隨著 5G 時代跨過長達十年的蜂窩通信時間框架的中點，6G 研發的步伐正在加快。在這篇博客文章中，我們重點介紹了 NVIDIA 如何在新興的 6G 領域發揮積極作用，推動行業創新并促進行業協作。
NVIDIA 不僅提供 AI 原生 6G 工具，還與合作伙伴和行業團體合作，以加速創新。如圖 1 所示，6G 創新工作利用基于 NVIDIA Aerial 平臺的 AI 原生工具，包括 NVIDIA Aerial CUDA 加速 RAN、NVIDIA Aerial Omniverse 數字孿生 和 NVIDIA Aerial AI 無線電框架，以及在基于 GPU-based 平臺上的加速計算。
同樣，NVIDIA 正在與合作伙伴和更廣泛的電信生態系統（包括 AI-RAN 聯盟、3GPP 和 O-RAN）合作，推動由人工智能/機器學習支持的創新，這些創新將改變 6G 時代的需求和機遇。這些創新集成到平臺、工具和藍圖中，支持 6G 研究和開發。
無線電接入網的 AI 藍圖
無線電接入網（RAN）是蜂窩網絡中計算密集程度最高的部分。它將成為 6G 的許多實際新特性和功能的重點，以提高性能，并啟用只有在 RAN 中使用原生人工智能/機器學習才能夠完成的新用例和應用程序。
事實證明，AI/ML 方法在解決 RAN 日益復雜的問題方面是有效的。在概述其對 IMT-2030 技術 (例如 6G) 的期望時，國際電信聯盟 (ITU) 提出了新的 6G 空中接口是 AI 原生的，并使用 AI/ML 來增強符號檢測/解碼和信道估計等無線電接口功能的性能。
從標準化的角度來看，3GPP 正在實施 ITU 關于 AI 原生空氣接口的提案（圖 2）。在第 18 版中，3GPP 對 5G 新無線電（NR）空氣接口進行了首次關于 AI/ML 的研究，以調查 AI/ML 的一般框架以及包括通道狀態信息（CSI）反饋、波束管理和定位在內的選定用例。第 19 版將在至少三個方面擴展這些內容。
首先，適用于 NR 空中接口的 AI/ML 版本 19 工作項目包括多個研究目標，以解決在版本 18 研究期間發現的突出問題。其次，版本 19 將通過指定與生命周期管理相關的信號和協議方面來支持單側 AI/ML 模型，其中單側模型可以是用戶設備側或網絡側。第三，在版本 19 中，3GPP 將針對 NR 空中接口的移動性開展專門的 AI/ML 研究，并進一步考慮用戶設備側的可用信息。
具體來說，該研究將研究基于人工智能/機器學習的用戶設備側模型和網絡側模型的無線電資源管理預測，以及用戶設備側模型的事件預測（例如切換失敗、無線電鏈路故障和測量事件）。
NVIDIA 幫助完成了 3GPP 關于 5G NR 空氣接口的 AI/ML 研究在 Release 18 中。NVIDIA 目前正在為 3GPP Release 19 工作項目做出貢獻，為 5G NR 空氣接口的 AI/ML 引入規范支持，以支持 5G-Advanced 向 6G 的發展。
O-RAN 聯盟還在進行以人工智能為中心的轉型，以打造原生智能的開放和可互操作架構。通過使用基于人工智能/機器學習的技術，O-RAN 旨在將智能集成到開放式 RAN 架構的每一層中。在 O-RAN 架構中引入 RAN 智能控制器（RIC）是重要的一步發展，使得將基于人工智能/機器學習的解決方案引入各種用例成為可能。
O-RAN 聯盟的下一代研究組（nGRG）正在推動啟用 AI 本地架構和功能的研究工作，以便實現新一代開放 RAN。這還包括 RAN 與物理網絡的其他領域之間的跨域 AI，甚至是物理網絡邊界之外的物理和數字孿生網絡領域之間的跨域 AI。
NVIDIA 是 O-RAN 聯盟 nGRG 的聯合主席之一，并與主要行業合作伙伴合作，在五個研究流中推進以 RAN 為中心的開放式 6G 研究計劃。
- 用例和要求
- 架構
- 原生和跨域 AI
- 安全性
- 新一代研究平臺。
NVIDIA 正在與 AI-RAN 聯盟中的行業領導者合作，加速實現 AI 驅動的空中接口。不同于制定標準的組織，這些組織的所有工作都專注于開發互操作性的規范文檔，而 AI-RAN 聯盟的重點是創建實施藍圖，并對新的 AI 原生 RAN 中的 AI/ML 算法的效率進行基準測試。
