Beam correspondence between artificial intelligence model training and inference

Abstract

Methods, systems, and devices for wireless communications are described. A user equipment (UE) may support artificial intelligence (AI) or machine learning (ML) -based beam prediction. A trained AI model uses measurements of a first set of beams to predict measurements for a second set of beams. In some examples, a set of AI models may be standardized or predefined, and the UE and the network entity may agree on a mutually supported AI model from the set of AI models. Accordingly, the UE and the network entity may agree upon inputs and outputs of the AI model used for beam prediction. In some examples, the UE and the network entity may perform a training procedure for the AI model, and may ensure correspondence between the inputs and outputs of the AI model used for the training procedure and the inputs and outputs of the AI model used for the inference procedure.

Description

BEAM CORRESPONDENCE BETWEEN ARTIFICIAL INTELLIGENCE MODEL TRAINING AND INFERENCE

[0001] FIELD OF TECHNOLOGY

[0002] The following relates to wireless communications, including beam correspondence between artificial intelligence (AI) model training and inference.BACKGROUND

[0003] Wireless communications systems are widely deployed to provide various types of communication content such as voice, video, packet data, messaging, broadcast, and so on. These systems may be capable of supporting communication with multiple users by sharing the available system resources (e.g., time, frequency, and power) . Examples of such multiple-access systems include fourth generation (4G) systems such as Long Term Evolution (LTE) systems, LTE-Advanced (LTE-A) systems, or LTE-A Pro systems, and fifth generation (5G) systems which may be referred to as New Radio (NR) systems. These systems may employ technologies such as code division multiple access (CDMA) , time division multiple access (TDMA) , frequency division multiple access (FDMA) , orthogonal FDMA (OFDMA) , or discrete Fourier transform spread orthogonal frequency division multiplexing (DFT-S-OFDM) . A wireless multiple-access communications system may include one or more base stations, each supporting wireless communication for communication devices, which may be known as user equipment (UE) .SUMMARY

[0004] The described techniques relate to improved methods, systems, devices, and apparatuses that support beam correspondence between artificial intelligence (AI) model training and inference. A user equipment (UE) may support AI or machine learning (ML) -based beam prediction. An AI model may be trained using measurements of a first set of beams (e.g., set B beams) to predict measurements for a set of future beams (e.g., set A beams) . A trained AI model uses actual measurements of a third set of beams (e.g., set B beams) to predict measurements for a fourth set of beams (e.g., set A beams) (e.g., referred to as beam inference) , which the UE may report in a beam measurement report. In some examples, a set of AI models may be standardized or predefined, and the UE and the network entity may agree upon a mutually supported AI model from the set of AI models. Accordingly, the UE and the network entity may agree upon inputs and outputs of the AI model used for beam prediction. In some examples, the UE and the network entity may perform a training procedure for the AI model, and may ensure correspondence between the inputs and outputs of the AI model used for the training procedure and the inputs and outputs of the AI model used for the inference procedure.

[0005] A method for wireless communications by a UE is described. The method may include receiving, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction, transmitting, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers, receiving control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams, receiving a set of reference signals via the set of beam measurement resources, and transmitting a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals.

[0006] A UE for wireless communications is described. The UE may include one or more memories storing processor executable code, and one or more processors coupled with the one or more memories. The one or more processors may individually or collectively operable to execute the code to cause the UE to receive, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction, transmit, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers, receive control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams, receive a set of reference signals via the set of beam measurement resources, and transmit a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals.

[0007] Another UE for wireless communications is described. The UE may include means for receiving, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction, means for transmitting, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers, means for receiving control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams, means for receiving a set of reference signals via the set of beam measurement resources, and means for transmitting a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals.

[0008] A non-transitory computer-readable medium storing code for wireless communications is described. The code may include instructions executable by a processor to receive, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction, transmit, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers, receive control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams, receive a set of reference signals via the set of beam measurement resources, and transmit a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals.

[0009] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, the first message may be one of a system information, a radio resource control message (RRC) , a medium access control (MAC) control element (MAC-CE) , or a downlink control information (DCI) .

[0010] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, the second message may be one of an RRC message, a MAC-CE, or an uplink control information (UCI) .

[0011] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, to indicate the set of beam measurement resources, the control signaling indicates a set of channel state information reference signal (CSI-RS) indices or a set of synchronization signal block (SSB) indices and the AI model identifier may be indicative of a mapping of the set of CSI-RS indices or the set of SSB indices to the inputs of the AI model.

[0012] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, the AI model identifier may be indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.

[0013] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, the AI model identifier may be indicative of a quasi co-location relationship between beams of the set of beam measurement resources and beams of the set of beams.

[0014] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, the AI model identifier may be indicative of a relative timing between the set of beam measurement resources and the set of predicted values.

[0015] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, the report further indicates, based on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.

[0016] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, the control signaling further schedules a channel state information report and the report may be included within the channel state information report.

[0017] Some examples of the method, UEs, and non-transitory computer-readable medium described herein may further include operations, features, means, or instructions for performing a training procedure for the AI model with the network entity using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, where the set of beam measurement resources correspond to the set of training beam measurement resources and where the set of beams correspond to the set of training beams.

[0018] In some examples of the method, UEs, and non-transitory computer-readable medium described herein, the set of training beam measurement resources include a first set of CSI-RSs or a first set of SSBs having first index values, the set of beam measurement resources include a second set of CSI-RSs or a second set of SSBs having the first index values, and a same mapping of the first index values to input values of the AI model may be used to predict the set of training measurement results and to generate the set of predicted values.

[0019] Some examples of the method, UEs, and non-transitory computer-readable medium described herein may further include operations, features, means, or instructions for receiving, from the network entity, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the AI model, receiving a second set of reference signals via the set of verification beam measurement resources, and transmitting a second report indicating that a second set of predicted values for the second set of beams generated using the AI model based on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, where reception of the control signaling may be based on transmission of the second report.

[0020] A method for wireless communications by a network entity is described. The method may include transmitting, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction, receiving, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers, transmitting, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams, transmitting a set of reference signals via the set of beam measurement resources, and receiving, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals.

[0021] A network entity for wireless communications is described. The network entity may include one or more memories storing processor executable code, and one or more processors coupled with the one or more memories. The one or more processors may individually or collectively operable to execute the code to cause the network entity to transmit, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction, receive, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers, transmit, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams, transmit a set of reference signals via the set of beam measurement resources, and receive, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals.

[0022] Another network entity for wireless communications is described. The network entity may include means for transmitting, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction, means for receiving, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers, means for transmitting, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams, means for transmitting a set of reference signals via the set of beam measurement resources, and means for receiving, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals.

[0023] A non-transitory computer-readable medium storing code for wireless communications is described. The code may include instructions executable by a processor to transmit, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction, receive, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers, transmit, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams, transmit a set of reference signals via the set of beam measurement resources, and receive, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals.

[0024] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, the first message may be one of a system information, an RRC message, a MAC-CE, or a DCI.

[0025] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, the second message may be one of an RRC message, a MAC-CE, or a UCI.

[0026] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, to indicate the set of beam measurement resources, the control signaling indicates a set of CSI-RS indices or a set of SSB indices and the AI model identifier may be indicative of a mapping of the set of CSI-RS indices or the set of SSB indices to the inputs of an AI model associated with the AI model identifier.

[0027] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, the AI model identifier may be indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.

[0028] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, the AI model identifier may be indicative of a quasi co-location relationship between beams of the set of beam measurement resources and beams of the set of beams.

[0029] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, the AI model identifier may be indicative of a relative timing between the set of beam measurement resources and the set of predicted values.

[0030] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, the report further indicates, based on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.

[0031] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, the control signaling further schedules a channel state information report and the report may be included within the channel state information report.

[0032] Some examples of the method, network entities, and non-transitory computer-readable medium described herein may further include operations, features, means, or instructions for performing, with the UE, a training procedure for the AI model using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, where the set of beam measurement resources correspond to the set of training beam measurement resources and where the set of beams correspond to the set of training beams.

[0033] In some examples of the method, network entities, and non-transitory computer-readable medium described herein, the set of training beam measurement resources include a first set of CSI-RSs or a first set of SSBs having first index values, the set of beam measurement resources include a second set of CSI-RSs or a second set of SSBs having the first index values, and a same mapping of the first index values to input values of the AI model may be used to predict the set of training measurement results and to generate the set of predicted values.

[0034] Some examples of the method, network entities, and non-transitory computer-readable medium described herein may further include operations, features, means, or instructions for transmitting, to the UE, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the AI model, transmitting a second set of reference signals via the set of verification beam measurement resources, and receiving, from the UE, a second report indicating that a second set of predicted values for the second set of beams generated at the UE using the AI model based on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, where transmission of the control signaling may be based on reception of the second report.BRIEF DESCRIPTION OF THE DRAWINGS

[0035] FIG. 1 shows an example of a wireless communications system that supports beam correspondence between artificial intelligence (AI) model training and inference in accordance with one or more aspects of the present disclosure.

[0036] FIG. 2 shows an example of a wireless communications system that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0037] FIG. 3 shows an example of an AI model training and inference diagram that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0038] FIG. 4 shows an example of a wireless communications system that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0039] FIG. 5 shows an example of a wireless communications system that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0040] FIG. 6 shows an example of a beam correspondence diagram that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0041] FIG. 7 shows an example of a beam correspondence diagram that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0042] FIG. 8 shows an example of a quasi co-location (QCL) relationship consistency diagram that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0043] FIG. 9 shows an example of an AI model ID registration scenario that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0044] FIG. 10 shows an example of a wireless communications system that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0045] FIG. 11 shows an example of a process flow that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0046] FIG. 12 shows an example of an AI model training and inference diagram that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0047] FIG. 13 shows an example of an AI model training diagram that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0048] FIG. 14 shows an example of an AI model inference diagram that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0049] FIG. 15 shows an example of an AI model training and inference scenario that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0050] FIGs. 16 and 17 show block diagrams of devices that support beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0051] FIG. 18 shows a block diagram of a communications manager that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0052] FIG. 19 shows a diagram of a system including a device that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0053] FIGs. 20 and 21 show block diagrams of devices that support beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0054] FIG. 22 shows a block diagram of a communications manager that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0055] FIG. 23 shows a diagram of a system including a device that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.

[0056] FIGs. 24 and 25 show flowcharts illustrating methods that support beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure.DETAILED DESCRIPTION

[0057] A user equipment (UE) may support artificial intelligence (AI) or machine learning (ML) -based beam prediction. Such a UE may collect data measurements (e.g., reference signal received power (RSRP) , signal to interference and noise ratio (SINR) , channel impulse response (CIR) ) based on measurements of synchronization system blocks (SSBs) or channel state information (CSI) reference signals (CSI-RSs) via SSB beams or CSI-RS beams. An AI model may be trained using measurements of a first set of beams (e.g., set B beams) to predict measurements for a set of future beams (e.g., set A beams) . A trained AI model uses actual measurements of a third set of beams (e.g., set B beams) to predict measurements for a fourth set of beams (e.g., set A beams) (e.g., which process may be referred to as beam inference) , which the UE 115 may report in a beam measurement report. The mapping of the beam measurements to inputs of the AI model affects the output of the AI model (e.g., the predicted measurements) . Thus, for accurate use of an AI model, the UE and network entity (e.g., the gNB) should agree on the mapping and order of channel measurement resources (CMRs) or interference measurement resources (IMRs) to AI model inputs. The existing CMR or IMR framework, however, does not enable a UE to identify the order of inputs to an AI model as network entities may flexibly map beamforming codebooks to CMRs or IMRs. The beamforming codebook information used by network entities for CMR or IMRs may be proprietary, and network entity vendors may be resistant to signaling such information.

[0058] In some examples, a set of trained AI models may be standardized or predefined. For example, the standards may define the mapping or ordering of beam measurements (e.g., which SSB or CSI-RS index) to AI model inputs for the standardized AI models. The UE and a network entity may negotiate a mutually supported AI model from the list of standardized AI models. For example, the network entity may indicate a subset of AI models IDs from the standardized set of AI model IDs, and the UE may indicate which AI model IDs of the indicated subset that the UE supports. The network entity may schedule a set of beam measurement resources and may indicate an AI model ID that is mutually supported by the network entity and the UE. The UE may generate and transmit a beam prediction report using the indicated AI model and the beam measurement resources. By using an AI model that is mutually supported from a list of trained AI models, the UE and the network entity may agree on inputs and outputs of the AI model, which may enable accurate beam prediction.

[0059] In some examples, the network entity may identify an AI model to the UE during the beam inference process such that the UE can ensure that the actual beams (e.g., SSB or CSI-RSs) for the beam inference process correspond to (e.g., are 1-to-1 associated with) the actual beams (e.g., SSB or CSI-RSs) used for training the AI model and that the measurements for the predicted beams (e.g., predicted measurements for SSB or CSI-RSs) for the beam inference process correspond to (e.g., are 1-to-1 associated with) the predicted beams (e.g., predicted measurements for SSB or CSI-RSs) used for training the AI model. In such examples, the UE and the network entity may first perform a training process using a set of training inputs and a set of expected outputs or the AI model. By ensuring correspondence between inputs and outputs of the AI model between training and inference procedures, the UE and the network entity may enable accurate beam prediction using the AI model.

[0060] Agreement on the input and outputs of the AI model may enable latency and overhead reduction as well as beam selection accuracy improvement for beam management purposes (e.g., including beam prediction in the time and / or spatial domain) . Agreement on the input and outputs of the AI model may further enable life cycle management of AI models, including model training, model deployment, model inference, model monitoring, and model updating.

[0061] Aspects of the disclosure are initially described in the context of wireless communications systems. Aspects of the disclosure are further illustrated by and described with reference to AI model training and inference diagrams, beam correspondence diagrams, quasi co-location (QCL) relationship consistency diagrams, AI model ID registration scenarios, process flows, AI model training and inference diagrams, AI model training diagram, AI model inference diagrams, and AI model training and inference scenarios. Aspects of the disclosure are further illustrated by and described with reference to apparatus diagrams, system diagrams, and flowcharts that relate to beam correspondence between AI model training and inference.

[0062] FIG. 1 shows an example of a wireless communications system 100 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The wireless communications system 100 may include one or more network entities 105, one or more UEs 115, and a core network 130. In some examples, the wireless communications system 100 may be a Long Term Evolution (LTE) network, an LTE-Advanced (LTE-A) network, an LTE-A Pro network, a New Radio (NR) network, or a network operating in accordance with other systems and radio technologies, including future systems and radio technologies not explicitly mentioned herein.

[0063] The network entities 105 may be dispersed throughout a geographic area to form the wireless communications system 100 and may include devices in different forms or having different capabilities. In various examples, a network entity 105 may be referred to as a network element, a mobility element, a radio access network (RAN) node, or network equipment, among other nomenclature. In some examples, network entities 105 and UEs 115 may wirelessly communicate via one or more communication links 125 (e.g., a radio frequency (RF) access link) . For example, a network entity 105 may support a coverage area 110 (e.g., a geographic coverage area) over which the UEs 115 and the network entity 105 may establish one or more communication links 125. The coverage area 110 may be an example of a geographic area over which a network entity 105 and a UE 115 may support the communication of signals according to one or more radio access technologies (RATs) .

[0064] The UEs 115 may be dispersed throughout a coverage area 110 of the wireless communications system 100, and each UE 115 may be stationary, or mobile, or both at different times. The UEs 115 may be devices in different forms or having different capabilities. Some example UEs 115 are illustrated in FIG. 1. The UEs 115 described herein may be capable of supporting communications with various types of devices, such as other UEs 115 or network entities 105, as shown in FIG. 1.

[0065] As described herein, a node of the wireless communications system 100, which may be referred to as a network node, or a wireless node, may be a network entity 105 (e.g., any network entity described herein) , a UE 115 (e.g., any UE described herein) , a network controller, an apparatus, a device, a computing system, one or more components, or another suitable processing entity configured to perform any of the techniques described herein. For example, a node may be a UE 115. As another example, a node may be a network entity 105. As another example, a first node may be configured to communicate with a second node or a third node. In one aspect of this example, the first node may be a UE 115, the second node may be a network entity 105, and the third node may be a UE 115. In another aspect of this example, the first node may be a UE 115, the second node may be a network entity 105, and the third node may be a network entity 105. In yet other aspects of this example, the first, second, and third nodes may be different relative to these examples. Similarly, reference to a UE 115, network entity 105, apparatus, device, computing system, or the like may include disclosure of the UE 115, network entity 105, apparatus, device, computing system, or the like being a node. For example, disclosure that a UE 115 is configured to receive information from a network entity 105 also discloses that a first node is configured to receive information from a second node.

[0066] In some examples, network entities 105 may communicate with the core network 130, or with one another, or both. For example, network entities 105 may communicate with the core network 130 via one or more backhaul communication links 120 (e.g., in accordance with an S1, N2, N3, or other interface protocol) . In some examples, network entities 105 may communicate with one another via a backhaul communication link 120 (e.g., in accordance with an X2, Xn, or other interface protocol) either directly (e.g., directly between network entities 105) or indirectly (e.g., via a core network 130) . In some examples, network entities 105 may communicate with one another via a midhaul communication link 162 (e.g., in accordance with a midhaul interface protocol) or a fronthaul communication link 168 (e.g., in accordance with a fronthaul interface protocol) , or any combination thereof. The backhaul communication links 120, midhaul communication links 162, or fronthaul communication links 168 may be or include one or more wired links (e.g., an electrical link, an optical fiber link) , one or more wireless links (e.g., a radio link, a wireless optical link) , among other examples or various combinations thereof. A UE 115 may communicate with the core network 130 via a communication link 155.

[0067] One or more of the network entities 105 described herein may include or may be referred to as a base station 140 (e.g., a base transceiver station, a radio base station, an NR base station, an access point, a radio transceiver, a NodeB, an eNodeB (eNB) , a next-generation NodeB or a giga-NodeB (either of which may be referred to as a gNB) , a 5G NB, a next-generation eNB (ng-eNB) , a Home NodeB, a Home eNodeB, or other suitable terminology) . In some examples, a network entity 105 (e.g., a base station 140) may be implemented in an aggregated (e.g., monolithic, standalone) base station architecture, which may be configured to utilize a protocol stack that is physically or logically integrated within a single network entity 105 (e.g., a single RAN node, such as a base station 140) .

[0068] In some examples, a network entity 105 may be implemented in a disaggregated architecture (e.g., a disaggregated base station architecture, a disaggregated RAN architecture) , which may be configured to utilize a protocol stack that is physically or logically distributed among two or more network entities 105, such as an integrated access backhaul (IAB) network, an open RAN (O-RAN) (e.g., a network configuration sponsored by the O-RAN Alliance) , or a virtualized RAN (vRAN) (e.g., a cloud RAN (C-RAN) ) . For example, a network entity 105 may include one or more of a central unit (CU) 160, a distributed unit (DU) 165, a radio unit (RU) 170, a RAN Intelligent Controller (RIC) 175 (e.g., a Near-Real Time RIC (Near-RT RIC) , a Non-Real Time RIC (Non-RT RIC) ) , a Service Management and Orchestration (SMO) 180 system, or any combination thereof. An RU 170 may also be referred to as a radio head, a smart radio head, a remote radio head (RRH) , a remote radio unit (RRU) , or a transmission reception point (TRP) . One or more components of the network entities 105 in a disaggregated RAN architecture may be co-located, or one or more components of the network entities 105 may be located in distributed locations (e.g., separate physical locations) . In some examples, one or more network entities 105 of a disaggregated RAN architecture may be implemented as virtual units (e.g., a virtual CU (VCU) , a virtual DU (VDU) , a virtual RU (VRU) ) .

[0069] The split of functionality between a CU 160, a DU 165, and an RU 170 is flexible and may support different functionalities depending on which functions (e.g., network layer functions, protocol layer functions, baseband functions, RF functions, and any combinations thereof) are performed at a CU 160, a DU 165, or an RU 170. For example, a functional split of a protocol stack may be employed between a CU 160 and a DU 165 such that the CU 160 may support one or more layers of the protocol stack and the DU 165 may support one or more different layers of the protocol stack. In some examples, the CU 160 may host upper protocol layer (e.g., layer 3 (L3) , layer 2 (L2) ) functionality and signaling (e.g., Radio Resource Control (RRC) , service data adaption protocol (SDAP) , Packet Data Convergence Protocol (PDCP) ) . The CU 160 may be connected to one or more DUs 165 or RUs 170, and the one or more DUs 165 or RUs 170 may host lower protocol layers, such as layer 1 (L1) (e.g., physical (PHY) layer) or L2 (e.g., radio link control (RLC) layer, medium access control (MAC) layer) functionality and signaling, and may each be at least partially controlled by the CU 160. Additionally, or alternatively, a functional split of the protocol stack may be employed between a DU 165 and an RU 170 such that the DU 165 may support one or more layers of the protocol stack and the RU 170 may support one or more different layers of the protocol stack. The DU 165 may support one or multiple different cells (e.g., via one or more RUs 170) . In some cases, a functional split between a CU 160 and a DU 165, or between a DU 165 and an RU 170 may be within a protocol layer (e.g., some functions for a protocol layer may be performed by one of a CU 160, a DU 165, or an RU 170, while other functions of the protocol layer are performed by a different one of the CU 160, the DU 165, or the RU 170) . A CU 160 may be functionally split further into CU control plane (CU-CP) and CU user plane (CU-UP) functions. A CU 160 may be connected to one or more DUs 165 via a midhaul communication link 162 (e.g., F1, F1-c, F1-u) , and a DU 165 may be connected to one or more RUs 170 via a fronthaul communication link 168 (e.g., open fronthaul (FH) interface) . In some examples, a midhaul communication link 162 or a fronthaul communication link 168 may be implemented in accordance with an interface (e.g., a channel) between layers of a protocol stack supported by respective network entities 105 that are in communication via such communication links.

