Systems and methods of enabling dataset identifier / model identifier consistency for handover when using artificial-intelligence-based air interface mechanisms

Abstract

Systems and methods of enabling dataset identifier (ID) / model ID consistency for handover when using artificial-intelligence (AI)-based air interface mechanisms are disclosed. In some embodiments, a user equipment (UE) receives, from a source cell, a handover command instructing the UE to perform a handover to a target cell; performs the handover to the target cell in response to the handover command, the handover comprising sending, to the target cell, a handover complete message comprising an indication of whether the UE has an AI / machine learning (ML) model for processing signaling of the target cell that is performed according to a network-side condition; receives, from the target cell, an activation command instructing the UE to use the AI / ML model; and processes, in response to the activation command, using the AI / ML model, the signaling of the target cell. Corresponding functions for the target cell and the source cell are discussed.

Description

SYSTEMS AND METHODS OF ENABLING DATASET IDENTIFIER / MODEL IDENTIFIER CONSISTENCY FOR HANDOVER WHEN USING ARTIFICIAL-INTELLIGENCE-BASED AIR INTERFACE MECHANISMSTECHNICAL FIELD

[0001] This application relates generally to wireless communication systems, including wireless communications systems that use AI / ML models to process of signaling of a cell.BACKGROUND

[0002] Wireless mobile communication technology uses various standards and protocols to transmit data between a base station and a wireless communication device. Wireless communication system standards and protocols can include, for example, 3rd Generation Partnership Project (3GPP) Long Term Evolution (LTE) (e.g., 4G) , 3GPP New Radio (NR) (e.g., 5G) , and Institute of Electrical and Electronics Engineers (IEEE) 802.11 standard for Wireless Local Area Networks (WLAN) (commonly known to industry groups as  ) .

[0003] As contemplated by the 3GPP, different wireless communication systems' standards and protocols can use various radio access networks (RANs) for communicating between a base station of the RAN (which may also sometimes be referred to generally as a RAN node, a network node, or simply a node) and a wireless communication device known as a user equipment (UE) . 3GPP RANs can include, for example, Global System for Mobile communications (GSM) , Enhanced Data Rates for GSM Evolution (EDGE) RAN (GERAN) , Universal Terrestrial Radio Access Network (UTRAN) , Evolved Universal Terrestrial Radio Access Network (E-UTRAN) , and / or Next-Generation Radio Access Network (NG-RAN) .

[0004] Each RAN may use one or more radio access technologies (RATs) to perform communication between the base station and the UE. For example, the GERAN implements GSM and / or EDGE RAT, the UTRAN implements Universal Mobile Telecommunication System (UMTS) RAT or other 3GPP RAT, the E-UTRAN implements LTE RAT (sometimes simply referred to as LTE) , and NG-RAN implements NR RAT (sometimes referred to herein as 5G RAT, 5G NR RAT, or simply NR) . In  certain deployments, the E-UTRAN may also implement NR RAT. In certain deployments, NG-RAN may also implement LTE RAT.

[0005] A base station used by a RAN may correspond to that RAN. One example of an E-UTRAN base station is an Evolved Universal Terrestrial Radio Access Network (E-UTRAN) Node B (also commonly denoted as evolved Node B, enhanced Node B, eNodeB, or eNB) . One example of an NG-RAN base station is a next generation Node B (also sometimes referred to as a g Node B or gNB) .

[0006] A RAN provides its communication services with external entities through its connection to a core network (CN) . For example, E-UTRAN may utilize an Evolved Packet Core (EPC) while NG-RAN may utilize a 5G Core Network (5GC) .

[0007] Frequency bands for 5G NR may be separated into two or more different frequency ranges. For example, Frequency Range 1 (FR1) may include frequency bands operating in sub-6 gigahertz (GHz) frequencies, some of which are bands that may be used by previous standards, and may potentially be extended to cover new spectrum offerings from 410 megahertz (MHz) to 7125 MHz. Frequency Range 2 (FR2) may include frequency bands from 24.25 GHz to 52.6 GHz. Note that in some systems, FR2 may also include frequency bands from 52.6 GHz to 71 GHz (or beyond) . Bands in the millimeter wave (mmWave) range of FR2 may have smaller coverage but potentially higher available bandwidth than bands in FR1. Skilled persons will recognize these frequency ranges, which are provided by way of example, may change from time to time or from region to region.

[0008] BRIEF DESCRIPTION OF THE SEVERAL VIEWS OF THE DRAWINGS

[0009] To easily identify the discussion of any particular element or act, the most significant digit or digits in a reference number refer to the figure number in which that element is first introduced.

[0010] FIG. 1 illustrates a flow diagram for a handover of a UE from a source cell to a target cell, according to embodiments discussed herein.

[0011] FIG. 2 illustrates a flow diagram for a handover of a UE from a source cell to a target cell, according to embodiments discussed herein.

[0012] FIG. 3 illustrates a flow diagram for a handover of a UE from a source cell to a target cell, according to embodiments discussed herein.

[0013] FIG. 4 illustrates a flow diagram for a handover of a UE from a source cell to a target cell, according to embodiments discussed herein.

[0014] FIG. 5 illustrates a method of a UE, according to embodiments herein.

[0015] FIG. 6 illustrates a method of a source cell, according to embodiments herein.

[0016] FIG. 7 illustrates a method of a target cell, according to embodiments herein.

[0017] FIG. 8 illustrates a method of a UE, according to embodiments herein.

[0018] FIG. 9 illustrates a method of a target cell, according to embodiments herein.

[0019] FIG. 10 illustrates a method of a source cell, according to embodiments herein.

[0020] FIG. 11 illustrates a method of a target cell, according to embodiments herein.

[0021] FIG. 12 illustrates an example architecture of a wireless communication system, according to embodiments disclosed herein.

[0022] FIG. 13 illustrates a system for performing signaling between a wireless device and a network device, according to embodiments disclosed herein.DETAILED DESCRIPTION

[0023] Various embodiments are described with regard to a UE. However, reference to a UE is merely provided for illustrative purposes. The example embodiments may be utilized with any electronic component that may establish a connection to a network and is configured with the hardware, software, and / or firmware to exchange information and data with the network. Therefore, the UE as described herein is used to represent any appropriate electronic component.

[0024] In some wireless communication systems, artificial intelligence (AI)  / machine learning (ML) models may be used to perform channel state information (CSI) compression and / or decompression. Such cases may contemplate the use of a “two-sided” model, where, for example, a first trained portion of the model that is at the UE is capable of encoding CSI calculated at the UE into a (compressed) bitstream, while a second trained portion of the model that is at the network (e.g., a base station of the network) is capable of decoding the (compressed) CSI back out of the bitstream. In cases involving this type of compression of CSI into the bitstream, it may be that air interface resources are saved relative to a case where CSI is instead transmitted over the air interface from the UE to the network in raw form.

