借助 AI 原生 RAN 和 NVIDIA AI Aerial 更大限度地提高频谱效率

Spectrum 是无线通信领域最宝贵的资产之一。在过去 30 年里，美国的电信运营商为获取 无线频谱 花费了超过 2400 亿美元。无线接入网 (RAN) 系统的目标是尽可能提高频谱效率 (比特/ 秒/ 赫兹) ，从而转化为更高的容量、更强大的网络弹性以及更少的丢包，并提高每个站点的经济效益。

随着运营商寻求从现有频谱中提取更多价值的方法，大规模 MIMO (多输入多输出) 已成为提高容量和提高网络为用户提供服务效率的重要方法。

Massive MIMO 有望实现频谱效率的革命性飞跃。然而，在现场部署中，该行业的运营水平低于技术理论所能达到的水平，导致大量容量闲置。从根本上说，根本原因是系统级问题。网络难以准确追踪用户位置，信号重叠并造成干扰，而且系统无法高效地与用户配对以同时传输数据。

该行业已通过“计算受限”的视角来研究这些挑战，将计算视为一种稀缺资源，迫使人们做出妥协，以在 CPU 功耗和性能预算的严格限制下适应复杂的算法。

NVIDIA AI Aerial 正在改变这一模式。借助并行计算，计算不再是在现有功耗预算内运行的瓶颈。通过采用 AI 原生、高度并行的架构，我们不必问“如何在同一计算中发挥更大的作用？”而是会问“如何在整个堆栈中重塑算法，以更大限度地提高频谱？”

这种“算法优先”的方法使网络最终能够运行所需的复杂跟踪和配对模型，以缩小 MIMO 的巨大性能差距。

本博客介绍了 RAN 中 GPU 加速的优势，以及 AI 原生 RAN 如何帮助缩小 MIMO 的巨大性能差距。它展示了 NVIDIA AI Aerial 如何实现新型第 1 层和第 2 层算法，旨在提高现实世界部署中的频谱效率。

GPU 加速为何能提高频谱效率

现代 RAN 工作流由数学密集型算法任务组成，具有高度具体的计算特征。评估更广泛的组合空间的调度器、从更丰富的观测结果中学习的通道估测器或跨用户共同适应的波束转换器都可以提高用户应用的吞吐量和服务质量。表 1 详细列出了影响最大的 RAN 工作负载、其计算特性，以及需要 GPU 加速才能有效执行这些工作负载的原因：

以下各节将回顾两个工作负载 (波束成形和链路自适应) ，并探索 GPU 如何实现新的频谱效率提升。

波束成形

波束赋形质量决定了网络将通道知识转化为可用吞吐量的效率。传统方法虽然有效，但受到计算妥协的影响，依靠简化的模型来满足有限的预算。随着系统转向更高的天线数量和更密集的 MU-MIMO 操作，这些简化会导致信噪比 (SinR) 损失，并降低实际吞吐量。

基于 ML 的波束成形权重生成技术通过为权重使用更丰富的通道信息来解决这一问题，不过这会大幅增加计算负担。NVIDIA 分析显示，在 16 位用户和每位用户 2 层的 64T64R MU-MIMO 场景中，用户被随机分配到 [0-20] dB 范围内的 SNR，与传统的正则化零强制 (rZF) 相比，AI 波束成形所需的浮点运算次数显著增加，但与传统的零强制 (0-20) 相比，在 32 层的情况下，这种计算增加可产生高达 1.62 倍的频谱效率提升

即使层数较少，ML 波束成形也能将吞吐量提高 1.28 倍。

图 1. 与 rZF beamformin 相比，基于 ML 的波束成形吞吐量g

GPU 计算能够以 RAN 部署所需的规模和延迟生成更高质量的光束权重。这直接连接到现场验证。软银集团和 NVIDIA 最近报告了在基于 GPU 的 AI-RAN 平台上稳定户外 16 层大规模 MU-MIMO 操作的情况。该试验的光谱效率约为传统 4 层基准的 3 倍。GPU 的价值不是抽象的加速，而是在真实系统中维持高阶空间多路复用的实际能力。

DRL 链路适配

链路自适应是一种复杂的 MAC 层控制功能。调度程序必须反复选择调制和编码方案 (MCS) ，以更大限度地提高吞吐量，同时使块错误率 (BLER) 保持在 QOS 目标附近，并在不断变化的移动性和干扰条件下更大限度地提高频谱效率。

传统链路自适应方案 (例如，在 CPU 向量引擎中实现的外环链路自适应 (OLLA)) 是轻量级的，可通过手工制作的预定义逻辑对反馈做出反应。深度强化学习 (DRL) 链路自适应通过直接从观察到的无线电行为中学习 MCS 选择策略来改变这种情况。