[0070] In wireless communications systems (e.g., wireless communications system 100) , infrastructure and spectral resources for radio access may support wireless backhaul link capabilities to supplement wired backhaul connections, providing an IAB network architecture (e.g., to a core network 130) . In some cases, in an IAB network, one or more network entities 105 (e.g., IAB nodes 104) may be partially controlled by each other. One or more IAB nodes 104 may be referred to as a donor entity or an IAB donor. One or more DUs 165 or one or more RUs 170 may be partially controlled by one or more CUs 160 associated with a donor network entity 105 (e.g., a donor base station 140) . The one or more donor network entities 105 (e.g., IAB donors) may be in communication with one or more additional network entities 105 (e.g., IAB nodes 104) via supported access and backhaul links (e.g., backhaul communication links 120) . IAB nodes 104 may include an IAB mobile termination (IAB-MT) controlled (e.g., scheduled) by DUs 165 of a coupled IAB donor. An IAB-MT may include an independent set of antennas for relay of communications with UEs 115, or may share the same antennas (e.g., of an RU 170) of an IAB node 104 used for access via the DU 165 of the IAB node 104 (e.g., referred to as virtual IAB-MT (vIAB-MT) ) . In some examples, the IAB nodes 104 may include DUs 165 that support communication links with additional entities (e.g., IAB nodes 104, UEs 115) within the relay chain or configuration of the access network (e.g., downstream) . In such cases, one or more components of the disaggregated RAN architecture (e.g., one or more IAB nodes 104 or components of IAB nodes 104) may be configured to operate according to the techniques described herein.

[0071] For instance, an access network (AN) or RAN may include communications between access nodes (e.g., an IAB donor) , IAB nodes 104, and one or more UEs 115. The IAB donor may facilitate connection between the core network 130 and the AN (e.g., via a wired or wireless connection to the core network 130) . That is, an IAB donor may refer to a RAN node with a wired or wireless connection to core network 130. The IAB donor may include a CU 160 and at least one DU 165 (e.g., and RU 170) , in which case the CU 160 may communicate with the core network 130 via an interface (e.g., a backhaul link) . IAB donor and IAB nodes 104 may communicate via an F1 interface according to a protocol that defines signaling messages (e.g., an F1 AP protocol) . Additionally, or alternatively, the CU 160 may communicate with the core network via an interface, which may be an example of a portion of backhaul link, and may communicate with other CUs 160 (e.g., a CU 160 associated with an alternative IAB donor) via an Xn-C interface, which may be an example of a portion of a backhaul link.

[0072] An IAB node 104 may refer to a RAN node that provides IAB functionality (e.g., access for UEs 115, wireless self-backhauling capabilities) . A DU 165 may act as a distributed scheduling node towards child nodes associated with the IAB node 104, and the IAB-MT may act as a scheduled node towards parent nodes associated with the IAB node 104. That is, an IAB donor may be referred to as a parent node in communication with one or more child nodes (e.g., an IAB donor may relay transmissions for UEs through one or more other IAB nodes 104) . Additionally, or alternatively, an IAB node 104 may also be referred to as a parent node or a child node to other IAB nodes 104, depending on the relay chain or configuration of the AN. Therefore, the IAB-MT entity of IAB nodes 104 may provide a Uu interface for a child IAB node 104 to receive signaling from a parent IAB node 104, and the DU interface (e.g., DUs 165) may provide a Uu interface for a parent IAB node 104 to signal to a child IAB node 104 or UE 115.

[0073] For example, IAB node 104 may be referred to as a parent node that supports communications for a child IAB node, or referred to as a child IAB node associated with an IAB donor, or both. The IAB donor may include a CU 160 with a wired or wireless connection (e.g., a backhaul communication link 120) to the core network 130 and may act as parent node to IAB nodes 104. For example, the DU 165 of IAB donor may relay transmissions to UEs 115 through IAB nodes 104, or may directly signal transmissions to a UE 115, or both. The CU 160 of IAB donor may signal communication link establishment via an F1 interface to IAB nodes 104, and the IAB nodes 104 may schedule transmissions (e.g., transmissions to the UEs 115 relayed from the IAB donor) through the DUs 165. That is, data may be relayed to and from IAB nodes 104 via signaling via an NR Uu interface to MT of the IAB node 104. Communications with IAB node 104 may be scheduled by a DU 165 of IAB donor and communications with IAB node 104 may be scheduled by DU 165 of IAB node 104.

[0074] In the case of the techniques described herein applied in the context of a disaggregated RAN architecture, one or more components of the disaggregated RAN architecture may be configured to support beam correspondence between AI model training and inference as described herein. For example, some operations described as being performed by a UE 115 or a network entity 105 (e.g., a base station 140) may additionally, or alternatively, be performed by one or more components of the disaggregated RAN architecture (e.g., IAB nodes 104, DUs 165, CUs 160, RUs 170, RIC 175, SMO 180) .

[0075] A UE 115 may include or may be referred to as a mobile device, a wireless device, a remote device, a handheld device, or a subscriber device, or some other suitable terminology, where the “device” may also be referred to as a unit, a station, a terminal, or a client, among other examples. A UE 115 may also include or may be referred to as a personal electronic device such as a cellular phone, a personal digital assistant (PDA) , a tablet computer, a laptop computer, or a personal computer. In some examples, a UE 115 may include or be referred to as a wireless local loop (WLL) station, an Internet of Things (IoT) device, an Internet of Everything (IoE) device, or a machine type communications (MTC) device, among other examples, which may be implemented in various objects such as appliances, or vehicles, meters, among other examples.

[0076] The UEs 115 described herein may be able to communicate with various types of devices, such as other UEs 115 that may sometimes act as relays as well as the network entities 105 and the network equipment including macro eNBs or gNBs, small cell eNBs or gNBs, or relay base stations, among other examples, as shown in FIG. 1.

[0077] The UEs 115 and the network entities 105 may wirelessly communicate with one another via one or more communication links 125 (e.g., an access link) using resources associated with one or more carriers. The term “carrier” may refer to a set of RF spectrum resources having a defined physical layer structure for supporting the communication links 125. For example, a carrier used for a communication link 125 may include a portion of a RF spectrum band (e.g., a bandwidth part (BWP) ) that is operated according to one or more physical layer channels for a given radio access technology (e.g., LTE, LTE-A, LTE-A Pro, NR) . Each physical layer channel may carry acquisition signaling (e.g., synchronization signals, system information) , control signaling that coordinates operation for the carrier, user data, or other signaling. The wireless communications system 100 may support communication with a UE 115 using carrier aggregation or multi-carrier operation. A UE 115 may be configured with multiple downlink component carriers and one or more uplink component carriers according to a carrier aggregation configuration. Carrier aggregation may be used with both frequency division duplexing (FDD) and time division duplexing (TDD) component carriers. Communication between a network entity 105 and other devices may refer to communication between the devices and any portion (e.g., entity, sub-entity) of a network entity 105. For example, the terms “transmitting, ” “receiving, ” or “communicating, ” when referring to a network entity 105, may refer to any portion of a network entity 105 (e.g., a base station 140, a CU 160, a DU 165, a RU 170) of a RAN communicating with another device (e.g., directly or via one or more other network entities 105) .

[0078] In some examples, such as in a carrier aggregation configuration, a carrier may also have acquisition signaling or control signaling that coordinates operations for other carriers. A carrier may be associated with a frequency channel (e.g., an evolved universal mobile telecommunication system terrestrial radio access (E-UTRA) absolute RF channel number (EARFCN) ) and may be identified according to a channel raster for discovery by the UEs 115. A carrier may be operated in a standalone mode, in which case initial acquisition and connection may be conducted by the UEs 115 via the carrier, or the carrier may be operated in a non-standalone mode, in which case a connection is anchored using a different carrier (e.g., of the same or a different radio access technology) .

[0079] The communication links 125 shown in the wireless communications system 100 may include downlink transmissions (e.g., forward link transmissions) from a network entity 105 to a UE 115, uplink transmissions (e.g., return link transmissions) from a UE 115 to a network entity 105, or both, among other configurations of transmissions. Carriers may carry downlink or uplink communications (e.g., in an FDD mode) or may be configured to carry downlink and uplink communications (e.g., in a TDD mode) .

[0080] A carrier may be associated with a particular bandwidth of the RF spectrum and, in some examples, the carrier bandwidth may be referred to as a “system bandwidth” of the carrier or the wireless communications system 100. For example, the carrier bandwidth may be one of a set of bandwidths for carriers of a particular radio access technology (e.g., 1.4, 3, 5, 10, 15, 20, 40, or 80 megahertz (MHz) ) . Devices of the wireless communications system 100 (e.g., the network entities 105, the UEs 115, or both) may have hardware configurations that support communications using a particular carrier bandwidth or may be configurable to support communications using one of a set of carrier bandwidths. In some examples, the wireless communications system 100 may include network entities 105 or UEs 115 that support concurrent communications using carriers associated with multiple carrier bandwidths. In some examples, each served UE 115 may be configured for operating using portions (e.g., a sub-band, a BWP) or all of a carrier bandwidth.

[0081] Signal waveforms transmitted via a carrier may be made up of multiple subcarriers (e.g., using multi-carrier modulation (MCM) techniques such as orthogonal frequency division multiplexing (OFDM) or discrete Fourier transform spread OFDM (DFT-S-OFDM) ) . In a system employing MCM techniques, a resource element may refer to resources of one symbol period (e.g., a duration of one modulation symbol) and one subcarrier, in which case the symbol period and subcarrier spacing may be inversely related. The quantity of bits carried by each resource element may depend on the modulation scheme (e.g., the order of the modulation scheme, the coding rate of the modulation scheme, or both) , such that a relatively higher quantity of resource elements (e.g., in a transmission duration) and a relatively higher order of a modulation scheme may correspond to a relatively higher rate of communication. A wireless communications resource may refer to a combination of an RF spectrum resource, a time resource, and a spatial resource (e.g., a spatial layer, a beam) , and the use of multiple spatial resources may increase the data rate or data integrity for communications with a UE 115.

[0082] One or more numerologies for a carrier may be supported, and a numerology may include a subcarrier spacing (Δf) and a cyclic prefix. A carrier may be divided into one or more BWPs having the same or different numerologies. In some examples, a UE 115 may be configured with multiple BWPs. In some examples, a single BWP for a carrier may be active at a given time and communications for the UE 115 may be restricted to one or more active BWPs.

[0083] The time intervals for the network entities 105 or the UEs 115 may be expressed in multiples of a basic time unit which may, for example, refer to a sampling period of Ts=1 /  (Δfmax·Nf) seconds, for which Δfmax may represent a supported subcarrier spacing, and Nf may represent a supported discrete Fourier transform (DFT) size. Time intervals of a communications resource may be organized according to radio frames each having a specified duration (e.g., 10 milliseconds (ms) ) . Each radio frame may be identified by a system frame number (SFN) (e.g., ranging from 0 to 1023) .

[0084] Each frame may include multiple consecutively-numbered subframes or slots, and each subframe or slot may have the same duration. In some examples, a frame may be divided (e.g., in the time domain) into subframes, and each subframe may be further divided into a quantity of slots. Alternatively, each frame may include a variable quantity of slots, and the quantity of slots may depend on subcarrier spacing. Each slot may include a quantity of symbol periods (e.g., depending on the length of the cyclic prefix prepended to each symbol period) . In some wireless communications systems 100, a slot may further be divided into multiple mini-slots associated with one or more symbols. Excluding the cyclic prefix, each symbol period may be associated with one or more (e.g., Nf) sampling periods. The duration of a symbol period may depend on the subcarrier spacing or frequency band of operation.

[0085] A subframe, a slot, a mini-slot, or a symbol may be the smallest scheduling unit (e.g., in the time domain) of the wireless communications system 100 and may be referred to as a transmission time interval (TTI) . In some examples, the TTI duration (e.g., a quantity of symbol periods in a TTI) may be variable. Additionally, or alternatively, the smallest scheduling unit of the wireless communications system 100 may be dynamically selected (e.g., in bursts of shortened TTIs (sTTIs) ) .

[0086] Physical channels may be multiplexed for communication using a carrier according to various techniques. A physical control channel and a physical data channel may be multiplexed for signaling via a downlink carrier, for example, using one or more of time division multiplexing (TDM) techniques, frequency division multiplexing (FDM) techniques, or hybrid TDM-FDM techniques. A control region (e.g., a control resource set (CORESET) ) for a physical control channel may be defined by a set of symbol periods and may extend across the system bandwidth or a subset of the system bandwidth of the carrier. One or more control regions (e.g., CORESETs) may be configured for a set of the UEs 115. For example, one or more of the UEs 115 may monitor or search control regions for control information according to one or more search space sets, and each search space set may include one or multiple control channel candidates in one or more aggregation levels arranged in a cascaded manner. An aggregation level for a control channel candidate may refer to an amount of control channel resources (e.g., control channel elements (CCEs) ) associated with encoded information for a control information format having a given payload size. Search space sets may include common search space sets configured for sending control information to multiple UEs 115 and UE-specific search space sets for sending control information to a specific UE 115.

[0087] A network entity 105 may provide communication coverage via one or more cells, for example a macro cell, a small cell, a hot spot, or other types of cells, or any combination thereof. The term “cell” may refer to a logical communication entity used for communication with a network entity 105 (e.g., using a carrier) and may be associated with an identifier for distinguishing neighboring cells (e.g., a physical cell identifier (PCID) , a virtual cell identifier (VCID) , or others) . In some examples, a cell also may refer to a coverage area 110 or a portion of a coverage area 110 (e.g., a sector) over which the logical communication entity operates. Such cells may range from smaller areas (e.g., a structure, a subset of structure) to larger areas depending on various factors such as the capabilities of the network entity 105. For example, a cell may be or include a building, a subset of a building, or exterior spaces between or overlapping with coverage areas 110, among other examples.

[0088] A macro cell generally covers a relatively large geographic area (e.g., several kilometers in radius) and may allow unrestricted access by the UEs 115 with service subscriptions with the network provider supporting the macro cell. A small cell may be associated with a lower-powered network entity 105 (e.g., a lower-powered base station 140) , as compared with a macro cell, and a small cell may operate using the same or different (e.g., licensed, unlicensed) frequency bands as macro cells. Small cells may provide unrestricted access to the UEs 115 with service subscriptions with the network provider or may provide restricted access to the UEs 115 having an association with the small cell (e.g., the UEs 115 in a closed subscriber group (CSG) , the UEs 115 associated with users in a home or office) . A network entity 105 may support one or multiple cells and may also support communications via the one or more cells using one or multiple component carriers.

[0089] In some examples, a carrier may support multiple cells, and different cells may be configured according to different protocol types (e.g., MTC, narrowband IoT (NB-IoT) , enhanced mobile broadband (eMBB) ) that may provide access for different types of devices.

[0090] In some examples, a network entity 105 (e.g., a base station 140, an RU 170) may be movable and therefore provide communication coverage for a moving coverage area 110. In some examples, different coverage areas 110 associated with different technologies may overlap, but the different coverage areas 110 may be supported by the same network entity 105. In some other examples, the overlapping coverage areas 110 associated with different technologies may be supported by different network entities 105. The wireless communications system 100 may include, for example, a heterogeneous network in which different types of the network entities 105 provide coverage for various coverage areas 110 using the same or different radio access technologies.

[0091] The wireless communications system 100 may be configured to support ultra-reliable communications or low-latency communications, or various combinations thereof. For example, the wireless communications system 100 may be configured to support ultra-reliable low-latency communications (URLLC) . The UEs 115 may be designed to support ultra-reliable, low-latency, or critical functions. Ultra-reliable communications may include private communication or group communication and may be supported by one or more services such as push-to-talk, video, or data. Support for ultra-reliable, low-latency functions may include prioritization of services, and such services may be used for public safety or general commercial applications. The terms ultra-reliable, low-latency, and ultra-reliable low-latency may be used interchangeably herein.

[0092] In some examples, a UE 115 may be configured to support communicating directly with other UEs 115 via a device-to-device (D2D) communication link 135 (e.g., in accordance with a peer-to-peer (P2P) , D2D, or sidelink protocol) . In some examples, one or more UEs 115 of a group that are performing D2D communications may be within the coverage area 110 of a network entity 105 (e.g., a base station 140, an RU 170) , which may support aspects of such D2D communications being configured by (e.g., scheduled by) the network entity 105. In some examples, one or more UEs 115 of such a group may be outside the coverage area 110 of a network entity 105 or may be otherwise unable to or not configured to receive transmissions from a network entity 105. In some examples, groups of the UEs 115 communicating via D2D communications may support a one-to-many (1: M) system in which each UE 115 transmits to each of the other UEs 115 in the group. In some examples, a network entity 105 may facilitate the scheduling of resources for D2D communications. In some other examples, D2D communications may be carried out between the UEs 115 without an involvement of a network entity 105.

[0093] The core network 130 may provide user authentication, access authorization, tracking, Internet Protocol (IP) connectivity, and other access, routing, or mobility functions. The core network 130 may be an evolved packet core (EPC) or 5G core (5GC) , which may include at least one control plane entity that manages access and mobility (e.g., a mobility management entity (MME) , an access and mobility management function (AMF) ) and at least one user plane entity that routes packets or interconnects to external networks (e.g., a serving gateway (S-GW) , a Packet Data Network (PDN) gateway (P-GW) , or a user plane function (UPF) ) . The control plane entity may manage non-access stratum (NAS) functions such as mobility, authentication, and bearer management for the UEs 115 served by the network entities 105 (e.g., base stations 140) associated with the core network 130. User IP packets may be transferred through the user plane entity, which may provide IP address allocation as well as other functions. The user plane entity may be connected to IP services 150 for one or more network operators. The IP services 150 may include access to the Internet, Intranet (s) , an IP Multimedia Subsystem (IMS) , or a Packet-Switched Streaming Service.

[0094] The wireless communications system 100 may operate using one or more frequency bands, which may be in the range of 300 megahertz (MHz) to 300 gigahertz (GHz) . Generally, the region from 300 MHz to 3 GHz is known as the ultra-high frequency (UHF) region or decimeter band because the wavelengths range from approximately one decimeter to one meter in length. UHF waves may be blocked or redirected by buildings and environmental features, which may be referred to as clusters, but the waves may penetrate structures sufficiently for a macro cell to provide service to the UEs 115 located indoors. Communications using UHF waves may be associated with smaller antennas and shorter ranges (e.g., less than 100 kilometers) compared to communications using the smaller frequencies and longer waves of the high frequency (HF) or very high frequency (VHF) portion of the spectrum below 300 MHz.

[0095] The wireless communications system 100 may utilize both licensed and unlicensed RF spectrum bands. For example, the wireless communications system 100 may employ License Assisted Access (LAA) , LTE-Unlicensed (LTE-U) radio access technology, or NR technology using an unlicensed band such as the 5 GHz industrial, scientific, and medical (ISM) band. While operating using unlicensed RF spectrum bands, devices such as the network entities 105 and the UEs 115 may employ carrier sensing for collision detection and avoidance. In some examples, operations using unlicensed bands may be based on a carrier aggregation configuration in conjunction with component carriers operating using a licensed band (e.g., LAA) . Operations using unlicensed spectrum may include downlink transmissions, uplink transmissions, P2P transmissions, or D2D transmissions, among other examples.

[0096] A network entity 105 (e.g., a base station 140, an RU 170) or a UE 115 may be equipped with multiple antennas, which may be used to employ techniques such as transmit diversity, receive diversity, multiple-input multiple-output (MIMO) communications, or beamforming. The antennas of a network entity 105 or a UE 115 may be located within one or more antenna arrays or antenna panels, which may support MIMO operations or transmit or receive beamforming. For example, one or more base station antennas or antenna arrays may be co-located at an antenna assembly, such as an antenna tower. In some examples, antennas or antenna arrays associated with a network entity 105 may be located at diverse geographic locations. A network entity 105 may include an antenna array with a set of rows and columns of antenna ports that the network entity 105 may use to support beamforming of communications with a UE 115. Likewise, a UE 115 may include one or more antenna arrays that may support various MIMO or beamforming operations. Additionally, or alternatively, an antenna panel may support RF beamforming for a signal transmitted via an antenna port.