社區可以使用這些藍圖開發自己的算法版本，以支持相同或新的功能。社區將使用基準測試結果來評估算法和相關人工智能/機器學習框架的性能。該聯盟還旨在為實現多租戶系統定義藍圖，其中無線接入網（RAN）和其他工作負載（例如生成式人工智能推理工作負載）可以動態共享相同的基礎設施資源以提高利用率（人工智能和 RAN）。此外，它旨在為在 RAN 基礎設施上實現新一代人工智能驅動應用程序定義藍圖，同時通過利用人工智能/機器學習驅動的算法提高頻譜效率（人工智能為 RAN）來提升 RAN 功能。
NVIDIA 還直接與開發者社區合作，使用 NVIDIA Aerial AI 無線電框架 創建和測試新的 AI/ML 算法。這些框架提供了一系列 AI 增強功能，以便在 RAN 中進行訓練和推理。框架工具—pyAerial、NVIDIA Aerial Data Lake 和 NVIDIA Sionna，涵蓋了從 AI/ML 算法探索到 AI/ML 模型訓練和推理的研究領域，為探索 RAN 不同 AI/ML 配置提供了藍圖。
pyAerial 是一個物理層組件 Python 庫，可作為工作流程的一部分，將設計從模擬變為實時操作。圖 4 展示了其用于神經接收器的示例。Aerial Data Lake 是一個數據捕獲平臺，支持從基于 Aerial CUDA-Accelerated RAN 的虛擬 RAN（vRAN）網絡中捕獲無線（OTA）RF 數據。
NVIDIA Sionna 是一個 GPU 加速的開源庫，用于鏈路級模擬。它支持復雜通信系統架構的快速原型設計，并為在 6G 信號處理中集成 機器學習 提供原生支持。這些 AI 無線電框架支持對 NVIDIA Aerial CUDA 加速 RAN 進行 AI 增強，后者是用于構建商業級、軟件定義的云原生 5G 和未來 6G RAN 的框架。
數字孿生網絡
隨著該行業為 6G 設計 AI 原生空氣接口，需要一種系統級確定性光線追蹤模擬器，可以生成大量合成數據以訓練 AI/ML 模型，以及在將城市規模網絡部署到物理網絡中之前對其進行高保真全系統仿真。這都是需要解決的挑戰。數字孿生網絡 (DTN) 是應對這些挑戰的工具，因為它提供了物理 5G/6G 網絡的完整仿真，并反映了其特性、行為和配置，使開發者能夠創建 AI/ML 模型，并在模擬環境中測試和微調這些模型。
ITU 希望物理和數字孿生網絡之間能夠進行共生交互，以便 DTN 能夠高效、智能地實時驗證、模擬、部署和管理 6G 時代的網絡。在其關于“數字孿生網絡 – 要求和架構”的 Y.3090 建議中，ITU 為 DTN 的功能和服務要求、其安全注意事項以及潛在的架構藍圖奠定了基礎性考慮因素。DTN 等技術將明確如何使用射頻流量特征來確定物體的距離、角度和速度等屬性，以及周圍環境的特征，從而增強 6G 系統作為感知網絡的使用。
在 TS 22.137 中，3GPP 在其集成感知和通信（ISAC）主題領域下，將無線感知的服務要求分為三個用例類別：物體檢測和跟蹤、環境監測和運動監控。ISAC 項目探索了將電信基礎設施用作無線通信和感知網絡的潛力，為無人駕駛飛行器（UAV）、智能家居、車聯網（V2X）、工廠、鐵路和公共安全等行業提供輸入。這為電信公司開辟了新的收入來源。
為了正確評估 ISAC 技術，無線信道建模必須提供一致性，并且最重要的是正確表示環境中基站、設備和物體之間的頻率、空間和時間相關性。實現這一點如果沒有基于散射現象基礎物理性質的傳播模型是不自然的，容易發生建模錯誤，并且會浪費行業的精力。這些考慮因素要求在 DTN 中對無線傳播（尤其是光線追蹤）進行基于物理性質的確定性建模。NVIDIA 一直在 3GPP Release 19 中為 ISAC 貢獻信道建模，支持 ISAC 的確定性/基于光線追蹤的信道模型的想法。
在 AI-RAN 聯盟上，NVIDIA 及其合作伙伴正在探索如何使用 DTN 針對 AI-for-RAN 工作流進行系統級和站點特定的優化。其中一個關鍵用例是能夠生成合成數據來訓練 AI/ML 模型，然后在數字孿生中部署這些模型，以驗證它們在實際環境中的性能，然后再在物理 RAN 系統中啟用這些模型。
在 O-RAN 聯盟 nGRG 上，NVIDIA 正與其他合作伙伴合作，共同制定一套關于數字孿生 RAN（DT-RAN）、其支持技術及其實施藍圖的行業指南。
