降低导频开销方案的可行性，并通过信道模拟器验证不同速度下的性能表征。采用高性能GPu进行推理加速，实现了Al算法的实时推理。测试结果表0-AI合的式嘉!|?书明，相同导频开销下基于Al的DMRS信道估计算法较传统算法有7%左右的性能提升，基于AI的DMRS信道估计算法在降低50$开销的情况下能达到传统算法同样的性能。且基于Al的参考信号设计方案在参考信号降开销方面的性能表征与移动芯片测试工作基本一致。7基于AI的上下行开销联合优化7.1 概述通过神经网络对上行CSl压缩和下行信道估计进行联合调优，验证信道估计损失与压缩量化损失对基站侧准确获取信道信息的影响，根据所处信道环境的难易程度对导频信号开销与信道反馈开销进行联合优化，以实现上下行传输效率的优化。图5基于Al的上下行开销联合优化拓扑图7.2 数据格式和模型不同厂家的模型参数和训练数据介绍如下表所示。城米训练数据介绍力练数据集格式训练数据集大小模型类型模型参数量模型占用内存大小模型推理所需算力/FLOPs测试真实空口数据CSI数据(38,32,2)子带数，发送端天线数，实虚部768K条样本Transformer不境用复的型3.010.43MB/0.12MB勰型）11.75MB/1.73MB/0.75MB76.72MB/8.12MB/1.77MB测试真实空口数据信道数据0,2天接线RB虚S如天，实>线收数姐部1M条样本MLP/CNN12.4K75KB23K7.3 测试情况分析采用原型样机验证LOS/NLOS真实空口场景下基于Al的上下行开销联合优化方案的可行性。采用高性能GPU进行推理，加速推理过程。测试结果表明，采用基于Al的CSl反馈压缩技术，在保证SGCS>0.8的条件下可降低下行CSbRS导频开销66%。采用Al的信道状况识别技术可以降低37%的上行反馈开销。8基于Al的智能接收机8.1概述通过神经网络对接收机进行赋能设计，对接收端功能模块进行联合优化，并验证相对于传统NR物理层链路整体存吐性能的提升。斗回春q国,- 丫- .篁.王回囹m-OlOl图6基于Al的智能接收机拓扑图不同厂家的模型参数和训练数据介绍如下表所示。系统训练数据介绍训练数据集大小模型类型模型参数量模型占用而存大小模型推理所需算力/FLOPsM试SISO(20,12,4,1,2)RB数，子载波数，符号数，天线数，实虚部10M条样本Transformer2.37M"IOMB600MMIM0(20,12,14,2,2)RB数，轰拳数，天线数，实虚部1OM条样本Transformer2.37M"IOMB1.2G测试SISO真实空口数据(2*624*14)实虚部，子载波数，符号数5K条样本CNN6.61M3.5MB5.78GMIM0真实空口数据(2*2*624*14)天线数，实虚部，子载波数，符号数5K条样本CNN0.84M2.6MB7.37G目试MIM0真实空口数据接收侧鑫*数(Z14,10,12,2)天线端口，符号数，PRB数，子载波数，实虚部oo条样本CNN-80w-35MB0.21G8.3 测试情况分析采用原型样机验证室内静止以及室外低速运动真实空口场景下基于Al的接收机方案的可行性，并调节验证不同SNR下的性能表征。采用高性能GPU进行推理加速，实现了帧级别的实时推理。测试结果表明，基于Al的接收机方案相较于传统算法有15%左右的吞吐量性能提升，MlMo模式下的性能提升要比SISo模式下高5个百分点。基于AI的解决方案在较低的信噪比情况下的增益要更加明显，且室内静止条件下的性能表征要优于室外低速运动场景。9基于Al的智能收发机9.1概述通过神经网络对收发机进行赋能设计，对收发端功能模块进行联合