[0097] The network entities 105 or the UEs 115 may use MIMO communications to exploit multipath signal propagation and increase spectral efficiency by transmitting or receiving multiple signals via different spatial layers. Such techniques may be referred to as spatial multiplexing. The multiple signals may, for example, be transmitted by the transmitting device via different antennas or different combinations of antennas. Likewise, the multiple signals may be received by the receiving device via different antennas or different combinations of antennas. Each of the multiple signals may be referred to as a separate spatial stream and may carry information associated with the same data stream (e.g., the same codeword) or different data streams (e.g., different codewords) . Different spatial layers may be associated with different antenna ports used for channel measurement and reporting. MIMO techniques include single-user MIMO (SU-MIMO) , for which multiple spatial layers are transmitted to the same receiving device, and multiple-user MIMO (MU-MIMO) , for which multiple spatial layers are transmitted to multiple devices.

[0098] Beamforming, which may also be referred to as spatial filtering, directional transmission, or directional reception, is a signal processing technique that may be used at a transmitting device or a receiving device (e.g., a network entity 105, a UE 115) to shape or steer an antenna beam (e.g., a transmit beam, a receive beam) along a spatial path between the transmitting device and the receiving device. Beamforming may be achieved by combining the signals communicated via antenna elements of an antenna array such that some signals propagating along particular orientations with respect to an antenna array experience constructive interference while others experience destructive interference. The adjustment of signals communicated via the antenna elements may include a transmitting device or a receiving device applying amplitude offsets, phase offsets, or both to signals carried via the antenna elements associated with the device. The adjustments associated with each of the antenna elements may be defined by a beamforming weight set associated with a particular orientation (e.g., with respect to the antenna array of the transmitting device or receiving device, or with respect to some other orientation) .

[0099] A network entity 105 or a UE 115 may use beam sweeping techniques as part of beamforming operations. For example, a network entity 105 (e.g., a base station 140, an RU 170) may use multiple antennas or antenna arrays (e.g., antenna panels) to conduct beamforming operations for directional communications with a UE 115. Some signals (e.g., synchronization signals, reference signals, beam selection signals, or other control signals) may be transmitted by a network entity 105 multiple times along different directions. For example, the network entity 105 may transmit a signal according to different beamforming weight sets associated with different directions of transmission. Transmissions along different beam directions may be used to identify (e.g., by a transmitting device, such as a network entity 105, or by a receiving device, such as a UE 115) a beam direction for later transmission or reception by the network entity 105.

[0100] Some signals, such as data signals associated with a particular receiving device, may be transmitted by transmitting device (e.g., a transmitting network entity 105, a transmitting UE 115) along a single beam direction (e.g., a direction associated with the receiving device, such as a receiving network entity 105 or a receiving UE 115) . In some examples, the beam direction associated with transmissions along a single beam direction may be determined based on a signal that was transmitted along one or more beam directions. For example, a UE 115 may receive one or more of the signals transmitted by the network entity 105 along different directions and may report to the network entity 105 an indication of the signal that the UE 115 received with a highest signal quality or an otherwise acceptable signal quality.

[0101] In some examples, transmissions by a device (e.g., by a network entity 105 or a UE 115) may be performed using multiple beam directions, and the device may use a combination of digital precoding or beamforming to generate a combined beam for transmission (e.g., from a network entity 105 to a UE 115) . The UE 115 may report feedback that indicates precoding weights for one or more beam directions, and the feedback may correspond to a configured set of beams across a system bandwidth or one or more sub-bands. The network entity 105 may transmit a reference signal (e.g., a cell-specific reference signal (CRS) , a CSI-RS) , which may be precoded or unprecoded. The UE 115 may provide feedback for beam selection, which may be a precoding matrix indicator (PMI) or codebook-based feedback (e.g., a multi-panel type codebook, a linear combination type codebook, a port selection type codebook) . Although these techniques are described with reference to signals transmitted along one or more directions by a network entity 105 (e.g., a base station 140, an RU 170) , a UE 115 may employ similar techniques for transmitting signals multiple times along different directions (e.g., for identifying a beam direction for subsequent transmission or reception by the UE 115) or for transmitting a signal along a single direction (e.g., for transmitting data to a receiving device) .

[0102] A receiving device (e.g., a UE 115) may perform reception operations in accordance with multiple receive configurations (e.g., directional listening) when receiving various signals from a transmitting device (e.g., a network entity 105) , such as synchronization signals, reference signals, beam selection signals, or other control signals. For example, a receiving device may perform reception in accordance with multiple receive directions by receiving via different antenna subarrays, by processing received signals according to different antenna subarrays, by receiving according to different receive beamforming weight sets (e.g., different directional listening weight sets) applied to signals received at multiple antenna elements of an antenna array, or by processing received signals according to different receive beamforming weight sets applied to signals received at multiple antenna elements of an antenna array, any of which may be referred to as “listening” according to different receive configurations or receive directions. In some examples, a receiving device may use a single receive configuration to receive along a single beam direction (e.g., when receiving a data signal) . The single receive configuration may be aligned along a beam direction determined based on listening according to different receive configuration directions (e.g., a beam direction determined to have a highest signal strength, highest signal-to-noise ratio (SNR) , or otherwise acceptable signal quality based on listening according to multiple beam directions) .

[0103] The wireless communications system 100 may be a packet-based network that operates according to a layered protocol stack. In the user plane, communications at the bearer or PDCP layer may be IP-based. An RLC layer may perform packet segmentation and reassembly to communicate via logical channels. A MAC layer may perform priority handling and multiplexing of logical channels into transport channels. The MAC layer also may implement error detection techniques, error correction techniques, or both to support retransmissions to improve link efficiency. In the control plane, an RRC layer may provide establishment, configuration, and maintenance of an RRC connection between a UE 115 and a network entity 105 or a core network 130 supporting radio bearers for user plane data. A PHY layer may map transport channels to physical channels.

[0104] A UE 115 may support AI or ML-based beam prediction (e.g., referred to as AI-based beam prediction) . Such a UE may collect data measurements (e.g., RSRP, SINR, CIR) based on measurements of SSBs or CSI-RSs via SSB beams or CSI-RS beams. An AI model may be trained using measurements of a first set of beams (e.g., set B beams) to predict measurements for a set of future beams (e.g., set A beams) . A trained AI model uses actual measurements of a third set of beams (e.g., set B beams) to predict measurements for a fourth set of beams (e.g., set A beams) (e.g., referred to as a beam inference process) , which the UE 115 may report in a beam measurement report. For example, beam measurement reports may be used for purposes such as initial access, beam management in RRC connected mode, beam failure recovery (BFR) and radio link failure recovery response. In some examples, an AI model may support spatial domain downlink beam prediction for the set A beams based on the measurement results of the set B beams. In some examples, an AI model may support temporal downlink beam prediction for the set A beams based on the historic measurement results of the set B beams. In some examples, the set A beams and the set B beams may be in the same frequency range. In some examples, the set B beams may be a subgroup of the set A beams. In some examples, the set B beams may be different from the set A beams (e.g., the Set A beams may be narrower than the set B beams) . As described herein, codebook constructions of set A and set B beams may be vendor specific for different gNB (e.g., network entity 105) vendors.

[0105] The mapping of the beam measurements to inputs of the AI model affects the output of the AI model (e.g., the predicted measurements) . Thus, for accurate use of an AI model, the UE 115 and network entity 105 (e.g., the gNB) should agree on the mapping and order of CMRs or IMRs to AI model inputs. The existing CMR or IMR framework, however, does not enable a UE 115 to identify the order of inputs to an AI model as network entities 105 may flexibly map beamforming codebooks to CMRs or IMRs. The beamforming codebook information used by network entities 105 for CMR or IMRs may be proprietary, and network entity vendors may be resistant to signaling such information. Further, additional AI based beam prediction reporting considerations may include mechanisms related to the reporting, content of the report (e.g., information associated with or configured for the reported data samples, e.g., timestamps, signal to noise ratio (SNR) , data quality) , reduction of reporting overhead, and UE complexity and power consumption.

[0106] In some examples, a set of trained AI models may be standardized or predefined. The standards may define the mapping or ordering of beam measurements (e.g., which SSB or CSI-RS index) to AI model inputs and / or AI model outputs for the standardized AI models. The UE 115 and a network entity 105 may negotiate a mutually supported AI model from the list of standardized AI models. For example, the network entity 105 may indicate a subset of AI models IDs from the standardized set of AI model IDs, and the UE 115 may indicate which AI model IDs of the indicated subset that the UE 115 supports. The network entity 105 may schedule a set of beam measurement resources and may indicate an AI model ID that is mutually supported by the network entity 105 and the UE 115. The UE 115 may generate and transmit a beam prediction report using the indicated AI model and the beam measurement resources. By using an AI model that is mutually supported from a list of trained AI models, the UE 115 and the network entity 105 may agree on inputs and outputs of the AI model, which may enable accurate beam prediction.

[0107] In some examples, the network entity 105 may identify an AI model to the UE 115 during the beam inference process such that the UE can ensure that the actual beams (e.g., SSB or CSI-RSs) for the beam inference process correspond to (e.g., are 1-to-1 associated with) the actual beams (e.g., SSB or CSI-RSs) used for training the AI model and that the measurements for the predicted beams (e.g., predicted measurements for SSB or CSI-RSs) for the beam inference process correspond to (e.g., are 1-to-1 associated with) the predicted beams (e.g., predicted measurements for SSB or CSI-RSs) used for training the AI model. In such examples, the UE 115 and the network entity 105 may first perform a training process using a set of training inputs and a set of expected outputs or the AI model.

[0108] FIG. 2 shows an example of a wireless communications system 200 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The wireless communications system 200 may implement or may be implemented by aspects of the wireless communications system 100. For example, the wireless communications system 200 may include a UE 115-a, which may be an example of a UE 115 as described herein. The wireless communications system 200 may include a network entity 105-a, which may be an example of a network entity 105 as described herein.

[0109] The UE 115-a may communicate with the network entity 105-a using a communication link 125-a. The communication link 125-a may be an example of an NR or LTE link between the UE 115-a and the network entity 105-a. The communication link 125-a may include a bi-directional link that enables both uplink and downlink communications. For example, the UE 115-a may transmit uplink signals 205 (e.g., uplink transmissions) , such as uplink control signals or uplink data signals, to the network entity 105-a using the communication link 125-a and the network entity 105-a may transmit downlink signals 210 (e.g., downlink transmissions) , such as downlink control signals or downlink data signals, to the UE 115-b using the communication link 125-a. In some examples, the network entity 105-a may perform beamforming procedures to transmit downlink signals 210 to the UE 115-a via one or more beams 215.

[0110] As described herein, the UE 115-a may perform beam prediction using an AI model to predict future measurements of the beams 215. For example, the network entity 105-a may transmit control signaling 230 that schedules a set of beam measurement resources for a set of reference signals 235 (e.g., SSBs or CSI-RSs) . The network entity 105-a may transmit the set of reference signals 235 via a first set of beams 215 (e.g., set B beams) . The UE 115-a may perform measurements on the set of reference signals 235 and may use an AI model to predict measurements for a second set of beams 215 (e.g., set A beams) . The UE may transmit a report 240 indicating the predicted measurements for the second set of beams 215. In some examples, the report 240 may be a CSI report and may also indicate the measurements of the set of reference signals 235.

[0111] As described herein, in some examples, the AI model used at the UE 115-a may be trained using a training procedure. During UE-side data collection for model training, the UE 115-a may identify orders of respective set A and set B beams, and may map the orders of respective set A and set B beams to input and output features of the AI model. During AI model inference (e.g., during online beam prediction used to generate predicted measurement results that will be indicated in a report 240) , the UE 115-a and the network entity 105-a should agree on the orders of respective set A and set B beams mapped to input and output features of the AI model so that the UE 115-a knows to input a which set B beam’s measured L1-RSRP into which AI model input feature and so that the UE 115-a can determine the predicted L1-RSRP for a given set A beam according to a given AI model output feature. As the network entity 105-a has the flexibility to alter the mapping between beamforming codebooks and CMRs / IMRs, however, the CMR / IMR indexing framework may not be able to satisfy a consistent mapping between set B beams to AI model input features and set A beams to AI model output features.

[0112] A straightforward method to consistently map set B beams to AI model input features and set A beams to AI model output features would be for the network entity 105-a to indicate the beamforming codebook information on CMRs or IMRs (e.g., beam neighboring info, or beam pointing direction info) . However, vendors of network entities may be resistant to reveal such beamforming codebook information, which may be proprietary. Accordingly, alternative solutions may be used to ensure beam-ID labeling consistency or correspondence for life cycle management of AI models for beam prediction.

[0113] In some examples, a set of trained AI models may be standardized or predefined. The standards may define the mapping or ordering of beam measurements (e.g., which SSB or CSI-RS index) to AI model inputs and / or AI outputs for the standardized AI models. The UE 115-a and a network entity 105-a may negotiate a mutually supported AI model from the list of standardized AI models. For example, the network entity 105 may transmit a first message 220 that indicates a subset of AI models IDs from the standardized set of AI model IDs, and the UE 115-a may transmit a second message 225 that indicates which AI model IDs of the indicated subset that the UE 115 supports. The network entity 105 may indicate an AI model ID in the control signaling 230 that is mutually supported by the network entity 105-a and the UE 115-a. The UE 115-a may generate the beam prediction values indicated in the report 240 using the indicated AI model and the beam measurement resources.

[0114] In some examples, the network entity 105-a may identify in the control signaling 230 an AI model to the UE 115-a such that the UE 115-a can ensure that the actual beams (e.g., SSB or CSI-RSs) for the beam inference process correspond to (e.g., are 1-to-1 associated with) the actual beams (e.g., SSB or CSI-RSs) used for training the AI model and that the measurements for the predicted beams (e.g., predicted measurements for SSB or CSI-RSs) for the beam inference process correspond to (e.g., are 1-to-1 associated with) the predicted beams (e.g., predicted measurements for SSB or CSI-RSs) used for training the AI model. In such examples, the UE 115-a and the network entity 105-a may first perform a training process using a set of training inputs and a set of expected outputs or the AI model.

[0115] FIG. 3 shows an example of a AI model training and inference diagram 300 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The AI model training and inference diagram 300 may implement or may be implemented by aspects of the wireless communications system 100 or the wireless communications system 200. For example, the AI model 310 may be operated by a UE 115 as described herein.

[0116] In a training process 305, the UE 115 collects measurement results associated with a first group of SSB / CSI-RS resources and a second group of SSB / CSI-RS resources to train an AI model for predicting, in an inference procedure 315, channel characteristics of a fourth group of SSB / CSI-RS / Virtual Resources (i.e., Set-A Beams) are predicted based on measurements of a third group of SSB / CSI-RS resources (i.e., Set-B Beams) . The AI model 310 trained by the UE 115 in the training process 305 may be later requested by network entity 105 to be used for the inference process 315. Measurement results with respect to the first or the second group of SSBs / CSI-RSs, or predicted channel characteristics of the fourth group of SSBs / CSI-RSs / Virtual-Resources, may include at least one of L1-RSRP, L1-SINR, Top-K-Resources in terms of L1-RSRP / L1-SINR, channel quality index (CQI) , Rank, or CIR. The UE 115 and the network entity 105 may identify the same AI model ID for the AI model 310 during data collection for the training process and data collection for the online prediction of the inference process 315 such that the following resource associations are determined corresponding to the identified AI model-ID: (1) The third group of SSB / CSI-RS / Virtual Resources considered for model inference, are 1-to-1 associated with the respective SSB / CSI-RS resources in the first group of SSB / CSI-RS resources for data collection; and (2) the fourth group of SSB / CSI-RS resources considered for model inference, are 1-to-1 associated with the respective SSB / CSI-RS resources in the second group of SSB / CSI-RS resources for data collection.

[0117] In some examples, this correspondence may hold across network entities. For example, the training process 305 may be completed with a first network entity 105 and the inference process may be performed with a second, different, network entity 105 (e.g., a different serving cell, component carrier (CC) , bandwidth part (BWP) , DU, or CU) . For example, if an AI model ID is identified with respect to the later inference process 315 for online beam prediction at a second network entity 105 that was trained using a first network entity 105: (1) the third group of SSB / CSI-RS / Virtual Resources considered for model inference associated with the first network entity 105 (e.g., first serving cell / CC / BWP / DU / CU) are 1-to-1 associated with the respective SSB / CSI-RS resources in the third group of SSB / CSI-RS resources associated with the second network entity (e.g., second serving cell / CC / BWP / DU / CU) ; and (2) the fourth group of SSB / CSI-RS resources considered for model inference associated with the first network entity 105 (e.g., first serving cell / CC / BWP / DU / CU) are 1-to-1 associated with the respective SSB / CSI-RS resources in the second group of SSB / CSI-RS resources associated with the second network entity (e.g., second serving cell / CC / BWP / DU / CU) .

[0118] In some examples, the UE 115 may expect resource number consistency between the training process 305 and the inference process. For example, the UE 115 may expect that the first and third groups of resources may include the same quantity of resources and that the second and fourth groups of resources include the same quantity of resources. In some examples, the UE 115 may expect 1-to-1 association between the first and third groups of resources. For example, during the inference process 315, the UE 115 may use the measurement results associated with the mth resource within the third resource group to determine the AI model input feature that was trained during data collection of the training process 305 based on the mth resource within the first resource group. In some examples, the UE 115 may expect 1-to-1 association between the second and fourth groups of resources. For example, during the inference process 315, the UE 115 may use the AI model output feature that was trained during data collection of the training process 305 based on the nth resource within the second resource group to determine predicted channel characteristics associated with the nth resource within the fourth resource group. The 1-to-1 association between the first and third resource groups and the second and fourth resource groups may apply to relationships between a first and second groups of resources of a first network entity 105 (e.g., first serving cell / CC / BWP / DU / CU) and second and fourth groups of resources of a second network entity 105 (e.g., second serving cell / CC / BWP / DU / CU) , respectively.

[0119] In some examples, the UE 115 may determine the resource-ID orders, such that the “mth” and the “nth” resources may be consistently identified during both the training process 305 and the inference process 315. In a first example, the resource ID orders may be identified within a single RRC configured resource set. For example, the respective resources within a single group of resources may be identified based on a single RRC configured resource set (e.g., SSB resource set, CSI-RS resource set, prediction resource set, virtual resource set) . Each resource may be associated with a given relative resource-ID order within the corresponding resource set. The first example may be applicable in cases where the data collection for the training process 305 and the inference process 315 are both associated with CSI measurement or reporting procedures. In a second example, the resource ID orders may be identified with the assistance of a network node in addition to the network entity 105, for example, a network node 405 of FIG. 4. For example, the resources being considered for a given group of resources may first be reported from the network entity 105 to the network node 405 during an AI model-ID registration for the training process or during an AI model-ID identification for the inference process 315. The network node 405 may determine ID orders of the network entity 105 reported resources, and may signal the ID orders to both the UE 115 and the network entity 105 (such that the network node 405 may ensure the ordering consistency between the training process 305 and the inference process 315) . The second example may be applicable in cases where the involved resources cannot be directly grouped into a single RRC configured resource set (e.g., the set B beams may include multiple CSI-RS resource sets or may include both CSI-RS and SSB resources) .

[0120] In some examples, the AI model 310 may be based on a logical or physical model. For example, an AI model identified by a model ID may be logical, and how the logical model maps to a physical AI model may be implementation specific. A logical AI model may refer to an AI model that is identified and assigned a model ID, and a physical AI model may refer to an actual implementation of such a model.

[0121] In some examples, the measurement results or prediction targets generated by an AI model at the UE 115 may be applied to the associations corresponding to the first and third groups of resources and the second and fourth groups of resources (e.g., precoding matrix indicator (PMI) , channel quality indicator (CQI) , CIR, rank indicator (RI) , angle of arrival (AoA) , downlink angle of arrival (DoA) , downlink angle of departure (AoD) , directions of departure (DoD) , position or location, orientation, or blockage) . For example, 1-to-1 associations may be at the resource level, resource port level, or resource set level. For example, for CSI compression, the input to the AI model 310 may be CIR estimated from CSI-RS ports. Thus, the first and second groups of resources may include a single resource in each group while the resource may include multiple ports (e.g., 32 or 64 CSI-RS ports) . As another example, the 1-to-1 association may be applied to only input or only output for some use cases. For example, for CSI compression, the AI model input may be CIR estimated from CSI-RS ports, and while the AI model output may be compressed CSI based on such CIR (with labels being PMI calculated based on the CIR) , and accordingly in such a case the 1-to-1 association may apply only to input resources to the AI model.

[0122] FIG. 4 shows an example of a wireless communications system 400 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The wireless communications system 400 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, or the AI model training and inference diagram 300. For example, the wireless communications system 400 may include a UE 115-b, which may be an example of a UE 115 as described herein. The wireless communications system 400 may include a network entity 105-b, which may be an example of a network entity 105 as described herein. The UE 115-b and the network entity 105-b may communicate using a communication link 125-b, which may be an example of a communication link 125 described herein. In some examples, the network entity 105-b may communicate with a server 410 of the vendor of the network entity 105-b via a communication link 430, which may be an example of a communication link 120.

