UE-side beam prediction performance monitoring with dynamic switch between ai / ML and non-ai / ml

Abstract

Apparatus, methods, and computer program products for wireless communication are provided. An example method may include receiving, from a network node, a request to report a set of beam prediction results associated with a set of beams. The example method may further include transmitting, to the network node, a report of the set of beam prediction results. The example method may further include transmitting, to the network node, feedback information indicating whether the set of beam prediction results is based on an artificial intelligence (AI) or machine learning (ML) (AI / ML) model.

Description

UE-SIDE BEAM PREDICTION PERFORMANCE MONITORING WITH DYNAMIC SWITCH BETWEEN AI / ML AND NON-AI / MLTECHNICAL FIELD

[0001] The present disclosure relates generally to communication systems, and more particularly, to a wireless communication system with beam prediction based artificial intelligence (AI) or machine learning (ML) (AI / ML) .

[0002] INTRODUCTION

[0003] Wireless communication systems are widely deployed to provide various telecommunication services such as telephony, video, data, messaging, and broadcasts. Typical wireless communication systems may employ multiple-access technologies capable of supporting communication with multiple users by sharing available system resources. Examples of such multiple-access technologies include code division multiple access (CDMA) systems, time division multiple access (TDMA) systems, frequency division multiple access (FDMA) systems, orthogonal frequency division multiple access (OFDMA) systems, single-carrier frequency division multiple access (SC-FDMA) systems, and time division synchronous code division multiple access (TD-SCDMA) systems.

[0004] These multiple access technologies have been adopted in various telecommunication standards to provide a common protocol that enables different wireless devices to communicate on a municipal, national, regional, and even global level. An example telecommunication standard is 5G New Radio (NR) . 5G NR is part of a continuous mobile broadband evolution promulgated by Third Generation Partnership Project (3GPP) to meet new requirements associated with latency, reliability, security, scalability (e.g., with Internet of Things (IoT) ) , and other requirements. 5G NR includes services associated with enhanced mobile broadband (eMBB) , massive machine type communications (mMTC) , and ultra-reliable low latency communications (URLLC) . Some aspects of 5G NR may be based on the 4G Long Term Evolution (LTE) standard. There exists a need for further improvements in 5G NR technology. These improvements may also be applicable to other multi-access technologies and the telecommunication standards that employ these technologies.

[0005] BRIEF SUMMARY

[0006] The following presents a simplified summary of one or more aspects in order to provide a basic understanding of such aspects. This summary is not an extensive overview of all contemplated aspects. This summary neither identifies key or critical elements of all aspects nor delineates the scope of any or all aspects. Its sole purpose is to present some concepts of one or more aspects in a simplified form as a prelude to the more detailed description that is presented later.

[0007] In an aspect of the disclosure, a method, a computer-readable medium, and an apparatus at a user equipment (UE) are provided. The apparatus may include at least one memory and at least one processor coupled to the at least one memory. Based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to receive, from a network node, a request to report a set of beam prediction results associated with a set of beams. Based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to transmit, to the network node, a report of the set of beam prediction results. Based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to transmit, to the network node, feedback information indicating whether the set of beam prediction results is based on an artificial intelligence (AI) or machine learning (ML) (AI / ML) model.

[0008] In another aspect of the disclosure, a method, a computer-readable medium, and an apparatus at a network entity are provided. The apparatus may include at least one memory and at least one processor coupled to the at least one memory. Based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to transmit, for a UE, a request to report a set of beam prediction results associated with a set of beams. Based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to receive, from the UE, a report of the set of beam prediction results. Based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to receive, from the UE, feedback information indicating whether the set of beam prediction results is based on an AI / ML model.

[0009] To the accomplishment of the foregoing and related ends, the one or more aspects include the features hereinafter fully descried and particularly pointed out in the claims. The following description and the drawings set forth in detail certain illustrative features of the one or more aspects. These features are indicative, however, of but a few of the various ways in which the principles of various aspects may be employed.BRIEF DESCRIPTION OF THE DRAWINGS

[0010] FIG. 1 is a diagram illustrating an example of a wireless communications system and an access network.

[0011] FIG. 2A is a diagram illustrating an example of a first frame, in accordance with various aspects of the present disclosure.

[0012] FIG. 2B is a diagram illustrating an example of downlink (DL) channels within a subframe, in accordance with various aspects of the present disclosure.

[0013] FIG. 2C is a diagram illustrating an example of a second frame, in accordance with various aspects of the present disclosure.

[0014] FIG. 2D is a diagram illustrating an example of uplink (UL) channels within a subframe, in accordance with various aspects of the present disclosure.

[0015] FIG. 3 is a diagram illustrating an example of a base station and user equipment (UE) in an access network.

[0016] FIG. 4 is a diagram illustrating a network node in communication with a UE via a set of be ams.

[0017] FIG. 5 is a diagram illustrating example beam management (BM) .

[0018] FIG. 6 is a diagram illustrating example switching between artificial intelligence (AI) or machine learning (ML) (AI / ML) beam prediction or non-AI / ML based beam prediction.

[0019] FIG. 7 is adiagram illustrating example communications between anetwork node and a UE.

[0020] FIG. 8 is a diagram illustrating feedback occasions based on non-AI / ML or based on AI / ML.

[0021] FIG. 9 is a flowchart of a method of wireless communication.

[0022] FIG. 10 is a flowchart of a method of wireless communication.

[0023] FIG. 11 is a flowchart of a method of wireless communication.

[0024] FIG. 12 is a flowchart of a method of wireless communication.

[0025] FIG. 13 is a diagram illustrating an example of a hardware implementation for an example apparatus and / or network entity.

[0026] FIG. 14 is a diagram illustrating an example of a hardware implementation for an example network entity.DETAILED DESCRIPTION

[0027] The detailed description set forth below in connection with the drawings describes various configurations and does not represent the only configurations in which the concepts described herein may be practiced. The detailed description includes specific details for the purpose of providing a thorough understanding of various concepts. However, these concepts may be practiced without these specific details. In some instances, well known structures and components are shown in block diagram form in order to avoid obscuring such concepts.

[0028] Because artificial intelligence (AI) or machine learning (ML) (AI / ML) based beam prediction (s) may have a different performance (e.g., more accurate) compared to non-AI / ML based beam prediction (s) , the network may benefit from knowing whether reported beam prediction result (s) is based on AI / ML or not to enable more accurate decision making in the beam management process. Aspects provided herein enables a user equipment (UE) to report whether a particular set of beam prediction result (s) is based on AI / ML or not to enable more accurate decision making in the beam management process for the network.

[0029] Several aspects of telecommunication systems are presented with reference to various apparatus and methods. These apparatus and methods are described in the following detailed description and illustrated in the accompanying drawings by various blocks, components, circuits, processes, algorithms, etc. (collectively referred to as “elements” ) . These elements may be implemented using electronic hardware, computer software, or any combination thereof. Whether such elements are implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system.

[0030] By way of example, an element, or any portion of an element, or any combination of elements may be implemented as a “processing system” that includes one or more processors. When multiple processors are implemented, the multiple processors may  perform the functions individually or in combination. Examples of processors include microprocessors, microcontrollers, graphics processing units (GPUs) , central processing units (CPUs) , application processors, digital signal processors (DSPs) , reduced instruction set computing (RISC) processors, systems on a chip (SoC) , baseband processors, field programmable gate arrays (FPGAs) , programmable logic devices (PLDs) , state machines, gated logic, discrete hardware circuits, and other suitable hardware configured to perform the various functionality described throughout this disclosure. One or more processors in the processing system may execute software. Software, whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise, shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software components, applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, or any combination thereof.

[0031] Accordingly, in one or more example aspects, implementations, and / or use cases, the functions described may be implemented in hardware, software, or any combination thereof. If implemented in software, the functions may be stored on or encoded as one or more instructions or code on a computer-readable medium. Computer-readable media includes computer storage media. Storage media may be any available media that can be accessed by a computer. By way of example, such computer-readable media can include a random-access memory (RAM) , a read-only memory (ROM) , an electrically erasable programmable ROM (EEPROM) , optical disk storage, magnetic disk storage, other magnetic storage devices, combinations of the types of computer-readable media, or any other medium that can be used to store computer executable code in the form of instructions or data structures that can be accessedby a computer.

[0032] While aspects, implementations, and / or use cases are described in this application by illustration to some examples, additional or different aspects, implementations and / or use cases may come about in many different arrangements and scenarios. Aspects, implementations, and / or use cases described herein may be implemented across many differing platform types, devices, systems, shapes, sizes, and packaging arrangements. For example, aspects, implementations, and / or use cases may come about via integrated chip implementations and other non-module-component based devices (e.g., end-user devices, vehicles, communication devices, computing devices, industrial equipment, retail / purchasing devices, medical devices, artificial  intelligence (AI) -enabled devices, etc. ) . While some examples may or may not be specifically directed to use cases or applications, a wide assortment of applicability of descried examples may occur. Aspects, implementations, and / or use cases may range a spectrum from chip-level or modular components to non-modular, non-chip-level implementations and further to aggregate, distributed, or original equipment manufacturer (OEM) devices or systems incorporating one or more techniques herein. In some practical settings, devices incorporating descried aspects and features may also include additional components and features for implementation and practice of claimed and descried aspect. For example, transmission and reception of wireless signals necessarily includes a number of components for analog and digital purposes (e.g., hardware components including antenna, RF-chains, power amplifiers, modulators, buffer, processor (s) , interleaver, adders / summers, etc. ) . Techniques described herein may be practiced in a wide variety of devices, chip-level components, systems, distributed arrangements, aggregated or disaggregated components, end-user devices, etc. of varying sizes, shapes, and constitution.

[0033] Deployment of communication systems, such as 5G NR systems, may be arranged in multiple manners with various components or constituent parts. In a 5G NR system, or network, a network node, a network entity, a mobility element of a network, a radio access network (RAN) node, a core network node, a network element, or a network equipment, such as a base station (BS) , or one or more units (or one or more components) performing base station functionality, may be implemented in an aggregated or disaggregated architecture. For example, a BS (such as a Node B (NB) , evolved NB (eNB) , NR BS, 5G NB, access point (AP) , a transmission reception point (TRP) , or a cell, etc. ) may be implemented as an aggregated base station (also known as a standalone BS or a monolithic BS) or a disaggregated base station.

[0034] An aggregated base station may be configured to utiliize a radio protocol stack that is physically or logically integrated within a single RAN node. A disaggregated base station may be configured to utilize a protocol stack that is physically or logic ally distributed among two or more units (such as one or more central or centralized units (CUs) , one or more distributed units (DUs) , or one or more radio units (RUs) ) . In some aspects, a CU may be implemented within a RAN node, and one or more DUs may be co-located with the CU, or alternatively, may be geographically or virtually distributed throughout one or multiple other RAN nodes. The DUs may be implemented to communicate with one or more RUs. Each of the CU, DU and RU  can be implemented as virtual units, i.e., a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) .

[0035] Base station operation or network design may consider aggregation characteristics of base station functionality. For example, disaggregated base stations may be utilize d in an integrated access backhaul (IAB) network, an open radio access network (O-RAN (such as the network configuration sponsored by the O-RAN Alliance) ) , or a virtualized radio access network (vRAN, also known as a cloud radio access network (C-RAN) ) . Disaggregation may include distributing functionality across two or more units atvarious physical locations, as well as distributing functionality for at least one unit virtually, which canenable flexibility in network design. The various units of the disaggregated base station, or disaggregated RAN architecture, can be configured for wired or wireless communication with at least one other unit.

[0036] FIG. 1 is a diagram 100 illustrating an example of a wireless communications system and an access network. The illustrated wireless communications system includes a disaggregated base station architecture. The disaggregated base station architecture may include one or more CUs 110 that can communicate directly with a core network 120 via a backhaul link, or indirectly with the core network 120 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 125 via an E2 link, or a Non-Real Time (Non-RT) RIC 115 associated with a Service Management and Orchestration (SMO) Framework 105, or both) . A CU 110 may communicate with one or more DUs 130 via respective midhaul links, such as an F1 interface. The DUs 130 may communicate with one or more RUs 140 via respective fronthaul links. The RUs 140 may communicate with respective UEs 104 via one or more radio frequency (RF) access links. In some implementations, the UE 104 may be simultaneously served by multiple RUs 140.

[0037] Each of the units, i.e., the CUs 110, the DUs 130, the RUs 140, as well as the Near-RT RICs 125, the Non-RT RICs 115, and the SMO Framework 105, may include one or more interfaces or be coupled to one or more interfaces configured to receive or to transmit signals, data, or information (collectively, signals) via a wired or wireless transmission medium. Each of the units, or an associated processor or controller providing instructions to the communication interfaces of the units, can be configured to communicate with one or more of the other units via the transmission medium. For example, the units can include a wired interface configured to receive or to transmit signals over a wired transmission medium to one or more of the other units.  Additionally, the units can include a wireless interface, which may include a receiver, a transmitter, or a transceiver (such as an RF transceiver) , configured to receive or to transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0038] In some aspects, the CU 110 may host one or more higher layer control functions. Such control functions can include radio resource control (RRC) , packet data convergence protocol (PDCP) , service data adaptation protocol (SDAP) , or the like. Each control function can be implemented with an interface configured to communicate signals with other control functions hosted by the CU 110. The CU 110 may be configured to handle user plane functionality (i.e., Central Unit -User Plane (CU-UP) ) , control plane functionality (i.e., Central Unit -Control Plane (CU-CP) ) , or a combination thereof. In some implementations, the CU 110 can be logically split into one or more CU-UP units and one or more CU-CP units. The CU-UP unit can communicate bidirectionally with the CU-CP unit via an interface, such as an El interface when implemented in an O-RAN configuration. The CU 110 can be implemented to communicate with the DU 130, as necessary, for network control and signaling.

