IMT-2020(5G)推进组 IMT-2030(6G)推进组 IMT-2030(6G)PromotionGroup 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) 2023年12月 IMT-2020(5G)推进组5G与AI融合研究任务组IMT-2030(6G)推进组试验任务组 移动通信与AI融合的数据格式和模型建议书 目录 1基本情况3 2术语和定义3 3基于AI的智能解调制3 3.1概述3 3.2数据格式和模型4 3.3测试情况分析4 4基于AI的智能调制解调4 4.1概述4 4.2数据格式和模型5 4.3测试情况分析5 5基于AI的DMRS信道估计5 5.1概述5 5.2数据格式和模型5 5.3测试情况分析6 6基于AI的参考信号设计6 6.1概述6 6.2数据格式和模型6 6.3测试情况分析6 7基于AI的上下行开销联合优化7 7.1概述7 7.2数据格式和模型7 7.3测试情况分析8 8基于AI的智能接收机8 8.1概述8 8.2数据格式和模型8 8.3测试情况分析9 9基于AI的智能收发机9 9.1概述9 9.2数据格式和模型9 9.3测试情况分析11 10参加单位11 2 移动通信与AI融合的数据格式和模型建议书 移动通信与AI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AI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AI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 SISO SingleInputSingleOutput 单输入单输出 MIMO MultipleInputMultipleOutput 多输入多输出 SNR SignaltoNoiseRatio 信噪比 SINR SignaltoInterferenceplusNoiseRatio 信干噪比 BER BitErrorRate 误比特率 BLER BlockErrorRate 误块率 MCS ModulationandCodingScheme 调制与编码策略 DMRS DemodulationReferenceSignal 解调参考信号 CSI ChannelStateInformation 信道状态信息 3基于AI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AI的智能解调制方案的可行性与性能增益。 3 移动通信与AI融合的数据格式和模型建议书 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 数据来源 训练数据介绍 训练数据集格式 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 测试一 SISO 仿真数据 待解调数据 (8,12,14,2)RB数,子载波数,符号数,实虚部 ~600K条样本 MLP 4.7K ~30KB ~5M (2,624,1 SISO 真实空 ❑数据 待解调的数据 4)实虚部,子载波数,符 ~5K条样本 CNN 49.86K 0.23MB 372.84M 测试 号数 二 (2,624,1 MIMO 真实空 ❑数据 待解调的数据 4)实虚部,子载波数,符 ~5K条样本 CNN 99.72K 0.47MB 745.68M 号数 3.3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AI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AI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。 4基于AI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AI的智能调制解调拓扑图 4 移动通信与AI融合的数据格式和模型建议书 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 数据来源 训练数据介绍 训练数据集格式 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 (8,12,14,x)RB数, Tx编码比特 子载波数,符号 ~600K条样本 MLP 4.7K; ~30KB ~5M 数,调制 测试一 SISO 仿真数据 阶数 Rx待解调数据 (8,12,14,2)RB数,子载波数,符号 ~600K条样本 MLP 4.7K ~30KB ~5M 数,实虚部 4.3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AI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AI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AI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AI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 5 移动通信与AI融合的数据格式和模型建议书 测试一 仿真数据 导频处信道数据 (4,6,2,2)RB数,子载波数,符号数,实虚部 ~720K条样本 MLP 1.39M 5.31MB 2.78M 5.3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AI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AI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AI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AI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AI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AI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。 数据来源 训练数据介绍 训练数据集格式 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 测试一 真实空 ❑数据 +仿真数据 导频处信道数据 (14,51,12,4)符号数,RB数,子载波数,调制阶数 ~2M条样本 NN ~2k ~10KB ~1M 6.3测试情况分析 采用商用收发设备验证基于AI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AI算法的实时推理。测试结果表 6 移动通信与AI融合的数据格式和模型建议书 明,相同导频开销下基于AI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AI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CSI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AI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。 数据来源 训练数据介绍 训练数据集格式 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 测试一 真实空 ❑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 不同环境下调用不同复杂度的模型:3.06MB/0.43MB/0.12MB(共有三种不同复杂度的模型) 11.75MB/1.73MB/0.75MB 76.72MB/8.12MB/1.77MB 测试二 真实空 ❑数据 信道数据 (2,1,20,2)发射天线数,接收天线数,RB数,实虚部 ~1M条样本 MLP/CNN 12.4K ~75KB ~23K 7 移动通信与AI融合的数据格式和模型建议书 7.3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AI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AI的CSI反馈压缩技术,在保证SGCS>0.8的条件下可降低下行CSI-RS导频开销66%。采用AI的信道状况识别技术可以降低37%的上行反馈开销。 8基于AI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物理层链路整体吞吐性能的提升。 图6基于AI的智能接收机拓扑图 8.2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 数据来源 训练数据介绍 训练数据集格式 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 (20,12,14,1,2) SISO 仿真数据+真实空❑数据 接收侧频域数据 RB数,子载波数,符号数,天线 ~10M条样本 Transformer 2.37M ~10MB ~600M 数,实虚 测试 部 一 接收侧频域数据 (20,12,14,2,2) 仿真数 RB数, MIMO 据+真实空❑ 子载波数,符号 ~10M条样本 Transformer 2.37M ~10MB ~1.2G 数据 数,天线数,实虚部 SISO 真实空 ❑数据 接收侧频域数据 (2*624*14)实虚部,子载波数,符 ~5K条样本 CNN 6.61M 3.5MB 5.78G 测试二 号数 MIMO 真实空 ❑数据 接收侧频域数据 (2*2*624*14)天线数,实虚部,子载波数, ~5K条样本 CNN 0.84M 2.6MB 7.37G 符号数 8 移动通信与AI融合的数据格式和模型建议书 测试三 MIMO 真实空 ❑数据 接收侧频域数据 (2,14,10,12,2)天线端❑,符号数,PRB数,子载波数,实虚部 ~100K条样本 CNN ~80w ~3.5MB 0.21G 8.3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AI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AI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,MIMO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