[0123] The wireless communications system 400 may include a network node 405 which may assist in signaling for maintaining resource-ID order consistency between AI model training and AI model inference. For example, the network node 405 may be dedicated for managing AI / ML model-IDs associated with different AI / ML functionalities or features. The network node 405 may communicate with the UE 115-b via a communication link 420, which may be an example of a communication link 125 or a communication link 135 as described herein. The network node 405 may communicate with the network entity 105-b via a communication link 415, which may be an example of a communication link 125 or a communication link 120 as described herein.

[0124] Upon initiation of data collection for an inference process using a trained AI model, the network entity 105-b, the UE 115-b, the network entity 105-b, and the network node 405 may agree upon an AI model ID for the trained AI model. For example, an AI model feature or functionality may be the temporal and spatial L1-RSRP prediction on the Set-A beams for each of 40+80+120 ms later than the last measurement occasion of Set-B beams, with 8 Set-B Beams input and 32 Set-A Beams output.

[0125] For example, the network entity 105-b may indicate or suggest supported or may register AI model IDs to the network node 405. The network node 405 may be responsible for AI model life cycle management, and may manage existing model IDs and associated AI model features and functionalities for the network entity 105-b. The network node 405 may forward the AI model ID to use for the inference process to the UE 115-b (e.g., which may be the AI model ID suggested by the network entity 105-b) .

[0126] Data collection for an inference process may be initiated by an upper layer command sent from the network node 405 to both the network entity 105-b and the UE 115-b, which may indicate the AI model and / or AI model feature or functionality. The network entity 105-b may suggest or register an AI model ID with the network node 405 (e.g., through upper layer protocols via the communication link 415) associated with the indicated AI model feature or functionality. For example, the server 410 of a vendor of the network entity 105-b may include a database that records which AI models and which AI model features or functionalities are supported by the network entity 105-b associated with that vendor. The network node 405 may forward the suggested AI model-ID registered by the network entity 105-b to the UE 115-b via the communication link 420, or the network entity 105-may also indicate the model-ID to the UE 115-b via the communication link 125-b.

[0127] Different vendors may register different AI model IDs for the same functionalities or features. For example, (e.g., a network entity vendor may run the server 410 outside the network to coordinate AI model-IDs, such that which AI model-IDs were registered by the vendor and which are registered by other vendors on a 3GPP network may be identified. In such cases, upon data collection, the network entity 105-b may only register or re-register the AI model IDs that the vendor of the network entity 105-b coordinated, and the network entity 105-b may not interact with the model-IDs that are not associated with the vendor of the network entity 105-b (e.g., based on a database of registered AI model IDs supported by the vendor stored in the server 410) .

[0128] FIG. 5 shows an example of a wireless communications system 500 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The wireless communications system 500 may implement or may be implemented by aspects of the wireless communications system 100, the AI model training and inference diagram 300, the wireless communications system 200, or the wireless communications system 400. For example, the wireless communications system 500 may include a UE 115-c, which may be an example of a UE 115 as described herein. The wireless communications system 500 may include a network entity 105-c, which may be an example of a network entity 105 as described herein. The wireless communications system 500 may include a network node 405, which may be an example of a network node 405 as described herein. The wireless communications system 500 may include a server 410-a, which may be an example of a server 410 as described herein. In some examples, the network entity 105-c may communicate with the server 410-a via a communication link 430-a, which may be an example of a communication link 120.

[0129] In some examples, as shown in the first scenario 505, upon initiation of an AI model inference process, the AI model ID registered for the corresponding AI feature or functionality may be signaled from the network node 405-a to the network entity 105-c in a first message 515-a and to the UE 115-c in a second message 515-b. In some examples, as shown in the second scenario 510, upon initiation of an AI model inference process, the AI model ID registered for the corresponding AI feature or functionality may be signaled in a message 520 directly from the network entity 105-c to the UE 115-c.

[0130] The network entity 105-c may ensure a 1-to-1 resource wise association between the training process for the AI model and the initiated inference process, for example, as described with reference to Fig. 3. In some examples, if the network entity 105-c is scheduled to participate in the inference process also participated in the UE-side data collection for the training process of the same AI model on the same AI feature or functionality, the network entity 105-c guarantee for 1-to-1 resource-wise association may be straightforward, for example, as described with reference to Figs. 6 through 8. If the network entity 105-c scheduled to participate in the inference process is different from the network entity that participated in the UE-side data collection for the training process of the same AI model on the same AI feature or functionality, additional standard pre-regulations may be used to ensure 1-to-1 resource-wise association.

[0131] If the AI model ID is signaled from the network node 405-a to the UE 115-c, as in the first scenario 505, the AI model ID may be indicated in the command from the network node 405-a that initiated the inference process. As described herein, the model ID may be based on a suggested or recommended AI model ID by the network entity 105-c (e.g., the network entity 105-c may know the AI model IDs associated with the vendor of the network entity 105-c based on the server 410-a operated by the vendor such that the network entity 105-c may recommend a supported AI model ID (s) to the network node 405-a for the network node 405-a or the UE 115-c to choose from) .

[0132] If the AI model ID is signaled from the network entity 105-c directly to the UE 115-c, as in the second scenario 510, the inference process may be directly initiated by the network entity 105-c. As the network entity 105-c may be aware of the AI model IDs associated with the vendor of the network entity 105-c based on the server 410-aoperated by the vendor, the network entity 105-c may indicate a supported AI model ID to the UE 115-c.

[0133] FIG. 6 shows an example of a beam correspondence diagram 600 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The beam correspondence diagram 600 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the AI model training and inference diagram 300, the wireless communications system 400, or the wireless communications system 500.

[0134] A relative direction consistency diagram 605 shows a first set of beams 615 including a beam 615-a, a beam 615-b, a beam 615-c, a beam 615-d, and a beam 615-e and a second set of beams 620 including a beam 620-a, a beam 620-b, a beam 620-c, a beam 620-d, and a beam 620-e. In some examples, to guarantee 1-to-1 resource wise association between training and inference processes for an AI model, a relative beam direction metric may be required. For example, in a local coordinate system (LCS) based on the center of the antenna panel of a network entity 105, the relative pointing relationships between the kth and the jth resources within the first group of resources (e.g., of Fig. 3) , and the relative boresight pointing direction relationships between the kth and the jth resources within the third group of resources (e.g., of Fig. 3) , should be the same. For example, the first set of beams 615 may be the first group of resources and the second set of beams 620 may be the third group of resources, and the relative pointing relationships between the beams of the first set of beams 615 may be the same as the relative pointing relationships between the beams of the second set of beams 620 (e.g., the pointing relationship between beam 615-a and beam 615-b may be the same as the pointing relationship between beam 620-a and beam 620-b) . For example, if the pointing direction of the kth resource is a negative offset referring to the jth resource in a certain LCS dimension within the first group of resources, the pointing direction of the kth resource should also be the same negative offset referring to the jth resource in the same LCS dimension within the third group of resources (e.g., of Fig. 3) . The same relative boresight pointing direction relationships should also apply to the second and fourth groups of resources (e.g., of Fig. 3 and also referred to as the set A beams) of the training and inference processes when a same network entity 105 is used for the training and inference processes. The same relative boresight pointing direction relationships should also apply to the first / second / third / fourth groups of resources for different network entities using the same trained AI model.

[0135] A relative width consistency diagram 610 shows a first set of beams 625 including a beam 625-a, a beam 625-b, a beam 625-c, a beam 625-d, and a beam 625-e and a second set of beams 630 including a beam 630-a, a beam 630-b, a beam 630-c, a beam 630-d, and a beam 630-e. In some examples, to guarantee 1-to-1 resource wise association between training and inference processes for an AI model, a relative beam width relationship metric may be required. For example, the relative beam width relationships between the kth and the jth resources within the first group of resources e.g., of Fig. 3) , and the relative beam-width relationships between the kth and the jth resources within the third group of resources e.g., of Fig. 3) , should be the same. For example, if the beam width of the kth resource is narrower referring to beamwidth of the jth resource within the first group of resources, the beam width of the kth resource should also be narrower with respect to the beam width of the jth resource within the third group of resources. For example, if beam 625-e is narrower than beam 625-d in the first set of beams 625 corresponding to the first group of resources, then beam 630-e should be narrower with respect to beam 630-d in the second set of beams 630 corresponding to the third group of resources. The same relative beam width relationships should also apply to the second and fourth groups of resources (e.g., of Fig. 3 and also referred to as the set A beams) of the training and inference processes when a same network entity 105 is used for the training and inference processes. The same relative beam width relationships should also apply to the first / second / third / fourth groups of resources for different network entities using the same trained AI model.

[0136] FIG. 7 shows an example of a beam correspondence diagram 700 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The beam correspondence diagram 700 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the wireless communications system 400, or the wireless communications system 500.

[0137] An absolute direction consistency diagram 705 shows a first set of beams 715, a second set of beams 720, and a third set of beams 725. In some examples, to guarantee 1-to-1 resource wise association between training and inference processes for an AI model, an absolute beam direction metric may be required. For example, in an LCS based on the center of the antenna panel of a network entity 105, the relative pointing relationships between the kth and the jth resources within the first group of resources (e.g., of Fig. 3) , and the relative boresight pointing direction relationships between the kth and the jth resources within the third group of resources (e.g., of Fig. 3) , should be within a standard predefined range. For example, if the pointing direction of the kth resource is a negative offset referring to the jth resource in a certain LCS dimension within the first group of resources for X degrees, the pointing direction of the kth resource should also be a negative offset referring to the jth resource in the same LCS dimension within the third group of resources for X + Y degrees, where the value of Y (Y>0 &Y＜＜|X|) should be standard predefined. For example, the relative direction offset between beam 715-a and beam 715-d may be X degrees, where the first set of beams 715 are the first group of resources and the second set of beams 720 or the third set of beams 725 are the third group of resources. Accordingly, the relative direction offset between beam 720-a and beam 720-d and between beam 725-a and beam 725-d should be within X+Y degrees. The same absolute boresight pointing direction relationships should also apply to the second and fourth groups of resources (e.g., of Fig. 3 and also referred to as the set A beams) of the training and inference processes when a same network entity 105 is used for the training and inference processes. The same absolute boresight pointing direction relationships should also apply to the first / second / third / fourth groups of resources for different network entities using the same trained AI model.

[0138] An absolute width consistency diagram 710 shows a first set of beams 730, a second set of beams 735, and a third set of beams 740. In some examples, to guarantee 1-to-1 resource wise association between training and inference processes for an AI model, an absolute beam width relationship metric may be required. For example, the relative beam width relationships between the kth and the jth resources within the first group of resources (e.g., of Fig. 3) , and the relative beam-width relationships between the kth and the jth resources within the third group of resources (e.g., of Fig. 3) , should be no more than ±Z-deg, where the value of Z>0 is standards predefined. For example, the relative beam width difference between beam 730-a and beam 730-d may be Z degrees, where the first set of beams 730 are the first group of resources and the second set of beams 720 or the third set of beams 725 are the third group of resources. Accordingly, the relative beam width difference between beam 735-a and beam 735-d and between beam 740-a and beam 740-d should be within Z degrees. The same absolute beam width relationships should also apply to the second and fourth groups of resources (e.g., of Fig. 3 and also referred to as the set A beams) of the training and inference processes when a same network entity 105 is used for the training and inference processes. The same absolute beam width relationships should also apply to the first / second / third / fourth groups of resources for different network entities using the same trained AI model.

[0139] FIG. 8 shows an example of a beam QCL relationship consistency diagram 800 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The beam QCL relationship consistency diagram 800 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the wireless communications system 400, or the wireless communications system 500.

[0140] In some examples, to guarantee 1-to-1 resource wise association between a training process 805 for an AI model and an inference processes 810 using AI model, a resource wise Type D QCL consistency metric may be required, for example, based on a standards predefinition. QCL Type D refers to a spatial reception parameter shared between two signals or channels. As shown in Fig. 8, the first group of resources refer to the set B beams (e.g., 8 wide beams corresponding to an SSB resource set) of the training process 805 and the second group of resources refer to the set A beams (e.g., 32 narrow beams corresponding to a CSI-RS resource set) of the training process 805. As shown in Fig. 8, the third group of resources refer to the set B beams (e.g., 8 wide beams corresponding to an SSB resource set) of the inference process 810 and the fourth group of resources refer to the set A beams (e.g., 32 narrow beams corresponding to a CSI-RS resource set) of the inference process 810.

[0141] For example, in accordance with the QCL consistency metric, if the jth resource in the first group of resources in the training process 805 has a Type D QCL relationship with the kth resource in the second group of resources in the training process 805, it may also be expected that the jth resource in the third group of resource in the inference process 810 has a Type D QCL relationship with the kth resource in the fourth group of resources in the inference process 810. As another example, if the jth resource in the first group of resources in the training process 805 has a Type D QCL relationship with the kth resource in the second group of resource in the training process 805 with a first network entity 105 (e.g., first serving cell / CC / BWP / DU / CU) , it may also be expected that the jth resource in the first group of resources has a Type D QCL relationship with the kth resource in the second group of resource in the training process 805 with a second network entity 105 (e.g., a second serving cell / CC / BWP / DU / CU) . As another example, if the jth resource in the first group of resources in the training process 805 has a Type D QCL relationship with the kth resource in the second group of resource in the training process 805 with a first network entity 105 (e.g., first serving cell / CC / BWP / DU / CU) , it may also be expected that the jth resource in the third group of resources has a Type D QCL relationship with the kth resource in the fourth group of resource in the inference process 810 with a second network entity 105 (e.g., a second serving cell / CC / BWP / DU / CU) .

[0142] In some examples, to guarantee 1-to-1 resource wise association between a training process 805 for an AI model and an inference processes 810 using AI model, a temporal metric may be standards predefined. In some examples, the temporal metric may define that if the jth resource in the {first, second} group of resources is associated with a periodicity P, the jth resource in the {third, fourth} group of resources should be associated with the same periodicity P. In some examples, the temporal metric may define that if the jth AI model output feature was trained based on only a limited set of future time domain occasions with respect to the jth resource in the second group of resources, the UE 115 should expect that the jth AI model output feature should be used to determine predicted channel characteristics associated with the jth resource in the fourth group of resources, also only associated with the same limited set of future time domain occasions. In some examples, the future time domain occasions may be defined based on a limited number of future time domain offsets compared to the last symbol of the latest measured resource in the first group of resources during the training process 805. In some examples, the future time domain occasions may be defined based on a limited number of future time domain offsets compared to the last symbol of the latest measured resource in the second group of resources during the inference process 810.

[0143] FIG. 9 shows an example of a AI model ID registration scenario 900 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The AI model ID registration scenario 900 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the wireless communications system 400, or the wireless communications system 500.

[0144] In some examples, AI model IDs may be predefined or standardized in order to ensure resource ID consistency between training and inference processes. For example, various logical or physical AI model IDs may be predefined or pre-listed in standards accessible to UEs 115 and network entities 105 (e.g., 3GPP standards) . In some examples, AI features or functionalities supported by the listed AI model IDs may be predefined or standardized. For example, for the AI feature or functionality of beam prediction (or for a certain sub feature or functionality under the feature or functionality of beam prediction) , different network entity vendors may “pre-register” a number of model-IDs to be predefined or pre-listed in standards (e.g., in 3GPP standards) . For example, as shown in FIG. 9, the network entity vendor #1 may pre-register AI model IDs #1–50, the network entity vendor #2 may pre-register AI model IDs #51–100, the network entity vendor #3 may pre-register AI model IDs #101-150, the network entity vendor #4 may pre-register AI model IDs #151-200, etc. Which gNB-vendor contributes to which model-ID may or may not be specified in the standards. As described with reference to FIG. 2, a network entity 105 may signal to a UE 115 which AI model IDs are supported by the network entity 105, and the UE 115 may signal to the network entity 105 which AI model IDs are supported by the UE 115, such that the network entity 105 and the UE 115 may identify the AI model IDs that are supported by both the network entity 105 and the UE 115.

[0145] Details of the performance of the AI models associated with the registered AI model IDs may be defined based on RAN4 requirements (e.g., top-beam prediction accuracy, L1-RSRP prediction accuracy, etc. ) . As described with reference to FIGs. 3–8, resource wise 1-to-1 association and / or relative / absolute resource characteristics consistency between the first and second resource groups for the training process and the third and fourth resource groups for the inference process or between inference processed for different network entities may be standard predefined (e.g., defined in the standard with respect to the AI model IDs) . In cases where resource wise 1-to-1 association and / or relative / absolute resource characteristics consistency are not specified by the standards, offline or interoperability device testing (IoDT) may be performed between network entity and UE vendors to ensure that performance requirements specified by RAN4 (e.g., top-beam prediction accuracy, L1-RSRP prediction accuracy, etc. ) for a given AI model are met. In some examples, a UE 115 may signal whether the UE 115 supports using only pre-registered AI model IDs only for inference processes (e.g., referred to as Solution 1) , whether the UE 115 supports training AI models and then using the trained AI models for inference processes while maintaining resource wise 1-to-1 association (e.g., referred to as Solution 2) , or whether the UE 115 supports Solution 1 and Solution 2.

[0146] With respect to FIG. 2, in some examples, the first message 220 may be transmitted via system information, RRC, a medium access control (MAC) control element (MAC-CE) , or downlink control information (DCI) . For example, the network entity 105-a may broadcast the first message indicating the supported AI model IDs in remaining minimum system information (RMSI) or other system information (OSI) . As another example, the network entity 105-a may signal the first message 220 indicating supported model-IDs through a UE-specific RRC, which may be based on indicating a subset of the model-IDs that have been UE reported (e.g., in the second message 225) and / or may be based on indicating the first message through serving cell or BWP specific configurations. As another example, the network entity 105-a may signal the first message 220 indicating supported model-IDs through a CSI report setting, where the CSI report setting is to be used for beam prediction results feedback, which may be based on indicating a subset of model IDs that have been UE reported (e.g., in the second message 225) . As another example, the network entity 105-a may signal the first message 220 indicating supported model-IDs through a MAC-CE activating a semi-persistent (SP) CSI report, where the CSI report setting is to be used for beam prediction results feedback, which may be based on indicating a subset of model IDs that have been UE reported (e.g., in the second message 225) . As another example, the network entity 105-a may signal the first message 220 indicating supported model-IDs through CSI-AssociatedReportConfigInfo information element in a DCI activating an aperiodic CSI report, where the CSI report setting is to be used for beam prediction results feedback, which may be based on indicating a subset of model IDs that have been UE reported (e.g., in the second message 225) . Such signaling may also be used by a network entity 105 to indicate whether the network entity 105 supports Solution 1 and / or Solution 2.

[0147] With respect to FIG. 2, in some examples, the second message 225 may be transmitted via UE capability reporting, RRC, MAC-CE, or uplink control information (UCI) . For example, the UE 115 may report the UE supported AI model IDs during an initial access procedure via UE capability reporting or via UE specific RRC messages, which may be based on the indicated network entity supported AI model IDs in RMSI / OSI and / or may be based on the different or same capabilities reported for different serving cells, CCs, BWPs, DUs, CUs, or any combination thereof. In some examples, the UE 115 may update the list of UE supported AI model IDs through a MAC-CE or UCI that may overwrite previously reported UE supported AI model ID, which may be based on the indicated network entity supported AI model IDs in the first message 220. Such signaling may also be used by a UE 115 to indicate whether the UE 115 supports Solution 1 and / or Solution 2.

[0148] FIG. 10 shows an example of a wireless communications system 1000 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The wireless communications system 1000 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the wireless communications system 400, or the wireless communications system 500, or the AI model ID registration scenario 900. For example, the wireless communications system 1000 may include a UE 115-d and a UE 115-c, which may be examples of a UE 115 as described herein. The wireless communications system 1000 may include a network entity 105-d, which may be an example of a network entity 105 as described herein. The wireless communications system 1000 may include a network node 405-b, which may be an example of a network node 405 as described herein. The UE 115-d may be associated with a UE vendor (e.g., UE vendor #5 of FIG. 9) , the UE 115-e may be associated with a different UE vendor (e.g., UE vendor #7 of FIG. 9) , and the network entity 105-d may be associated with a network entity vendor (e.g., the gNB vendor #1 of FIG. 9)

[0149] The first scenario 1005 of the wireless communications system 1000 shows an example of Solution 1 described with reference to FIG. 9 where the UE 115-d and the network entity 105-d may perform IoDT training of an AI model that is standards predefined or registered. The second scenario 1010 of the wireless communications system 1000 shows an example of a modified Solution 2. For example, in the second scenario, the predefined or pre-listed model IDs associated with each network entity vendor may be considered to be pre-registered by the network entity 105-d for solution 2. In such examples, models IDs that are predefined or pre-registered may be reserved and may not be allowed to be registered by network entities of a given vendor unless then model IDs are contributed to by that given vendor (e.g., gNB vendor #1) . Upper layer security schemes may be used to enforce registration security on a network entity vendor basis. Such AI models may be trained using the methods of Solution 2 (e.g., described with reference to FIGs. 3–8) and may meet consistency requirements of Solution 2.

