摘要

? 我們展示了AI模型在不同物理環(huán)境下的魯棒性

? 與3GPP Type I CSI反饋相比，我們測(cè)得15%至95%的吞吐量增益

? 我們展示了序列學(xué)習(xí)的靈活性，支持網(wǎng)絡(luò)解碼器優(yōu)先或終端編碼器優(yōu)先的訓(xùn)練方式

高通技術(shù)公司和諾基亞貝爾實(shí)驗(yàn)室持續(xù)合作，展示了無(wú)線網(wǎng)絡(luò)中可互操作的多廠商AI的價(jià)值。在2024年世界移動(dòng)通信大會(huì)（MWC 2024）上，我們首次展示了AI增強(qiáng)信道狀態(tài)反饋編碼器和解碼器模型的OTA互操作性，該模型分別運(yùn)行在搭載高通5G調(diào)制解調(diào)器及射頻系統(tǒng)的參考移動(dòng)終端和諾基亞原型基站上。

雙方使用被稱為“序列學(xué)習(xí)”的新技術(shù)開發(fā)了這些可互操作的模型。通過(guò)序列學(xué)習(xí)，多家公司能夠協(xié)同設(shè)計(jì)可互操作AI模型，而無(wú)需共享各自實(shí)現(xiàn)方案的專有細(xì)節(jié)，公司之間共享模型輸入/輸出對(duì)的訓(xùn)練數(shù)據(jù)集即可。

基于這一概念驗(yàn)證，我們持續(xù)合作，展示可互操作AI面向信道狀態(tài)反饋（Channel State Feedback, CSF）的價(jià)值、靈活性和可擴(kuò)展性。

無(wú)線AI在不同物理環(huán)境下的魯棒性

隨著AI技術(shù)在實(shí)際網(wǎng)絡(luò)中部署，確保模型在不同環(huán)境中穩(wěn)健運(yùn)行尤為重要。訓(xùn)練數(shù)據(jù)集應(yīng)具有足夠的多樣性以確保AI模型有效學(xué)習(xí)；然而，讓數(shù)據(jù)集涵蓋所有可能場(chǎng)景是不現(xiàn)實(shí)的。因此，將訓(xùn)練成果泛化以應(yīng)對(duì)新情況的能力，對(duì)AI模型至關(guān)重要。在雙方的合作中，我們研究了三個(gè)不同的基站站點(diǎn)：一個(gè)郊區(qū)室外位置（室外站點(diǎn)）和兩個(gè)不同的室內(nèi)環(huán)境（室內(nèi)站點(diǎn)1和室內(nèi)站點(diǎn)2）。

在第一個(gè)場(chǎng)景中，我們對(duì)使用多元數(shù)據(jù)集訓(xùn)練的通用AI模型和在特定地點(diǎn)訓(xùn)練的超本地化模型進(jìn)行了性能對(duì)比。下圖總結(jié)了在室外站點(diǎn)和室內(nèi)站點(diǎn)1實(shí)現(xiàn)的平均吞吐量?？梢钥闯?，通用AI模型可在不同環(huán)境下工作，性能媲美超本地化模型。

圖1. 通用模型 vs. 超本地化AI模型實(shí)現(xiàn)的平均吞吐量（Mbps）

隨后，我們對(duì)通用模型進(jìn)行調(diào)整，接入了來(lái)自室內(nèi)站點(diǎn)2的數(shù)據(jù)（即調(diào)整后的通用模型），然后在室內(nèi)站點(diǎn)2內(nèi)的4個(gè)不同位置測(cè)量用戶數(shù)據(jù)吞吐量。如圖所示，在所有場(chǎng)景中，通用模型與調(diào)整后的通用模型其性能差異在1%以內(nèi)，表明一般通用模型在新場(chǎng)景中穩(wěn)健可靠。

圖2. 通用 vs. 調(diào)整后的通用模型實(shí)現(xiàn)的平均吞吐量（Mbps）

相比波束網(wǎng)格反饋實(shí)現(xiàn)的吞吐量增益

AI增強(qiáng)CSF讓網(wǎng)絡(luò)能夠以更精確的波束模式進(jìn)行傳輸，從而提高接收信號(hào)強(qiáng)度，減少干擾，最終提供更高數(shù)據(jù)吞吐量。我們記錄了移動(dòng)用戶在站點(diǎn)內(nèi)不同位置移動(dòng)時(shí)，分別基于AI的反饋和基于波束網(wǎng)格的反饋（3GPP Type I）所實(shí)現(xiàn)的數(shù)據(jù)吞吐量，以此測(cè)量性能提升。

如下列條形圖所示，使用AI反饋實(shí)現(xiàn)了更高吞吐量，每個(gè)位置的吞吐量增益從15%到95%不等。在實(shí)際商用系統(tǒng)中，AI增強(qiáng)CSF下所觀察到的吞吐量增益將取決于諸多因素。然而，這一概念驗(yàn)證的結(jié)果結(jié)合大量模擬研究表明，通過(guò)AI增強(qiáng)實(shí)現(xiàn)的吞吐量將始終高于通過(guò)傳統(tǒng)方法實(shí)現(xiàn)的吞吐量。

圖3. 相比Type I反饋在室外和室內(nèi)測(cè)試中的增益百分比

網(wǎng)絡(luò)解碼器優(yōu)先序列學(xué)習(xí)

序列學(xué)習(xí)可以通過(guò)兩種方式進(jìn)行，終端編碼器優(yōu)先（device encoder-first）或網(wǎng)絡(luò)解碼器優(yōu)先（network decoder-first），二者在部署和標(biāo)準(zhǔn)化方面具有不同的影響。為了順應(yīng)3GPP對(duì)解碼器優(yōu)先方式與日俱增的關(guān)注，今年我們將原本的編碼器優(yōu)先演示替換成了解碼器優(yōu)先模型訓(xùn)練。

在MWC 2024上演示的編碼器優(yōu)先方式中，高通技術(shù)公司設(shè)計(jì)了編碼器模型，生成一組輸入/輸出對(duì)的訓(xùn)練數(shù)據(jù)集，并將數(shù)據(jù)集分享給諾基亞，后者隨之設(shè)計(jì)了可互操作解碼器。今年，通過(guò)解碼器優(yōu)先的方式，由諾基亞設(shè)計(jì)解碼器模型，生成并共享解碼器輸入/輸出對(duì)的訓(xùn)練數(shù)據(jù)集，以供高通技術(shù)公司設(shè)計(jì)可互操作編碼器。我們發(fā)現(xiàn)，通過(guò)這兩種模式設(shè)計(jì)出的模型性能相當(dāng)，差異在幾個(gè)百分點(diǎn)以內(nèi)。

總結(jié)

高通技術(shù)公司和諾基亞貝爾實(shí)驗(yàn)室聯(lián)合展示的原型系統(tǒng)是AI增強(qiáng)通信從概念走向現(xiàn)實(shí)的關(guān)鍵一步。結(jié)果表明，通過(guò)多種學(xué)習(xí)模式，可以穩(wěn)健地顯著提升用戶體驗(yàn)。隨著我們學(xué)習(xí)設(shè)計(jì)可互操作的多廠商AI系統(tǒng)，將能夠?qū)崿F(xiàn)更大的容量、更高的可靠性和更低的能耗。