[0025] With respect to such a use of trained AI / ML models to perform two-sided CSI compression / decompression, UE data collection (e.g., for purposes of model training and / or inferencing with a trained model) may occur. Accordingly, it may be useful to determine necessities, feasibilities, and / or potential specification impacts with respect to various UE-sided data collection enhancements. These UE-sided data collection enhancements may include, for example, mechanisms for the use of assistance information with respect to UE data collection that enables the categorization of the data using applicable identifiers (IDs) . The purpose of such IDs may be to differentiate characteristics of various sets of such data due to specific configuration, scenarios, site, etc., that apply with respect to that data. In some cases, the provision of assistance information is designed with respect to the feasibility of (not) disclosing proprietary information to the other “side” being communicated with.

[0026] Other such UE-side enhancements may include, for example, enhancements to channel state information reference signal (CSI-RS) configurations to enable higher accuracy measurements and / or enhancements to signaling for triggering the data collection.

[0027] Additionally or alternatively, in some wireless communication systems, AI / ML models may be used to perform beam management (BM) . Such cases may contemplate the use of a trained model at the UE to perform beam prediction based on beam measurements.

[0028] Regarding data collection for spatial-domain downlink (DL) transmit (Tx) beam prediction for a Set A of beams that is based on measurement results of a Set B of beams (sometimes referred to herein as “BM-Case1” ) and / or temporal DL Tx beam prediction for a Set A of beams based on historic measurement results of a Set B of beams (sometimes referred to herein as “BM-Case2” ) with such a UE-sided AI / ML model (e.g., for purposes of model training and / or inferencing with the trained model) , it may be useful to determine necessities, feasibilities, and / or potential specification impacts with respect to various UE-sided data collection enhancements. These UE-sided data collection enhancements may include, for example, the use of assistance information sent from the network to the UE with respect to the UE data collection that enable the categorization of the data to specific configurations, scenarios, sites, etc., that apply with respect to that data. The assistance information may be further configured to preserve privacy of the user / proprietary information of the device maker.

[0029] In some wireless communication systems, with respect to the use of inferences based on the use of UE-sided AI / ML models, it may be desirable to ensure consistency with respect to applicable network-side condition (s) for network signaling that is sent between a base station and a UE across both the training stage for the model and inference (use) stage for the model. In some such contexts, it may be that model or dataset identification is used to achieve alignment on the applicable network-side condition (s) that apply to the network signaling as between the network side and the UE side. In some such contexts, model training may occur at the network under the applicable network-side condition (s) , and then the model is transferred to the UE. In some such contexts, information and / or indication (s) on the network-side condition (s) may be provided to the UE. In some such contexts, consistency is assisted by monitoring (by the UE and / or by the network) the performance of the UE-side candidate models / functionalities to enable the selection of a model / functionality. In some such cases, other / additional approaches may be used. Note that there may exist multiple approaches that can achieve one or more of these functions.

[0030] Embodiments disclosed herein relate to model IDs / dataset IDs for AI / ML models that may be used to facilitate data collection and inferencing with respect to different use cases (e.g., different network-side conditions for the corresponding network signaling) . Within such contexts, it may be understood that a same model ID / dataset ID that is used in a radio resource control (RRC) configuration for a data collection procedure for training an AI / ML model is also used in a corresponding configuration for an inferencing procedure that uses the (same) AI / ML model, in order to ensure compatibility / consistency as between the data collection procedure and the inferencing procedure. When so used, the model ID / dataset ID may thus be understood to indicate or represent, in an abstracted way, the applicable network-side condition for the corresponding network signaling.

[0031] In a first example, it may be that a CSI-RS resource set ID is understood as / used as a dataset ID. For example, when CSI-RS resource sets are configured for data collection for a CSI compression use case, each different CSI-RS resource set ID used for these CSI-RS resource sets may correspond to a different antenna port configuration / virtualization pattern at the network side (where each different antenna port configuration / virtualization pattern represents a different network-side condition) .

[0032] In another example, it may be that when a CSI-RS resource set is configured for data collection for BM purposes, the corresponding CSI-RS resource set ID is understood as a model ID / dataset ID that represents a correspondence of a set B to set A relationship. A set A may be understood to correspond to a prediction beam set from which beams are to ultimately be selected / predicted. A set B may be understood to correspond to a measurement beam set of beams that are measured to make predictions / selections with respect to the set A beams. In some such cases, the set B beams are larger beams that each cover multiple of the set A beams. In other such cases, the set B beams are sub-sampled ones of the set A beams (e.g., fewer than all the set A beams) .

[0033] Within some contexts applicable to various embodiments disclosed herein, the uses of a "dataset ID” versus “model ID"may be understood as interchangeable. This may correspond to cases where, for example, a single dataset identified by the dataset ID is used to train a corresponding model identified by the model ID. In such a situation, each of the dataset ID and the model ID are logical IDs that correspond to the same scenario (e.g., the same network-side condition) , and thus a straight swap between a use of a dataset ID instead of using the corresponding model ID (or vice-versa) is possible.

[0034] Within other contexts applicable to various embodiments disclosed herein, it may be that one “model ID” can be related to multiple “dataset ID (s) . ” For example, in a case corresponding to a model ID for a two sided model, it may be that a first dataset having a first dataset ID (that corresponds to the model ID for the overall model) is used to train the UE side of the model, while a second dataset having a second dataset ID (that also corresponds to the model ID for the overall model) is used to train the network side of the model.

[0035] Thus, it is contemplated that in some cases, one model can be trained per dataset, while in other cases, one model can be trained using multiple datasets. It should therefore be accordingly noted that, as a general matter, wherever a use of a “dataset ID” (which may be more granular than a “model ID” in some cases, as just described) is discussed herein, analogous functions could be performed with respect instead to a “model ID” that corresponds to multiple “dataset IDs. ” In order to facilitate succinctness, this possibility of this extension is left implicit with respect to various embodiments discussed herein.

[0036] It may be that a specification for some wireless communication systems provides an AI / ML general framework for one-sided AI / ML models. Aspects of such a framework may include signaling and protocol aspects of life cycle management (LCM) enabling functionality and model selection, activation, deactivation, switching, and / or fallback (note that identification related signaling may be part of the corresponding objective) ; signaling / mechanism (s) for LCM to facilitate model training, inference, performance monitoring, and / or data collection for both UE-sided and network-sided models; and / or signaling mechanism (s) of applicable functionalities / models.

