以 NVIDIA Sionna Research Kit 赋能 AI 原生 6G 科研

无线通信研究领域充满了创新思想与强大的计算能力，然而，研究人员所能仿真的内容与能够实际构建和测试的系统之间存在着根本性的脱节。

相邻领域（如 机器学习（ML） ）因拥有开放的开发框架与加速硬件而迅速发展，

但在无线通信领域，许多具有颠覆性的创新想法却因蜂窝网络部署的复杂性与高门槛而难以落地、无法真正走向实践。

NVIDIA Sionna：让 6G 研究更加大众化

英伟达早已意识到这一障碍，并推出了 NVIDIA Sionna ------一款面向 6G 研究的开源库 ，利用 GPU 加速 来推动无线通信创新。

截至目前，已有 超过 540 篇科学论文 引用了 Sionna，

其源代码的下载量也已超过 20 万次。

Sionna 的成功源于其开放性与易用性 ：

它提供了详尽的技术文档 、堪比教材的高质量教程 ，

并且可通过 Python 环境一键安装与使用 ，

真正让 6G 研究变得触手可及。

bash 复制代码

pip install sionna

Sionna 让研究人员和开发者能够轻松开展快速原型设计，即使没有 GPU 也能上手。然而，再先进的仿真依然存在局限------你可以建模信道条件，却无法完整还原真实射频（RF）传播的复杂性，例如硬件缺陷、邻区干扰以及实际网络流量中涌现出的动态行为。要想让创新超越理论走向现实，就必须进行部署、测试，并从真实环境中获取数据。

NVIDIA Sionna Research Kit：AI 原生的 6G 一体化实验室

Sionna Research Kit 是一个实时运行、加速驱动、完全开源 的无线通信研发平台。

它基于 OpenAirInterface（OAI） 构建，可在 NVIDIA DGX Spark 上运行，

通过 软件定义无线电（SDR） 与 5G 核心网 实现完整的基站功能，并支持实时操作。

准备好你的 DGX Spark ，

只需五个步骤，你就能运行属于你的第一个无线通信仿真。

bash 复制代码

git clone https://github.com/NVlabs/sionna-rk.git && cd sionna-rk 
make prepare-system 
sudo reboot 
make sionna-rk 
./scripts/start_system.sh rfsim_arm64

Sionna Research Kit 不仅仅是一个测试平台，而是一个开放式架构的平台，使研究者能够在统一的内存体系上加速 AI、机器学习、信号处理算法和光线追踪等任务。它不依赖任何固定功能加速器，研究人员可以自由查看、修改并加速整个通信软件栈的各层模块------从物理层处理、MAC 调度到核心网路由，乃至 RAN 智能控制器（RIC），整个系统都对实验与创新完全开放。可以把它看作无线通信领域中的"基础设施完全 root 访问权限"。

探索 Sionna Research Kit 教程

再庞大的科研项目也始于一行代码，而这往往是最难迈出的第一步。Sionna Research Kit 提供了一整套系统化教程，为研究人员提供可直接借鉴的创新蓝本。通过这些教程，你将学习如何利用 GPU 加速实现物理层中的 LDPC 解码；了解如何使用该套件进行真实 5G 信号的采集与记录；掌握基于神经网络的解映射器（Neural Demapper）训练方法，并借助 NVIDIA TensorRT 将其实时集成到 5G 协议栈中；最后，借助软件定义的终端设备（UE），你可以在端到端 5G 网络仿真环境中探索新型、非标准的算法与协议，实现从理论到实践的跨越。

实时数字孪生网络

图 2 展示了在一台 DGX Spark 上可以实现的完整系统：我们部署了一套完整的基站，但并非通过空口发射信号（那将需要频谱许可证），而是将信号输入到由实时光线追踪驱动的 GPU 加速信道仿真器中。NVIDIA 的 RT Core 负责在逼真的三维环境中计算物理精确的信道脉冲响应；CUDA Core 则将这些响应应用于基带信号，同时执行 LDPC 解码；此外，Tensor Core 还对 PUSCH 神经接收机进行加速，并实时评估其性能。一个商用 5G 调制解调器通过有线连接接入系统，从而体验与真实射频环境高度一致的信道特性。整个处理流程基于统一的系统内存架构，避免了不必要的数据传输；运行在近实时 RIC 上的 xApp 监控虚拟用户在光线追踪场景中移动时的实时性能指标。最终，你得到的是一个可交互的射频环境数字孪生------一个真正意义上的"6G 实验室一体机"，DGX Spark 的每个计算单元都在各司其职、发挥极致效能。

图 2．在 NVIDIA DGX Spark 上运行的基站示意：其中包含 GPU 加速的神经网络接收机和信道仿真器，后者利用硬件加速的实时光线追踪技术，在逼真的环境中计算信道脉冲响应，并与商用用户设备（UE）相连。

扩展规模：大范围无线电地图

在一台 DGX Spark 上开发的内容，可以直接以相同的代码与光线追踪引擎扩展到 NVIDIA DGX Cloud 上运行，获得数量级更高的计算能力。单台 DGX Spark 就能够在数秒内生成包含数百个基站的城镇级精细无线电地图，使本地部署的实时网络规划成为可能。

当需要进行洲级甚至全球范围的覆盖分析时，云端算力便可接力完成任务。我们曾在 96 块 NVIDIA L40S GPU 上通过追踪 超过 35 万亿条射线 ，在不到 5 分钟内 完成了对整个美国大陆的 5G 覆盖仿真（见图 3）。

这标志着无线网络规划与优化方式的根本变革------运营商可以基于物理精度（而非统计近似）来评估新的频谱分配方案、建模密集城市环境下的毫米波部署，并将非地面网络（卫星与高空平台）无缝集成到现有基础设施中。

借助单台 DGX Spark 实时仿真紧凑环境，并在云端高效扩展至国家级网络仿真，这种模式重新定义了下一代无线网络部署的可能性。

图 3．在 DGX Spark 上运行的无线电地图仿真，可扩展至 DGX Cloud，用于计算美国本土地区的覆盖范围图。