移动通信与AI融合的数据和模型建议书 无线领域（第二版）

本建议书依托IMT-2030(6G)推进组2024年无线智能化关键技术测试工作，分析无线AI产业化的关键难题，并引入新的测试用例开展探索提升模型泛化性方法，推动技术共识形成。报告重点介绍了基于AI的智能解调制、信道估计、智能接收机、智能收发机、多关联任务联合优化、智能译码和PA非线性优化等关键技术，详细阐述了各用例的训练数据来源、数据格式、模型类型、参数、内存占用、推理算力等关键信息，并分享了测试实践中AI对移动通信性能的提升及模型泛化性提升方法。

核心观点与关键数据：

1. 基于AI的智能解调制：相较于传统算法，性能提升约3%；采用真实空口数据微调和动态自适应模型可进一步提升泛化性。
2. 基于AI的信道估计：采用真实空口数据微调可提升模型在新场景的泛化性。
3. 基于AI的智能接收机：采用真实空口数据微调可提升模型在新场景的泛化性。
4. 基于AI的智能收发机：采用真实空口数据微调可提升模型在新场景的泛化性。
5. 基于AI的多关联任务联合优化：与逐任务优化相比，多任务联合优化方案在模型参数量上有显著优势，定位和LOS/NLOS子任务参数量下降90%以上。
6. 基于AI的智能译码：相较于传统LDPC译码算法，吞吐量提升约6%。
7. 基于AI的PA非线性优化：与传统DPD方案对比，在EVM和NMSE方面未显现明显增益。

研究结论：

• AI技术可有效提升无线通信性能，尤其在解调制、信道估计、智能接收机、智能译码等方面表现突出。
• 采用真实空口数据进行模型微调是提升模型泛化性的有效方法。
• 多任务联合优化方案在参数量和综合性能上具有优势。
• AI在PA非线性优化方面的应用仍需进一步探索。

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。