[0150] For example, the network entity vendor #1 may train an AI model corresponding to AI model ID #1 for UEs 115-d of the UE vendor #5 through IoDT based on a small amount of network entities 105-d of the gNB vendor #1 and UEs 115-d of the UE vendor #5 in a particular location (e.g., city) . The AI model ID may be standards predefined as AI model ID #1. Then according to Solution 2 as shown in the second scenario 1010, once the network entity 105-d is deployed, the gNB vendor #1 may register AI model ID #1 and other network entity vendors may not be allowed to register AI model ID #1. UEs 115-d belonging to UE vendor #5 may continue to collect data for training purposes through Solution 2 to improve the performance of the AI model corresponding to AI model ID #1, and gNB vendor #1 may continue to ensure that the consistency requirements described with reference to FIGs. 3–8 are maintained for Solution 2. UEs 115 associated with other UE vendors, such as UEs 115-f associated with UE vendor #7 may subsequently participate in data collection to train models based on the registered AI model ID #1, and the performance of the UEs 115-f associated with UE vendor #7 using the AI model associated with the AI model ID #1 may be as good as the performance of the UEs 115-d associated with the UE vendor #5 though the UEs 115-f associated with UE vendor #7 did not participate in IoDT data collection and training of the AI model associated with the AI model ID #1.

[0151] FIG. 11 shows an example of a process flow 1100 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The process flow 1100 may include a UE 115-f, which may be an example of a UE 115 as described herein. The process flow 1100 may include a network entity 105-e, which may be an example of a network entity 105 as described herein. In the following description of the process flow 1100, the operations between the network entity 105-c and the UE 115-f may be transmitted in a different order than the example order shown, or the operations performed by the network entity 105-e and the UE 115-f may be performed in different orders or at different times. Some operations may also be omitted from the process flow 1100, and other operations may be added to the process flow 1100.

[0152] In some examples, at 1105, the vendor of the network entity 105-e may pre-register a quantity of AI model IDs for beam prediction. For example, the AI model-IDs may be predefined / pre-listed in 3GPP specifications. Which vendor contributes to which model-ID may be specified or agreed to in 3GPP standards. Each model ID may include multiple sub-IDs, where each sub-ID is associated with different quantities of set A and set B beams and / or different correspondences between the set A and set B beams.

[0153] In some examples, at 1110, the network entity 105-e (associated with a network entity vendor) may perform IoDT with the UE 115-f (associated with a UE vendor) on AI model IDs that are pre-registered by the network entity vendor. In some examples, the network entity vendor may share a training dataset with the UE vendor, or the network entity vendor may coordinate with the UE vendor with over the air data collection. Information that may identified by each training data sample may include: (1) a given number of ordered (e.g., based on SSB / CSI-RS resource orders in a given resource set) Set-B beams, together with their L1-RSRPs; (2) a given number of ordered Set-A beams, together with the ground truth of the prediction targets (e.g., L1-RSRPs or Top-K-beams) ; and (3) a correspondence between the involved Set-A&Set-B beams (e.g., QCL / parent-child relationships, absolute / relative pointing directions, beam-widths) , or such correspondence among Set-A beams or among Set-B beams. Item (3) may be optional. Such information that may identified by each training data sample for a given AI model ID may be specified for the AI model ID in 3GPP standards. In some examples, if the AI model ID includes multiple sub model IDs, the shared data samples with respect to the same sub-ID should be consistent with respect to items (1) , (2) , and / or (3) above, or the over the air data collection with respect to the same sub-ID should be consistent respect to items (1) , (2) , and / or (3) above. In some examples, across different sub-IDs, the quantity of set A and set B beams may need to be the same, while correspondence between set A and set B beams may be varied. The UE vendor may use the training data sets (e.g., either offline shared by network entity vendors or over the air collected through IoDT) to train at least one AI model for each sub-ID model of the AI model ID.

[0154] At 1115, the UE 115-f and the network entity 105-e may perform verification testing to verify that the AI model pre-registered by the network entity vendor meets RAN 4 requirements (e.g., top-beam prediction accuracy, L1-RSRP prediction accuracy, etc. ) . In the verification testing process, the network entity vendor may share an inference dataset offline with the UE 115-f, where each data sample includes the following (and should be provided in the same order as the order of the dataset in the IoDT testing at 1110) : (1) L1-RSRPs of the Set-B beams involved with the model-ID; (2) Ground truth of the prediction targets with respect to the Set-A beams involved with the model-ID; and (3) the sub-ID associated with the data sample. Item (3) may be optional. The UE 115-f may feed back the prediction results to the network entity 105-e (e.g., where the network entity 105-e may be test equipment) via a cable or via an R19 air interface. The fed back data should meet RAN 4 requirements in reference to the ground truth of the prediction targets (e.g., L1-RSRP or Top-K-beam accuracy metrics) . In some examples, the UE that performs the IoDT training process at 1110 may be different from a UE that performs the verification testing at 1115.

[0155] In some examples, the UE 115-f and the network entity 105-e may perform an inference process at 1120-1140 using the AI model associated with a registered AI model ID, for example, if the verification testing for the registered AI model ID passed. In some examples, the UE that performs an inference process at 1120-1140 may be different from a UE that performs the IoDT training process at 1110 and / or the verification testing at 1115 and / or the network entity that performs the inference process at 1120-1140 may be different from the network entity that performs the IoDT training process at 1110 and / or the verification testing at 1115 .

[0156] At 1120, the network entity 105-e may announce the AI model IDs and / or sub-IDs supported by the network entity 105-e. For example, the network entity 105-e may announce the AI model IDs and / or sub-IDs supported by the network entity 105-e via a broadcast through RMSI or OSI, through serving cell or BWP specific RRC configurations, or through a CSI report setting for the UE 115-f to report beam prediction results. In some examples, the network entity 105-e may indicate an update of supported AI model IDs and / or sub-IDs through a MAC-CE or DCI (e.g., to an alternative sub-ID) , for example, if the network entity 105-e dynamically alters the precoding of the set A and / or set B beams.

[0157] At 1125, the UE 115-f may indicate the AI model IDs that the UE 115-f supports (e.g., via UE capability reporting or an RRC configuration) . In some examples, the UE 115-f may indicate an update to supported AI model IDs or sub-IDs through MAC-CE or UCI.

[0158] At 1130, the network entity 105-e may transmit control signaling indicating an AI model ID that is supported by both the network entity 105-e and the UE 115-f. The control signaling may indicate a set of beam measurement resources. The control signaling may indicate a mapping of the set of beam measurement resources to inputs and / or outputs of the AI model associated with the AI model ID (and / or the feature or functionality associated with the indicated sub-ID) .

[0159] At 1135, the network entity 105-e may transmit a set of reference signals via the set of beam measurement resources (e.g., via the set B beams) .

[0160] At 1140, the UE 115-f may transmit a report indicating a set of predicted values for the set of beams (e.g., the set A beams) generated using the AI model and based on the set of reference signals.

[0161] The network entity 105-e may guarantee the consistency of the following items (for example, in the control signaling at 1130) : (1) Set-A&Set-B beams are configured / indicated to the UE 115-f based on the same number of resources and orders as identified during the IoDT process at 1110; (2) (optionally) correspondence between or within the involved Set A and Set B beams (e.g., parent-child relationships, absolute / relative pointing directions, beam-widths) . With respect to item (1) , for example, if the Set B beams are SSBs or CSI-RSs, and the Set B beams are configured by a CMR set associated with a CSI report setting, the Set B beams should be ordered in the resource set based on the same orders as in the IoDT process at 1110. As another example, with respect to item (1) , if the Set A beams are virtual resources (e.g., not actually transmitted) , and the Set A beams are configured by a “prediction” resource set associated with a CSI report setting, the Set A beams should be ordered in the resource set based on the same orders as identified in the IoDT process at 1110.

[0162] With regard to determining the orders of set B beams during model training (e.g., during the IoDT training process at 1110) , for over the air data collection, the UE 115-f may be configured with an SSB or CSI-RS resource set including B SSB or CSI-RS resources (where each SSB / CSI-RS resource has its own serving cell-specifically configured resource ID) . These B SSB or CSI-RS resources are associated with the {1st, 2nd, ..., Bth} entry inside the resource set, so the B SSB or CSI-RS resources are ordered as the {1st, 2nd, ..., B th} SSB or CSI-RS resource within the SSB or CSI-RS resource set. The UE 115-f may use channel characteristics measured from the {1st, 2nd, ..., B th} SSB or CSI-RS resource, to determine the input values with respect to a {1st, 2nd, ..., B th} AI model input feature (or feature group) associated with the corresponding AI Model-ID.

[0163] With regard to determining the orders of set B beams during model training (e.g., during the IoDT training process at 1110) , for offline data sharing, the UE 115-f may be provided with B L1-RSRPs, where each L1-RSRP should also be accompanied with a resource-ID, such that the B L1-RSRPs are ordered as the {1st, 2nd, ..., B th} L1-RSRPs. The UE 115-f may use channel characteristics identified based on the {1st, 2nd, ..., B th} L1-RSRP to determine the input value (s) with respect to the {1st, 2nd, ..., B th} AI model input feature (or feature group) associated with the corresponding AI Model-ID. A reserved value may be used to represent unmeasured or unreported LI-RSRPs.

[0164] As described herein, the orders of set B beams should be consistent between training (e.g., at 1110) and inference (e.g., at 1120-1140) and between inference involving different network entities. During model inference at 1120-1140, the UE 115-f may be configured with an SSB or CSI-RS resource set including B SSB or CSI-RS resources (where each SSB or CSI-RS resource has its own serving cell-specifically configured resource ID) . These B SSB / CSI-RS resources are associated with the {1st, 2nd, ..., Bth} entry inside the resource set, so the B SSB / CSI-RS resources are ordered as the {1st, 2nd, ..., Bth} SSB or CSI-RS resource within the SSB or CSI-RS resource set. The UE 115-f may use channel characteristics measured from the {1st, 2nd, ..., Bth} SSB / CSI-RS resource to determine input value (s) for the {1st, 2nd, ..., Bth} AI model input feature (or feature group) associated with the corresponding AI Model-ID. Such SSB or CSI-RS resource sets may be configured as a CMR set of a CSI report setting (e.g., in control signaling at 1130) , where the UE 115-f may feed back beam prediction results with respect to the model-ID via the corresponding CSI report at 1135.

[0165] With regard to determining the orders of set A beams during model training (e.g., during the IoDT training process at 1110) , for over the air data collection, the UE 115-f may be configured with an SSB or CSI-RS resource set including A SSB or CSI-RS resources (where each SSB or CSI-RS resource has its own serving cell-specifically configured resource ID) . These A SSB or CSI-RS resources are associated with the {1st, 2nd, ..., Ath} entry inside the resource set, so the A SSB or CSI-RS are ordered as the {1st, 2nd, ..., Ath} SSB or CSI-RS resource within the SSB or CSI-RS resource set. The UE 115-f may use channel characteristics measured from the {1st, 2nd, ..., Ath} SSB or CSI-RS resource to determine ground truth label value (s) with respect to a {1st, 2nd, ..., Ath} AI model output feature (or feature group) associated with the corresponding AI Model-ID.

[0166] With regard to determining the orders of set A beams during model training (e.g., during the IoDT training process at 1110) , for offline data sharing, the UE 115-f may be provided with A L1-RSRPs, where each L1-RSRP should also be accompanied with a resource-ID, such that the A L1-RSRPs are ordered as the {1st, 2nd, ..., Ath} L1-RSRPs. The UE 115-f may use channel characteristics identified based on the {1st, 2nd, ..., Ath} L1-RSRP to determine ground truth value (s) with respect to the {1st, 2nd, ..., Ath} AI model output feature (or feature group) associated with the corresponding AI Model-ID. A reserved value may be used to represent unmeasured or unreported LI-RSRPs.

[0167] As described herein, the orders of set A beams should be consistent between training (e.g., at 1110) and inference (e.g., at 1120-1140) and between inference involving different network entities. During model inference the UE 115-f may be configured with an SSB, CSI-RS, or Virtual resource set including A SSB, CSI-RS, or Virtual resources (where each SSB, CSI-RS, or Virtual resource has its own serving cell-specifically configured resource ID) . These A SSB, CSI-RS, or Virtual resources are associated with the {1st, 2nd, ..., Ath} entry inside the resource set, so the A SSB, CSI-RS, or Virtual resources are ordered as the {1st, 2nd, ..., Ath} SSB, CSI-RS, or Virtual resource within the A SSB, CSI-RS, or Virtual resource set. The UE 115-f may use output value (s) provided by the {1st, 2nd, ..., Ath} AI model output feature (or feature group) to derive beam prediction results associated with the {1st, 2nd, ..., Ath} SSB, CSI-RS, or Virtual resource. Virtual resources may be used for spatial beam prediction target identification with respect to actually transmitted Set-A beams. Such SSB, CSI-RS, or Virtual resource set may be configured as a “Prediction Resource” set of a CSI report setting (e.g., in the control signaling at 1130) , where the UE 115-f is configured to feed back beam prediction results with respect to the AI model ID and the A SSB, CSI-RS, or Virtual resources, via the corresponding CSI report (e.g., transmitted at 1140) .

[0168] FIG. 12 shows an example of an AI model training and inference diagram 1200 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The AI model training and inference diagram 1200 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the wireless communications system 400, or the wireless communications system 500, or the AI model ID registration scenario 900.

[0169] An AI model (e.g., the AI / ML model ID #X) may be trained in a training process 1205 and may be used in an inference process 1210. As shown in FIG. 12, data collection procedures in for the training process 1205 across different network entities 105 should follow the same resource number and order consistency. Similarly the inference process 1210 across different network entities 105 should follow the same resource number and order consistency.

[0170] As shown in FIG. 12, the inputs to the AI model (e.g., the measurements of the set B beams) for the training process 1205 should be consistent with the inputs to the AI model (e.g., the measurements of the set B beams) for the inference process 1210, and the outputs of the AI model (e.g., predicted values for the set A beams) for the training process 1205 should be consistent with the outputs for the AI model (e.g., predicted values for the set A beams) for the inference process 1210.

[0171] FIG. 13 shows an example of an AI model training diagram 1300 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The AI model training diagram 1300 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the wireless communications system 400, or the wireless communications system 500, or the AI model ID registration scenario 900.

[0172] As shown in FIG. 13, SSBs may be the first group of resources, and the inputs to the AI model for training may be L1-RSRP measurements of the indicates SSBs. The output of the AI model may be compared to a ground truth dataset for AI model training. For example, the ground truth dataset for AI model training may be L1-RSRP measurements of indicated CSI-RS resources, where the CSI-RS resources may be indicated in an RRC configuration 1310 of a non-zero power (NZP) CSI-RS resource. For example, the RRC configuration 1310 may include an IE NZP-CSI-RS-Resource that includes a resourceMapping field that indicates a CSI-RS-ResourceMapping, a scramblingID field that indicates a ScramblingID, and a qcl-infoPeriodicCSI-RS field that indicates a transmission configuration indicator (TCI) state ID. For example, the qcl-infoPeriodicCSI-RS field may indicate that a given set A beam CSI-RS has a Type D QCL relationship with a set B beam SSB. The QCL relationships between set A beams and set B beams may be configured using existing QCL indication frameworks (e.g., via TCI states) . The UE 115 may identify the receive beam for each CSI-RS based on the configured TCI state ID indicated in the qcl-infoPeriodicCSI-RS field. The UE 115 may identify the frequency and time resource occupation for the CSI-RSs based on the configured CSI-RS-ResourceMapping. After channel estimation and equalization, the UE 115 may measure the identified resource elements and descramble the CSI-RSs using the indicated ScramblingId. The UE 115 may generate measurements on the indicates CSI-RSs (e.g., calculate L1-RSRP) .

[0173] FIG. 14 shows an example of a AI model inference diagram 1400 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The AI model inference diagram 1400 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the wireless communications system 400, or the wireless communications system 500, or the AI model ID registration scenario 900.

[0174] FIG. 14 shows an example where the inputs to the AI model are L1-RSRp measurements of SSBs and the outputs of the AI model are L1-RSRPs of CSI-RSs. In FIG. 14, the QCL relationships between set A beams (e.g., the CSI-RSs) and set B beams (e.g., the SSBs) may be configured using existing QCL indication frameworks (e.g., via TCI states) . As described with reference to FIG. 12, the inputs to the AI model in the AI model inference diagram 1400 (e.g., the L1-RSRP measurements of the SSBs) should be consistent with the inputs to the AI model for the training process of the AI model, and the outputs of the AI model in the AI model inference diagram 1400 (e.g., predicted L1-RSRP values of CSI-RSs) should be consistent with the outputs of the AI model for the training process of the AI model. For example, the network entity 105 (e.g., the gNB vendor) may guarantee resource-wise (quantity of resources, order, QCL relationship, or beam shape) consistency.

[0175] FIG. 15 shows an example of an AI model training and inference scenario 1500 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The AI model training and inference scenario 1500 may implement or may be implemented by aspects of the wireless communications system 100, the wireless communications system 200, the wireless communications system 400, or the wireless communications system 500, or the AI model ID registration scenario 900.

[0176] As described herein, the inputs to the AI model in the AI model training and inference scenario 1500 (e.g., the L1-RSRP measurements of the SSBs) for the training process should be consistent with the inputs to the AI model for the inference process of the AI model, and the outputs of the AI model in the AI model training and inference scenario 1500 (e.g., predicted L1-RSRP values of CSI-RSs) should be consistent with the outputs of the AI model for the inference process of the AI model. Given the same AI model ID (e.g., model ID #X) , the resource wise number, order, type-D QCL relationships, and beam shape should be consistent across training and inference processes.

[0177] For example, for RRC may configure number consistency, beam shape consistency, and / or QCL consistency for training and inference. For number consistency, the same quantity of beams (e.g., SSBs, CSI-RSs, or virtual resources) in set A and set B may be consistent in the RRC configured training and inference processes. Beam shape consistency may refer to the relative pointing direction and beamwidth difference between physical beams with respect to two resources remaining the same across 2 SSB resource sets for training and inference, across 2 CSI-Rs resource sets for training and inference, or across 2 virtual resource sets for training and inference. QCL consistency may mean that if a TypeD-QCL source with respect to CRI=j corresponds to SSBRI=k, then the TypeD-QCL source with respect to PRI=j should also correspond to SSBRI=k.

[0178] As another example, the inputs and outputs for offline model training for the AI model may require mandatory order consistency with an online model inference process for the same AI model. For example, to maintain order consistency, the UE 115 should use the L1-RSRP with respect to SSBRI=m to determine the input value with respect to the mth input feature across the training and inference processes; UE 115 should use L1-RSRP with respect to CRI=n as a label with respect to the nth output feature during training, and the UE 115 should use the value from the nth output feature to derive prediction results with respect to PRI=n during the inference process.

[0179] FIG. 16 shows a block diagram 1600 of a device 1605 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The device 1605 may be an example of aspects of a UE 115 as described herein. The device 1605 may include a receiver 1610, a transmitter 1615, and a communications manager 1620. The device 1605, or one or more components of the device 1605 (e.g., the receiver 1610, the transmitter 1615, and the communications manager 1620) , may include at least one processor, which may be coupled with at least one memory, to, individually or collectively, support or enable the described techniques. Each of these components may be in communication with one another (e.g., via one or more buses) .

[0180] The receiver 1610 may provide a means for receiving information such as packets, user data, control information, or any combination thereof associated with various information channels (e.g., control channels, data channels, information channels related to beam correspondence between AI model training and inference) . Information may be passed on to other components of the device 1605. The receiver 1610 may utilize a single antenna or a set of multiple antennas.

[0181] The transmitter 1615 may provide a means for transmitting signals generated by other components of the device 1605. For example, the transmitter 1615 may transmit information such as packets, user data, control information, or any combination thereof associated with various information channels (e.g., control channels, data channels, information channels related to beam correspondence between AI model training and inference) . In some examples, the transmitter 1615 may be co-located with a receiver 1610 in a transceiver module. The transmitter 1615 may utilize a single antenna or a set of multiple antennas.

[0182] The communications manager 1620, the receiver 1610, the transmitter 1615, or various combinations thereof or various components thereof may be examples of means for performing various aspects of beam correspondence between AI model training and inference as described herein. For example, the communications manager 1620, the receiver 1610, the transmitter 1615, or various combinations or components thereof may be capable of performing one or more of the functions described herein.

[0183] In some examples, the communications manager 1620, the receiver 1610, the transmitter 1615, or various combinations or components thereof may be implemented in hardware (e.g., in communications management circuitry) . The hardware may include at least one of a processor, a digital signal processor (DSP) , a central processing unit (CPU) , an application-specific integrated circuit (ASIC) , a field-programmable gate array (FPGA) or other programmable logic device, a microcontroller, discrete gate or transistor logic, discrete hardware components, or any combination thereof configured as or otherwise supporting, individually or collectively, a means for performing the functions described in the present disclosure. In some examples, at least one processor and at least one memory coupled with the at least one processor may be configured to perform one or more of the functions described herein (e.g., by one or more processors, individually or collectively, executing instructions stored in the at least one memory) .