[0039] The DU 130 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 140. In some aspects, the DU 130 may host one or more of a radio link control (RLC) layer, a medium access control (MAC) layer, and one or more high physical (PHY) layers (such as modules for forward error correction (FEC) encoding and decoding, scrambling, modulation, demodulation, or the like) depending, at least in part, on a functional split, such as those defined by 3GPP. In some aspects, the DU 130 may further host one or more low PHY layers. Each layer (or module) can be implemented with an interface configured to communicate signals with other layers (and modules) hosted by the DU 130, or with the control functions hosted by the CU 110.

[0040] Lower-layer functionality can be implemented by one or more RUs 140. In some deployments, an RU 140, controlled by a DU 130, may correspond to a logical node that hosts RF processing functions, or low-PHY layer functions (such as performing fast Fourier transform (FFT) , inverse FFT (iFFT) , digital beamforming, physical random access channel (PRACH) extraction and filtering, or the like) , or both, based at least in part on the functional split, such as a lower layer functional split. In such an architecture, the RU (s) 140 can be implemented to handle over the air (OTA)  communication with one or more UEs 104. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 140 canbe controlled by the corresponding DU 130. In some scenarios, this configuration can enable the DU (s) 130 and the CU 110 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0041] The SMO Framework 105 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 105 may be configured to support the deployment of dedicated physical resources for RAN coverage requirements that may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 105 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 190) to perform network element life cycle management (such as to instantiate virtualized network elements) via a cloud computing platform interface (such as an O2 interface) . Such virtualized network elements can include, but are not limited to, CUs 110, DUs 130, RUs 140 andNear-RT RICs 125. In some implementations, the SMO Framework 105 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 111, via an O1 interface. Additionally, in some implementations, the SMO Framework 105 can communicate directly with one or more RUs 140 via an O1 interface. The SMO Framework 105 also may include a Non-RT RIC 115 configured to support functionality of the SMO Framework 105.

[0042] The Non-RT RIC 115 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, artificial intelligence (AI)  / machine learning (ML) (AI / ML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 125. The Non-RT RIC 115 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 125. The Near-RT RIC 125 may be configured to include a logical function that enables near-real-time control and optimization of RAN elements and resources via data collection and actions over an interface (such as via an E2 interface) connecting one or more CUs 110, one or more DUs 130, or both, as well as an O-eNB, with the Near-RT RIC 125.

[0043] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 125, the Non-RT RIC 115 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT  RIC 125 and may be received at the SMO Framework 105 or the Non-RT RIC 115 from non-network data sources or from network functions. In some examples, the Non-RT RIC 115 or the Near-RT RIC 125 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 115 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO Framework 105 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0044] At least one of the CU 110, the DU 130, and the RU 140 may be referred to as a base station 102. Accordingly, a base station 102 may include one or more of the CU 110, the DU 130, and the RU 140 (each component indicated with dotted lines to signify that each component may or may not be included in the base station 102) . The base station 102 provides an access point to the core network 120 for a UE 104. The base station 102 may include macrocells (high power cellular base station) and / or small cells (low power cellular base station) . The small cells include femtocells, picocells, and microcells. A network that includes both small cell and macrocells may be known as a heterogeneous network. A heterogeneous network may also include Home Evolved Node Bs (eNBs) (HeNBs) , which may provide service to a restricted group known as a closed subscriber group (CSG) . The communication links between the RUs 140 and the UEs 104 may include uplink (UL) (also referredto as reverse link) transmissions from a UE 104 to an RU 140 and / or downlink (DL) (also referredto as forward link) transmissions from an RU 140 to a UE 104. The communication links may use multiple-input and multiple-output (MIMO) antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity. The communication links may be through one or more carriers. The base station 102  / UEs 104 may use spectrum up to Y MHz (e.g., 5, 10, 15, 20, 100, 400, etc. MHz) bandwidth per carrier allocated in a carrier aggregation of up to a total of Yx MHz (x component carriers) used for transmission in each direction. The carriers may or may not be adjacent to each other. Allocation of carriers may be asymmetric with respectto DL and UL (e.g., more or fewer carriers may be allocated for DL than for UL) . The component carriers may include a primary component carrier and one or more secondary component carriers. A primary component carrier may be referred to as a primary cell (PCell) and a secondary component carrier may be referred to as a secondary cell (SCell) .

[0045] Certain UEs 104 may communicate with each other using device-to-device (D2D) communication link 158. The D2D communication link 158 may use the DL / UL  wireless wide area network (WWAN) spectrum. The D2D communication link 158 may use one or more sidelink channels, such as a physical sidelink broadcast channel (PSBCH) , a physical sidelink discovery channel (PSDCH) , a physical sidelink shared channel (PSSCH) , and a physical sidelink control channel (PSCCH) . D2D communication may be through a variety of wireless D2D communications systems, such as for example, BluetoothTM (Bluetooth is a trademark of the Bluetooth Special Interest Group (SIG) ) , Wi-FiTM (Wi-Fi is a trademark of the Wi-Fi Alliance) based on the Institute of Electrical and Electronics Engineers (IEEE) 802.11 standard, LTE, or NR.

[0046] The wireless communications system may further include a Wi-Fi AP 150 in communication with UEs 104 (also referred to as Wi-Fi stations (STAs) ) via communication link 154, e.g., in a 5 GHz unlicensed frequency spectrum or the like. When communicating in an unlicensed frequency spectrum, the UEs 104  / AP 150 may perform a clear channel assessment (CCA) prior to communicating in order to determine whether the channel is available.

[0047] The electromagnetic spectrum is often subdivided, based on frequency / wavelength, into various classes, bands, channels, etc. In 5G NR, two initial operating bands have been identified as frequency range designations FR1 (410 MHz-7.125 GHz) and FR2 (24.25 GHz -52.6 GHz) . Although a portion of FR1 is greater than 6 GHz, FR1 is often referred to (interchangeably) as a “sub-6 GHz” band in various documents and articles. A similar nomenclature issue sometimes occurs with regard to FR2, which is often referredto (interchangeably) as a “millimeter wave” band in documents and articles, despite being different from the extremely high frequency (EHF) band (30 GHz -300 GHz) which is identified by the International Telecommunications Union (ITU) as a “millimeter wave” band.

[0048] The frequencies betweenFR1 and FR2 are often referredto as mid-band frequencies. Recent 5G NR studies have identified an operating band for these mid-band frequencies as frequency range designation FR3 (7.125 GHz-24.25 GHz) . Frequency bands falling within FR3 may inherit FR1 characteristics and / or FR2 characteristics, and thus may effectively extend features of FR1 and / or FR2 into mid-band frequencies. In addition, higher frequency bands are currently being explored to extend 5G NR operation beyond 52.6 GHz. For example, three higher operating bands have been identified as frequency range designations FR2-2 (52.6 GHz -71 GHz) ,  FR4 (71 GHz-114.25 GHz) , and FR5 (114.25 GHz-300 GHz) . Each of these higher frequency bands falls within the EHF band.

[0049] With the above aspects in mind, unless specifically stated otherwise, the term “sub-6 GHz” or the like if used herein may broadly represent frequencies that may be less than 6 GHz, may be within FR1, or may include mid-band frequencies. Further, unless specifically stated otherwise, the term “millimeter wave” or the like if used herein may broadly represent frequencies that may include mid-band frequencies, may be within FR2, FR4, FR2-2, and / or FR5, or may be within the EHF band.

[0050] The base station 102 and the UE 104 may each include a plurality of antennas, such as antenna elements, antenna panels, and / or antenna arrays to facilitate beamforming. The base station 102 may transmit a beamformed signal 182 to the UE 104 in one or more transmit directions. The UE 104 may receive the beamformed signal from the base station 102 in one or more receive directions. The UE 104 may also transmit a beamformed signal 184 to the base station 102 in one or more transmit directions. The base station 102 may receive the beamformed signal from the UE 104 in one or more receive directions. The base station 102  / UE 104 may perform beam training to determine the best receive and transmit directions for each of the base station 102  / UE 104. The transmit and receive directions for the base station 102 may or may not be the same. The transmit and receive directions for the UE 104 may or may not be the same.

[0051] The base station 102 may include and / or be referred to as a gNB, Node B, eNB, an access point, a base transceiver station, a radio base station, a radio transceiver, a transceiver function, a basic service set (BSS) , an extended service set (ESS) , a TRP, network node, network entity, network equipment, or some other suitable terminology. The base station 102 can be implemented as an integrated access and backhaul (IAB) node, a relay node, a sidelink node, an aggregated (monolithic) base station with a baseband unit (BBU) (including a CU and a DU) and an RU, or as a disaggregated base station including one or more of a CU, a DU, and / or an RU. The set of base stations, which may include disaggregated base stations and / or aggregated base stations, may be referred to as next generation (NG) RAN (NG-RAN) .

[0052] The core network 120 may include an Access and Mobility Management Function (AMF) 161, a Session Management Function (SMF) 162, a User Plane Function (UPF) 163, a Unified Data Management (UDM) 164, one or more location servers 168, and other functional entities. The AMF 161 is the control node that processes the  signaling between the UEs 104 and the core network 120. The AMF 161 supports registration management, connection management, mobility management, and other functions. The SMF 162 supports session management and other functions. The UPF 163 supports packet routing, packet forwarding, and other functions. The UDM 164 supports the generation of authentication and key agreement (AKA) credentials, user identification handling, access authorization, and subscription management. The one or more location servers 168 are illustrated as including a Gateway Mobile Location Center (GMLC) 165 and a Location Management Function (LMF) 166. However, generally, the one or more location servers 168 may include one or more location / positioning servers, which may include one or more of the GMLC 165, the LMF 166, a position determination entity (PDE) , a serving mobile location center (SMLC) , a mobile positioning center (MPC) , or the like. The GMLC 165 and the LMF 166 support UE location services. The GMLC 165 provides an interface for clients / applications (e.g., emergency services) for accessing UE positioning information. The LMF 166 receives measurements and assistance information from the NG-RAN and the UE 104 via the AMF 161 to compute the position of the UE 104. The NG-RAN may utilize one or more positioning methods in order to determine the position of the UE 104. Positioning the UE 104 may involve signal measurements, a position estimate, and an optional velocity computation based on the measurements. The signal measurements may be made by the UE 104 and / or the base station 102 serving the UE 104. The signals measured may be based on one or more of a satellite positioning system (SPS) 170 (e.g., one or more of a Global Navigation Satellite System (GNSS) , global position system (GPS) , non-terrestrial network (NTN) , or other satellite position / location system) , LTE signals, wireless local area network (WLAN) signals, Bluetooth signals, a terrestrial beacon system (TBS) , sensor-based information (e.g., barometric pressure sensor, motion sensor) , NR enhanced cell ID (NR E-CID) methods, NR signals (e.g., multi-round trip time (Multi-RTT) , DL angle-of-departure (DL-AoD) , DL time difference of arrival (DL-TDOA) , UL time difference of arrival (UL-TDOA) , and UL angle-of-arrival (UL-AoA) positioning) , and / or other systems / signals / sensors.

[0053] Examples of UEs 104 include a cellular phone, a smart phone, a session initiation protocol (SIP) phone, a laptop, a personal digital assistant (PDA) , a satellite radio, a global positioning system, a multimedia device, a video device, a digital audio player (e.g., MP3 player) , a camera, a game console, a tablet, a smart device, a wearable  device, a vehicle, an electric meter, a gas pump, a large or small kitchen appliance, a healthcare device, an implant, a sensor / actuator, a display, or any other similar functioning device. Some of the UEs 104 may be referred to as IoT devices (e.g., parking meter, gas pump, toaster, vehicles, heart monitor, etc. ) . The UE 104 may also be referred to as a station, a mobile station, a subscriber station, a mobile unit, a subscriber unit, a wireless unit, a remote unit, a mobile device, a wireless device, a wireless communications device, a remote device, a mobile subscriber station, an access terminal, a mobile terminal, a wireless terminal, a remote terminal, a handset, a user agent, a mobile client, a client, or some other suitable terminology. In some scenarios, the term UE may also apply to one or more companion devices such as in a device constellation arrangement. One or more of these devices may collectively access the network and / or individually access the network.

[0054] Referring again to FIG. 1, in some aspects, the UE 104 may include a prediction component 198. In some aspects, the prediction component 198 may be configured to receive, from a network node, a request to report a set of beam prediction results associated with a set of beams. In some aspects, the prediction component 198 may be further configured to transmit, to the network node, a report of the set of beam prediction results. In some aspects, the prediction component 198 may be further configured to transmit, to the network node, feedback information indicating whether the set of beam prediction results is based on an artificial intelligence (AI) or machine learning (ML) (AI / ML) model.

[0055] In certain aspects, the base station 102 may include a prediction component 199. In some aspects, the prediction component 199 may be configured to transmit, for a UE, a request to report a set of beam prediction results associated with a set of beams. In some aspects, the prediction component 199 may be further configured to receive, from the UE, a report of the set of beam prediction results. In some aspects, the prediction component 199 may be further configured to receive, from the UE, feedback information indicating whether the set of beam prediction results is based on an AI / ML model.