[0037] A specification for some wireless communication systems may provide support for various beam management aspects. In such contexts, DL Tx beam prediction for UE-sided models and / or network-sided models may be contemplated. Various related aspects include, for example, spatial-domain DL Tx beam prediction for a Set A of beams that is based on measurement results of a Set B of beams (e.g., BM-Case1) ; temporal DL Tx beam prediction for a Set A of beams based on historic measurement results of a Set B of beams (e.g., BM-Case2) ; a specification of signaling / mechanism (s) to facilitate LCM operations specific to the beam management use cases, if any; and the enabling method (s) to ensure consistency between training and inference regarding network-side additional conditions (if identified) for inference at UE. It is noted that it may be beneficial to implement a common framework design that supports both BM-Case1 and BM-Case2.

[0038] For inferencing using UE-side models, in order to promote consistency between training operations and inference operations in view of network-side additional conditions, the following options are contemplated as example incorporable into potential approaches: options for model identification in order to promote alignment with respect to the network-side additional condition between network-side and UE-side; options for model training at network and a subsequent model transfer to UE, where the model has been trained under the network-side additional condition; options for information about and / or indications of applicable network-side additional conditions that are may be provided to a UE; and / or options for promoting consistency as assisted by monitoring (by the UE and / or the network) the performance of UE-side candidate models / functionalities to enable the selection of an appropriate model / functionality. Note that still further options / approaches are not precluded (including options / functionalities that use differing approaches to achieve the same function) .

[0039] Embodiments corresponding to the present application relate to designs for and use of model IDs / dataset IDs as these designs and uses relate to mobility. Accordingly, design details based on different methods of model ID / dataset ID design are disclosed.

[0040] In a first set of embodiments, a model ID / dataset ID is included as part of handover command. In first such cases, the model ID / dataset ID may be managed by the applicable CN or operations and maintenance (O&M) platform in order to ensure consistency among different cells. For example, it may be that with respect to such cases a model ID / dataset ID is public land mobile network (PLMN) unique.

[0041] In second such cases, it may be that a model ID / dataset ID is assigned by the RAN, and applies on a per-cell basis.

[0042] Note that in some of this first set of embodiments, it may be that a source cell and a target cell exchange UE model related information via a handover request message.

[0043] In a second set of embodiments for the design of and use of model ID / dataset ID as these designs and uses relate to mobility, it may be that a model ID / dataset ID is not included as part of a handover command. In such cases, it may be that model ID / dataset ID signaling and alignment occurs after handover.

[0044] Embodiments Including Model ID / Dataset ID as part of a Handover Command

[0045] In first cases of embodiments that include model ID / dataset ID information as part of a handover command, it may be that model IDs / dataset IDs are unique at one of a PLMN level and / or a global level. This means that across different cells within that level, if a same model ID / dataset ID is indicated, a same codebook configuration (e.g., for a same set A and a same set B) is ultimately used.

[0046] Cases where an understanding of AI / ML models as represented by model IDs / dataset IDs is consistent across cells are now discussed. In this context, multiple alternatives with respect to the use of a model transfer from one of the cells to the UE are available.

[0047] In a first alternative, no model transfer to the UE is used, either because a same AI / ML model (as indicated by a same model ID / dataset ID) is useable at each of the source cell and the target cell for processing signaling data from the respective cell, or because a different AI / ML model (as indicated by the use of a different model ID / dataset ID) is used at the target cell to process signaling as opposed to the source cell, but the  UE already has a corresponding AI / ML model for the model ID / dataset ID for the target cell in its memory.

[0048] FIG. 1 illustrates a flow diagram 100 for a handover of a UE 102 from a source cell 104 to a target cell 106, according to embodiments discussed herein. The flow diagram 100 corresponds to a case where an understanding of AI / ML models as represented by model IDs / dataset IDs is consistent across the source cell 104 and the target cell 106.

[0049] The flow diagram 100 illustrates that the UE 102 sends the source cell 104 a UE measurement report 108 according to a mobility related measurement and reporting configuration. Based on the contents of the UE measurement report 108 (e.g., based on an indication that a reference signal receive power (RSRP) of the target cell 106 at the UE 102 is relatively higher than an RSRP of the source cell 104 at the UE 102) , the source cell 104 determines that the UE 102 should perform a handover from the source cell 104 to the target cell 106.

[0050] The source cell 104 accordingly prepares a corresponding handover command 110 and transmits it to the UE 102. This handover command 110 may comprise an RRCConnectionReconfiguration message carrying a model ID / dataset ID for an AI / ML model that can be used by the UE 102 to process signaling of the target cell 106.

[0051] Note that in cases where the AI / ML model identified for use between the UE 102 and the target cell 106 is an AI / ML model that is already in active use for communications between the UE 102 and the source cell 104 (and thus there is a single / same model ID / dataset ID within the PLMN or globally that is applicable to both situations) , the model ID / dataset ID may be omitted from the handover command 110, in which case the UE 102 may infer that it is to use the current AI / ML model for signaling of the source cell 104 for signaling of the target cell 106) . This may be considered to represent an implicit inclusion of the model ID / dataset ID.

[0052] Upon receiving the handover command 110, the UE 102 determines 112 whether an AI / ML model corresponding to the received model ID / dataset ID is supported (e.g., is present in a memory of the UE and is otherwise usable by the UE) . FIG. 1 illustrates the case where the UE determines 112 that the AI / ML model is indeed supported.

[0053] Note that it may be up to an implementation of the UE as to whether one physical AI / ML model corresponds to multiple different model IDs / dataset IDs, or  whether that are multiple (e.g., individual) AI / ML models corresponding to each of those different model IDs / dataset IDs. Accordingly, the UE 102 uses the model ID / dataset ID as received in the handover command 110 to determine whether a corresponding AI / ML model (either a same physical AI / ML model as the one used with the source cell 104, if that model is also for use at the UE 102 according to the new model ID / dataset ID, or a different physical AI / ML model that corresponds with the model ID / dataset ID as drawn from a storage of the UE 102) is supported.

[0054] Once the UE determines 112 that the model ID / dataset ID is supported, the UE 102 sends a handover complete message 114 that includes an RRCReconfigurationComplete message that indicates that the AI / ML model is supported by the UE 102 (e.g., by including the corresponding model ID / dataset ID within the RRCReconfigurationComplete message) .

[0055] Finally, as illustrated, the target cell 106 may provide the UE 102 with an AI / ML model activation command 116 that activates the use of the AI / ML model at the UE 102 for processing signaling of the target cell 106.

[0056] In a second alternative for cases where an understanding of AI / ML models as represented by model IDs / dataset IDs is consistent across cells, there is a model transfer to the UE. This can occur when a different model ID / dataset ID is to be used for a serving cell from the model ID / dataset ID used for a target cell, and the UE does not have the corresponding AI / ML model for the model ID / dataset ID stored in memory.

[0057] FIG. 2 illustrates a flow diagram 200 for a handover of a UE 202 from a source cell 204 to a target cell 206, according to embodiments discussed herein. The flow diagram 200 corresponds to a case where an understanding of AI / ML models as represented by model IDs / dataset IDs is consistent across the source cell 204 and the target cell 206.