NVIDIA 為開發者社區提供了一個 DTN 工具，以幫助加速 6G 研發。NVIDIA Aerial Omniverse 數字孿生 (AODT) 是新一代系統級仿真平臺，用于在 5G 和 6G 無線系統上執行先進的 AI 原生空中接口研發。NVIDIA Aerial Omniverse 數字孿生 (AODT) 是一個工具，用于在系統級仿真中對系統性能進行基準測試，生成合成數據，并在真實情況下探索基于 AI/ML 的無線通信算法。
該模塊化設計使研究人員和合作伙伴能夠用自己的創新設計替換任何模塊，并分別為商業解決方案強化系統。例如，Ansys 在 IMS 2024 大會和展覽上展示了 AODT 與 Perceive EM Solver 集成，讓客戶可以探索 AI/ML 和虛擬 RAN。即將發布的版本將在 NVIDIA Omniverse 中引入更友好的用戶界面、高級地理空間功能和散射模型、64TRx 以及更先進的 AI 功能。
通過 Over the Air 3GPP 兼容網絡作為創新沙盒
用于 AI/ML 算法的無線（OTA）開發、驗證和基準測試平臺是對用于 6G 開發的 DTN 模擬結果的補充。這為行業提供了一個全棧平臺，用于學習和 benchmark 新的 AI/ML 算法，發布藍圖、基準 KPI、特定的誤差測量結果和特定于空中接口的性能指標。這一點至關重要，尤其是對于定義 6G 所需的創新、能夠對標準化進行 benchmark 和評估，以及實現特定的 AI/ML 方法而言。
標準機構認識到需要這樣一個創新沙盒。在第 17 版中，3GPP 對支持人工智能的 RAN 智能進行了研究，以確定一套指導標準工作的高級原則，并特別指出人工智能算法和模型是特定于實現的，因此預計不會標準化。
因此，3GPP 使用數據收集、模型訓練和模型推理等常用術語為支持 AI 的 RAN 智能定義了參考功能框架，以解決三種用例——網絡節能、負載均衡和移動優化。3GPP 版本 18 專注于規范工作，為用例指定數據收集增強功能和信號支持，而版本 19 將增強對使用 AI/ML 的更多用例的支持。O-RAN 的 AI/ML 指導原則還要求在部署前驗證經過訓練的 AI/ML 模型。
NVIDIA 為開發者社區開發了一個創新沙盒 Aerial RAN CoLab Over-The Air（ARC-OTA），該沙盒利用了分離和現成的硬件和軟件組件。ARC-OTA 是一個符合 3GPP Release 15 標準、OTA 操作的 O-RAN 7.2x 分體式校園 5G SA 4T4R 無線全棧，包含來自 RAN 和 5G 核心的所有網絡元素。
NVIDIA Aerial CUDA 加速 RAN 第 1 層與 OpenAirInterface（OAI）分布式單元（DU）、集中式單元（CU）、5G NR gNB 和 5G 核心網絡元素集成。ARC-OTA 提供全棧可編程性，擁有對源代碼的完整訪問權限，可以用于啟動任何實驗，并提供快速周轉驗證和基準測試結果。
ARC-OTA 是一個通用的參考全棧網絡沙盒，供開發者加載開發者插件和擴展程序。一些早期示例包括 Northeastern 的 OpenRANGym，它集成了 O-RAN OSC RIC，可實現動態網絡適應性，不僅可以基于 KPM 進行監控，還可以通過潛在的基于 DRL 的 xApp 進行控制。
此外，東北大學還一直在研究用于在 nGRG 中的 O-RAN 中進行實時推理和控制的分布式應用（dApps）。
另一個示例是 Sterling 的 K8 服務編排和監控開發者擴展程序。同樣，其他開發者也可以提供藍圖，以加快 6G 的創新步伐。
ARC-OTA 是 AODT 的物理 OTA 補充，使研究人員能夠在完全模擬網絡和具有相同模型和算法優化的物理 OTA 網絡之間切換，以進行 6G 研究。與提供鏈路級模擬的 pyAerial 和 Sionna 以及提供訓練數據的 Data Lake 相結合，這些互聯工具為創新的 6G 研究提供了一個引人入勝的平臺（圖 6）。
提升 6G 的 AI/ML 性能
隨著實現標準的途徑越來越清晰，商業部署也越來越接近，AI/ML 在 6G 中的采用速度將繼續加快。NVIDIA 正在與合作伙伴和更廣泛的生態系統合作，開發新的工具和方法，以應對 6G 機遇和挑戰。
NVIDIA 6G 開發者計劃是當前和未來合作的一個重要平臺，其中有 1000 多名 6G 研究人員正在使用 NVIDIA Aerial 平臺中的工具，對人工智能/機器學習藍圖、數據網絡和創新沙盒進行實驗。
我們邀請所有積極從事 6G 相關項目的研究人員加入 NVIDIA 6G 開發者計劃。
?