[0056] Although the following description may be focused on 5G NR, the concepts described herein may be applicable to other similar areas, such as LTE, LTE-A, CDMA, GSM, and other wireless technologies.

[0057] As described herein, a node (which may be referred to as a node, a network node, a network entity, or a wireless node) may include, be, or be included in (e.g., be a  component of) a base station (e.g., any base station descried herein) , a UE (e.g., any UE descried herein) , a network controller, an apparatus, a device, a computing system, an integrated access and backhauling (IAB) node, a distributed unit (DU) , a central unit (CU) , a remote / radio unit (RU) (which may also be referredto as a remote radio unit (RRU) ) , and / or another processing entity configured to perform any of the techniques descried herein. For example, a network node may be a UE. As another example, a network node may be a base station or network entity. As another example, a first network node may be configured to communicate with a second network node or a third network node. In one aspect of this example, the first network node may be a UE, the second network node may be a base station, and the third network node may be a UE. In another aspect of this example, the first network node may be a UE, the second network node may be a base station, and the third network node may be a base station. In yet other aspects of this example, the first, second, and third network nodes may be different relative to these examples. Similarly, reference to a UE, base station, apparatus, device, computing system, or the like may include disclosure of the UE, base station, apparatus, device, computing system, or the like being a network node. For example, disclosure that a UE is configured to receive information from a base station also discloses that a first network node is configured to receive information from a second network node. Consistent with this disclosure, once a specific example is broadened in accordance with this disclosure (e.g., a UE is configured to receive information from a base station also discloses that a first network node is configured to receive information from a second network node) , the broader example of the narrower example may be interpreted in the reverse, but in a broad open-ended way. In the example above where a UE is configured to receive information from a base station also discloses that a first network node is configured to receive information from a second network node, the first network node may refer to a first UE, a first base station, a first apparatus, a first device, a first computing system, a first set of one or more one or more components, a first processing entity, or the like configured to receive the information; and the second network node may refer to a second UE, a second base station, a second apparatus, a second device, a second computing system, a second set of one or more components, a second processing entity, or the like.

[0058] As descried herein, communication of information (e.g., any information, signal, or the like) may be described in various aspects using different terminology. Disclosure  of one communication term includes disclosure of other communication terms. For example, a first network node may be described as being configured to transmit information to a second network node. In this example and consistent with this disclosure, disclosure that the first network node is configured to transmit information to the second network node includes disclosure that the first network node is configured to provide, send, output, communicate, or transmit information to the second network node. Similarly, in this example and consistent with this disclosure, disclosure that the first network node is configured to transmit information to the second network node includes disclosure that the second network node is configured to receive, obtain, or decode the information that is provided, sent, output, communicated, or transmitted by the first network node.

[0059] FIG. 2A is a diagram 200 illustrating an example of a first subframe within a 5G NR frame structure. FIG. 2B is a diagram 230 illustrating an example of DL channels within a 5G NR subframe. FIG. 2C is a diagram 250 illustrating an example of a second subframe within a 5G NR frame structure. FIG. 2D is a diagram 280 illustrating an example of UL channels within a 5G NR subframe. The 5G NR frame structure may be frequency division duplexed (FDD) in which for a particular set of subcarriers (carrier system bandwidth) , subframes within the set of subcarriers are dedicated for either DL or UL, or may be time division duplexed (TDD) in which for a particular set of subcarriers (carrier system bandwidth) , subframes within the set of subcarriers are dedicated for both DL and UL. In the examples provided by FIGs. 2A, 2C, the 5G NR frame structure is assumed to be TDD, with subframe 4 being configured with slot format 28 (with mostly DL) , where D is DL, U is UL, and F is flexible for use between DL / UL, and subframe 3 being configured with slot format 1 (with all UL) . While subframes 3, 4 are shown with slot formats 1, 28, respectively, any particular subframe may be configured with any of the various available slot formats 0-61. Slot formats 0, 1 are all DL, UL, respectively. Other slot formats 2-61 include a mix of DL, UL, and flexible symbols. UEs are configured with the slot format (dynamically through DL control information (DCI) , or semi-statically / statically through radio resource control (RRC) signaling) through a received slot format indicator (SFI) . Note that the description infra applies also to a 5G NR frame structure that is TDD.

[0060] FIGs. 2A-2D illustrate a frame structure, and the aspects of the present disclosure may be applicable to other wireless communication technologies, which may have a  different frame structure and / or different channels. A frame (10 ms) may be divided into 10 equally sized subframes (1 ms) . Eachsubframe may include one or more time slots. Subframes may also include mini-slots, which may include 7, 4, or 2 symbols. Each slot may include 14 or 12 symbols, depending on whether the cyclic prefix (CP) is normal or extended. For normal CP, each slot may include 14 symbols, and for extended CP, each slot may include 12 symbols. The symbols on DL may be CP orthogonal frequency division multiplexing (OFDM) (CP-OFDM) symbols. The symbols on UL may be CP-OFDM symbols (for high throughput scenarios) or discrete Fourier transform (DFT) spread OFDM (DFT-s-OFDM) symbols (for power limited scenarios; limited to a single stream transmission) . The number of slots within a subframe is based on the CP and the numerology. The numerology defines the subcarrier spacing (SCS) (see Table 1) . The symbol length / duration may scale with 1 / SCS.

[0061] Table 1: Numerology, SCS, and CP

[0062] For normal CP (14 symbols / slot) , different numerologies μ 0 to 4 allow for 1, 2, 4, 8, and 16 slots, respectively, per subframe. For extended CP, the numerology 2 allows for 4 slots per subframe. Accordingly, for normal CP and numerology μ, there are 14 symbols / slot and 2μ slots / subframe. The subcarrier spacing may be equal to 2μ * 15 kHz, where μ is the numerology 0 to 4. As such, the numerology μ=0 has a subcarrier spacing of 15 kHz and the numerology μ=4 has a subcarrier spacing of 240 kHz. The symbol length / duration is inversely related to the subcarrier spacing. FIGs. 2A-2D provide an example of normal CP with 14 symbols per slot and numerology μ=2 with 4 slots per subframe. The slot duration is 0.25 ms, the subcarrier spacing is  60 kHz, and the symbol duration is approximately 16.67 μs. Within a set of frames, there may be one or more different bandwidth parts (BWPs) (see FIG. 2B) that are frequency division multiplexed. Each BWP may have a particular numerology and CP (normal or extended) .

[0063] A resource grid may be used to represent the frame structure. Each time slot includes a resource block (RB) (also referred to as physical RBs (PRBs) ) that extends 12 consecutive subcarriers. The resource grid is divided into multiple resource elements (REs) . The number of bits carried by eachRE depends on the modulation scheme.

[0064] As illustrated in FIG. 2A, some of the REs carry reference (pilot) signals (RS) for the UE.The RS may include demodulation RS (DM-RS) (indicated as R for one particular configuration, but other DM-RS configurations are possible) and channel state information reference signals (CSI-RS) for channel estimation at the UE. The RS may also include beam measurement RS (BRS) , beam refinement RS (BRRS) , and phase tracking RS (PT-RS) .

[0065] FIG. 2B illustrates an example of various DL channels within a subframe of a frame. The physical downlink control channel (PDCCH) carries DCI within one or more control channel elements (CCEs) (e.g., 1, 2, 4, 8, or 16 CCEs) , each CCE including six RE groups (REGs) , eachREG including 12 consecutive REs in an OFDM symbol of an RB. A PDCCH within one BWP may be referred to as a control resource set (CORESET) . A UE is configured to monitor PDCCH candidates in a PDCCH search space (e.g., common search space, UE-specific search space) during PDCCH monitoring occasions on the CORESET, where the PDCCH candidates have different DCI formats and different aggregation levels. Additional BWPs may be located at greater and / or lower frequencies across the channel bandwidth. A primary synchronization signal (PSS) may be within symbol 2 of particular subframes of a frame. The PSS is used by a UE 104 to determine subframe / symbol timing and a physical layer identity. A secondary synchronization signal (SSS) may be within symbol 4 of particular subframes of a frame. The SSS is used by a UE to determine a physical layer cell identity group number and radio frame timing. Based on the physical layer identity and the physical layer cell identity group number, the UE can determine a physical cell identifier (PCI) . Based on the PCI, the UE can determine the locations of the DM-RS. The physical broadcast channel (PBCH) , which carries a master information block (MIB) , may be logically grouped with the PSS and SSS to form a synchronization signal (SS)  / PBCH block (also referred to as SS block  (SSB) ) . The MIB provides a number of RBs in the system bandwidth and a system frame number (SFN) . The physical downlink shared channel (PDSCH) carries user data, broadcast system information not transmitted through the PBCH such as system information blocks (SIBs) , and paging messages.

[0066] As illustrated in FIG. 2C, some of the REs carry DM-RS (indicated as R for one particular configuration, but other DM-RS configurations are possible) for channel estimation at the base station. The UE may transmit DM-RS for the physical uplink control channel (PUCCH) and DM-RS for the physical uplink shared channel (PUSCH) . The PUSCH DM-RS may be transmitted in the first one or two symbols of the PUSCH. The PUCCH DM-RS may be transmitted in different configurations depending on whether short or long PUCCHs are transmitted and depending on the particular PUCCH format used. The UE may transmit sounding reference signals (SRS) . The SRS may be transmitted in the last symbol of a subframe. The SRS may have a comb structure, and a UE may transmit SRS on one of the combs. The SRS may be used by a base station for channel quality estimation to enable frequency-dependent scheduling on the UL.

[0067] FIG. 2D illustrates an example of various UL channels within a subframe of a frame. The PUCCH may be located as indicated in one configuration. The PUCCH carries uplink control information (UCI) , such as scheduling requests, a channel quality indicator (CQI) , a precoding matrix indicator (PMI) , a rank indicator (RI) , and hybrid automatic repeat request (HARQ) acknowledgment (ACK) (HARQ-ACK) feedback (i.e., one or more HARQ ACK bits indicating one or more ACK and / or negative ACK (NACK) ) . The PUSCH carries data, and may additionally be used to carry a buffer status report (BSR) , a power headroom report (PHR) , and / or UCI.

[0068] FIG. 3 is a block diagram of a base station 310 in communication with a UE 350 in an access network. In the DL, Intemet protocol (IP) packets may be provided to a controller / processor 375. The controller / processor 375 implements layer 3 and layer 2 functionality. Layer 3 includes a radio resource control (RRC) layer, and layer 2 includes a service data adaptation protocol (SDAP) layer, a packet data convergence protocol (PDCP) layer, a radio link control (RLC) layer, and a medium access control (MAC) layer. The controller / processor 375 provides RRC layer functionality associated with broadcasting of system information (e.g., MIB, SIBs) , RRC connection control (e.g., RRC connection paging, RRC connection establishment, RRC connection modification, and RRC connection release) , inter radio access  technology (RAT) mobility, and measurement configuration for UE measurement reporting; PDCP layer functionality associated with header compression  / decompression, security (ciphering, deciphering, integrity protection, integrity verification) , and handover support functions; RLC layer functionality associated with the transfer of upper layer packet data units (PDUs) , error correction through ARQ, concatenation, segmentation, and reassembly of RLC service data units (SDUs) , re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, multiplexing of MAC SDUs onto transport blocks (TBs) , demultiplexing of MAC SDUs from TBs, scheduling information reporting, error correction through HARQ, priority handling, and logical channel prioritization.

[0069] The transmit (TX) processor 316 andthe receive (RX) processor 370 implement layer 1 functionality associated with various signal processing functions. Layer 1, which includes a physical (PHY) layer, may include error detection on the transport channels, forward error correction (FEC) coding / decoding of the transport channels, interleaving, rate matching, mapping onto physical channels, modulation / demodulation of physical channels, and MIMO antenna processing. The TX processor 316 handles mapping to signal constellations based on various modulation schemes (e.g., binary phase-shift keying (BPSK) , quadrature phase-shift keying (QPSK) , M-phase-shift keying (M-PSK) , M-quadrature amplitude modulation (M-QAM) ) . The coded and modulated symbols may then be split into parallel streams. Each stream may then be mapped to an OFDM subcarrier, multiplexed with a reference signal (e.g., pilot) in the time and / or frequency domain, and then combined together using an Inverse Fast Fourier Transform (IFFT) to produce a physical channel carrying a time domain OFDM symbol stream. The OFDM stream is spatially precoded to produce multiple spatial streams. Channel estimates from a channel estimator 374 may be used to determine the coding and modulation scheme, as well as for spatial processing. The channel estimate maybe derived from a reference signal and / or channel condition feedback transmitted by the UE 350. Each spatial stream may then be provided to a different antenna 320 via a separate transmitter 318Tx. Each transmitter 318Tx may modulate a radio frequency (RF) carrier with a respective spatial stream for transmission.

[0070] At the UE 350, each receiver 354Rx receives a signal through its respective antenna 352. Each receiver 354Rx recovers information modulated onto an RF carrier and  provides the information to the receive (RX) processor 356. The TX processor 368 and the RX processor 356 implement layer 1 functionality associated with various signal processing functions. The RX processor 356 may perform spatial processing on the information to recover any spatial streams destined for the UE 350. Ifmultip le spatial streams are destined for the UE 350, they may be combined by the RX processor 356 into a single OFDM symbol stream. The RX processor 356 then converts the OFDM symbol stream from the time-domain to the frequency domain using a Fast Fourier Transform (FFT) . The frequency domain signal includes a separate OFDM symbol stream for each subcarrier of the OFDM signal The symbols on each subcarrier, and the reference signal, are recovered and demodulated by determining the most likely signal constellation points transmitted by the base station 310. These soft decisions may be based on channel estimates computed by the channel estimator 358. The soft decisions are then decoded and deinterleaved to recover the data and control signals that were originally transmitted by the base station 310 on the physical channel The data and control signals are then provided to the controller / processor 359, which implements layer 3 and layer 2 functionality.