DRL 智能体使用通道质量指标 (CQI) 历史记录、ACK/ NACK 反馈和短期通道演变来实时适应站点特定的条件。早期的 NVIDIA 工程结果显示，与基于通道正交性的用户配对相结合后，单元边缘的 OLLA 吞吐量提高了 1.3 倍。当 DRL-LA 与更先进的 MU-MIMO 配对算法相结合时，预计还会有进一步的改进。

图 2. 与 OLLA 相比，DRL 链路适应性的结果

技术转折点是延迟缩放。小型蒸模型可以在配备向量引擎的 CPU 上运行。要获得更高的频谱效率提升，需要一个更大的模型在大批量下处理更丰富的 MU-MIMO 条件，同时在低于目标值的情况下保持稳定的 BLER。

图 3. 与批量大小相比，DRL-link 自适应模型推理延迟

如图 3 所示，在测试用户范围内，基于 GPU 的架构仍低于约 30 s 的典型参考预算，即使是 39.6 K 参数模型也是如此。相比之下，从第一个调度用户开始，单核 CPU 的实施就超过了延迟预算。CPU 推理只能支持低复杂性模型，而 GPU 推理则可实现更高容量的模型，从而实现更大的性能提升。只有当策略质量和推理延迟同时提高时，链路自适应才会成为真正的频谱效率杠杆。

研究验证

最近的学术研究也得出了同样的结果。在严苛的无线电条件下，基于 ML 的信道估计和均衡以及链路自适应的表现优于经典基准。以下是三篇独立研究论文的摘要：

借助 NVIDIA AI Aerial 解锁频谱效率

NVIDIA AI Aerial 不仅能加速 RAN 工作负载，还能实现新的网络功能。以下五项功能 (包括更高的频谱效率) 凸显了该平台如何推进新一代无线网络的发展。

1. 算法优先效率

AI Aerial 使运算符能够运行数学密集型 AI 原生第 1 层和第 2 层模型，而不是依靠简化的启发式算法来适应有限的 CPU 预算。Aerial 通过实时评估大量的组合空间，将设计目标从“什么适合 CPU？”转变为“如何更大限度地提高无线电性能？”

2. 无需重新设计即可扩展模型

随着 AI 越来越接近物理波形，用于信道估计、均衡和适应的模型将会增加。刚性 ASIC 冻结了芯片中的算法，但 GPU 的可编程张量计算空间使 AI 成为 RAN 的核心。AI Aerial 能够吸收软件的增长，而不是在算法每次更改时强制进行新的硬件分区。

3. 规模和协调

新一代网络需要密集、重叠的覆盖，这给跨单元干扰跟踪带来了巨大的计算负担。传统的 CPU 调度程序难以应对这种协调级别所需的延迟扩展。AI Aerial 通过 cuPHY 和 cuMAC 之间的巨大内存带宽和共享数据空间来处理这一问题，即时执行复杂的多单元数学运算，以支持高阶 MU-MIMO 实现

4. 集成传感和通信

集成传感和通信 (ISAC) 从根本上将无线电网络转变为无处不在的雷达系统。这引入了一种工作负载，需要处理标准通信，同时执行深度学习分类模型。AI Aerial 提供了一种并行架构，将高吞吐量通信与传感技术相结合。

5. 通过 AI 基础设施获利

电信网络通常针对高峰流量进行配置，导致基础设施在非高峰时段利用率严重不足。AI Aerial 支持在同一 GPU 上动态分配 5G/ 6G 和 AI 工作负载，从而改变资产回报。运营商可以重新分配备用的 GPU 计算能力，托管可盈利的边缘推理应用，将专用电信设备转变为更广泛的 AI 经济的创收基础设施。

AI 时代的架构

向 AI 原生 RAN 的转变是弥合 MIMO 巨大性能差距的途径，为网络提供智能和并行计算能力，将理论频谱效率转化为实际收益。

NVIDIA AI Aerial 专为这种转变而打造。作为面向 AI 原生 RAN 的软件定义加速计算平台，它使先进的第 1 层和第 2 层智能能够大规模地发挥作用。结果是 RAN 功能更强，可帮助运营商从每一个赫兹中释放更多价值，并开启新的 AI 创收机会。

图 4. 从传统 RAN 到 AI 增强型 RAN，再到 AI 原生 RAN 的演进 

NVIDIA 正在与诺基亚等行业领导者合作，提供与诺基亚的 anyRAN 软件集成的 AI-RAN 平台，使运营商能够部署 AI 原生 5G 高级网络，为 6G 演进做好准备。借助 NVIDIA ARC-Pro 等提升性能、效率和可编程性的平台，运营商可以加快实现完全智能、软件定义的无线电网络的进程。

了解详情：

• 详细了解搭载 NVIDIA RTX Pro 4500 Blackwell 服务器版 GPU 的商用 Aerial RAN 计算机 (ARC)-Pro。
• 探索 NVIDIA AI Aerial 平台，构建、模拟和部署从研究到商业部署的 AI 原生网络。
• 了解诺基亚如何实现 AI 原生 5G 高级网络和 6G 网络。