[0058] The flow diagram 200 illustrates that a UE measurement report 108 and a handover command 110 are used (e.g., in the manner that is described in additional detail in relation to FIG. 1) .

[0059] Upon receiving the handover command 110, the UE 202 determines 208 whether an AI / ML model corresponding to the received model ID / dataset ID is supported (e.g., is present in a memory of the UE and is otherwise usable by the UE) . FIG. 2 illustrates the case where the UE determines 208 that the AI / ML model is not supported.

[0060] Once the UE determines 208 that the model ID / dataset ID is not supported, the UE 202 sends a handover complete message 210 that includes an RRCReconfigurationComplete message that indicates that the AI / ML model is not supported by the UE 202. Accordingly, the target cell 206 is informed that the UE 202 is not presently able to use the called-for AI / ML model.

[0061] The target cell 206 may then proceed to send a model transfer message 214 to the UE 202 that is configured to enable the UE 202 to acquire the AI / ML model. In some cases, the model transfer message 214 is sent as a matter of course after (e.g., in response to) a receipt of the handover complete message 210 indicating that the UE 202 does not presently support the indicated AI / ML model. In some alternative cases, as illustrated, the transmission of a model transfer message 214 is instead triggered by the receipt of a model transfer request 212 from the UE 202 that is a separate message from the handover complete message 210.

[0062] In some cases, the target cell 206 may provide the UE 202 with a directly executable version of the AI / ML model in the model transfer message 214. However, it is also contemplated that in alternative cases, the model transfer message 214 may rather include compilation data corresponding to the AI / ML model, in which case the UE 202 may take an additional step of compiling this compilation data as taken from the model transfer message 214 into the AI / ML model.

[0063] After a successful AI / ML model acquisition using the model transfer message 214, the UE 202 sends the target cell 206 an indication 216 that the AI / ML model is useable at the UE 202.

[0064] Finally the flow diagram 200 illustrates that an AI / ML model activation command 116 is used (e.g., in the manner that is described in detail in relation to FIG. 1) .

[0065] Cases where an understanding of AI / ML models as represented by model IDs / dataset IDs is not necessarily consistent across cells are now discussed.

[0066] With respect to such cases, it may be that, for example, a model ID / dataset ID correspondence to AI / ML models is defined on a per cell basis. This means that across different cells, for a same model ID / dataset ID, either the same or a different configuration (e.g., a same or a different codebook configuration of set A and set B) applies for a same model ID / dataset ID (there can be no assumption that a same model ID / dataset ID corresponds to a same AI / ML model at both cells) .

[0067] Various details for a case where an understanding of AI / ML models as represented by model IDs / dataset IDs is not necessarily consistent across cells are now explained in terms of differences to embodiments illustrated and discussed herein in relation to FIG. 2.

[0068] In such cases, a handover command 110 may include information about a cell ID (e.g., a physical cell identity (PCI) ) of the target cell 206 together with the model ID / dataset ID of the target cell. This allows the source cell 204 to communicate to the UE 202 the relevant model ID / dataset ID in terms of the model ID / dataset ID scheme (corresponding to / represented by the cell ID) as used at the target cell 206.

[0069] Note also that in some of these embodiments, since a model ID / dataset ID is cell specific, a model ID / dataset ID may be included in a handover command 110 even in cases where the value of the applicable model ID / dataset ID is the same with respect to each of the source cell 204 and the target cell 206 (to enable the UE 202 to apply that model ID / dataset ID within a potentially different model ID / dataset ID scheme for the target cell 206) .

[0070] Other mechanisms used in cases where AI / ML model mappings to model IDs / dataset IDs are not necessarily consistent across cells may track the remaining mechanisms as illustrated and described herein in relation to FIG. 2.

[0071] Embodiments for inter-cell communications that may occur in cases using a handover command that includes a model ID / dataset ID are now discussed.

[0072] FIG. 3 illustrates a flow diagram 300 for a handover of a UE 302 from a source cell 304 to a target cell 306, according to embodiments discussed herein. Note that various inter-cell communications discussed in FIG. 3 may or may not occur in embodiments corresponding to other cases disclosed herein for the use of a handover command that includes a model ID / dataset ID.

[0073] The flow diagram 300 illustrates that a UE measurement report 108 is used (e.g., in the manner that is described in detail in relation to FIG. 1) .

[0074] Based on the contents of the UE measurement report 108 (e.g., based on an indication that a reference signal receive power (RSRP) of the target cell 306 at the UE 302 is relatively higher than an RSRP of the source cell 304 at the UE 302) , the source cell 304 determines that the UE 302 should perform a handover from the source cell 304 to the target cell 306. However, prior to the preparation of a corresponding handover command 308 for the UE 302, the source cell 304 performs inter-cell communication  with the target cell 306 in order to acquire relevant information for and / or corresponding to contents of the handover command 308.

[0075] For example, as illustrated, the source cell 304 may send the target cell 306 a handover request message 310. The handover request message 310 may indicate to the target cell 306 one or more of: an AI / ML capability of the UE 302, model IDs / dataset IDs for AI / ML models that are currently being used at the UE 302 (e.g., for processing signaling of the source cell 304) , and / or information about one or more AI / ML models that are supported (e.g., stored) at the UE 302.

[0076] In response to the handover request message 310, the target cell 306 may send the source cell 304 a handover request acknowledgement message 312. The handover request acknowledgement message 312 may indicate to the source cell 304 AI / ML models (e.g., in model ID / dataset ID terms) which can be used with the target cell 306 after a handover to the target cell 306.

[0077] Optionally, a handover request acknowledgement message 312 may include new model ID / dataset ID mappings to AI / ML models (which may be useful, for example, in cases where an understanding of AI / ML models as represented by model IDs / dataset IDs is not consistent across the source cell 304 and the target cell 306) .

[0078] Optionally, a handover request acknowledgement message 312 may include updated AI / ML model information for one or more of the AI / ML models (which may be useful, for example, in cases where an understanding of AI / ML models as represented by model IDs / dataset IDs is not consistent across the source cell 304 and the target cell 306) . Note that the transmission of updated AI / ML model information may be used in cases where, for example, a payload size for a AI / ML model as updated can fit within the handover command 308. In some cases, such an updated AI / ML model is prepared by the source cell 304 using the updated AI / ML model information from the target cell 306 and then transmitted to the UE 302 in the handover command 308 (as illustrated) , and thus there may be no subsequent need for the UE 302 to perform a separate model transfer procedure to acquire the AI / ML model after the handover to the target cell 306. If the AI / ML model is not or cannot be included the handover command 308, a model transfer procedure as described in FIG. 2 (see, e.g., discussion of elements 212 through 216) can be incorporated into the flow diagram 300 as needed.