[0071] The controller / processor 359 can be associated with at least one memory 360 that stores program codes and data. The at least one memory 360 may be referred to as a computer-readable medium. In the UL, the controller / processor 359 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, and control signal processing to recover IP packets. The controller / processor 359 is also responsible for error detection using an ACK and / or NACK protocol to support HARQ operations.

[0072] Similar to the functionality described in connection with the DL transmission by the base station 310, the controller / processor 359 provides RRC layer functionality associated with system information (e.g., MIB, SIBs) acquisition, RRC connections, and measurement reporting; PDCP layer functionality associated with header compression  / decompression, and security (ciphering, deciphering, integrity protection, integrity verification) ; RLC layer functionality associated with the transfer of upper layer PDUs, error correction through ARQ, concatenation, segmentation, and reassembly of RLC SDUs, re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, multiplexing of MAC SDUs onto TBs,  demultiplexing of MAC SDUs from TBs, scheduling information reporting, error correction through HARQ, priority handling, and logical channel prioritization.

[0073] Channel estimates derived by a channel estimator 358 from a reference signal or feedback transmitted by the base station 310 may be used by the TX processor 368 to select the appropriate coding and modulation schemes, and to facilitate spatial processing. The spatial streams generated by the TX processor 368 may be provided to different antenna 352 via separate transmitters 354Tx. Each transmitter 354Tx may modulate an RF carrier with a respective spatial stream for transmission.

[0074] The UL transmission is processed at the base station 310 in a manner similar to that described in connection with the receiver function atthe UE 350. Each receiver 318Rx receives a signal through its respective antenna 320. Each receiver 318Rx recovers information modulated onto an RF carrier and provides the information to a RX processor 370.

[0075] The controller / processor 375 can be associated with at least one memory 376 that stores program codes and data. The at least one memory 376 may be referred to as a computer-readable medium. In the UL, the controller / processor 375 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, control signal processing to recover IP packets. The controller / processor 375 is also responslble for error detection using an ACK and / or NACK protocol to support HARQ operations.

[0076] At least one of the TX processor 368, the RX processor 356, and the controller / processor 359 may be configured to perform aspects in connection with prediction component 198 of FIG. 1.

[0077] At least one of the TX processor 316, the RX processor 370, and the controller / processor 375 may be configured to perform aspects in connection with prediction component 199 of FIG. 1.

[0078] FIG. 4 is a diagram 400 illustrating a network node 402 in communication with a UE 404. Referring to FIG. 4, the network node 402 may transmit a beamformed signal to the UE 404 in one or more of the directions 402a, 402b, 402c, 402d, 402e, 402f, 402g, 402h. The UE 404 may receive the beamformed signal from the network node 402 in one or more receive directions 404a, 404b, 404c, 404d. The UE 404 may also transmit a beamformed signal to the network node 402 in one or more of the directions 404a-404d. The network node 402 may receive the beamformed signal from the UE 404 in one or more of the receive directions 402a-402h. The network node 402 / UE 404 may  perform beam training to determine the best receive and transmit directions for each of the network node 402  / UE 404. The transmit and receive directions for the network node 402 may or may not be the same. The transmit and receive directions for the UE 404 may or may not be the same. The term beam may be otherwise referred to as “spatial filter. ” Beamforming may be otherwise referred to as “spatial filtering. ” As used herein, the term “beam” may correspond to “spatial filter. ”

[0079] In response to different conditions, the UE 404 may determine to switch beams, e.g., between beams 402a-402h. The beam at the UE 404 may be used for reception of downlink communication and / or transmission of uplink communication. In some examples, the network node 402 may send a transmission that triggers a beam switch by the UE 404. A TCI state may include quasi-co-location (QCL) information that the UE can use to derive timing / frequency error and / or transmission / reception spatial filtering for transmitting / receiving a signal Two antenna ports are said to be quasi co-located if properties of the channel over which a symbol on one antenna port is conveyed canbe inferred from the channel over which a symbol on the other antenna port is conveyed. The base station may indicate a TCI state to the UE as a transmission configuration that indicates QCL relationships between one signal (e.g., a reference signal) and the signal to be transmitted / received. For example, a TCI state may indicate a QCL relationship betweenDL RSs in one RS set and PDSCH / PDCCHDM-RS ports. TCI states can provide information about different beam selections for the UE to use for transmitting / receiving various signals. For example, the network node 402 may indicate a TCI state change, and in response, the UE 404 may switch to a new beam (which may be otherwise referred to as performing a beam switch) according to the new TCI state indicated by the network node 402.

[0080] FIG. 5 is a diagram 500 illustrating example beam management (BM) . As illustrated in FIG. 5, a UE at 510 may be in an RRC inactive state or RRC idle state and tracking reference signal (TRS) for RRC inactive state or RRC idle state may be configured for the UE. At 520, the UE may perform initial access with a network node. During the initial access, there may be SSB (wide) beam sweeping and the initial access at 520 may be contention based random access (CBRA) with random access preamble and PRACH occasions (RO) associated with SSBs. Once the connection is established and the UE enters an RRC connected state, at 530, BM in the RRC connected state may be performed. There may be different types of BM that may be co-existing. In a first type of BM which may be based on various downlink beam management  mechanisms that may include: (1) beam selection (which may be referred to as “P 1” ) , (2) beam refinement for transmitter (network node transmitter) (which may be referredto as “P2” ) , or (3) beam refinement for receiver (UE receive) (which may be referred to as “P3” ) . For P 1, the network node may sweep a TRP beam, and the UE may sweep a UE beam. The UE selects a best beam (e.g., best TRP beam measured by the best UE beam) and reports it to the network node. For P2, the network node may refine a beam (e.g., the network node may sweep a narrower beam over a narrower range) . The UE may detect the best beam and may report it to the network node. For P3, the network node may fix a beam (transmit the same beam repeatedly) and the UE may refine its receiver beam. P3 may set the spatial filter on receiver antenna array and may be used to facilitate UE beamforming. Each of P 1, P2, or P3 may be based on SSB or CSI-RS.

[0081] The first type of BM may be further based on various uplink beam management mechanisms that may include: (1) beam selection (which may be referredto as “U1” ) , (2) beam refinement for transmitter (UE transmit) (which may be referred to as “U2” ) , or (3) beam refinement for receiver (network node receiver) (which may be referred to as “U3” ) . The first type of BM may be further based on physical layer (which may also be referred to as layer 1 (L1) ) reference signal received power (RSRP) reporting and transmission configuration indicator (TCI) state configuration and indication. There may be a second type of BM that may be referred to as “eBM. ” In some examples, eBM may be based on L1 signal to interference and noise ratio (SINR) reporting and may facilitate overhead and latency reduction based on component carrier (CC) group beam update and faster UL beam update. There may be a third type of BM that may be referred to as “FeBM. ” FeBM may further enhance latency reduction and efficiency by using unified TCI states, L1 / layer 2 (L2) mobility, dynamic TCI update, UL multi-panel selection, maximum permissible exposure (MPE) mitigation, and other BM latency reduction techniques. FeBM may facilitate single frequency network (SFN) or high speed train (HST) and may facilitate BM for multi-TRP.

[0082] Beam failures may occur. To detectbeam failures, beam failure detection (BFD) may be performed based on measurements on various BFD RS. Once a beam failure is detected, at 540, beam failure recovery (BFR) may be performed. To facilitate the BFD and the BFR for a primary cell (PCell) or a primary secondary cell (PSCell) , BFD may be based on BFD RS and PDCCH block error rate (BLER) , and BFR may  be based on contention free random access (CFRA) . To facilitate the BFD and the BFR for a secondary cell (SCell) , link recovery request via scheduling request (SR) and medium access control (MAC) control element (MAC-CE) based BFR may be used. Ifthe beam failure recovery is not successful, the UE may enter radio link failure at 550.

[0083] A UE may monitor beam performance with regard to various metrics, such as reference signal received powers (RSRPs) , signal to interference and noise ratios (SINRs) , or other metrics. As used herein, the term “beam prediction” may refer to a procedure of monitoring performance or collecting information about a first set of one or more beams, or other information, to predict information or performance of a second set of one or more beams. The first set of one or more beams may be different beams in terms of spatial (e.g., pointing to different directions) , frequency (e.g., corresponding to different frequencies, such as one being low frequency the other one being mmWave (or mmW) ) , or other differences, compared to the second set of one or more beams.

[0084] As used herein, the term “beam prediction result” may refer to predicted information or performance of one or more beams. As used herein, the term “request to report a set of beam prediction results” may refer to a request transmitted from the network to the UE to trigger beam prediction and transmission of beam prediction results. As used herein, the term “a report of the set of beam prediction results” may refer to a signaling from a UE to the network to report the beam prediction results, which may include encode information of the beam prediction results in a “payload” of the report, the payload may also include or exclude some other information, such as reliability information (e.g., reliability level, reliability range, or the like) , or the like. The beam prediction results may be encoded based on different quantization. For example, the beam prediction results may include predicted RSRP or SINR, one or more bits may be used to represent a range associated with the predicted RSRP or SINR. Based on a first quantization, more bits may be used to report a more granularized RSRP or SINR (e.g., range may be larger) . Based on a second quantization, less bits may be used to report a less granularized RSRP or SINR (e.g., range may be smaller) . The report may include report for one or more time occasions, which may be referred to as “feedback occasion. ” In some aspects, each feedback occasion may be based on AI / ML or not based on AI / ML.

[0085] As used herein, the term “feedback information” may refer to feedback associated with and transmitted with a report of beam prediction results so that the network may be aware of whether the beam prediction results is based on AI / ML or not based on AI / ML. For example, the feedback information may indicate whether the entirety of the beam prediction results is based on AI / ML or not based on AI / ML. In another example, the feedback information may indicate whether a first subset of the beam prediction results is based on AI / ML or not based on AI / ML, whether a second subset of the beam prediction results is based on AI / ML or not based on AI / ML, or the like. As used herein, the term “based on AI / ML” may be used interchangeably with “based on AI / ML model. ” Beam prediction result (s) may be associated with a specific time period, the beginning of the time period may be referred to as a “starting time occasion” and the end of the time period may be referred to as a “end time occasion. ”

[0086] AI / ML at a UE may be subject to power, complexity, or thermal constraints. Unlike statistical signal processing schemes without AI / ML used for UE-side transceivers (where software or firmware based implementations may be used) , AI / ML based schemes deployed at UE-side may use hardware based accelerations using dedicated semi-conductors for AI / ML. Computational resources provided by such dedicated hardware for AI / ML may be shared among different applications, such as AI / ML based on beam prediction, auto-encoder based channel state feedback (CSF) , positioning based on AI / ML, or other applications. Based on priorities of the applications and power level (e.g., battery power left) , computational complexity budget, or thermal budget available at the UE, the UE may temporarily turn offAI / ML models for certain applications.

[0087] FIG. 6 is a diagram 600 illustrating example switching between AI / ML beam prediction or non-AI / ML based beam prediction. As illustrated in FIG. 6, at 602, a UE may perform AI / ML based beam prediction (s) . The UE may experience temporary power, computational complexity, or thermal budget constraints such that the UE may no longer use AI / ML based beamprediction (s) . For example, the UE may have a low battery level so the UE may refrain from using AI / ML models beam prediction (s) to save power. As another example, the UE may have a small amount of thermal budget left (e.g., due to high temperature at the UE) , so the UE may refrain from using AI / ML models beam prediction (s) to avoid emitting too much heat from hardware based accelerations. As another example, the UE may have a computational complexity budget that makes using AI / ML models beam prediction (s) taking too  much computational resources. To meet the computational complexity budget, the power budget, or the thermal budget, in some aspects, the UE may temporarily shut down the beam prediction functionality.

[0088] In some aspects, instead of shutting the beam prediction functionality, the UE may switch to non-AI / ML based beam prediction at 604 which may be less power consuming, involve less computational complexity, and emit less heat. As used herein, the term “non-AI / ML operation mode” may refer to an operation mode at an UE where the UE uses non-AI / ML based beam prediction (s) , such as 604. As used herein, the term “AI / ML operation mode” may refer to an operation mode at a UE where the UE uses AI / ML based beam prediction (s) , such as 602. As an example, non-AI / ML based beam prediction (s) may be based on linear extrapolation for temporal beam prediction, or the like. After the temporary constraints are lifted (e.g., no longer present) , the UE may switch to the AI / ML based beam prediction at 602.

[0089] Because AI / ML based beam prediction (s) may have a different performance (e.g., more accurate) compared to non-AI / ML based beam prediction (s) , the network may benefit from knowing whether reported beam prediction result (s) is based on AI / ML or not to enable more accurate decision making in the beam management process. Aspects provided herein enables a UE to report whether a particular set of beam prediction result (s) is based on AI / ML or not to enable more accurate decision making in the beam management process for the network.