[0184] Additionally, or alternatively, the communications manager 1620, the receiver 1610, the transmitter 1615, or various combinations or components thereof may be implemented in code (e.g., as communications management software or firmware) executed by at least one processor. If implemented in code executed by at least one processor, the functions of the communications manager 1620, the receiver 1610, the transmitter 1615, or various combinations or components thereof may be performed by a general-purpose processor, a DSP, a CPU, an ASIC, an FPGA, a microcontroller, or any combination of these or other programmable logic devices (e.g., configured as or otherwise supporting, individually or collectively, a means for performing the functions described in the present disclosure) .

[0185] In some examples, the communications manager 1620 may be configured to perform various operations (e.g., receiving, obtaining, monitoring, outputting, transmitting) using or otherwise in cooperation with the receiver 1610, the transmitter 1615, or both. For example, the communications manager 1620 may receive information from the receiver 1610, send information to the transmitter 1615, or be integrated in combination with the receiver 1610, the transmitter 1615, or both to obtain information, output information, or perform various other operations as described herein.

[0186] The communications manager 1620 may support wireless communications in accordance with examples as disclosed herein. For example, the communications manager 1620 is capable of, configured to, or operable to support a means for receiving, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. The communications manager 1620 is capable of, configured to, or operable to support a means for transmitting, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The communications manager 1620 is capable of, configured to, or operable to support a means for receiving control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The communications manager 1620 is capable of, configured to, or operable to support a means for receiving a set of reference signals via the set of beam measurement resources. The communications manager 1620 is capable of, configured to, or operable to support a means for transmitting a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals.

[0187] By including or configuring the communications manager 1620 in accordance with examples as described herein, the device 1605 (e.g., at least one processor controlling or otherwise coupled with the receiver 1610, the transmitter 1615, the communications manager 1620, or a combination thereof) may support techniques for more efficient utilization of communication resources.

[0188] FIG. 17 shows a block diagram 1700 of a device 1705 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The device 1705 may be an example of aspects of a device 1605 or a UE 115 as described herein. The device 1705 may include a receiver 1710, a transmitter 1715, and a communications manager 1720. The device 1705, or one of more components of the device 1705 (e.g., the receiver 1710, the transmitter 1715, and the communications manager 1720) , may include at least one processor, which may be coupled with at least one memory, to support the described techniques. Each of these components may be in communication with one another (e.g., via one or more buses) .

[0189] The receiver 1710 may provide a means for receiving information such as packets, user data, control information, or any combination thereof associated with various information channels (e.g., control channels, data channels, information channels related to beam correspondence between AI model training and inference) . Information may be passed on to other components of the device 1705. The receiver 1710 may utilize a single antenna or a set of multiple antennas.

[0190] The transmitter 1715 may provide a means for transmitting signals generated by other components of the device 1705. For example, the transmitter 1715 may transmit information such as packets, user data, control information, or any combination thereof associated with various information channels (e.g., control channels, data channels, information channels related to beam correspondence between AI model training and inference) . In some examples, the transmitter 1715 may be co-located with a receiver 1710 in a transceiver module. The transmitter 1715 may utilize a single antenna or a set of multiple antennas.

[0191] The device 1705, or various components thereof, may be an example of means for performing various aspects of beam correspondence between AI model training and inference as described herein. For example, the communications manager 1720 may include a supported AI model manager 1725, a beam prediction scheduling manager 1730, a reference signal reception manager 1735, a beam prediction report manager 1740, or any combination thereof. The communications manager 1720 may be an example of aspects of a communications manager 1620 as described herein. In some examples, the communications manager 1720, or various components thereof, may be configured to perform various operations (e.g., receiving, obtaining, monitoring, outputting, transmitting) using or otherwise in cooperation with the receiver 1710, the transmitter 1715, or both. For example, the communications manager 1720 may receive information from the receiver 1710, send information to the transmitter 1715, or be integrated in combination with the receiver 1710, the transmitter 1715, or both to obtain information, output information, or perform various other operations as described herein.

[0192] The communications manager 1720 may support wireless communications in accordance with examples as disclosed herein. The supported AI model manager 1725 is capable of, configured to, or operable to support a means for receiving, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. The supported AI model manager 1725 is capable of, configured to, or operable to support a means for transmitting, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The beam prediction scheduling manager 1730 is capable of, configured to, or operable to support a means for receiving control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The reference signal reception manager 1735 is capable of, configured to, or operable to support a means for receiving a set of reference signals via the set of beam measurement resources. The beam prediction report manager 1740 is capable of, configured to, or operable to support a means for transmitting a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals.

[0193] FIG. 18 shows a block diagram 1800 of a communications manager 1820 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The communications manager 1820 may be an example of aspects of a communications manager 1620, a communications manager 1720, or both, as described herein. The communications manager 1820, or various components thereof, may be an example of means for performing various aspects of beam correspondence between AI model training and inference as described herein. For example, the communications manager 1820 may include a supported AI model manager 1825, a beam prediction scheduling manager 1830, a reference signal reception manager 1835, a beam prediction report manager 1840, an AI model training manager 1845, an AI model verification dataset manager 1850, an AI model verification manager 1855, or any combination thereof. Each of these components, or components or subcomponents thereof (e.g., one or more processors, one or more memories) , may communicate, directly or indirectly, with one another (e.g., via one or more buses) .

[0194] The communications manager 1820 may support wireless communications in accordance with examples as disclosed herein. The supported AI model manager 1825 is capable of, configured to, or operable to support a means for receiving, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. In some examples, the supported AI model manager 1825 is capable of, configured to, or operable to support a means for transmitting, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The beam prediction scheduling manager 1830 is capable of, configured to, or operable to support a means for receiving control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The reference signal reception manager 1835 is capable of, configured to, or operable to support a means for receiving a set of reference signals via the set of beam measurement resources. The beam prediction report manager 1840 is capable of, configured to, or operable to support a means for transmitting a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals.

[0195] In some examples, the first message is one of a system information, an RRC message, a MAC-CE, or a DCI.

[0196] In some examples, the second message is one of an RRC message, a MAC-CE, or a UCI.

[0197] In some examples, to indicate the set of beam measurement resources, the control signaling indicates a set of CSI-RS indices or a set of SSB indices. In some examples, the AI model identifier is indicative of a mapping of the set of CSI-RS indices or the set of SSB indices to the inputs of the AI model.

[0198] In some examples, the AI model identifier is indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.

[0199] In some examples, the AI model identifier is indicative of a QCL relationship between beams of the set of beam measurement resources and beams of the set of beams.

[0200] In some examples, the AI model identifier is indicative of a relative timing between the set of beam measurement resources and the set of predicted values.

[0201] In some examples, the report further indicates, based on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.

[0202] In some examples, the control signaling further schedules a CSI report. In some examples, the report is included within the CSI report.

[0203] In some examples, the AI model training manager 1845 is capable of, configured to, or operable to support a means for performing a training procedure for the AI model with the network entity using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, where the set of beam measurement resources correspond to the set of training beam measurement resources and where the set of beams correspond to the set of training beams.

[0204] In some examples, the set of training beam measurement resources include a first set of CSI-RSs or a first set of SSBs having first index values. In some examples, the set of beam measurement resources include a second set of CSI-RSs or a second set of SSBs having the first index values. In some examples, a same mapping of the first index values to input values of the AI model is used to predict the set of training measurement results and to generate the set of predicted values.

[0205] In some examples, the AI model verification dataset manager 1850 is capable of, configured to, or operable to support a means for receiving, from the network entity, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the AI model. In some examples, the reference signal reception manager 1835 is capable of, configured to, or operable to support a means for receiving a second set of reference signals via the set of verification beam measurement resources. In some examples, the AI model verification manager 1855 is capable of, configured to, or operable to support a means for transmitting a second report indicating that a second set of predicted values for the second set of beams generated using the AI model based on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, where reception of the control signaling is based on transmission of the second report.

[0206] FIG. 19 shows a diagram of a system 1900 including a device 1905 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The device 1905 may be an example of or include the components of a device 1605, a device 1705, or a UE 115 as described herein. The device 1905 may communicate (e.g., wirelessly) with one or more network entities 105, one or more UEs 115, or any combination thereof. The device 1905 may include components for bi-directional voice and data communications including components for transmitting and receiving communications, such as a communications manager 1920, an input / output (I / O) controller 1910, a transceiver 1915, an antenna 1925, at least one memory 1930, code 1935, and at least one processor 1940. These components may be in electronic communication or otherwise coupled (e.g., operatively, communicatively, functionally, electronically, electrically) via one or more buses (e.g., a bus 1945) .

[0207] The I / O controller 1910 may manage input and output signals for the device 1905. The I / O controller 1910 may also manage peripherals not integrated into the device 1905. In some cases, the I / O controller 1910 may represent a physical connection or port to an external peripheral. In some cases, the I / O controller 1910 may utilize an operating system such as or another known operating system. Additionally, or alternatively, the I / O controller 1910 may represent or interact with a modem, a keyboard, a mouse, a touchscreen, or a similar device. In some cases, the I / O controller 1910 may be implemented as part of one or more processors, such as the at least one processor 1940. In some cases, a user may interact with the device 1905 via the I / O controller 1910 or via hardware components controlled by the I / O controller 1910.

[0208] In some cases, the device 1905 may include a single antenna 1925. However, in some other cases, the device 1905 may have more than one antenna 1925, which may be capable of concurrently transmitting or receiving multiple wireless transmissions. The transceiver 1915 may communicate bi-directionally, via the one or more antennas 1925, wired, or wireless links as described herein. For example, the transceiver 1915 may represent a wireless transceiver and may communicate bi-directionally with another wireless transceiver. The transceiver 1915 may also include a modem to modulate the packets, to provide the modulated packets to one or more antennas 1925 for transmission, and to demodulate packets received from the one or more antennas 1925. The transceiver 1915, or the transceiver 1915 and one or more antennas 1925, may be an example of a transmitter 1615, a transmitter 1715, a receiver 1610, a receiver 1710, or any combination thereof or component thereof, as described herein.

[0209] The at least one memory 1930 may include random access memory (RAM) and read-only memory (ROM) . The at least one memory 1930 may store computer-readable, computer-executable code 1935 including instructions that, when executed by the at least one processor 1940, cause the device 1905 to perform various functions described herein. The code 1935 may be stored in a non-transitory computer-readable medium such as system memory or another type of memory. In some cases, the code 1935 may not be directly executable by the at least one processor 1940 but may cause a computer (e.g., when compiled and executed) to perform functions described herein. In some cases, the at least one memory 1930 may contain, among other things, a basic I / O system (BIOS) which may control basic hardware or software operation such as the interaction with peripheral components or devices.

[0210] The at least one processor 1940 may include an intelligent hardware device (e.g., a general-purpose processor, a DSP, a CPU, a microcontroller, an ASIC, an FPGA, a programmable logic device, a discrete gate or transistor logic component, a discrete hardware component, or any combination thereof) . In some cases, the at least one processor 1940 may be configured to operate a memory array using a memory controller. In some other cases, a memory controller may be integrated into the at least one processor 1940. The at least one processor 1940 may be configured to execute computer-readable instructions stored in a memory (e.g., the at least one memory 1930) to cause the device 1905 to perform various functions (e.g., functions or tasks supporting beam correspondence between AI model training and inference) . For example, the device 1905 or a component of the device 1905 may include at least one processor 1940 and at least one memory 1930 coupled with or to the at least one processor 1940, the at least one processor 1940 and at least one memory 1930 configured to perform various functions described herein. In some examples, the at least one processor 1940 may include multiple processors and the at least one memory 1930 may include multiple memories. One or more of the multiple processors may be coupled with one or more of the multiple memories, which may, individually or collectively, be configured to perform various functions herein. In some examples, the at least one processor 1940 may be a component of a processing system, which may refer to a system (such as a series) of machines, circuitry (including, for example, one or both of processor circuitry (which may include the at least one processor 1940) and memory circuitry (which may include the at least one memory 1930) ) , or components, that receives or obtains inputs and processes the inputs to produce, generate, or obtain a set of outputs. The processing system may be configured to perform one or more of the functions described herein. As such, the at least one processor 1940 or a processing system including the at least one processor 1940 may be configured to, configurable to, or operable to cause the device 1905 to perform one or more of the functions described herein. Further, as described herein, being “configured to, ” being “configurable to, ” and being “operable to” may be used interchangeably and may be associated with a capability, when executing code stored in the at least one memory 1930 or otherwise, to perform one or more of the functions described herein.

[0211] The communications manager 1920 may support wireless communications in accordance with examples as disclosed herein. For example, the communications manager 1920 is capable of, configured to, or operable to support a means for receiving, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. The communications manager 1920 is capable of, configured to, or operable to support a means for transmitting, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The communications manager 1920 is capable of, configured to, or operable to support a means for receiving control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The communications manager 1920 is capable of, configured to, or operable to support a means for receiving a set of reference signals via the set of beam measurement resources. The communications manager 1920 is capable of, configured to, or operable to support a means for transmitting a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals.

[0212] By including or configuring the communications manager 1920 in accordance with examples as described herein, the device 1905 may support techniques for improved communication reliability, more efficient utilization of communication resources, improved coordination between devices, and improved utilization of processing capability.

[0213] In some examples, the communications manager 1920 may be configured to perform various operations (e.g., receiving, monitoring, transmitting) using or otherwise in cooperation with the transceiver 1915, the one or more antennas 1925, or any combination thereof. Although the communications manager 1920 is illustrated as a separate component, in some examples, one or more functions described with reference to the communications manager 1920 may be supported by or performed by the at least one processor 1940, the at least one memory 1930, the code 1935, or any combination thereof. For example, the code 1935 may include instructions executable by the at least one processor 1940 to cause the device 1905 to perform various aspects of beam correspondence between AI model training and inference as described herein, or the at least one processor 1940 and the at least one memory 1930 may be otherwise configured to, individually or collectively, perform or support such operations.

[0214] FIG. 20 shows a block diagram 2000 of a device 2005 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The device 2005 may be an example of aspects of a network entity 105 as described herein. The device 2005 may include a receiver 2010, a transmitter 2015, and a communications manager 2020. The device 2005, or one or more components of the device 2005 (e.g., the receiver 2010, the transmitter 2015, and the communications manager 2020) , may include at least one processor, which may be coupled with at least one memory, to, individually or collectively, support or enable the described techniques. Each of these components may be in communication with one another (e.g., via one or more buses) .

[0215] The receiver 2010 may provide a means for obtaining (e.g., receiving, determining, identifying) information such as user data, control information, or any combination thereof (e.g., I / Q samples, symbols, packets, protocol data units, service data units) associated with various channels (e.g., control channels, data channels, information channels, channels associated with a protocol stack) . Information may be passed on to other components of the device 2005. In some examples, the receiver 2010 may support obtaining information by receiving signals via one or more antennas. Additionally, or alternatively, the receiver 2010 may support obtaining information by receiving signals via one or more wired (e.g., electrical, fiber optic) interfaces, wireless interfaces, or any combination thereof.

[0216] The transmitter 2015 may provide a means for outputting (e.g., transmitting, providing, conveying, sending) information generated by other components of the device 2005. For example, the transmitter 2015 may output information such as user data, control information, or any combination thereof (e.g., I / Q samples, symbols, packets, protocol data units, service data units) associated with various channels (e.g., control channels, data channels, information channels, channels associated with a protocol stack) . In some examples, the transmitter 2015 may support outputting information by transmitting signals via one or more antennas. Additionally, or alternatively, the transmitter 2015 may support outputting information by transmitting signals via one or more wired (e.g., electrical, fiber optic) interfaces, wireless interfaces, or any combination thereof. In some examples, the transmitter 2015 and the receiver 2010 may be co-located in a transceiver, which may include or be coupled with a modem.

[0217] The communications manager 2020, the receiver 2010, the transmitter 2015, or various combinations thereof or various components thereof may be examples of means for performing various aspects of beam correspondence between AI model training and inference as described herein. For example, the communications manager 2020, the receiver 2010, the transmitter 2015, or various combinations or components thereof may be capable of performing one or more of the functions described herein.

[0218] In some examples, the communications manager 2020, the receiver 2010, the transmitter 2015, or various combinations or components thereof may be implemented in hardware (e.g., in communications management circuitry) . The hardware may include at least one of a processor, a DSP, a CPU, an ASIC, an FPGA or other programmable logic device, a microcontroller, discrete gate or transistor logic, discrete hardware components, or any combination thereof configured as or otherwise supporting, individually or collectively, a means for performing the functions described in the present disclosure. In some examples, at least one processor and at least one memory coupled with the at least one processor may be configured to perform one or more of the functions described herein (e.g., by one or more processors, individually or collectively, executing instructions stored in the at least one memory) .

[0219] Additionally, or alternatively, the communications manager 2020, the receiver 2010, the transmitter 2015, or various combinations or components thereof may be implemented in code (e.g., as communications management software or firmware) executed by at least one processor. If implemented in code executed by at least one processor, the functions of the communications manager 2020, the receiver 2010, the transmitter 2015, or various combinations or components thereof may be performed by a general-purpose processor, a DSP, a CPU, an ASIC, an FPGA, a microcontroller, or any combination of these or other programmable logic devices (e.g., configured as or otherwise supporting, individually or collectively, a means for performing the functions described in the present disclosure) .

[0220] In some examples, the communications manager 2020 may be configured to perform various operations (e.g., receiving, obtaining, monitoring, outputting, transmitting) using or otherwise in cooperation with the receiver 2010, the transmitter 2015, or both. For example, the communications manager 2020 may receive information from the receiver 2010, send information to the transmitter 2015, or be integrated in combination with the receiver 2010, the transmitter 2015, or both to obtain information, output information, or perform various other operations as described herein.

[0221] The communications manager 2020 may support wireless communications in accordance with examples as disclosed herein. For example, the communications manager 2020 is capable of, configured to, or operable to support a means for transmitting, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. The communications manager 2020 is capable of, configured to, or operable to support a means for receiving, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The communications manager 2020 is capable of, configured to, or operable to support a means for transmitting, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The communications manager 2020 is capable of, configured to, or operable to support a means for transmitting a set of reference signals via the set of beam measurement resources. The communications manager 2020 is capable of, configured to, or operable to support a means for receiving, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals.

[0222] By including or configuring the communications manager 2020 in accordance with examples as described herein, the device 2005 (e.g., at least one processor controlling or otherwise coupled with the receiver 2010, the transmitter 2015, the communications manager 2020, or a combination thereof) may support techniques for more efficient utilization of communication resources.

[0223] FIG. 21 shows a block diagram 2100 of a device 2105 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The device 2105 may be an example of aspects of a device 2005 or a network entity 105 as described herein. The device 2105 may include a receiver 2110, a transmitter 2115, and a communications manager 2120. The device 2105, or one of more components of the device 2105 (e.g., the receiver 2110, the transmitter 2115, and the communications manager 2120) , may include at least one processor, which may be coupled with at least one memory, to support the described techniques. Each of these components may be in communication with one another (e.g., via one or more buses) .

[0224] The receiver 2110 may provide a means for obtaining (e.g., receiving, determining, identifying) information such as user data, control information, or any combination thereof (e.g., I / Q samples, symbols, packets, protocol data units, service data units) associated with various channels (e.g., control channels, data channels, information channels, channels associated with a protocol stack) . Information may be passed on to other components of the device 2105. In some examples, the receiver 2110 may support obtaining information by receiving signals via one or more antennas. Additionally, or alternatively, the receiver 2110 may support obtaining information by receiving signals via one or more wired (e.g., electrical, fiber optic) interfaces, wireless interfaces, or any combination thereof.

[0225] The transmitter 2115 may provide a means for outputting (e.g., transmitting, providing, conveying, sending) information generated by other components of the device 2105. For example, the transmitter 2115 may output information such as user data, control information, or any combination thereof (e.g., I / Q samples, symbols, packets, protocol data units, service data units) associated with various channels (e.g., control channels, data channels, information channels, channels associated with a protocol stack) . In some examples, the transmitter 2115 may support outputting information by transmitting signals via one or more antennas. Additionally, or alternatively, the transmitter 2115 may support outputting information by transmitting signals via one or more wired (e.g., electrical, fiber optic) interfaces, wireless interfaces, or any combination thereof. In some examples, the transmitter 2115 and the receiver 2110 may be co-located in a transceiver, which may include or be coupled with a modem.