[0079] In some embodiments, the updated AI / ML model information may include metadata corresponding to the AI / ML model being updated. Examples of such metadata  may include, for example, an indication of whether the AI / ML model is used for indoor and / or outdoor cases, whether the AI / ML model is scalable in an input and / or output dimension etc. This meta information may be used by the source cell 304 as an aid in appropriately preparing the updated AI / ML model used in the handover command 308 as illustrated.

[0080] The source cell 304 accordingly prepares and sends the handover command 308 to the UE 302. The handover command 308 may comprise an RRCConnectionReconfiguration message carrying a model ID / dataset ID for an AI / ML model that can be used by the UE 302 to process signaling of the target cell 306. In relevant cases, as just discussed, the source cell handover command 308 may also include one or more updated AI / ML models for the UE 302 (e.g., an updated model for the model ID / dataset ID indicated in the handover command 308 for use with the target cell 306 may be included in the handover command 308) .

[0081] The flow diagram 300 further illustrates that a handover complete message 114 and AI / ML model activation command 116 are then used (e.g., in the manner that is described in detail in relation to FIG. 1) .

[0082] Embodiments That Do Not Include a Model ID / Dataset ID as Part of a Handover Command

[0083] FIG. 4 illustrates a flow diagram 400 for a handover of a UE 402 from a source cell 404 to a target cell 406, according to embodiments discussed herein. FIG. 4 corresponds to embodiments where model ID / dataset ID signaling is separate from signaling of a handover procedure. In such cases, an additional RRC reconfiguration procedure may be used to perform model ID / dataset ID related signaling after the end of a handover.

[0084] The flow diagram 400 illustrates that the UE 402 sends the source cell 404 a UE measurement report 408 according to a mobility related measurement and reporting configuration. Based on the contents of the UE measurement report 408 (e.g., based on an indication that a reference signal receive power (RSRP) of the target cell 406 at the UE 402 is relatively higher than an RSRP of the source cell 404 at the UE 102) , the source cell 404 determines that the UE 402 should perform a handover from the source cell 404 to the target cell 406.

[0085] The source cell 404 accordingly prepares a corresponding handover command 410 and transmits it to the UE 102. Alternatively to other embodiments discussed herein, this handover command 410 does not include an indication of a model ID / dataset ID for an AI / ML model that can be used by the UE 102 to process signaling of the target cell 406.

[0086] Upon receiving the handover command 410, the UE 402 performs the handover to the target cell 406 and correspondingly sends the target cell 406 a handover complete message 412.

[0087] After the handover is complete (e.g., after the handover complete message 412 is transmitted from the UE 402 to the target cell 406) , as illustrated, the target cell 406 may provide the UE 402 with an AI / ML function configuration message 414 that indicates, to the UE 402 a model ID / dataset ID for an AI / ML model to use for processing signaling of the target cell 406.

[0088] Upon receiving the handover command 410, the UE 402 determines 416 whether an AI / ML model corresponding to the received model ID / dataset ID is supported (e.g., is present in a memory of the UE and is otherwise usable by the UE) . The UE 402 then sends the target cell 406 an RRC reconfiguration complete message 418 indicating the resulting determination.

[0089] As illustrated, in cases where the RRC reconfiguration complete message 418 indicates that the AI / ML model is not supported, the target cell 406 may proceed to send the UE 402 a model transfer message 420. The model transfer message 420 is configured to enable the UE 402 to acquire the AI / ML model. In some cases, the target cell 406 may provide the UE 402 with a directly executable version of the AI / ML model in the model transfer message 420. However, it is also contemplated that in alternative embodiments, the model transfer message 420 may rather include compilation data corresponding to the AI / ML model, in which case the UE 402 may take an additional step of compiling this data as taken from the model transfer message 420 into the AI / ML model.

[0090] As also illustrated, in at least some cases, once the UE 402 has the AI / ML model (whether with a model transfer as just described, or as identified as already in a memory of the UE 402) , the UE 402 sends the target cell 406 an indication 422 that the AI / ML model is useable at the UE 402.

[0091] Finally, the target cell 406 may then send the UE 402 an AI / ML model activation command 424 that activates the use of the AI / ML model at the UE 402 for processing signaling of the target cell 406.

[0092] FIG. 5 illustrates a method 500 of a UE, according to embodiments herein. The illustrated method 500 includes receiving 502, from a source cell, a handover command instructing the UE to perform a handover to a target cell. The method 500 further includes performing 504 the handover to the target cell in response to the handover command, the handover comprising sending, to the target cell, a handover complete message comprising an indication that the UE has a first AI / ML model for processing first signaling of the target cell that is performed according to a first network-side condition. The method 500 further includes receiving 506, from the target cell, an activation command instructing the UE to use the first AI / ML model. The method 500 further includes processing 508, in response to the activation command, using the first AI / ML model, the first signaling of the target cell.

[0093] In some embodiments of the method 500, the handover command comprises a model ID corresponding to the first AI / ML model; and further comprising determining, based on the model ID, that the UE has the first AI / ML model.

[0094] In some embodiments of the method 500, the handover command further comprises a cell ID of the target cell, and the determining that the UE has the first AI / ML model is further based on the cell ID of the target cell.

[0095] In some embodiments of the method 500, the handover command further comprises model update information for the first AI / ML model; and further comprising updating the first AI / ML model using the model update information.

[0096] In some embodiments, the method 500 further comprises using the first AI / ML model to process, prior to the handover, second signaling of the source cell that is performed according to the first network-side condition.

[0097] In some embodiments, the method 500 further comprises using a second AI / ML model to process, prior to the handover, second signaling of the source cell that is performed according to a second network-side condition.

[0098] FIG. 6 illustrates a method 600 of a source cell, according to embodiments herein. The method 600 includes receiving 602, from a UE, a UE measurement report. The method 600 further includes determining 604, based on the UE measurement report, that the UE should perform a handover to a target cell. The method 600 further includes  sending 606, to the UE, a handover command instructing the UE to perform the handover to a target cell, wherein the handover command comprises a model ID corresponding to a first AI / ML model.

[0099] FIG. 7 illustrates a method 700 of a target cell, according to embodiments herein. The method 700 includes receiving 702, from a UE, a handover complete message comprising an indication that the UE has an AI / ML model for processing signaling of the target cell that is performed according to a network-side condition. The method 700 further includes sending 704, to the UE, an activation command instructing the UE to use the first AI / ML model.

