[논문 리뷰] An Overview of the 3GPP Study on Artificial Intelligence for 5G New Radio

Xingqin Lin|arXiv (Cornell University)|2023. 08. 10.

Satellite Communication Systems인용 수 12

한 줄 요약

그것은 NR 무선 인터페이스를 위한 3GPP Release-18의 AI/ML 연구에 대한 포괄적 개요를 제공하며, 프레임워크, 사용 사례(CSI 피드백, 빔 관리, 위치 결정), Release-19 전망을 다룬다.

ABSTRACT

Air interface is a fundamental component within any wireless communication system. In Release 18, the 3rd Generation Partnership Project (3GPP) delves into the possibilities of leveraging artificial intelligence (AI)/machine learning (ML) to improve the performance of the fifth-generation (5G) New Radio (NR) air interface. This endeavor marks a pioneering stride within 3GPP's journey in shaping wireless communication standards. This article offers a comprehensive overview of the pivotal themes explored by 3GPP in this domain. Encompassing a general framework for AI/ML and specific use cases such as channel state information feedback, beam management, and positioning, it provides a holistic perspective. Moreover, we highlight the potential trajectory of AI/ML for the NR air interface in 3GPP Release 19, a pathway that paves the journey towards the sixth generation (6G) wireless communication systems that will feature integrated AI and communication as a key usage scenario.

연구 동기 및 목표

• NR 무선 인터페이스 작동을 위한 일반적인 AI/ML 프레임워크와 용어 체계를 확립한다.
• Release-18에서 CSI 피드백, 빔 관리, 위치 결정에 대한 AI/ML 사용 사례를 조사한다.
• 네트워크와 UE 간의 AI/ML 모델 수명 주기 관리 및 협업 수준을 논의한다.
• 양방향 CSI 모델의 학습 접근 방식과 UE-/gNB-/네트워크 측 위치 결정 옵션을 분석한다.
• 표준 개발 및 향후 릴리스를 위한 상호 운용성, 테스트 및 일반화의 문제점을 개요한다.

제안 방법

• 데이터 수집, 학습, 추론, 및 모델 저장을 위한 통합된 3GPP AI/ML 기능 프레임워크를 정의한다.
• 기능 기반과 모델-ID 기반 LCM의 두 가지 AI/ML 모델 수명 주기 관리 접근 방식을 설명한다.
• 배포 전략으로서 모델 일반화, 모델 전환, 및 모델 업데이트를 탐구한다.
• AI/ML 작동을 위한 네트워크와 UE 간의 세 가지 협력 수준을 자세히 설명한다: 협력 없음, 모델 전송 없이 신호 기반, 모델 전송이 있는 신호 기반.
• CSI 피드백, 빔 관리, 위치 결정에 대한 사용 사례 중심 토론을 제시하고, 학습/추론 구성 및 상호 운용성 고려사항을 포함한다.
• AI/ML 기반 NR 기능의 상호 운용성/시험 가능성 요구사항 및 참조 테스트 아키텍처를 논의한다.

실험 결과

연구 질문

• RQ1 Release-18에서 NR 무선 인터페이스에 제안된 일반적인 AI/ML 프레임워크와 용어는 무엇인가?
• RQ2 연구된 AI/ML 사용 사례(CSI 피드백, 빔 관리, 위치 결정)와 제안된 접근 방식은 무엇인가?
• RQ3 AI/ML 모델 수명 주기 관리 옵션과 네트워크와 UE 간의 협업 수준은 무엇인가?
• RQ4 NR에서 AI/ML 기능의 학습, 일반화, 상호 운용성 및 시험의 도전과제는 무엇인가?
• RQ5 Release-19의 예상 방향과 6G 기반 AI/통신 통합에 대한 시사점은 무엇인가?

주요 결과

• NR 무선 인터페이스를 위한 데이터 수집, 학습, 추론, 및 모델 저장이 포함된 통합 AI/ML 프레임워크가 제안된다.
• UE에서 AI 기능을 배치하기 위해 기능 기반과 모델-ID 기반의 두 가지 차별화된 AI/ML LCM 접근 방식이 분석된다.
• 협력 없음에서 모델 전송이 있는 신호 기반 협력까지 네트워크-UE 협력 수준이 세 가지로 식별된다.
• CSI 피드백은 다양한 학습 유형의 양방향 AI/ML 모델을 사용할 수 있으며; CSI 일반화 및 다중 벤더 상호 운용성이 주요 도전으로 강조된다.
• 빔 관리 및 위치 결정 사용 사례는 UE- 또는 gNB-측 추론과 예측, 데이터 요구사항 및 모델 일반화에 대한 고려와 함께 탐구된다.
• 지연, 데이터 생성, 일반화 검증 및 진화하는 테스트 방법론을 포함한 상호 운용성 및 시험 가능성 문제점이 확인된다.