[0226] The device 2105, or various components thereof, may be an example of means for performing various aspects of beam correspondence between AI model training and inference as described herein. For example, the communications manager 2120 may include a supported AI model manager 2125, a beam prediction scheduling manager 2130, a reference signal transmission manager 2135, a beam prediction report manager 2140, or any combination thereof. The communications manager 2120 may be an example of aspects of a communications manager 2020 as described herein. In some examples, the communications manager 2120, or various components thereof, may be configured to perform various operations (e.g., receiving, obtaining, monitoring, outputting, transmitting) using or otherwise in cooperation with the receiver 2110, the transmitter 2115, or both. For example, the communications manager 2120 may receive information from the receiver 2110, send information to the transmitter 2115, or be integrated in combination with the receiver 2110, the transmitter 2115, or both to obtain information, output information, or perform various other operations as described herein.

[0227] The communications manager 2120 may support wireless communications in accordance with examples as disclosed herein. The supported AI model manager 2125 is capable of, configured to, or operable to support a means for transmitting, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. The supported AI model manager 2125 is capable of, configured to, or operable to support a means for receiving, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The beam prediction scheduling manager 2130 is capable of, configured to, or operable to support a means for transmitting, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The reference signal transmission manager 2135 is capable of, configured to, or operable to support a means for transmitting a set of reference signals via the set of beam measurement resources. The beam prediction report manager 2140 is capable of, configured to, or operable to support a means for receiving, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals.

[0228] FIG. 22 shows a block diagram 2200 of a communications manager 2220 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The communications manager 2220 may be an example of aspects of a communications manager 2020, a communications manager 2120, or both, as described herein. The communications manager 2220, or various components thereof, may be an example of means for performing various aspects of beam correspondence between AI model training and inference as described herein. For example, the communications manager 2220 may include a supported AI model manager 2225, a beam prediction scheduling manager 2230, a reference signal transmission manager 2235, a beam prediction report manager 2240, an AI model training manager 2245, an AI model verification dataset manager 2250, an AI model verification manager 2255, or any combination thereof. Each of these components, or components or subcomponents thereof (e.g., one or more processors, one or more memories) , may communicate, directly or indirectly, with one another (e.g., via one or more buses) which may include communications within a protocol layer of a protocol stack, communications associated with a logical channel of a protocol stack (e.g., between protocol layers of a protocol stack, within a device, component, or virtualized component associated with a network entity 105, between devices, components, or virtualized components associated with a network entity 105) , or any combination thereof.

[0229] The communications manager 2220 may support wireless communications in accordance with examples as disclosed herein. The supported AI model manager 2225 is capable of, configured to, or operable to support a means for transmitting, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. In some examples, the supported AI model manager 2225 is capable of, configured to, or operable to support a means for receiving, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The beam prediction scheduling manager 2230 is capable of, configured to, or operable to support a means for transmitting, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The reference signal transmission manager 2235 is capable of, configured to, or operable to support a means for transmitting a set of reference signals via the set of beam measurement resources. The beam prediction report manager 2240 is capable of, configured to, or operable to support a means for receiving, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals.

[0230] In some examples, the first message is one of a system information, an RRC message, a MAC-CE, or a DCI.

[0231] In some examples, the second message is one of an RRC message, a MAC-CE, or a UCI.

[0232] In some examples, to indicate the set of beam measurement resources, the control signaling indicates a set of CSI-RS indices or a set of SSB indices. In some examples, the AI model identifier is indicative of a mapping of the set of CSI-RS indices or the set of SSB indices to the inputs of an AI model associated with the AI model identifier.

[0233] In some examples, the AI model identifier is indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.

[0234] In some examples, the AI model identifier is indicative of a QCL relationship between beams of the set of beam measurement resources and beams of the set of beams.

[0235] In some examples, the AI model identifier is indicative of a relative timing between the set of beam measurement resources and the set of predicted values.

[0236] In some examples, the report further indicates, based on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.

[0237] In some examples, the control signaling further schedules a CSI report. In some examples, the report is included within the CSI report.

[0238] In some examples, the AI model training manager 2245 is capable of, configured to, or operable to support a means for performing, with the UE, a training procedure for the AI model using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, where the set of beam measurement resources correspond to the set of training beam measurement resources and where the set of beams correspond to the set of training beams.

[0239] In some examples, the set of training beam measurement resources include a first set of CSI-RSs or a first set of SSBs having first index values. In some examples, the set of beam measurement resources include a second set of CSI-RSs or a second set of SSBs having the first index values. In some examples, a same mapping of the first index values to input values of the AI model is used to predict the set of training measurement results and to generate the set of predicted values.

[0240] In some examples, the AI model verification dataset manager 2250 is capable of, configured to, or operable to support a means for transmitting, to the UE, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the AI model. In some examples, the reference signal transmission manager 2235 is capable of, configured to, or operable to support a means for transmitting a second set of reference signals via the set of verification beam measurement resources. In some examples, the AI model verification manager 2255 is capable of, configured to, or operable to support a means for receiving, from the UE, a second report indicating that a second set of predicted values for the second set of beams generated at the UE using the AI model based on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, where transmission of the control signaling is based on reception of the second report.

[0241] FIG. 23 shows a diagram of a system 2300 including a device 2305 that supports beam correspondence between AI model training and inference in accordance with one or more aspects of the present disclosure. The device 2305 may be an example of or include the components of a device 2005, a device 2105, or a network entity 105 as described herein. The device 2305 may communicate with one or more network entities 105, one or more UEs 115, or any combination thereof, which may include communications over one or more wired interfaces, over one or more wireless interfaces, or any combination thereof. The device 2305 may include components that support outputting and obtaining communications, such as a communications manager 2320, a transceiver 2310, an antenna 2315, at least one memory 2325, code 2330, and at least one processor 2335. These components may be in electronic communication or otherwise coupled (e.g., operatively, communicatively, functionally, electronically, electrically) via one or more buses (e.g., a bus 2340) .

[0242] The transceiver 2310 may support bi-directional communications via wired links, wireless links, or both as described herein. In some examples, the transceiver 2310 may include a wired transceiver and may communicate bi-directionally with another wired transceiver. Additionally, or alternatively, in some examples, the transceiver 2310 may include a wireless transceiver and may communicate bi-directionally with another wireless transceiver. In some examples, the device 2305 may include one or more antennas 2315, which may be capable of transmitting or receiving wireless transmissions (e.g., concurrently) . The transceiver 2310 may also include a modem to modulate signals, to provide the modulated signals for transmission (e.g., by one or more antennas 2315, by a wired transmitter) , to receive modulated signals (e.g., from one or more antennas 2315, from a wired receiver) , and to demodulate signals. In some implementations, the transceiver 2310 may include one or more interfaces, such as one or more interfaces coupled with the one or more antennas 2315 that are configured to support various receiving or obtaining operations, or one or more interfaces coupled with the one or more antennas 2315 that are configured to support various transmitting or outputting operations, or a combination thereof. In some implementations, the transceiver 2310 may include or be configured for coupling with one or more processors or one or more memory components that are operable to perform or support operations based on received or obtained information or signals, or to generate information or other signals for transmission or other outputting, or any combination thereof. In some implementations, the transceiver 2310, or the transceiver 2310 and the one or more antennas 2315, or the transceiver 2310 and the one or more antennas 2315 and one or more processors or one or more memory components (e.g., the at least one processor 2335, the at least one memory 2325, or both) , may be included in a chip or chip assembly that is installed in the device 2305. In some examples, the transceiver 2310 may be operable to support communications via one or more communications links (e.g., a communication link 125, a backhaul communication link 120, a midhaul communication link 162, a fronthaul communication link 168) .

[0243] The at least one memory 2325 may include RAM, ROM, or any combination thereof. The at least one memory 2325 may store computer-readable, computer-executable code 2330 including instructions that, when executed by one or more of the at least one processor 2335, cause the device 2305 to perform various functions described herein. The code 2330 may be stored in a non-transitory computer-readable medium such as system memory or another type of memory. In some cases, the code 2330 may not be directly executable by a processor of the at least one processor 2335 but may cause a computer (e.g., when compiled and executed) to perform functions described herein. In some cases, the at least one memory 2325 may contain, among other things, a BIOS which may control basic hardware or software operation such as the interaction with peripheral components or devices. In some examples, the at least one processor 2335 may include multiple processors and the at least one memory 2325 may include multiple memories. One or more of the multiple processors may be coupled with one or more of the multiple memories which may, individually or collectively, be configured to perform various functions herein (for example, as part of a processing system) .

[0244] The at least one processor 2335 may include an intelligent hardware device (e.g., a general-purpose processor, a DSP, an ASIC, a CPU, an FPGA, a microcontroller, a programmable logic device, discrete gate or transistor logic, a discrete hardware component, or any combination thereof) . In some cases, the at least one processor 2335 may be configured to operate a memory array using a memory controller. In some other cases, a memory controller may be integrated into one or more of the at least one processor 2335. The at least one processor 2335 may be configured to execute computer-readable instructions stored in a memory (e.g., one or more of the at least one memory 2325) to cause the device 2305 to perform various functions (e.g., functions or tasks supporting beam correspondence between AI model training and inference) . For example, the device 2305 or a component of the device 2305 may include at least one processor 2335 and at least one memory 2325 coupled with one or more of the at least one processor 2335, the at least one processor 2335 and the at least one memory 2325 configured to perform various functions described herein. The at least one processor 2335 may be an example of a cloud-computing platform (e.g., one or more physical nodes and supporting software such as operating systems, virtual machines, or container instances) that may host the functions (e.g., by executing code 2330) to perform the functions of the device 2305. The at least one processor 2335 may be any one or more suitable processors capable of executing scripts or instructions of one or more software programs stored in the device 2305 (such as within one or more of the at least one memory 2325) . In some examples, the at least one processor 2335 may include multiple processors and the at least one memory 2325 may include multiple memories. One or more of the multiple processors may be coupled with one or more of the multiple memories, which may, individually or collectively, be configured to perform various functions herein. In some examples, the at least one processor 2335 may be a component of a processing system, which may refer to a system (such as a series) of machines, circuitry (including, for example, one or both of processor circuitry (which may include the at least one processor 2335) and memory circuitry (which may include the at least one memory 2325) ) , or components, that receives or obtains inputs and processes the inputs to produce, generate, or obtain a set of outputs. The processing system may be configured to perform one or more of the functions described herein. As such, the at least one processor 2335 or a processing system including the at least one processor 2335 may be configured to, configurable to, or operable to cause the device 2305 to perform one or more of the functions described herein. Further, as described herein, being “configured to, ” being “configurable to, ” and being “operable to” may be used interchangeably and may be associated with a capability, when executing code stored in the at least one memory 2325 or otherwise, to perform one or more of the functions described herein.

[0245] In some examples, a bus 2340 may support communications of (e.g., within) a protocol layer of a protocol stack. In some examples, a bus 2340 may support communications associated with a logical channel of a protocol stack (e.g., between protocol layers of a protocol stack) , which may include communications performed within a component of the device 2305, or between different components of the device 2305 that may be co-located or located in different locations (e.g., where the device 2305 may refer to a system in which one or more of the communications manager 2320, the transceiver 2310, the at least one memory 2325, the code 2330, and the at least one processor 2335 may be located in one of the different components or divided between different components) .

[0246] In some examples, the communications manager 2320 may manage aspects of communications with a core network 130 (e.g., via one or more wired or wireless backhaul links) . For example, the communications manager 2320 may manage the transfer of data communications for client devices, such as one or more UEs 115. In some examples, the communications manager 2320 may manage communications with other network entities 105, and may include a controller or scheduler for controlling communications with UEs 115 in cooperation with other network entities 105. In some examples, the communications manager 2320 may support an X2 interface within an LTE / LTE-A wireless communications network technology to provide communication between network entities 105.

[0247] The communications manager 2320 may support wireless communications in accordance with examples as disclosed herein. For example, the communications manager 2320 is capable of, configured to, or operable to support a means for transmitting, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. The communications manager 2320 is capable of, configured to, or operable to support a means for receiving, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The communications manager 2320 is capable of, configured to, or operable to support a means for transmitting, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The communications manager 2320 is capable of, configured to, or operable to support a means for transmitting a set of reference signals via the set of beam measurement resources. The communications manager 2320 is capable of, configured to, or operable to support a means for receiving, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals.

[0248] By including or configuring the communications manager 2320 in accordance with examples as described herein, the device 2305 may support techniques for improved communication reliability, more efficient utilization of communication resources, improved coordination between devices, and improved utilization of processing capability.

[0249] In some examples, the communications manager 2320 may be configured to perform various operations (e.g., receiving, obtaining, monitoring, outputting, transmitting) using or otherwise in cooperation with the transceiver 2310, the one or more antennas 2315 (e.g., where applicable) , or any combination thereof. Although the communications manager 2320 is illustrated as a separate component, in some examples, one or more functions described with reference to the communications manager 2320 may be supported by or performed by the transceiver 2310, one or more of the at least one processor 2335, one or more of the at least one memory 2325, the code 2330, or any combination thereof (for example, by a processing system including at least a portion of the at least one processor 2335, the at least one memory 2325, the code 2330, or any combination thereof) . For example, the code 2330 may include instructions executable by one or more of the at least one processor 2335 to cause the device 2305 to perform various aspects of beam correspondence between AI model training and inference as described herein, or the at least one processor 2335 and the at least one memory 2325 may be otherwise configured to, individually or collectively, perform or support such operations.

[0250] FIG. 24 shows a flowchart illustrating a method 2400 that supports beam correspondence between AI model training and inference in accordance with aspects of the present disclosure. The operations of the method 2400 may be implemented by a UE or its components as described herein. For example, the operations of the method 2400 may be performed by a UE 115 as described with reference to FIGs. 1 through 19. In some examples, a UE may execute a set of instructions to control the functional elements of the UE to perform the described functions. Additionally, or alternatively, the UE may perform aspects of the described functions using special-purpose hardware.

[0251] At 2405, the method may include receiving, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. The operations of block 2405 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2405 may be performed by a supported AI model manager 1825 as described with reference to FIG. 18.

[0252] At 2410, the method may include transmitting, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The operations of block 2410 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2410 may be performed by a supported AI model manager 1825 as described with reference to FIG. 18.

[0253] At 2415, the method may include receiving control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The operations of block 2415 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2415 may be performed by a beam prediction scheduling manager 1830 as described with reference to FIG. 18.

[0254] At 2420, the method may include receiving a set of reference signals via the set of beam measurement resources. The operations of block 2420 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2420 may be performed by a reference signal reception manager 1835 as described with reference to FIG. 18.

[0255] At 2425, the method may include transmitting a report indicating a set of predicted values for the set of beams generated using the AI model and based on the set of reference signals. The operations of block 2425 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2425 may be performed by a beam prediction report manager 1840 as described with reference to FIG. 18.

[0256] FIG. 25 shows a flowchart illustrating a method 2500 that supports beam correspondence between AI model training and inference in accordance with aspects of the present disclosure. The operations of the method 2500 may be implemented by a network entity or its components as described herein. For example, the operations of the method 2500 may be performed by a network entity as described with reference to FIGs. 1 through 15 and 20 through 23. In some examples, a network entity may execute a set of instructions to control the functional elements of the network entity to perform the described functions. Additionally, or alternatively, the network entity may perform aspects of the described functions using special-purpose hardware.

[0257] At 2505, the method may include transmitting, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction. The operations of block 2505 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2505 may be performed by a supported AI model manager 2225 as described with reference to FIG. 22.

[0258] At 2510, the method may include receiving, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers. The operations of block 2510 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2510 may be performed by a supported AI model manager 2225 as described with reference to FIG. 22.

[0259] At 2515, the method may include transmitting, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, where the control signaling further indicates a set of beam measurement resources, and where the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams. The operations of block 2515 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2515 may be performed by a beam prediction scheduling manager 2230 as described with reference to FIG. 22.

[0260] At 2520, the method may include transmitting a set of reference signals via the set of beam measurement resources. The operations of block 2520 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2520 may be performed by a reference signal transmission manager 2235 as described with reference to FIG. 22.

[0261] At 2525, the method may include receiving, from the UE, a report indicating a set of predicted values for the set of beams based on the AI model identifier and based on the set of reference signals. The operations of block 2525 may be performed in accordance with examples as disclosed herein. In some examples, aspects of the operations of 2525 may be performed by a beam prediction report manager 2240 as described with reference to FIG. 22.

[0262] The following provides an overview of aspects of the present disclosure:

[0263] Aspect 1: A method for wireless communications at a UE, comprising: receiving, from a network entity, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction; transmitting, to the network entity, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers; receiving control signaling indicating an AI model identifier that is included in both the first subset and the second subset, wherein the control signaling further indicates a set of beam measurement resources, and wherein the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams; receiving a set of reference signals via the set of beam measurement resources; and transmitting a report indicating a set of predicted values for the set of beams generated using the AI model and based at least in part on the set of reference signals.

[0264] Aspect 2: The method of aspect 1, wherein the first message is one of a system information, a RRC message, a MAC-CE, or a DCI.

[0265] Aspect 3: The method of any of aspects 1 through 2, wherein the second message is one of an RRC message, a MAC-CE, or UCI.

[0266] Aspect 4: The method of any of aspects 1 through 3, wherein to indicate the set of beam measurement resources, the control signaling indicates a set of CSI-RS indices or a set of SSB indices, and the AI model identifier is indicative of a mapping of the set of CSI-RS indices or the set of SSB indices to the inputs of the AI model.

[0267] Aspect 5: The method of any of aspects 1 through 4, wherein the AI model identifier is indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.

[0268] Aspect 6: The method of any of aspects 1 through 5, wherein the AI model identifier is indicative of a QCL relationship between beams of the set of beam measurement resources and beams of the set of beams.

[0269] Aspect 7: The method of any of aspects 1 through 6, wherein the AI model identifier is indicative of a relative timing between the set of beam measurement resources and the set of predicted values.

[0270] Aspect 8: The method of any of aspects 1 through 7, wherein the report further indicates, based at least in part on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.

[0271] Aspect 9: The method of any of aspects 1 through 8, wherein the control signaling further schedules a CSI report, and the report is included within the CSI report.

[0272] Aspect 10: The method of any of aspects 1 through 9, further comprising: performing a training procedure for the AI model with the network entity using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, wherein the set of beam measurement resources correspond to the set of training beam measurement resources and wherein the set of beams correspond to the set of training beams.

[0273] Aspect 11: The method of aspect 10, wherein the set of training beam measurement resources comprise a first set of CSI-RSs or a first set of SSBs having first index values, the set of beam measurement resources comprise a second set of CSI-RSs or a second set of SSBs having the first index values, and a same mapping of the first index values to input values of the AI model is used to predict the set of training measurement results and to generate the set of predicted values.

[0274] Aspect 12: The method of any of aspects 1 through 11, further comprising: receiving, from the network entity, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the AI model; receiving a second set of reference signals via the set of verification beam measurement resources; and transmitting a second report indicating that a second set of predicted values for the second set of beams generated using the AI model based at least in part on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, wherein reception of the control signaling is based at least in part on transmission of the second report.

[0275] Aspect 13: A method for wireless communications at a network entity, comprising: transmitting, to a UE, a first message indicating a first subset of AI model identifiers supported by the network entity of a predefined set of multiple AI model identifiers associated with beam prediction; receiving, from the UE, a second message indicating a second subset of AI model identifiers supported by the UE of the predefined set of multiple AI model identifiers; transmitting, to the UE, control signaling indicating an AI model identifier that is included in both the first subset and the second subset, wherein the control signaling further indicates a set of beam measurement resources, and wherein the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an AI model associated with the AI model identifier and outputs of the AI model to a set of beams; transmitting a set of reference signals via the set of beam measurement resources; and receiving, from the UE, a report indicating a set of predicted values for the set of beams based at least in part on the AI model identifier and based at least in part on the set of reference signals.

[0276] Aspect 14: The method of aspect 13, wherein the first message is one of a system information, an RRC message, a MAC-CE, or a DCI.

[0277] Aspect 15: The method of any of aspects 13 through 14, wherein the second message is one of an RRC message, a MAC-CE, or a UCI.

[0278] Aspect 16: The method of any of aspects 13 through 15, wherein to indicate the set of beam measurement resources, the control signaling indicates a set of CSI-RS indices or a set of SSB indices, and the AI model identifier is indicative of a mapping of the set of CSI-RS indices or the set of SSB indices to the inputs of an AI model associated with the AI model identifier.

[0279] Aspect 17: The method of any of aspects 13 through 16, wherein the AI model identifier is indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.

[0280] Aspect 18: The method of any of aspects 13 through 17, wherein the AI model identifier is indicative of a QCL relationship between beams of the set of beam measurement resources and beams of the set of beams.

[0281] Aspect 19: The method of any of aspects 13 through 18, wherein the AI model identifier is indicative of a relative timing between the set of beam measurement resources and the set of predicted values.

[0282] Aspect 20: The method of any of aspects 13 through 19, wherein the report further indicates, based at least in part on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.

[0283] Aspect 21: The method of any of aspects 13 through 20, wherein the control signaling further schedules a CSI report, and the report is included within the CSI report.

[0284] Aspect 22: The method of any of aspects 13 through 21, further comprising: performing, with the UE, a training procedure for the AI model using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, wherein the set of beam measurement resources correspond to the set of training beam measurement resources and wherein the set of beams correspond to the set of training beams.