[0100] FIG. 8 illustrates a method 800 of a UE, according to embodiments herein. The illustrated method 800 includes receiving 802, from a source cell, a handover command instructing the UE to perform a handover to a target cell, the handover command comprising a model ID corresponding to a first AI / ML model for processing first signaling of the target cell that is performed according to a first network-side condition. The method 800 further includes determining 804, based on the model ID, that the UE does not have the first AI / ML model. The method 800 further includes performing 806, the handover to the target cell in response to the handover command, the handover comprising sending, to the target cell, a handover complete message comprising a first indication that the UE does not have the first AI / ML model. The method 800 further includes receiving 808, from the target cell, a model transfer message. The method 800 further includes acquiring 810 the AI / ML model using the model transfer message. The method 800 further includes receiving 812, from the target cell, an activation command instructing the UE to use the first AI / ML model. The method 800 further includes processing 814, in response to the activation command, using the first AI / ML model, the first signaling of the target cell.

[0101] In some embodiments of the method 800, the handover command further comprises a cell ID of the target cell, and the determining that the UE does not have the first AI / ML model is further based on the cell ID of the target cell.

[0102] In some embodiments, the method 800 further comprises sending, to the target cell, after receiving the model transfer message, a second indication that the UE has the first AI / ML model.

[0103] In some embodiments of the method 800, the model transfer message comprises the AI / ML model.

[0104] In some embodiments of the method 800, acquiring the AI / ML model using the model transfer message comprises compiling compilation data of the model transfer message into the AI / ML model.

[0105] In some embodiments, the method 800 further comprises sending, to the target cell, prior to receiving the model transfer message, a model transfer request for the model transfer message.

[0106] FIG. 9 illustrates a method 900 of a target cell, according to embodiments herein. The illustrated method 900 includes receiving 902, from a UE that has performed a handover from a source cell to the target cell, a handover complete message comprising a first indication that the UE does not have an AI / ML model for processing signaling of the target cell that is performed according to a network-side condition. The method 900 further includes sending 904, to the UE, a model transfer message configured to enable the UE to acquire the AI / ML model. The method 900 further includes sending 906, to the UE, an activation command instructing the UE to use the first AI / ML model. The method 900 further includes performing 908, after sending the activation command, the signaling of the target cell according to the network-side condition.

[0107] In some embodiments, the method 900 further comprises receiving, from the UE, prior to sending the model transfer message, a model transfer request that triggers the sending of the model transfer message.

[0108] In some embodiments of the method 900, the model transfer message comprises the AI / ML model.

[0109] In some embodiments of the method 900, the model transfer message comprises compilation data that the UE can compile in order to acquire the AI / ML model.

[0110] FIG. 10 illustrates a method 1000 of a source cell, according to embodiments herein. The illustrated method 1000 includes sending 1002, to a target cell, a handover request message for a handover of a UE from the source cell to the target cell, the handover request message comprising AI / ML capability information for the UE, a first model ID of a first AI / ML model that is active at the UE, and a listing of one or more stored AI / ML models at the UE. The method 1000 further includes receiving 1004, from the target cell, in response to the handover request message, a handover request acknowledgment message including one or more second model IDs of a subset of the one or more stored AI / ML models at the UE that are usable with the target cell. The method  1000 further includes sending 1006, to the UE, a handover command comprising a selected model ID of the second one or more model IDs of a selected AI / ML model that is selected from the subset of the one or more AI / ML models at the UE that are useable with the target cell.

[0111] In some embodiments, the method 1000 further comprises receiving, from the UE, the AI / ML capability information.

[0112] In some embodiments of the method 1000, the handover request acknowledgement message further comprises model update information for the selected AI / ML model, and the handover command further comprises the model update information.

[0113] FIG. 11 illustrates a method 1100 of a target cell, according to embodiments herein. The illustrated method 1100 includes receiving 1102, from a source cell, a handover request message for a handover of a UE from the source cell to the target cell, the handover request message comprising AI / ML capability information for the UE, a first model ID of a first AI / ML model that is active at the UE, and a listing of one or more stored AI / ML models at the UE. The method 1100 further includes sending 1104, to the source cell, in response to the handover request message, a handover request acknowledgment message including one or more second model IDs of a subset of the one or more stored AI / ML models at the UE that are usable with the target cell. The method 1100 further includes receiving 1106, from the UE, a handover complete message identifying a selected AI / ML model for processing signaling of the target cell that is performed according to a network-side condition, wherein the selected AI / ML model is from the subset of the one or more stored AI / ML models at the UE that are useable with target cell. The method 1100 further includes sending 1108, to the UE, an activation command instructing the UE to use the AI / ML model. The method 1100 further includes performing 1110, after sending the activation command, the signaling of the target cell.

[0114] In some embodiments of the method 1100, the handover request acknowledgement message further comprises model update information for the selected AI / ML model.

[0115] FIG. 12 illustrates an example architecture of a wireless communication system 1200, according to embodiments disclosed herein. The following description is provided for an example wireless communication system 1200 that operates in conjunction with  the LTE system standards and / or 5G or NR system standards as provided by 3GPP technical specifications.

[0116] As shown by FIG. 12, the wireless communication system 1200 includes UE 1202 and UE 1204 (although any number of UEs may be used) . In this example, the UE 1202 and the UE 1204 are illustrated as smartphones (e.g., handheld touchscreen mobile computing devices connectable to one or more cellular networks) , but may also comprise any mobile or non-mobile computing device configured for wireless communication.

[0117] The UE 1202 and UE 1204 may be configured to communicatively couple with a RAN 1206. In embodiments, the RAN 1206 may be NG-RAN, E-UTRAN, etc. The UE 1202 and UE 1204 utilize connections (or channels) (shown as connection 1208 and connection 1210, respectively) with the RAN 1206, each of which comprises a physical communications interface. The RAN 1206 can include one or more base stations (such as base station 1212 and base station 1214) that enable the connection 1208 and connection 1210.

[0118] In this example, the connection 1208 and connection 1210 are air interfaces to enable such communicative coupling, and may be consistent with RAT (s) used by the RAN 1206, such as, for example, an LTE and / or NR.

[0119] In some embodiments, the UE 1202 and UE 1204 may also directly exchange communication data via a sidelink interface 1216. The UE 1204 is shown to be configured to access an access point (shown as AP 1218) via connection 1220. By way of example, the connection 1220 can comprise a local wireless connection, such as a connection consistent with any IEEE 802.11 protocol, wherein the AP 1218 may comprise a router. In this example, the AP 1218 may be connected to another network (for example, the Internet) without going through a CN 1224.

[0120] In embodiments, the UE 1202 and UE 1204 can be configured to communicate using orthogonal frequency division multiplexing (OFDM) communication signals with each other or with the base station 1212 and / or the base station 1214 over a multicarrier communication channel in accordance with various communication techniques, such as, but not limited to, an orthogonal frequency division multiple access (OFDMA) communication technique (e.g., for downlink communications) or a single carrier frequency division multiple access (SC-FDMA) communication technique (e.g., for uplink and ProSe or sidelink communications) , although the scope of the embodiments is  not limited in this respect. The OFDM signals can comprise a plurality of orthogonal subcarriers.