[0090] FIG. 7 is a diagram 700 illustrating example communications between a network node 704 and a UE 702. As illustrated in FIG. 7, the network node 704 may transmit a request 706 to request the UE 702 to report beam prediction result (s) . Based on the request 706, at 712, the UE 702 may generate the beam prediction result (s) based on AI / ML or non-AI / ML. In some aspects, instead of generating the beam prediction result (s) based on AI / ML or non-AI / ML, the UE 702 may autonomously generate the beam prediction result (s) based on AI / ML or non-AI / ML without receiving a request. In some aspects, the beam prediction result (s) may be predicted information regarding one or more beams, such as UE predicted L1-RSRPs, L1-SINRs, top-K resources (e.g., determined based on strengths ofL1-RSRPs, L1-SINRs, or the like) , or the like, with regard to a quantity of CSI-RS or SSB 708 which may be transmitted by the network node 704. In some aspects, the beam prediction result (s) may be predicted information regarding one or more beams, such as UE predicted L1-RSRPs, L1-SINRs, top-K resources, or the like, with regard to virtual resources not transmitted.  In some aspects, the virtual resources may be not occupying any physical resources (e.g., time / spatial / frequency domain resources) . For example, the virtual resources may not be overlapping with physical resources (e.g., that may be transmitted) in all of the time domain, the frequency domain, and the spatial domain at once. In some aspects, the virtual resources may be associated with the CSI-RS or SSB 708 or other physical resources (e.g., in terms of pointing directions, beam-widths, QCL, parent / child relationships, or the like) . In some aspects, the beam prediction result (s) may be based on one or more of: temporal prediction (e.g., using information regarding a number of resources / beams to predict information regarding future time domain occasions) , spatial-domain prediction (e.g., use information regarding a first spatial filter to predict information regarding of a secondbeam) , or frequency-domain prediction (i.e., (e.g., use information of a set of FR (s) , CC (s) , Cell (s) , BWP (s) , or the like, to predict information regarding different FR (s) , CC (s) , Cell (s) , BWP (s) , or the like) .

[0091] In some aspects, the UE 702 may transmit a report 714 to report the beam prediction result (s) to the network node 704. In some aspects, the report 714 may be carried by UCI (e.g., CSI-RS report (s) ) , or UL MAC-CE. In some aspects, the UE 702 may also report feedback information 716 to the network node 704 to indicate whether the beam prediction result (s) carried by the report 714 is based on AI / ML or not based on AI / ML. In some aspects, the feedback information 716 may be carried in via UCI (e.g., CSI-RS report (s) ) , or UL MAC-CE. In some aspects, the feedback information 716 and the report 714 maybe carried by a same signaling, such as a same MAC-CE or a same UCI (e.g., the feedback information 716 may be based on a single bit to indicate AI / ML or non-AI / ML) . In some aspects, the feedback information 716 and the report 714 may be carried by separate signaling. In some aspects, the report 714 may be carried by first UCI and the feedback information 716 may be carried by second UCI. In some aspects, the report 714 may be carried by a first MAC-CE and the feedback information 716 maybe carried by a second MAC-CE. In some aspects, the report 714 may be carried by a MAC-CE and the feedback information 716 may be carried by UCI. In some aspects, the report 714 may be carried by UCI and the feedback information 716 may be carried by a MAC-CE.

[0092] In some aspects, to switch from using AI / ML to not using AI / ML for beam predictions or to switch from not using AI / ML to using AI / ML for beam predictions, the UE 702 may transmit a request 718 to switch to the network node 704. In some aspects, the  request 718 may be carried by UCI, MAC-CE, or the like. In some aspects, the request 718 may be carried by a same UCI or MAC-CE as the feedback information 716, or a separate UCI or MAC-CE. Based on receiving the request 718, the network node 704 may transmit an approval 720 to approve the switching from using AI / ML to not using AI / ML for beam predictions or switching from not using AI / ML to using AI / ML for beam predictions. In some aspects, the approval 720 may be carried by a MAC-CE or downlink control information (DCI) . In some aspects, without the approval 720, the UE 702 may not be allowed to switch from using AI / ML to not using AI / ML for beam predictions or switch from not using AI / ML to using AI / ML for beam predictions. In some aspects, based on receiving the approval 720, the UE 702 may switch from using AI / ML to not using AI / ML for beam predictions or switch from not using AI / ML to using AI / ML for beam predictions at 722. In some aspects, after the switch 722, the UE 702 may generate and transmit a report 724 of a second set of beam prediction result (s) . In some aspects, the UE 702 may also report feedback information 726 to the network node 704 to indicate whether the beam prediction result (s) carried by the report 724 is based on AI / ML or not based on AI / ML. In some aspects, instead of transmitting the request 718 to switch and receiving the approval 720, the UE 702 may perform the switch at 722 without a request / approval and transmit feedback information 726 to indicate whether each feedback occasion associated with the second set of beam prediction result (s) is based on AI / ML or not (e.g., indicate which feedback occasions of the feedback information are based on AI / ML, and which feedback occasions are based on non-AI / ML) , as further descried in connection with FIG. 8. In some aspects, to indicate whether each feedback occasion associated with the second set of beam prediction result (s) is based on AI / ML or not (e.g., indicate which feedback occasions of the feedback information are based on AI / ML, and which feedback occasions are based on non-AI / ML) , the feedback information 726 may include the starting occasion or the ending occasion associated with AI / ML or non-AI / ML. In some aspects, to indicate whether each feedback occasion associated with the second set of beam prediction result (s) is based on AI / ML or not (e.g., indicate which feedback occasions of the feedback information are based on AI / ML, and which feedback occasions are based on non-AI / ML) , the UE may indicate the time occasion where the switched is applied. In such aspects, the feedback information 726 may be carried in a separate UCI or MAC-CE compared to the report 724. In some aspects, the UE 702 may transmit capability information 705  to indicate whether the UE 702 supports reporting the feedback information with a request to switch between a non-AI / ML operation mode or an AI / ML operation mode or switch between the non-AI / ML operation mode or the AI / ML operation mode without the request.

[0093] In some aspects, based on whether the beam prediction for a particular feedback occasion is based on AI / ML or non-AI / ML, the payload of the report may be alternated (e.g., payload size of report 714 being different from payload size of report 724) or the same. In some aspects, if the request 718 is transmitted and the approval 720 is received, the payload size of report 724 may be different from the payload size of report 714 without further negotiation between the UE 702 and the network node 704. In some aspects, if the request 718 / the approval 720 is not transmitted, the payload size of report 724 may not be different from the payload size of report 714 without further negotiation between the UE 702 and the network node 704. In some aspects, if the request 718 / the approval 720 is not transmitted, the payload size of report 724 may be different from the payload size of report 714 if the same MAC-CE is used for the report 724 and the feedback information 726. In some aspects, if the request 718 / the approval 720 is not transmitted, the payload size of report 724 may be different from the payload size of report 714 if a two-part CSI report is used for the report 724 and the feedback information 726 and feedback information 726 is included in a first part (e.g., that is used to decode the second part) . In some aspects, if the report 724 reports non-AI / ML beam prediction result (s) , the report 724 may include less information, such as without reporting reliability level associated with the beam prediction result (s) . In some aspects, the if the report 724 reports non-AI / ML beam prediction result (s) , the report 724 may provide a less granularized L1-RSRP / L1-SINR quantization based on less number of bits compared to a report that reports AI / ML beam prediction result (s) that may provide a more granularized L1-RSRP / L1-SINR quantization based on more number of bits.

[0094] In some aspects, the contiguous duration, or average duration during a certain period that the UE is allowed to be switched to non-AI / ML for beam prediction, may be subject to a maximum allowed duration configured by the network node or configured without signaling. For example, if the UE 702 switched from using AI / ML to not using AI / ML for beam predictions at 722, the UE 702 may not be allowed to be performing and reporting beampredictions for a time period longer than the maximum allowed duration. In some aspects, if the report of beam prediction results is based on  CSI report, the CSI report configuration may include information regarding the maximum allowed duration. In some aspects, if the report of beam prediction results is based on MAC-CE, a corresponding radio resource control (RRC) configuration for a same serving cell may include information regarding the maximum allowed duration.

[0095] In some aspects, if non-AI / ML beam prediction is used, the UE may expect no auxiliary RSs associated with the corresponding information feedback occasion (e.g., report of the beam prediction results) . In some aspects, if non-AI / ML beam prediction is used, the associated UE feedback regarding measurement results on the auxiliary RSs, may be scheduled to verify the prediction / calculation accuracy associated with such occasion. In some aspects, if UE is expected to calculate metrics related with periodically or semi-persistently scheduled auxiliary RSs to verify the prediction / calculation accuracy associated with such occasion for the cases where AI / ML is used, the UE may skip the calculation or may the adding-up for the occasions based on non-AI / ML scheme. For example, the UE may to calculate a number of events where the predicted L1-RSRPs are a threshold number of dB lower than the measured L1-RSRPs (with the threshold being network configured or configured without signaling) , and report to the network node upon the number exceeds a certain threshold number (which may also be network configured or configured without signaling) . The UE may skip the calculation or skip the adding-up for the occasions based on non-AI / ML.

[0096] The aspects described in connection with beam prediction are provided as examples, and the aspects may be similarly applied to other AI / ML functionalities.

[0097] FIG. 8 is a diagram 800 illustrating feedback occasions based on non-AI / ML or based on AI / ML. As illustrated in FIG. 8, among a set of occasions of information feedback 810 which corresponds to a set of beam prediction results, there may be beam prediction result in multiple different time occasions including a first time occasion 810A, a second time occasion 810B, a third time occasion 810C, a fourth time occasion 810D, a fifth time occasion 810E, a sixth time occasion 810F, a seventh time occasion 810G, an eighth time occasion 810H, a ninth time occasion 810I, a tenth time occasion 810J, an eleventh time occasion 810K, a twelfth time occasion 810L, a thirteenth time occasion 810M, a fourteenth time occasion 810N, a fifteenth time occasion 810O, and a sixteenth time occasion 810P. Among the different time occasions, the fifth time occasion 810E, the sixth time occasion 810F, and the seventh  time occasion 810G maybe based on non-AI / ML, and the rest of the time occasions may be based on AI / ML. The feedback information associated with the set of beam prediction results associated with the set of occasions of information feedback 810 may indicate that the fifth time occasion 810E, the sixth time occasion 810F, and the seventh time occasion 810G is based on non-AI / ML and the rest of the time occasions is based on AI / ML.

[0098] FIG. 9 is a flowchart 900 of a method of wireless communication. The method may be performed by a UE (e.g., the UE 104, the UE 702; the apparatus 1304) .

[0099] At 902, the UE may receive, from a network node, a request to report a set of beam prediction results associated with a set of beams. For example, the UE 702 may receive, from a network node 704, a request (e.g., 706) to report a set of beam prediction results associated with a set of beams. In some aspects, 902 may be performed by prediction component 198.

[0100] At 904, the UE may transmit, to the network node, a report of the set of beam prediction results. For example, the UE 702 may transmit, to the network node 704, a report (e.g., 714) of the set of beam prediction results. In some aspects, 904 may be performed by prediction component 198.

[0101] At 906, the UE may transmit, to the network node, feedback information indicating whether the set of beam prediction results is based on an AI / ML model. For example, the UE 702 may transmit, to the network node 704, feedback information (e.g., 716) indicating whether the set of beam prediction results is based on an AI / ML model. In some aspects, 906 may be performed by prediction component 198.

[0102] FIG. 10 is a flowchart 1000 of a method of wireless communication. The method may be performed by a UE (e.g., the UE 104, the UE 702; the apparatus 1304) .

[0103] At 1001, the UE may transmit, to the network node, information regarding a capability associated with reporting the feedback information with a request to switch between a non-AI / ML operation mode or an AI / ML operation mode or with reporting the feedback information without the request to switch between the non-AI / ML operation mode or the AI / ML operation mode. For example, the UE 702 may transmit, to the network node 704, information regarding a capability (e.g., 705) associated with reporting the feedback information with a request to switch between a non-AI / ML operation mode or an AI / ML operation mode or with reporting the feedback information without the request to switch between the non-AI / ML operation mode or  the AI / ML operation mode. In some aspects, 1001 may be performed by prediction component 198.

[0104] At 1002, the UE may receive, from a network node, a request to report a set of beam prediction results associated with a set of beams. For example, the UE 702 may receive, from a network node 704, a request (e.g., 706) to report a set of beam prediction results associated with a set of beams. In some aspects, 1002 may be performed by prediction component 198.

[0105] At 1004, the UE may transmit, to the network node, a report of the set of beam prediction results. For example, the UE 702 may transmit, to the network node 704, a report (e.g., 714) of the set of beam prediction results. In some aspects, 1004 may be performed by prediction component 198.

[0106] At 1006, the UE may transmit, to the network node, feedback information indicating whether the set of beam prediction results is based on an AI / ML model. For example, the UE 702 may transmit, to the network node 704, feedback information (e.g., 716) indicating whether the set of beam prediction results is based on an AI / ML model. In some aspects, 1006 may be performed by prediction component 198.

[0107] In some aspects, the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and where the feedback information further indicates a set of L1 RSRPs, a set of L1 SINRs, or a rank of resources associated with a first quantity of SSB resources, CSI-RS resources, or virtual resources, and where the feedback information is based on second quantity of the SSB resources, the CSI-RS resources, or the virtual resources. In some aspects, the rank of resources is based on the set of L1 RSRPs or the set of L1 SINRs associated with the first quantity of the SSB resources, the CSI-RS resources, or the virtual resources. In some aspects, the virtual resources do not overlap with a physically occupied resource in a time domain, a frequency domain, and a spatial domain, and where the virtual resources are associated with the CSI-RS resources or the SSB resources. In some aspects, the set of beam prediction results is based on a temporal prediction based on at least one time domain occasion, a spatial domain prediction based on at least one transmit spatial filter, or a frequency domain prediction based on at least one frequency range, at least one component carrier, at least one cell, or at least one BWP.