[0285] Aspect 23: The method of aspect 22, wherein the set of training beam measurement resources comprise a first set of CSI-RSs or a first set of SSBs having first index values, the set of beam measurement resources comprise a second set of CSI-RSs or a second set of SSBs having the first index values, and a same mapping of the first index values to input values of the AI model is used to predict the set of training measurement results and to generate the set of predicted values.

[0286] Aspect 24: The method of any of aspects 13 through 23, further comprising: transmitting, to the UE, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the AI model; transmitting a second set of reference signals via the set of verification beam measurement resources; and receiving, from the UE, a second report indicating that a second set of predicted values for the second set of beams generated at the UE using the AI model based at least in part on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, wherein transmission of the control signaling is based at least in part on reception of the second report.

[0287] Aspect 25: A UE for wireless communications, comprising one or more memories storing processor-executable code, and one or more processors coupled with the one or more memories and individually or collectively operable to execute the code to cause the UE to perform a method of any of aspects 1 through 12.

[0288] Aspect 26: A UE for wireless communications, comprising at least one means for performing a method of any of aspects 1 through 12.

[0289] Aspect 27: A non-transitory computer-readable medium storing code for wireless communications, the code comprising instructions executable by a processor to perform a method of any of aspects 1 through 12.

[0290] Aspect 28: A network entity for wireless communications, comprising one or more memories storing processor-executable code, and one or more processors coupled with the one or more memories and individually or collectively operable to execute the code to cause the network entity to perform a method of any of aspects 13 through 24.

[0291] Aspect 29: A network entity for wireless communications, comprising at least one means for performing a method of any of aspects 13 through 24.

[0292] Aspect 30: A non-transitory computer-readable medium storing code for wireless communications, the code comprising instructions executable by a processor to perform a method of any of aspects 13 through 24.

[0293] It should be noted that the methods described herein describe possible implementations, and that the operations and the steps may be rearranged or otherwise modified and that other implementations are possible. Further, aspects from two or more of the methods may be combined.

[0294] Although aspects of an LTE, LTE-A, LTE-A Pro, or NR system may be described for purposes of example, and LTE, LTE-A, LTE-A Pro, or NR terminology may be used in much of the description, the techniques described herein are applicable beyond LTE, LTE-A, LTE-A Pro, or NR networks. For example, the described techniques may be applicable to various other wireless communications systems such as Ultra Mobile Broadband (UMB) , Institute of Electrical and Electronics Engineers (IEEE) 802.11 (Wi-Fi) , IEEE 802.16 (WiMAX) , IEEE 802.20, Flash-OFDM, as well as other systems and radio technologies not explicitly mentioned herein.

[0295] Information and signals described herein may be represented using any of a variety of different technologies and techniques. For example, data, instructions, commands, information, signals, bits, symbols, and chips that may be referenced throughout the description may be represented by voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields or particles, or any combination thereof.

[0296] The various illustrative blocks and components described in connection with the disclosure herein may be implemented or performed using a general-purpose processor, a DSP, an ASIC, a CPU, an FPGA or other programmable logic device, discrete gate or transistor logic, discrete hardware components, or any combination thereof designed to perform the functions described herein. A general-purpose processor may be a microprocessor but, in the alternative, the processor may be any processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices (e.g., a combination of a DSP and a microprocessor, multiple microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration) . Any functions or operations described herein as being capable of being performed by a processor may be performed by multiple processors that, individually or collectively, are capable of performing the described functions or operations.

[0297] The functions described herein may be implemented using hardware, software executed by a processor, firmware, or any combination thereof. If implemented using software executed by a processor, the functions may be stored as or transmitted using one or more instructions or code of a computer-readable medium. Other examples and implementations are within the scope of the disclosure and appended claims. For example, due to the nature of software, functions described herein may be implemented using software executed by a processor, hardware, firmware, hardwiring, or combinations of any of these. Features implementing functions may also be physically located at various positions, including being distributed such that portions of functions are implemented at different physical locations.

[0298] Computer-readable media includes both non-transitory computer storage media and communication media including any medium that facilitates transfer of a computer program from one location to another. A non-transitory storage medium may be any available medium that may be accessed by a general-purpose or special-purpose computer. By way of example, and not limitation, non-transitory computer-readable media may include RAM, ROM, electrically erasable programmable ROM (EEPROM) , flash memory, compact disk (CD) ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or any other non-transitory medium that may be used to carry or store desired program code means in the form of instructions or data structures and that may be accessed by a general-purpose or special-purpose computer, or a general-purpose or special-purpose processor. Also, any connection is properly termed a computer-readable medium. For example, if the software is transmitted from a website, server, or other remote source using a coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL) , or wireless technologies such as infrared, radio, and microwave, then the coaxial cable, fiber optic cable, twisted pair, DSL, or wireless technologies such as infrared, radio, and microwave are included in the definition of computer-readable medium. Disk and disc, as used herein, include CD, laser disc, optical disc, digital versatile disc (DVD) , floppy disk and Blu-ray disc. Disks may reproduce data magnetically, and discs may reproduce data optically using lasers. Combinations of the above are also included within the scope of computer-readable media. Any functions or operations described herein as being capable of being performed by a memory may be performed by multiple memories that, individually or collectively, are capable of performing the described functions or operations.

[0299] As used herein, including in the claims, “or” as used in a list of items (e.g., a list of items prefaced by a phrase such as “at least one of” or “one or more of” ) indicates an inclusive list such that, for example, a list of at least one of A, B, or C means A or B or C or AB or AC or BC or ABC (i.e., A and B and C) . Also, as used herein, the phrase “based on” shall not be construed as a reference to a closed set of conditions. For example, an example step that is described as “based on condition A” may be based on both a condition A and a condition B without departing from the scope of the present disclosure. In other words, as used herein, the phrase “based on” shall be construed in the same manner as the phrase “based at least in part on. ”

[0300] As used herein, including in the claims, the article “a” before a noun is open-ended and understood to refer to “at least one” of those nouns or “one or more” of those nouns. Thus, the terms “a, ” “at least one, ” “one or more, ” “at least one of one or more” may be interchangeable. For example, if a claim recites “a component” that performs one or more functions, each of the individual functions may be performed by a single component or by any combination of multiple components. Thus, the term “acomponent” having characteristics or performing functions may refer to “at least one of one or more components” having a particular characteristic or performing a particular function. Subsequent reference to a component introduced with the article “a” using the terms “the” or “said” may refer to any or all of the one or more components. For example, a component introduced with the article “a” may be understood to mean “one or more components, ” and referring to “the component” subsequently in the claims may be understood to be equivalent to referring to “at least one of the one or more components. ” Similarly, subsequent reference to a component introduced as “one or more components” using the terms “the” or “said” may refer to any or all of the one or more components. For example, referring to “the one or more components” subsequently in the claims may be understood to be equivalent to referring to “at least one of the one or more components. ”

[0301] The term “determine” or “determining” encompasses a variety of actions and, therefore, “determining” can include calculating, computing, processing, deriving, investigating, looking up (such as via looking up in a table, a database or another data structure) , ascertaining and the like. Also, “determining” can include receiving (e.g., receiving information) , accessing (e.g., accessing data stored in memory) and the like. Also, “determining” can include resolving, obtaining, selecting, choosing, establishing, and other such similar actions.

[0302] In the appended figures, similar components or features may have the same reference label. Further, various components of the same type may be distinguished by following the reference label by a dash and a second label that distinguishes among the similar components. If just the first reference label is used in the specification, the description is applicable to any one of the similar components having the same first reference label irrespective of the second reference label, or other subsequent reference label.

[0303] The description set forth herein, in connection with the appended drawings, describes example configurations and does not represent all the examples that may be implemented or that are within the scope of the claims. The term “example” used herein means “serving as an example, instance, or illustration, ” and not “preferred” or “advantageous over other examples. ” The detailed description includes specific details for the purpose of providing an understanding of the described techniques. These techniques, however, may be practiced without these specific details. In some instances, known structures and devices are shown in block diagram form in order to avoid obscuring the concepts of the described examples.

[0304] The description herein is provided to enable a person having ordinary skill in the art to make or use the disclosure. Various modifications to the disclosure will be apparent to a person having ordinary skill in the art, and the generic principles defined herein may be applied to other variations without departing from the scope of the disclosure. Thus, the disclosure is not limited to the examples and designs described herein but is to be accorded the broadest scope consistent with the principles and novel features disclosed herein.

Claims

1.A user equipment (UE) , comprising:one or more memories storing processor-executable code; andone or more processors coupled with the one or more memories and individually or collectively operable to execute the code to cause the UE to:receive, from a network entity, a first message indicating a first subset of artificial intelligence model identifiers supported by the network entity of a predefined set of multiple artificial intelligence model identifiers associated with beam prediction;transmit, to the network entity, a second message indicating a second subset of artificial intelligence model identifiers supported by the UE of the predefined set of multiple artificial intelligence model identifiers;receive control signaling indicating an artificial intelligence model identifier that is included in both the first subset and the second subset, wherein the control signaling further indicates a set of beam measurement resources, and wherein the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an artificial intelligence model associated with the artificial intelligence model identifier and outputs of the artificial intelligence model to a set of beams;receive a set of reference signals via the set of beam measurement resources; andtransmit a report indicating a set of predicted values for the set of beams generated using the artificial intelligence model and based at least in part on the set of reference signals.2.The UE of claim 1, wherein the first message is one of a system information, a radio resource control message, a medium access control (MAC) control element, or a downlink control information.3.The UE of claim 1, wherein the second message is one of a radio resource control message, a medium access control (MAC) control element, or an uplink control information.4.The UE of claim 1, wherein:to indicate the set of beam measurement resources, the control signaling indicates a set of channel state information reference signal indices or a set of synchronization signal block indices, andthe artificial intelligence model identifier is indicative of a mapping of the set of channel state information reference signal indices or the set of synchronization signal block indices to the inputs of the artificial intelligence model.5.The UE of claim 1, wherein the artificial intelligence model identifier is indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.6.The UE of claim 1, wherein the artificial intelligence model identifier is indicative of a quasi co-location relationship between beams of the set of beam measurement resources and beams of the set of beams.7.The UE of claim 1, wherein the artificial intelligence model identifier is indicative of a relative timing between the set of beam measurement resources and the set of predicted values.8.The UE of claim 1, wherein the report further indicates, based at least in part on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.9.The UE of claim 1, wherein:the control signaling further schedules a channel state information report, andthe report is included within the channel state information report.10.The UE of claim 1, wherein the one or more processors are individually or collectively further operable to execute the code to cause the UE to:perform a training procedure for the artificial intelligence model with the network entity using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, wherein the set of beam measurement resources correspond to the set of training beam measurement resources and wherein the set of beams correspond to the set of training beams.11.The UE of claim 10, wherein:the set of training beam measurement resources comprise a first set of channel state information reference signals or a first set of synchronization signal blocks having first index values,the set of beam measurement resources comprise a second set of channel state information reference signals or a second set of synchronization signal blocks having the first index values, anda same mapping of the first index values to input values of the artificial intelligence model is used to predict the set of training measurement results and to generate the set of predicted values.12.The UE of claim 1, wherein the one or more processors are individually or collectively further operable to execute the code to cause the UE to:receive, from the network entity, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the artificial intelligence model;receive a second set of reference signals via the set of verification beam measurement resources; andtransmit a second report indicating that a second set of predicted values for the second set of beams generated using the artificial intelligence model based at least in part on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, wherein reception of the control signaling is based at least in part on transmission of the second report.13.A network entity, comprising:one or more memories storing processor-executable code; andone or more processors coupled with the one or more memories and individually or collectively operable to execute the code to cause the network entity to:transmit, to a user equipment (UE) , a first message indicating a first subset of artificial intelligence model identifiers supported by the network entity of a predefined set of multiple artificial intelligence model identifiers associated with beam prediction;receive, from the UE, a second message indicating a second subset of artificial intelligence model identifiers supported by the UE of the predefined set of multiple artificial intelligence model identifiers;transmit, to the UE, control signaling indicating an artificial intelligence model identifier that is included in both the first subset and the second subset, wherein the control signaling further indicates a set of beam measurement resources, and wherein the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an artificial intelligence model associated with the artificial intelligence model identifier and outputs of the artificial intelligence model to a set of beams;transmit a set of reference signals via the set of beam measurement resources; andreceive, from the UE, a report indicating a set of predicted values for the set of beams based at least in part on the artificial intelligence model identifier and based at least in part on the set of reference signals.14.The network entity of claim 13, wherein the first message is one of a system information, a radio resource control message, a medium access control (MAC) control element, or a downlink control information.15.The network entity of claim 13, wherein the second message is one of a radio resource control message, a medium access control (MAC) control element, or an uplink control information.16.The network entity of claim 13, wherein:to indicate the set of beam measurement resources, the control signaling indicates a set of channel state information reference signal indices or a set of synchronization signal block indices, andthe artificial intelligence model identifier is indicative of a mapping of the set of channel state information reference signal indices or the set of synchronization signal block indices to the inputs of an artificial intelligence model associated with the artificial intelligence model identifier.17.The network entity of claim 13, wherein the artificial intelligence model identifier is indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.18.The network entity of claim 13, wherein the artificial intelligence model identifier is indicative of a quasi co-location relationship between beams of the set of beam measurement resources and beams of the set of beams.19.The network entity of claim 13, wherein the artificial intelligence model identifier is indicative of a relative timing between the set of beam measurement resources and the set of predicted values.20.The network entity of claim 13, wherein the report further indicates, based at least in part on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.21.The network entity of claim 13, wherein:the control signaling further schedules a channel state information report, andthe report is included within the channel state information report.22.The network entity of claim 13, wherein the one or more processors are individually or collectively further operable to execute the code to cause the network entity to:perform, with the UE, a training procedure for the artificial intelligence model using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, wherein the set of beam measurement resources correspond to the set of training beam measurement resources and wherein the set of beams correspond to the set of training beams.23.The network entity of claim 22, wherein:the set of training beam measurement resources comprise a first set of channel state information reference signals or a first set of synchronization signal blocks having first index values,the set of beam measurement resources comprise a second set of channel state information reference signals or a second set of synchronization signal blocks having the first index values, anda same mapping of the first index values to input values of the artificial intelligence model is used to predict the set of training measurement results and to generate the set of predicted values.24.The network entity of claim 13, wherein the one or more processors are individually or collectively further operable to execute the code to cause the network entity to:transmit, to the UE, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the artificial intelligence model;transmit a second set of reference signals via the set of verification beam measurement resources; andreceive, from the UE, a second report indicating that a second set of predicted values for the second set of beams generated at the UE using the artificial intelligence model based at least in part on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, wherein transmission of the control signaling is based at least in part on reception of the second report.25.A method for wireless communications at a user equipment (UE) , comprising:receiving, from a network entity, a first message indicating a first subset of artificial intelligence model identifiers supported by the network entity of a predefined set of multiple artificial intelligence model identifiers associated with beam prediction;transmitting, to the network entity, a second message indicating a second subset of artificial intelligence model identifiers supported by the UE of the predefined set of multiple artificial intelligence model identifiers;receiving control signaling indicating an artificial intelligence model identifier that is included in both the first subset and the second subset, wherein the control signaling further indicates a set of beam measurement resources, and wherein the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an artificial intelligence model associated with the artificial intelligence model identifier and outputs of the artificial intelligence model to a set of beams;receiving a set of reference signals via the set of beam measurement resources; andtransmitting a report indicating a set of predicted values for the set of beams generated using the artificial intelligence model and based at least in part on the set of reference signals.26.The method of claim 25, wherein the first message is one of a system information, a radio resource control message, a medium access control (MAC) control element, or a downlink control information.27.The method of claim 25, wherein the second message is one of a radio resource control message, a medium access control (MAC) control element, or an uplink control information.28.The method of claim 25, wherein:to indicate the set of beam measurement resources, the control signaling indicates a set of channel state information reference signal indices or a set of synchronization signal block indices, andthe artificial intelligence model identifier is indicative of a mapping of the set of channel state information reference signal indices or the set of synchronization signal block indices to the inputs of the artificial intelligence model.29.The method of claim 25, wherein the artificial intelligence model identifier is indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.30.The method of claim 25, wherein the artificial intelligence model identifier is indicative of a quasi co-location relationship between beams of the set of beam measurement resources and beams of the set of beams.31.The method of claim 25, wherein the artificial intelligence model identifier is indicative of a relative timing between the set of beam measurement resources and the set of predicted values.32.The method of claim 25, wherein the report further indicates, based at least in part on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.33.The method of claim 25, wherein:the control signaling further schedules a channel state information report, andthe report is included within the channel state information report.34.The method of claim 25, further comprising:performing a training procedure for the artificial intelligence model with the network entity using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, wherein the set of beam measurement resources correspond to the set of training beam measurement resources and wherein the set of beams correspond to the set of training beams.35.The method of claim 34, wherein:the set of training beam measurement resources comprise a first set of channel state information reference signals or a first set of synchronization signal blocks having first index values,the set of beam measurement resources comprise a second set of channel state information reference signals or a second set of synchronization signal blocks having the first index values, anda same mapping of the first index values to input values of the artificial intelligence model is used to predict the set of training measurement results and to generate the set of predicted values.36.The method of claim 25, further comprising:receiving, from the network entity, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the artificial intelligence model;receiving a second set of reference signals via the set of verification beam measurement resources; andtransmitting a second report indicating that a second set of predicted values for the second set of beams generated using the artificial intelligence model based at least in part on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, wherein reception of the control signaling is based at least in part on transmission of the second report.37.A method for wireless communications at a network entity, comprising:transmitting, to a user equipment (UE) , a first message indicating a first subset of artificial intelligence model identifiers supported by the network entity of a predefined set of multiple artificial intelligence model identifiers associated with beam prediction;receiving, from the UE, a second message indicating a second subset of artificial intelligence model identifiers supported by the UE of the predefined set of multiple artificial intelligence model identifiers;transmitting, to the UE, control signaling indicating an artificial intelligence model identifier that is included in both the first subset and the second subset, wherein the control signaling further indicates a set of beam measurement resources, and wherein the control signaling is indicative of a mapping of the set of beam measurement resources to inputs of an artificial intelligence model associated with the artificial intelligence model identifier and outputs of the artificial intelligence model to a set of beams;transmitting a set of reference signals via the set of beam measurement resources; andreceiving, from the UE, a report indicating a set of predicted values for the set of beams based at least in part on the artificial intelligence model identifier and based at least in part on the set of reference signals.38.The method of claim 37, wherein the first message is one of a system information, a radio resource control message, a medium access control (MAC) control element, or a downlink control information.39.The method of claim 37, wherein the second message is one of a radio resource control message, a medium access control (MAC) control element, or an uplink control information.40.The method of claim 37, wherein:to indicate the set of beam measurement resources, the control signaling indicates a set of channel state information reference signal indices or a set of synchronization signal block indices, andthe artificial intelligence model identifier is indicative of a mapping of the set of channel state information reference signal indices or the set of synchronization signal block indices to the inputs of an artificial intelligence model associated with the artificial intelligence model identifier.41.The method of claim 37, wherein the artificial intelligence model identifier is indicative of a respective beam width and a respective beam direction for each beam of the set of beam measurement resources and for each beam of the set of beams.42.The method of claim 37, wherein the artificial intelligence model identifier is indicative of a quasi co-location relationship between beams of the set of beam measurement resources and beams of the set of beams.43.The method of claim 37, wherein the artificial intelligence model identifier is indicative of a relative timing between the set of beam measurement resources and the set of predicted values.44.The method of claim 37, wherein the report further indicates, based at least in part on the set of predicted values, a precoding matrix indicator, a channel quality indicator, a channel impulse response, a rank indicator, an angle of arrival, downlink angle of departure, or directions of departure.45.The method of claim 37, wherein:the control signaling further schedules a channel state information report, andthe report is included within the channel state information report.46.The method of claim 37, further comprising:performing, with the UE, a training procedure for the artificial intelligence model using a set of training beam measurement resources to predict a set of training measurement results for a set of training beams, wherein the set of beam measurement resources correspond to the set of training beam measurement resources and wherein the set of beams correspond to the set of training beams.47.The method of claim 46, wherein:the set of training beam measurement resources comprise a first set of channel state information reference signals or a first set of synchronization signal blocks having first index values,the set of beam measurement resources comprise a second set of channel state information reference signals or a second set of synchronization signal blocks having the first index values, anda same mapping of the first index values to input values of the artificial intelligence model is used to predict the set of training measurement results and to generate the set of predicted values.48.The method of claim 37, further comprising:transmitting, to the UE, a set of verification beam measurement resources and corresponding ground truth prediction targets for a second set of beams for the artificial intelligence model;transmitting a second set of reference signals via the set of verification beam measurement resources; andreceiving, from the UE, a second report indicating that a second set of predicted values for the second set of beams generated at the UE using the artificial intelligence model based at least in part on the set of reference signals satisfy an accuracy metric with respect to the corresponding ground truth prediction targets, wherein transmission of the control signaling is based at least in part on reception of the second report.

Images