[0121] In some embodiments, all or parts of the base station 1212 or base station 1214 may be implemented as one or more software entities running on server computers as part of a virtual network. In addition, or in other embodiments, the base station 1212 or base station 1214 may be configured to communicate with one another via interface 1222. In embodiments where the wireless communication system 1200 is an LTE system (e.g., when the CN 1224 is an EPC) , the interface 1222 may be an X2 interface. The X2 interface may be defined between two or more base stations (e.g., two or more eNBs and the like) that connect to an EPC, and / or between two eNBs connecting to the EPC. In embodiments where the wireless communication system 1200 is an NR system (e.g., when CN 1224 is a 5GC) , the interface 1222 may be an Xn interface. The Xn interface is defined between two or more base stations (e.g., two or more gNBs and the like) that connect to 5GC, between a base station 1212 (e.g., a gNB) connecting to 5GC and an eNB, and / or between two eNBs connecting to 5GC (e.g., CN 1224) .

[0122] The RAN 1206 is shown to be communicatively coupled to the CN 1224. The CN 1224 may comprise one or more network elements 1226, which are configured to offer various data and telecommunications services to customers / subscribers (e.g., users of UE 1202 and UE 1204) who are connected to the CN 1224 via the RAN 1206. The components of the CN 1224 may be implemented in one physical device or separate physical devices including components to read and execute instructions from a machine-readable or computer-readable medium (e.g., a non-transitory machine-readable storage medium) .

[0123] In embodiments, the CN 1224 may be an EPC, and the RAN 1206 may be connected with the CN 1224 via an S1 interface 1228. In embodiments, the S1 interface 1228 may be split into two parts, an S1 user plane (S1-U) interface, which carries traffic data between the base station 1212 or base station 1214 and a serving gateway (S-GW) , and the S1-MME interface, which is a signaling interface between the base station 1212 or base station 1214 and mobility management entities (MMEs) .

[0124] In embodiments, the CN 1224 may be a 5GC, and the RAN 1206 may be connected with the CN 1224 via an NG interface 1228. In embodiments, the NG interface 1228 may be split into two parts, an NG user plane (NG-U) interface, which carries traffic data between the base station 1212 or base station 1214 and a user plane  function (UPF) , and the S1 control plane (NG-C) interface, which is a signaling interface between the base station 1212 or base station 1214 and access and mobility management functions (AMFs) .

[0125] Generally, an application server 1230 may be an element offering applications that use internet protocol (IP) bearer resources with the CN 1224 (e.g., packet switched data services) . The application server 1230 can also be configured to support one or more communication services (e.g., VoIP sessions, group communication sessions, etc. ) for the UE 1202 and UE 1204 via the CN 1224. The application server 1230 may communicate with the CN 1224 through an IP communications interface 1232.

[0126] FIG. 13 illustrates a system 1300 for performing signaling 1334 between a wireless device 1302 and a network device 1318, according to embodiments disclosed herein. The system 1300 may be a portion of a wireless communications system as herein described. The wireless device 1302 may be, for example, a UE of a wireless communication system. The network device 1318 may be, for example, a base station (e.g., an eNB or a gNB) of a wireless communication system.

[0127] The wireless device 1302 may include one or more processor (s) 1304. The processor (s) 1304 may execute instructions such that various operations of the wireless device 1302 are performed, as described herein. The processor (s) 1304 may include one or more baseband processors implemented using, for example, a central processing unit (CPU) , a digital signal processor (DSP) , an application specific integrated circuit (ASIC) , a controller, a field programmable gate array (FPGA) device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0128] The wireless device 1302 may include a memory 1306. The memory 1306 may be a non-transitory computer-readable storage medium that stores instructions 1308 (which may include, for example, the instructions being executed by the processor (s) 1304) . The instructions 1308 may also be referred to as program code or a computer program. The memory 1306 may also store data used by, and results computed by, the processor (s) 1304.

[0129] The wireless device 1302 may include one or more transceiver (s) 1310 that may include radio frequency (RF) transmitter circuitry and / or receiver circuitry that use the antenna (s) 1312 of the wireless device 1302 to facilitate signaling (e.g., the signaling  1334) to and / or from the wireless device 1302 with other devices (e.g., the network device 1318) according to corresponding RATs.

[0130] The wireless device 1302 may include one or more antenna (s) 1312 (e.g., one, two, four, or more) . For embodiments with multiple antenna (s) 1312, the wireless device 1302 may leverage the spatial diversity of such multiple antenna (s) 1312 to send and / or receive multiple different data streams on the same time and frequency resources. This behavior may be referred to as, for example, multiple input multiple output (MIMO) behavior (referring to the multiple antennas used at each of a transmitting device and a receiving device that enable this aspect) . MIMO transmissions by the wireless device 1302 may be accomplished according to precoding (or digital beamforming) that is applied at the wireless device 1302 that multiplexes the data streams across the antenna (s) 1312 according to known or assumed channel characteristics such that each data stream is received with an appropriate signal strength relative to other streams and at a desired location in the spatial domain (e.g., the location of a receiver associated with that data stream) . Certain embodiments may use single user MIMO (SU-MIMO) methods (where the data streams are all directed to a single receiver) and / or multi user MIMO (MU-MIMO) methods (where individual data streams may be directed to individual (different) receivers in different locations in the spatial domain) .

[0131] In certain embodiments having multiple antennas, the wireless device 1302 may implement analog beamforming techniques, whereby phases of the signals sent by the antenna (s) 1312 are relatively adjusted such that the (joint) transmission of the antenna (s) 1312 can be directed (this is sometimes referred to as beam steering) .

[0132] The wireless device 1302 may include one or more interface (s) 1314. The interface (s) 1314 may be used to provide input to or output from the wireless device 1302. For example, a wireless device 1302 that is a UE may include interface (s) 1314 such as microphones, speakers, a touchscreen, buttons, and the like in order to allow for input and / or output to the UE by a user of the UE. Other interfaces of such a UE may be made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 1310 / antenna (s) 1312 already described) that allow for communication between the UE and other devices and may operate according to known protocols (e.g.,  and the like) .

[0133] The wireless device 1302 may include an AI / ML model usage module 1316. The AI / ML model usage module 1316 may be implemented via hardware, software, or  combinations thereof. For example, the AI / ML model usage module 1316 may be implemented as a processor, circuit, and / or instructions 1308 stored in the memory 1306 and executed by the processor (s) 1304. In some examples, the AI / ML model usage module 1316 may be integrated within the processor (s) 1304 and / or the transceiver (s) 1310. For example, the AI / ML model usage module 1316 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 1304 or the transceiver (s) 1310.