[0108] At 1008, the UE may transmit, to the network node, the request to switch to a non-AI / ML operation mode. For example, the UE 702 may transmit, to the network node  704, the request 718 to switch to a non-AI / ML operation mode. Insome aspects, 1008 may be performed by prediction component 198.

[0109] At 1010, the UE may receive, from the network node, an approval for the request to the non-AI / ML operation mode. For example, the UE 702 may receive, from the network node 704, an approval 720 for the request to the non-AI / ML operation mode. In some aspects, 1010 may be performed by prediction component 198.

[0110] At 1012, the UE may switch to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model. For example, the UE 702 may switch (e.g., at 722) to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model. In some aspects, 1012 may be performed by prediction component 198.

[0111] At 1014, the UE may transmit, to the network node, the second set of beam prediction results. For example, the UE 702 may transmit, to the network node 704, the second set of beam prediction results (e.g., in report 724) . In some aspects, 1014 may be performed by prediction component 198.

[0112] In some aspects, to transmit the feedback information, the UE may transmit the feedback information in a MAC-CE, where the report is included in the MAC-CE, a second MAC-CE, or UCI. In some aspects, the feedback information indicates that the set of beam prediction results is based on the AI / ML model. In some aspects, the UE may transmit, to the network node, the request to switch to a non-AI / ML operation mode, receive, from the network node, an approval for the request to the non-AI / ML operation mode, and switch, based on the approval, to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model. In some aspects, the approval is included in DCI or a third MAC-CE, and the UE may switch, after a time threshold after reception of the approval, to the non-AI / ML operation mode to generate the second set of beam prediction results not based on the AI / ML model. In some aspects, the UE may transmit, to the network node, a second report of the second set of beam prediction results. In some aspects, a first payload size associated with the report of the set of beam prediction results is different from a second payload size associated with the second report of the second set of beam prediction results.

[0113] In some aspects, the feedback information indicates that a first subset of the set of beam prediction results is based on the AI / ML model and a second subset of the set of beam prediction results is not based on the AI / ML model. In some aspects, the  feedback information further indicates a first starting time occasion or a first end time occasion associated with the first subset of the set of beam prediction results and a second starting time occasion or a second end time occasion associated with the second subset of the set of beam prediction results. In some aspects, a first payload size associated with the report of the set of beam prediction results is equivalent to a second payload size associated with a second report of a second set of beam prediction results. In some aspects, to maintain the second payload size to be equivalent to the first payload size, the second report includes: a reduced quantity of bits for a reliability level associated with the second set of beam prediction results or is based on a different quantization.

[0114] In some aspects, to transmit the feedback information, the UE may transmit the feedback information in first UCI, where the report is included in the first UCI, a second UCI, or MAC-CE. In some aspects, the feedback information indicates that the set of beam prediction results is based on the AI / ML model and the UE may transmit, to the network node, the request to switch to a non-AI / ML operation mode, receive, from the network node, an approval for the request to the non-AI / ML operation mode, and switch, based on the approval, to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model.

[0115] In some aspects, the approval is included in DCI or a second MAC-CE, and the UE may switch, after a time threshold after reception of the approval, to the non-AI / ML operation mode to generate the second set of beam prediction results not based on the AI / ML model, and transmit, to the network node, the second set of beam prediction results. In some aspects, a first payload size associated with the set of beam prediction results is different from a second payload size associated with the second set of beam prediction results. In some aspects, the feedback information indicates that the set of beam prediction results is not based on the AI / ML model and the UE may refrain from monitoring one or more auxiliary reference signals (RSs) associated with the set of beam prediction results and refrain from verifying or calculating a set of metrics associated with the set of beam prediction results.

[0116] FIG. 11 is a flowchart 1100 of a method of wireless communication. The method may be performed by a network node (e.g., the base station 102, the network node 704, the network entity 1302, the network entity 1402) .

[0117] At 1102, the network node may transmit, for a UE, a request to report a set of beam prediction results associated with a set of beams. For example, the network node 704  may transmit, for a UE 702, a request (e.g., 706) to report a set of beam prediction results associated with a set of beams. In some aspects, 1102 may be performed by prediction component 199.

[0118] At 1104, the network node may receive, from the UE, a report of the set of beam prediction results. For example, the network node 704 may receive, from the UE 702, a report (e.g., 714) of the set of beam prediction results. In some aspects, 1104 may be performed by prediction component 199.

[0119] At 1106, the network node may receive, from the UE, feedback information indicating whether the set of beam prediction results is based on an AI / ML model. For example, the network node 704 may receive, from the UE 702, feedback information (e.g., 716) indicating whether the set of beam prediction results is based on an AI / ML model. In some aspects, 1106 may be performed by prediction component 199.

[0120] FIG. 12 is a flowchart 1200 of a method of wireless communication. The method may be performed by a network node (e.g., the base station 102, the network node 704, the network entity 1302, the network entity 1402) .

[0121] At 1201, the network node may receive, from the UE, information regarding a capability associated with reporting the feedback information with a request to switch between a non-AI / ML operation mode or an AI / ML operation mode or with reporting the feedback information without the request to switch between the non-AI / ML operation mode or the AI / ML operation mode. For example, the network node 704 may receive, from the UE 702, information regarding a capability (e.g., 705) associated with reporting the feedback information with a request to switch between a non-AI / ML operation mode or an AI / ML operation mode or with reporting the feedback information without the request to switch between the non-AI / ML operation mode or the AI / ML operation mode. In some aspects, 1201 may be performed by prediction component 199.

[0122] At 1202, the network node may transmit, for a UE, a request to report a set of beam prediction results associated with a set of beams. For example, the network node 704 may transmit, for a UE 702, a request (e.g., 706) to report a set of beam prediction results associated with a set of beams. In some aspects, 1202 may be performed by prediction component 199.

[0123] At 1204, the network node may receive, from the UE, a report of the set of beam prediction results. For example, the network node 704 may receive, from the UE 702,  a report (e.g., 714) of the set of beam prediction results. In some aspects, 1204 may be performed by prediction component 199.

[0124] At 1206, the network node may receive, from the UE, feedback information indicating whether the set of beam prediction results is based on an AI / ML model. For example, the network node 704 may receive, from the UE 702, feedback information (e.g., 716) indicating whether the set of beam prediction results is based on an AI / ML model. In some aspects, 1206 may be performed by prediction component 199.

[0125] In some aspects, the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and where the feedback information further indicates a set of L1 RSRPs, a set of L 1 SINRs, or a rank of resources associated with a first quantity of SSB resources, CSI-RS resources, or virtual resources, and where the feedback information is based on second quantity of the SSB resources, the CSI-RS resources, or the virtual resources. In some aspects, the rank of resources is based on the set of L1 RSRPs or the set of L1 SINRs associated with the first quantity of the SSB resources, the CSI-RS resources, or the virtual resources. In some aspects, the virtual resources do not overlap with a physically occupied resource in a time domain, a frequency domain, and a spatial domain, and where the virtual resources are associated with the CSI-RS resources or the SSB resources. In some aspects, the set of beam prediction results is based on a temporal prediction based on at least one time domain occasion, a spatial domain prediction based on at least one transmit spatial filter, or a frequency domain prediction based on at least one frequency range, at least one component carrier, at least one cell, or at least one BWP.

[0126] At 1208, the network node may receive, from the UE, the request to switch to a non-AI / ML operation mode. For example, the network node 704 may receive, from the UE 702, the request 718 to switch to a non-AI / ML operation mode. In some aspects, 1208 may be performed by prediction component 199.

[0127] At 1210, the network node may transmit, for the UE, an approval for the request to switch to the non-AI / ML operation mode. For example, the network node 704 may transmit, for the UE 702, an approval 720 for the request 718 to switch to the non-AI / ML operation mode. In some aspects, 1210 may be performed by prediction component 199.

[0128] At 1214, the network node may receive, from the UE, a second report of the second set of beam prediction results. For example, the network node 704 may receive, from  the UE 702, a second report (e.g., report 724) of the second set of beam prediction results. In some aspects, 1214 may be performed by prediction component 199.

[0129] FIG. 13 is a diagram 1300 illustrating an example of a hardware implementation for an apparatus 1304. The apparatus 1304 may be a UE, a component of a UE, or may implement UE functionality. In some aspects, the apparatus 1304 may include at least one cellular baseband processor 1324 (also referredto as a modem) coupled to one or more transceivers 1322 (e.g., cellular RF transceiver) . The cellular baseband processor (s) 1324 may include at least one on-chip memory 1324′. In some aspects, the apparatus 1304 may further include one or more subscriber identity modules (SIM) cards 1320 and at least one application processor 1306 coupled to a secure digital (SD) card 1308 and a screen 1310. The application processor (s) 1306 may include on-chip memory 1306′. In some aspects, the apparatus 1304 may further include a Bluetooth module 1312, a WLAN module 1314, an SPS module 1316 (e.g., GNSS module) , one or more sensor modules 1318 (e.g., barometric pressure sensor  / altimeter; motion sensor such as inertial measurement unit (IMU) , gyroscope, and / or accelerometer (s) ; light detection and ranging (LIDAR) , radio assisted detection and ranging (RADAR) , sound navigation and ranging (SONAR) , magnetometer, audio and / or other technologies used for positioning) , additional memory modules 1326, a power supply 1330, and / or a camera 1332. The Bluetooth module 1312, the WLAN module 1314, and the SPS module 1316 may include an on-chip transceiver (TRX) (or in some cases, just a receiver (RX) ) . The Bluetooth module 1312, the WLAN module 1314, and the SPS module 1316 may include their own dedicated antennas and / or utilize the antennas 1380 for communication. The cellular baseband processor (s) 1324 communicates through the transceiver (s) 1322 via one or more antennas 1380 with the UE 104 and / or with an RU associated with a network entity 1302. The cellular baseband processor (s) 1324 and the application processor (s) 1306 may each include a computer-readable medium  / memory 1324′, 1306′, respectively. The additional memory modules 1326 may also be considered a computer-readable medium  / memory. Each computer-readable medium  / memory 1324′, 1306′, 1326 may be non-transitory. The cellular baseband processor (s) 1324 and the application processor (s) 1306 are each responsible for general processing, including the execution of software stored on the computer-readable medium  / memory. The software, when executed by the cellular baseband processor (s) 1324  / application processor (s) 1306, causes the cellular baseband processor (s) 1324  / application processor (s) 1306 to  perform the various functions descried supra. The computer-readable medium  / memory may also be used for storing data that is manipulated by the cellular baseband processor (s) 1324  / application processor (s) 1306 when executing software. The cellular baseband processor (s) 1324  / application processor (s) 1306 may be a component of the UE 350 and may include the at least one memory 360 and / or at least one of the TX processor 368, the RX processor 356, and the controller / processor 359. In one configuration, the apparatus 1304 may be at least one processor chip (modem and / or application) and include just the cellular baseband processor (s) 1324 and / or the application processor (s) 1306, and in another configuration, the apparatus 1304 maybe the entire UE (e.g., see UE 350 of FIG. 3) and include the additional modules of the apparatus 1304.

[0130] As discussed supra, the prediction component 198 maybe configured to receive, from a network node, a request to report a set of beam prediction results associated with a set of beams. In some aspects, the prediction component 198 may be further configured to transmit, to the network node, a report of the set of beam prediction results. In some aspects, the prediction component 198 may be further configured to transmit, to the network node, feedback information indicating whether the set of beam prediction results is based on an AI / ML model. The prediction component 198 may be within the cellular baseband processor (s) 1324, the application processor (s) 1306, or both the cellular baseband processor (s) 1324 and the application processor (s) 1306. The component 198 may be one or more hardware components specifically configured to carry out the stated processes / algorithm, implemented by one or more processors configured to perform the stated processes / algorithm, stored within a computer-readable medium for implementation by one or more processors, or some combination thereof. When multiple processors are implemented, the multiple processors may perform the stated processes / algorithm individually or in combination. As shown, the apparatus 1304 may include a variety of components configured for various functions. In one configuration, the apparatus 1304, and in particular the cellular baseband processor (s) 1324 and / or the application processor (s) 1306, may include means for receiving, from a network node, a request to report a set of beam prediction results associated with a set of beams. In some aspects, the apparatus 1304 may include means for transmitting, to the network node, a report of the set of beam prediction results. In some aspects, the apparatus 1304 may include means for transmitting, to the network node, feedback information indicating whether  the set of beam prediction results is based on an AI / ML model. In some aspects, the apparatus 1304 may include means for transmitting the feedback information in a MAC-CE. In some aspects, the apparatus 1304 may include means for transmitting, to the network node, the request to switch to a non-AI / ML operation mode, where the request is included in the MAC-CE, a second MAC-CE, or UCI. In some aspects, the apparatus 1304 may include means for receiving, from the network node, an approval for the request to the non-AI / ML operation mode. In some aspects, the apparatus 1304 may include means for switching, based on the approval, to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model. In some aspects, the apparatus 1304 may include means for switching, after a time threshold after reception of the approval, to the non-AI / ML operation mode to generate the second set of beam prediction results not based on the AI / ML model. In some aspects, the apparatus 1304 may include means for transmitting, to the network node, a second report of the second set of beam prediction results. In some aspects, the apparatus 1304 may include means for transmitting, to the network node, the request to switch to a non-AI / ML operation mode, where the request is included in the first UCI, a second UCI, or MAC-CE. In some aspects, the apparatus 1304 may include means for receiving, from the network node, an approval for the request to the non-AI / ML operation mode. In some aspects, the apparatus 1304 may include means for switching, based on the approval, to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model. In some aspects, the apparatus 1304 may include means for switching, after a time threshold after reception of the approval, to the non-AI / ML operation mode to generate the second set of beam prediction results not based on the AI / ML model. In some aspects, the apparatus 1304 may include means for transmitting, to the network node, the second set of beam prediction results. In some aspects, the apparatus 1304 may include means for refraining from monitoring one or more auxiliary RSs associated with the set of beam prediction results. In some aspects, the apparatus 1304 may include means for refraining from verifying or calculating a set of metrics associated with the set of beam prediction results. In some aspects, the apparatus 1304 may include means for transmitting, to the network node, information regarding a capability associated with reporting the feedback information with a request to switch between a non-AI / ML operation mode or an AI / ML operation mode or with reporting the feedback information without the request to switch between the non-AI / ML  operation mode or the AI / ML operation mode. The means may be the component 198 of the apparatus 1304 configured to perform the functions recited by the means. As described supra, the apparatus 1304 may include the TX processor 368, the RX processor 356, and the controller / processor 359. As such, in one configuration, the means may be the TX processor 368, the RX processor 356, and / or the controller / processor 359 configured to perform the functions recited by the means.

