1、IMT-2020(5G)推进组IMT-2030(6G)推进组IMT-2030(6G)Promotion Group移动通信与AI融合的数据和模型建议书无线领域（第二版）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IMT-2030(6G)推进组IMT-2030(6G)Promotion Group目录目录1 基本情况.12 术语和定义.13 基于 AI 的智能解调制.23.1 概述.23.2

2、 数据格式和模型.23.3 泛化性能研究.23.4 测试情况分析.34 基于 AI 的信道估计.34.1 概述.34.2 数据格式和模型.34.3 泛化性能研究.44.4 测试情况分析.45 基于 AI 的智能接收机.45.1 概述.45.2 数据格式和模型.55.3 泛化性能研究.55.4 测试情况分析.66 基于 AI 的智能收发机.66.1 概述.66.2 数据格式和模型.66.3 泛化性能研究.76.4 测试情况分析.77 基于 AI 的多关联任务联合优化.77.1 概述.77.2 数据格式和模型.87.3 测试情况分析.88 基于 AI 的智能译码.88.1 概述.88.2 数据格式

3、和模型.98.3 测试情况分析.99 基于 AI 的 PA非线性优化.99.1 概述.99.2 数据格式和模型.99.3 测试情况分析.1010 参加单位.10IMT-2030(6G)推进组IMT-2030(6G)Promotion Group1移动通信移动通信与与AIAI融合的数据和模型建议书融合的数据和模型建议书1基本情况本建议书依托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，在去年测试用例的基础上引入新的测试用例并开展探索提升模型泛化性方法，推动技术共识形成。鉴于无线AI模型的泛化性对无线AI技术落地的决定性影响，中国信息通信研究院采

4、集外场数据，并采用信道模拟器回放信道的方式，完成待测设备的泛化性性能。本建议书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以及提升模型泛化性的方法，供产学研用各 界 参 考 研 究。（本 报 告 涉 及 用 例 的 训 练 数 据 集 地 址：https:/www.mobileai- Ratio信噪比BLERBlock Error Rate误块率BERBit Error Rate误比特率PAPowerAmplifier功率放大器DPDDigital Pr

5、e-Distortion数字预失真EVMError Vector Magnitude矢量幅度误差MCSModulation and Coding Scheme调制与编码策略RSRPReference Signal Receiving Power参考信号接收功率ACLRAdjacent Channel Leakage Power Ratio邻道泄漏抑制比CSIChannel State Information信道状态信息DMRSDemodulation Reference Signal解调参考信号IMT-2030(6G)推进组IMT-2030(6G)Promotion Group2SISOSin

6、gle Input Single Output单输入单输出MIMOMultiple Input Multiple Output多输入多输出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，在去年开展的基于AI智能解调制性能测试的基础上探索提升解调制模型泛化性的方法。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。数据来数据来源源训 练 数训 练 数据介绍据介绍训 练 数训 练 数据 集 格据 集 格式式训练数据训练数据集大小集大小模型类型模型类型模 型 参模 型 参数量数量模型占用模型占用内存大小内存大小模型推理所模