[0131] FIG. 14 is a diagram 1400 illustrating an example of a hardware implementation for a network entity 1402. The network entity 1402 may be a BS, a component of a BS, or may implement BS functionality. The network entity 1402 may include at least one of a CU 1410, a DU 1430, or an RU 1440. For example, depending on the layer functionality handled by the component 199, the network entity 1402 may include the CU 1410; both the CU 1410 and the DU 1430; each of the CU 1410, the DU 1430, and the RU 1440; the DU 1430; both the DU 1430 and the RU 1440; or the RU 1440. The CU 1410 may include at least one CU processor 1412. The CU processor (s) 1412 may include on-chip memory 1412′. In some aspects, the CU 1410 may further include additional memory modules 1414 and a communications interface 1418. The CU 1410 communicates with the DU 1430 through a midhaul link, such as an F1 interface. The DU 1430 may include at least one DU processor 1432. The DU processor (s) 1432 may include on-chip memory 1432′. In some aspects, the DU 1430 may further include additional memory modules 1434 and a communications interface 1438. The DU 1430 communicates with the RU 1440 through a fronthaul link. The RU 1440 may include at least one RU processor 1442. The RU processor (s) 1442 may include on-chip memory 1442′. In some aspects, the RU 1440 may further include additional memory modules 1444, one or more transceivers 1446, antennas 1480, and a communications interface 1448. The RU 1440 communicates with the UE 104. The on-chip memory 1412′, 1432′, 1442′and the additional memory modules 1414, 1434, 1444 may each be considered a computer-readable medium  / memory. Each computer-readable medium  / memory may be non-transitory. Each of the processors 1412, 1432, 1442 is responsible for general processing, including the execution of software stored on the computer-readable medium  / memory. The software, when executedby the corresponding processor (s) causes the processor (s) to perform the various functions descried supra. The computer-readable medium  / memory may also be used for storing data that is manipulated by the processor (s) when executing software.

[0132] As discussed supra, the prediction component 199 may be configured to transmit, for a UE, a request to report a set of beam prediction results associated with a set of beams. In some aspects, the prediction component 199 may be further configured to receive, from the UE, a report of the set of beam prediction results. In some aspects, the prediction component 199 may be further configured to receive, from the UE, feedback information indicating whether the set of beam prediction results is based on an AI / ML model. The prediction component 199 may be within one or more processors of one or more of the CU 1410, DU 1430, and the RU 1440. The component 199 may be one or more hardware components specifically configured to carry out the stated processes / algorithm, implemented by one or more processors configured to perform the stated processes / algorithm, stored within a computer-readable medium for implementation by one or more processors, or some combination thereof. When multiple processors are implemented, the multiple processors may perform the stated processes / algorithm individually or in combination. The network entity 1402 may include a variety of components configured for various functions. In one configuration, the network entity 1402 may include means for transmitting, for a UE, a request to report a set of beam prediction results associated with a set of beams. In some aspects, the network entity 1402 may include means for receiving, from the UE, a report of the set of beam prediction results. In some aspects, the network entity 1402 may include means for receiving, from the UE, feedback information indicating whether the set of beam prediction results is based on an AI / ML model. In some aspects, the network entity 1402 may include means for receiving the feedback information in a MAC-CE. In some aspects, the network entity 1402 may include means for receiving, from the UE, the request to switch to a non-AI / ML operation mode, where the request is included in the MAC-CE, a second MAC-CE, or UCI. In some aspects, the network entity 1402 may include means for transmitting, for the UE, an approval for the request to the non-AI / ML operation mode. In some aspects, the network entity 1402 may include means for receiving, from the UE, a second report of the second set of beam prediction results. In some aspects, the network entity 1402 may include means for receiving the feedback information in first UCI. In some aspects, the network entity 1402 may include means for receiving, from the UE, the request to switch to a non-AI / ML operation mode, where the request is included in the first UCI, a second UCI, or MAC-CE. In some aspects, the network entity 1402 may include means for transmitting, for the UE, an approval for the request to the  non-AI / ML operation mode. In some aspects, the network entity 1402 may include means for receiving, from the UE, the second set of beam prediction results. In some aspects, the network entity 1402 may include means for receiving, from the UE, information regarding a capability associated with reporting the feedback information with a request to switch between a non-AI / ML operation mode or an AI / ML operation mode or with reporting the feedback information without the request to switch between the non-AI / ML operation mode or the AI / ML operation mode. The means may be the component 199 of the network entity 1402 configured to perform the functions recited by the means. As described supra, the network entity 1402 may include the TX processor 316, the RX processor 370, and the controller / processor 375. As such, in one configuration, the means may be the TX processor 316, the RX processor 370, and / or the controller / processor 375 configured to perform the functions recited by the means.

[0133] It is understood that the specific order or hierarchy of blocks in the processes  / flowcharts disclosed is an illustration of example approaches. Based upon design preferences, it is understood that the specific order or hierarchy of blocks in the processes  / flowcharts may be rearranged. Further, some blocks may be combined or omitted. The accompanying method claims present elements of the various blocks in a sample order, and are not limited to the specific order or hierarchy presented.

[0134] The previous description is provided to enable any person skilled in the art to practice the various aspects described herein. Various modifications to these aspects will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other aspects. Thus, the claims are not limited to the aspects described herein, but are to be accorded the full scope consistent with the language claims. Reference to an element in the singular does not mean “one and only one” unless specifically so stated, but rather “one or more. ” Terms such as “if, ” “when, ” and “while” do not imply an immediate temporal relationship or reaction. That is, these phrases, e.g., “when, ” do not imply an immediate action in response to or during the occurrence of an action, but simply imply that if a condition is met then an action will occur, but without requiring a specific or immediate time constraint for the action to occur. The word “exemplary” is used herein to mean “serving as an example, instance, or illustration. ” Any aspect descried herein as “exemplary” is not necessarily to be construed as preferred or advantageous over other aspects. Unless specifically stated otherwise, the term “some” refers to one or more. Combinations  such as “at least one of A, B, or C, ” “one or more of A, B, or C, ” “at least one of A, B, and C, ” “one or more of A, B, and C, ” and “A, B, C, or any combination thereof” include any combination of A, B, and / or C, and may include multiples of A, multiples of B, or multiples of C. Specifically, combinations such as “at least one of A, B, or C, ” “one or more of A, B, or C, ” “at least one of A, B, and C, ” “one or more of A, B, and C, ” and “A, B, C, or any combination thereof” may be A only, B only, C only, A and B, A and C, B and C, or A and B and C, where any such combinations may contain one or more member or members of A, B, or C. Sets should be interpreted as a set of elements where the elements number one or more. Accordingly, for a set of X, X would include one or more elements. When at least one processor is configured to perform a set of functions, the at least one processor, individually or in any combination, is configured to perform the set of functions. Accordingly, each processor of the at least one processor may be configured to perform a particular subset of the set of functions, where the subset is the full set, a proper subset of the set, or an empty subset of the set. If a first apparatus receives data from or transmits data to a second apparatus, the data may be received / transmitted directly between the first and second apparatuses, or indirectly between the first and second apparatuses through a set of apparatuses. A device configured to “output” data, such as a transmission, signal, or message, may transmit the data, for example with a transceiver, or may send the data to a device that transmits the data. A device configured to “obtain” data, such as a transmission, signal, or message, may receive, for example with a transceiver, or may obtain the data from a device that receives the data. Information stored in a memory includes instructions and / or data. All structural and functional equivalents to the elements of the various aspects described throughout this disclosure that are known or later come to be known to those of ordinary skill in the art are expressly incorporated herein by reference and are encompassed by the claims. Moreover, nothing disclosed herein is dedicated to the public regardless of whether such disclosure is explicitly recited in the claims. The words “module, ” “mechanism, ” “element, ” “device, ” and the like may not be a substitute for the word “means. ” As such, no claim element is to be construed as ameans plus function unless the element is expressly recited using the phrase “means for. ”

[0135] As used herein, the phrase “based on” shall not be construed as a reference to a closed set of information, one or more conditions, one or more factors, or the like. In other words, the phrase “based on A” (where “A” may be information, a condition, a factor,  or the like) shall be construed as “based at least on A” unless specifically recited differently.

[0136] The following aspects are illustrative only and may be combined with other aspects or teachings descried herein, without limitation.

[0137] Aspect 1 is a method for wireless communication performed by a UE, including: receiving, from a network node, a request to report a set of beam prediction results associated with a set of beams; transmitting, to the network node, a report of the set of beam prediction results; and transmitting, to the network node, feedback information indicating whether the set of beam prediction results is based on an AI / ML model.

[0138] Aspect 2 is the method of aspect 1, where the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and where the feedback information further indicates a set of L1 RSRPs, a set of L1 SINRs, or a rank of resources associated with a first quantity of SSB resources, CSI-RS resources, or virtual resources, and where the feedback information is based on second quantity of the SSB resources, the CSI-RS resources, or the virtual resources.

[0139] Aspect 3 is the method of aspect 2, where the rank of resources is based on the set of L1 RSRPs or the set of L1 SINRs associated with the first quantity of the SSB resources, the CSI-RS resources, or the virtual resources.

[0140] Aspect 4 is the method of any of aspects 2-3, where the virtual resources do not overlap with a physically occupied resource in a time domain, a frequency domain, and a spatial domain, and where the virtual resources are associated with the CSI-RS resources or the SSB resources.

[0141] Aspect 5 is the method of any of aspects 1-4, where the set of beam prediction results is based on a temporal prediction based on at least one time domain occasion, a spatial domain prediction based on at least one transmit spatial filter, or a frequency doma in prediction based on at least one frequency range, at least one component carrier, at least one cell, or at least one BWP.

[0142] Aspect 6 is the method of any of aspects 1-5, where transmitting the feedback information further includes transmitting the feedback information in a MAC-CE, where the report is included in the MAC-CE, a second MAC-CE, or UCI.

[0143] Aspect 7 is the method of aspect 6, where the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and further including: transmitting, to the network node, the request to switch to a non-AI / ML operation  mode; receiving, from the network node, an approval for the request to the non-AI / ML operation mode; and switching, based on the approval, to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model.

[0144] Aspect 8 is the method of aspect 7, where the approval is included in DCI or a third MAC-CE, and further including: switching, after a time threshold after reception of the approval, to the non-AI / ML operation mode to generate the second set of beam prediction results not based on the AI / ML model; and transmitting, to the network node, a second report of the second set of beam prediction results.

[0145] Aspect 9 is the method of aspect 8, where a first payload size associated with the report of the set of beam prediction results is different from a second payload size associated with the second report of the second set of beam prediction results.

[0146] Aspect 10 is the method of any of aspects 1-9, where the feedback information indicates that a first subset of the set of beam prediction results is based on the AI / ML model and a second subset of the set of beam prediction results is not based on the AI / ML model.

[0147] Aspect 11 is the method of aspect 10, where the feedback information further indicates a first starting time occasion or a first end time occasion associated with the first subset of the set of beam prediction results and a second starting time occasion or a second end time occasion associated with the second subset of the set of beam prediction results.

[0148] Aspect 12 is the method of any of aspects 10-11, where a first payload size associated with the report of the set of beam prediction results is equivalent to a second payload size associated with a second report of a second set of beam prediction results.

[0149] Aspect 13 is the method of aspect 12, where to maintain the second payload size to be equivalent to the first payload size, the second report includes: a reduced quantity of bits for a reliability level associated with the second set of beam prediction results or is based on a different quantization.

[0150] Aspect 14 is the method of any of aspects 1-13, where transmitting the feedback information further includes transmitting the feedback information in first UCI, where the report is included in the first UCI, a second UCI, or MAC-CE.

[0151] Aspect 15 is the method of aspect 14, where the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and further including: transmitting, to the network node, the request to switch to a non-AI / ML operation  mode; receiving, from the network node, an approval for the request to the non-AI / ML operation mode; and switching, based on the approval, to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model.

[0152] Aspect 16 is the method of aspect 15, where the approval is included in DCI or a second MAC-CE, and further including: switching, after a time threshold after reception of the approval, to the non-AI / ML operation mode to generate the second set of beam prediction results not based on the AI / ML model; and transmitting, to the network node, the second set of beam prediction results.

[0153] Aspect 17 is the method of aspect 14, where a first payload size associated with the set of beam prediction results is different from a second payload size associated with the second set of beam prediction results.

[0154] Aspect 18 is the method of any of aspects 11-17, where the feedback information indicates that the set of beam prediction results is not based on the AI / ML model, and further including: refraining from monitoring one or more auxiliary reference signals (RSs) associated with the set of beam prediction results; and refraining from verifying or calculating a set of metrics associated with the set of beam prediction results.

[0155] Aspect 19 is the method of any of aspects 1-18, where a non-AI / ML operation mode associated with not using the AI / ML model is subject to a maximum allowed duration, and where the maximum allowed duration is based on a configuration without signaling from the network node or a network node signaling.

[0156] Aspect 20 is the method of any of aspects 1-19, further including: transmitting, to the network node, information regarding a capability associated with reporting the feedback information with a request to switch between a non-AI / ML model or an AI / ML operation mode or with reporting the feedback information separate from the request to switch between the non-AI / ML model or the AI / ML operation mode.

[0157] Aspect 21 is the method of any of aspects 1-20, where the report is based on a channel state information (CSI) report.

[0158] Aspect 22 is a method for wireless communication performed by a network node, including: transmitting, for a UE, a request to report a set of beam prediction results associated with a set of beams; receiving, from the UE, a report of the set of beam prediction results; and receiving, from the UE, feedback information indicating whether the set of beam prediction results is based on an AI / ML model.

[0159] Aspect 23 is the method of aspect 22, where the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and where the feedback information further indicates a set of L1 RSRPs, a set of L1 SINRs, or a rank of resources associated with a first quantity of SSB resources, CSI-RS resources, or virtual resources, and where the feedback information is based on second quantity of the SSB resources, the CSI-RS resources, or the virtual resources.

[0160] Aspect 24 is the method of aspect 23, where the rank of resources is based on the set of L1 RSRPs or the set of L1 SINRs associated with the first quantity of the SSB resources, the CSI-RS resources, or the virtual resources.

[0161] Aspect 25 is the method of any of aspects 23-24, where the virtual resources do not overlap with a physically occupied resource in a time domain, a frequency domain, and a spatial domain, and where the virtual resources are associated with the CSI-RS resources or the SSB resources.

[0162] Aspect 26 is the method of any of aspects 22-25, where the set of beam prediction results is based on a temporal prediction based on at least one time domain occasion, a spatial domain prediction based on at least one transmit spatial filter, or a frequency domain prediction based on at least one frequency range, at least one component carrier, at least one cell, or at least one BWP.

[0163] Aspect 27 is the method of any of aspects 22-26, where the feedback information indicates that a first subset of the set of beam prediction results is based on the AI / ML model and a second subset of the set of beam prediction results is not based on the AI / ML model.

[0164] Aspect28 is the method of aspect 27, where the feedback information further indicates a first starting time occasion or a first end time occasion associated with the first subset of the set of beam prediction results and a second starting time occasion or a second end time occasion associated with the second subset of the set of beam prediction results.

[0165] Aspect 29 is an apparatus for wireless communication at a UE including at least one memory and at least one processor coupled to the at least one memory and, based at least in part on information stored in the at least one memory, the at least one processor is configured, individually or in combination, to implement any of aspects 1 to 21.

[0166] Aspect 30 is the apparatus of aspect 29, further including one or more transceivers or one or more antennas coupled to the at least one processor.

[0167] Aspect 31 is an apparatus for wireless communication at a UE including means for implementing any of aspects 1 to 21.

[0168] Aspect 32 is a computer-readable medium (e.g., a non-transitory computer-readable medium) storing computer executable code, where the code when executed by at least one processor causes the atleast one processor to implement any of aspects 1 to 21.

[0169] Aspect 33 is an apparatus for wireless communication at a network node including at least one memory and at least one processor coupled to the at least one memory and, based at least in part on information stored in the at least one memory, the at least one processor is configured, individually or in combination, to implement any of aspects 22 to 28.

[0170] Aspect 34 is the apparatus of aspect 23, further including one or more transceivers or one or more antennas coupled to the at least one processor.

[0171] Aspect 35 is an apparatus for wireless communication at a network node including means for implementing any of aspects 22 to 28.

[0172] Aspect 36 is a computer-readable medium (e.g., a non-transitory computer-readable medium) storing computer executable code, where the code when executed by at least one processor causes the at least one processor to implement any of aspects 22 to 28.

Claims

1.An apparatus for wireless communication at a user equipment (UE) , comprising:at least one memory; andat least one processor coupled to the at least one memory and, based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to:receive, from a network node, a request to report a set of beam prediction results associated with a set of beams;transmit, to the network node, a report of the set of beam prediction results; andtransmit, to the network node, feedback information indicating whether the set of beam prediction results is based on an artificial intelligence (AI) or machine learning (ML) (AI / ML) model.2.The apparatus of claim 1, wherein the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and wherein the feedback information further indicates a set of layer 1 (L1) reference signal received powers (RSRPs) , a set of L1 signal to interference and noise ratios (SINRs) , or a rank of resources associated with a first quantity of synchronization signal block (SSB) resources, channel state information reference signal (CSI-RS) resources, or virtual resources, and wherein the feedback information is based on second quantity of the SSB resources, the CSI-RS resources, or the virtual resources.3.The apparatus of claim 2, wherein the rank of resources is based on the set of L1 RSRPs or the set of L1 SINRs associated with the first quantity of the SSB resources, the CSI-RS resources, or the virtual resources.4.The apparatus of claim 2, wherein the virtual resources do not overlap with a physically occupied resource in atime domain, a frequency domain, and a spatial domain, and wherein the virtual resources are associated with the CSI-RS resources or the SSB resources.5.The apparatus of claim 1, wherein the set of beam prediction results is based on a temporal prediction based on at least one time domain occasion, a spatial domain prediction based on at least one transmit spatial filter, or a frequency domain prediction based on at least one frequency range, at least one component carrier, at least one cell, or at least one bandwidth part (BWP) .6.The apparatus of claim 1, wherein to transmit the feedback information, the at least one processor, individually or in any combination, is configured to transmit the feedback information in a medium access control (MAC) control element (MAC-CE) , wherein the report is included in the MAC-CE, a second MAC-CE, or uplink control information (UCI) .7.The apparatus of claim 6, wherein the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and wherein the at least one processor, individually or in any combination, is further configured to:transmit, to the network node, the request to switch to a non-AI / ML operation mode;receive, from the network node, an approval for the request to the non-AI / ML operation mode; andswitch, based on the approval, to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model.8.The apparatus of claim 7, wherein the approval is included in downlink control information (DCI) or a third MAC-CE, and wherein the at least one processor, individually or in any combination, is further configured to:switch, after a time threshold after reception of the approval, to the non-AI / ML operation mode to generate the second set of beam prediction results not based on the AI / ML model; andtransmit, to the network node, a second report of the second set of beam prediction results.9.The apparatus of claim 8, wherein a first payload size associated with the report of the set of beam prediction results is different from a second payload size associated with the second report of the second set of beam prediction results.10.The apparatus of claim 1, wherein the feedback information indicates that a first subset of the set of beam prediction results is based on the AI / ML model and a second subset of the set of beam prediction results is not based on the AI / ML model.11.The apparatus of claim 10, wherein the feedback information further indicates a first starting time occasion or a first end time occasion associated with the first subset of the set of beam prediction results and a second starting time occasion or a second end time occasion associated with the second subset of the set of beam prediction results.12.The apparatus of claim 10, wherein a first payload size associated with the report of the set of beam prediction results is equivalent to a second payload size associated with a second report of a second set of beam prediction results.13.The apparatus of claim 12, wherein to maintain the second payload size to be equivalent to the first payload size, the second report comprises: a reduced quantity of bits for a reliability level associated with the second set of beam prediction results or is based on a different quantization.14.The apparatus of claim 1, wherein to transmit the feedback information, the at least one processor, individually or in any combination, is configured to transmit the feedback information in first uplink control information (UCI) , wherein the report is included in the first UCI, a second UCI, or medium access control (MAC) control element (MAC-CE) .15.The apparatus of claim 14, wherein the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and wherein the at least one processor, individually or in any combination, is further configured to:transmit, to the network node, the request to switch to a non-AI / ML operation mode;receive, from the network node, an approval for the request to the non-AI / ML operation mode; andswitch, based on the approval, to the non-AI / ML operation mode to generate a second set of beam prediction results not based on the AI / ML model.16.The apparatus of claim 15, wherein the approval is included in downlink control information (DCI) or a second MAC-CE, and wherein the at least one processor, individually or in any combination, is further configured to:switch, after a time threshold after reception of the approval, to the non-AI / ML operation mode to generate the second set of beam prediction results not based on the AI / ML model; andtransmit, to the network node, the second set of beam prediction results.17.The apparatus of claim 14, wherein a first payload size associated with the set of beam prediction results is different from a second payload size associated with the second set of beam prediction results.18.The apparatus of claim 11, wherein the feedback information indicates that the set of beam prediction results is not based on the AI / ML model, and wherein the at least one processor, individually or in any combination, is further configured to:refrain from monitoring one or more auxiliary reference signals (RSs) associated with the set of beam prediction results; andrefrain from verifying or calculating a set of metrics associated with the set of beam prediction results.19.The apparatus of claim 1, wherein a non-AI / ML operation mode associated with not using the AI / ML model is subject to a maximum allowed duration, and wherein the maximum allowed duration is based on a configuration without signaling from the network node or a network node signaling.20.The apparatus of claim 1, wherein the at least one processor, individually or in any combination, is further configured to:transmit, to the network node, information regarding a capability associated with reporting the feedback information with a request to switch between a non-AI / ML operation mode or an AI / ML operation mode or with reporting the feedback information without the request to switch between the non-AI / ML operation mode or the AI / ML operation mode.21.The apparatus of claim 1, further comprising at least one of a transceiver or an antenna coupled to the at least one processor, wherein to transmit the report, the at least one processor, individually or in any combination, is configured to transmit the report via at least one of the transceiver or the antenna, and wherein the report is based on a channel state information (CSI) report.22.An apparatus for wireless communication at a network node, comprising:at least one memory; andat least one processor coupled to the at least one memory and, based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to:transmit, for a user equipment (UE) , a request to report a set of beam prediction results associated with a set of beams;receive a report of the set of beam prediction results; andreceive feedback information indicating whether the set of beam prediction results is based on an artificial intelligence (AI) or machine learning (ML) (AI / ML) model.23.The apparatus of claim 22, wherein the feedback information indicates that the set of beam prediction results is based on the AI / ML model, and wherein the feedback information further indicates a set of layer 1 (L1) reference signal received powers (RSRPs) , a set of L1 signal to interference and noise ratios (SINRs) , or a rank of resources associated with a first quantity of synchronization signal block (SSB) resources, channel state information reference signal (CSI-RS) resources, or virtual resources, and wherein the feedback information is based on second quantity of the SSB resources, the CSI-RS resources, or the virtual resources.24.The apparatus of claim 23, wherein the rank of resources is based on the set of L1 RSRPs or the set of L1 SINRs associated with the first quantity of the SSB resources, the CSI-RS resources, or the virtual resources.25.The apparatus of claim 23, wherein the virtual resources do not overlap with a physically occupied resource in atime domain, a frequency domain, and a spatial domain, and wherein the virtual resources are associated with the CSI-RS resources or the SSB resources.26.The apparatus of claim 22, wherein the set of beam prediction results is based on a temporal prediction based on at least one time domain occasion, a spatial domain prediction based on at least one transmit spatial filter, or a frequency domain prediction based on at least one frequency range, at least one component carrier, at least one cell, or at least one bandwidth part (BWP) .27.The apparatus of claim 22, wherein the feedback information indicates that a first subset of the set of beam prediction results is based on the AI / ML model and a second subset of the set of beam prediction results is not based on the AI / ML model.28.The apparatus of claim 27, further comprising at least one of a transceiver or an antenna coupled to the at least one processor, wherein to receive the report, the at least one processor, individually or in any combination, is configured to receive the report via at least one of the transceiver or the antenna, andwherein the feedback information further indicates a first starting time occasion or a first end time occasion associated with the first subset of the set of beam prediction results and a second starting time occasion or a second end time occasion associated with the second subset of the set of beam prediction results.29.A method of wireless communication at a user equipment (UE) , comprising:receiving, from a network node, a request to report a set of beam prediction results associated with a set of beams;transmitting, to the network node, a report of the set of beam prediction results; andtransmitting, to the network node, feedback information indicating whether the set of beam prediction results is based on an artificial intelligence (AI) or machine learning (ML) (AI / ML) model.30.A method of wireless communication at a network node, comprising:transmitting, for a user equipment (UE) , a request to report a set of beam prediction results associated with a set of beams;receiving a report of the set of beam prediction results; andreceiving feedback information indicating whether the set of beam prediction results is based on an artificial intelligence (AI) or machine learning (ML) (AI / ML) model.

Images