[0134] The AI / ML model usage module 1316 may be used for various aspects of the present disclosure, for example, aspects of FIG. 1 through FIG. 11. The AI / ML model usage module 1316 may configure the wireless device 1302 to, for example, receive, from a network device 1318 that is a source cell, a handover command instructing the wireless device 1302 to perform a handover to a network device 1318 that is a target cell (wherein in at least some cases the handover command comprises a model ID corresponding to an AI / ML model) ; perform a handover to a network device 1318 that is a target cell in response to a handover command, the handover comprising sending, to the target cell, a handover complete message comprising an indication of whether the wireless device 1302 has an AI / ML model for processing signaling of the target cell that is performed according to a first network-side condition; receive, from a network device 1318 that is a target cell, an activation command instructing the wireless device 1302 to use the first AI / ML model; process, in response to an activation command, using an AI / ML model, the signaling of a network device 1318 that is a target cell; determine, based on a model ID, that the UE does not have an AI / ML model; perform a handover to a network device 1318 that is a target cell in response to a handover command, the handover comprising sending, to the target cell, a handover complete message comprising a first indication that the UE does not have the first AI / ML model; receive, from a network device 1318 that is a target cell, a model transfer message; acquire an AI / ML model using a model transfer message; and / or receive, from a network device 1318 that is a target cell, an activation command instructing the UE to use an AI / ML model, according to embodiments discussed herein.

[0135] The network device 1318 may include one or more processor (s) 1320. The processor (s) 1320 may execute instructions such that various operations of the network device 1318 are performed, as described herein. The processor (s) 1320 may include one  or more baseband processors implemented using, for example, a CPU, a DSP, an ASIC, a controller, an FPGA device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0136] The network device 1318 may include a memory 1322. The memory 1322 may be a non-transitory computer-readable storage medium that stores instructions 1324 (which may include, for example, the instructions being executed by the processor (s) 1320) . The instructions 1324 may also be referred to as program code or a computer program. The memory 1322 may also store data used by, and results computed by, the processor (s) 1320.

[0137] The network device 1318 may include one or more transceiver (s) 1326 that may include RF transmitter circuitry and / or receiver circuitry that use the antenna (s) 1328 of the network device 1318 to facilitate signaling (e.g., the signaling 1334) to and / or from the network device 1318 with other devices (e.g., the wireless device 1302) according to corresponding RATs.

[0138] The network device 1318 may include one or more antenna (s) 1328 (e.g., one, two, four, or more) . In embodiments having multiple antenna (s) 1328, the network device 1318 may perform MIMO, digital beamforming, analog beamforming, beam steering, etc., as has been described.

[0139] The network device 1318 may include one or more interface (s) 1330. The interface (s) 1330 may be used to provide input to or output from the network device 1318. For example, a network device 1318 that is a base station may include interface (s) 1330 made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 1326 / antenna (s) 1328 already described) that enables the base station to communicate with other equipment in a core network, and / or that enables the base station to communicate with external networks, computers, databases, and the like for purposes of operations, administration, and maintenance of the base station or other equipment operably connected thereto.

[0140] The network device 1318 may include an AI / ML model usage module 1332. The AI / ML model usage module 1332 may be implemented via hardware, software, or combinations thereof. For example, the AI / ML model usage module 1332 may be implemented as a processor, circuit, and / or instructions 1324 stored in the memory 1322 and executed by the processor (s) 1320. In some examples, the AI / ML model usage module 1332 may be integrated within the processor (s) 1320 and / or the transceiver (s)  1326. For example, the AI / ML model usage module 1332 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 1320 or the transceiver (s) 1326.

[0141] The AI / ML model usage module 1332 may be used for various aspects of the present disclosure, for example, aspects of FIG. 1 to FIG. 11. The AI / ML model usage module 1332 may configure a network device 1318 that is a source cell to receive, from a wireless device 1302 that is a UE, a UE measurement report; determine, based on a UE measurement report, that a wireless device 1302 that is a UE should perform a handover to a network device 1318 that is a target cell; send, to a wireless device 1302 that is a UE, a handover command instructing the UE to perform the handover to a network device 1318 that is a target cell, wherein the handover command comprises a model ID corresponding to a first AI / ML model; send, to a network device 1318 that is a target cell, a handover request message for a handover of a wireless device 1302 that is a UE from the source cell to the target cell, the handover request message comprising AI / ML capability information for the UE, a first model ID of a first AI / ML model that is active at the UE, and a listing of one or more stored AI / ML models at the UE; receive, from a network device 1318 that is a target cell, in response to a handover request message, a handover request acknowledgment message including one or more second model IDs of a subset of the one or more stored AI / ML models at a wireless device 1302 that is a UE that are usable with the target cell; and / or send, to a wireless device 1302 that is a UE, a handover command comprising a selected model ID of the second one or more model IDs of a selected AI / ML model that is selected from the subset of the one or more AI / ML models at the UE that are useable with a network device 1318 that is a target cell, as discussed in various embodiments herein.

[0142] The AI / ML model usage module 1332 may configure a network device 1318 that is a target cell to receive, from a wireless device 1302 that is a UE, a handover complete message comprising an indication that the UE has an AI / ML model for processing signaling of the target cell that is performed according to a network-side condition; send, to a wireless device 1302 that is a UE, an activation command instructing the UE to use the first AI / ML model; receive, from a wireless device 1302 that is a UE that has performed a handover from a source cell to the target cell, a handover complete message comprising a first indication that the UE does not have an  AI / ML model for processing signaling of the target cell that is performed according to a network-side condition; send, to a wireless device 1302 that is a UE, a model transfer message configured to enable the UE to acquire the AI / ML model; send, to a wireless device 1302 that is a UE, an activation command instructing the UE to use the first AI / ML model; and / or perform, after sending an activation command, signaling of the target cell according to a network-side condition, as discussed in various embodiments herein.

[0143] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of any one of the method 500 and method 800. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0144] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of the method 500 and method 800. This non-transitory computer-readable media may be, for example, a memory of a UE (such as a memory 1306 of a wireless device 1302 that is a UE, as described herein) .

[0145] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of any one of the method 500 and method 800. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0146] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when executed by the one or more processors, cause the one or more processors to perform one or more elements of any one of the method 500 and method 800. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0147] Embodiments contemplated herein include a signal as described in or related to one or more elements of any one of the method 500 and method 800.

[0148] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processor is to cause the processor to carry out one or more elements of any one of the method 500 and method 800. The processor may be a processor of a UE (such as a  processor (s) 1304 of a wireless device 1302 that is a UE, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the UE (such as a memory 1306 of a wireless device 1302 that is a UE, as described herein) .

[0149] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of any one of the method 600, the method 700, the method 900, the method 1000 and the method 1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0150] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of any one of the method 600, the method 700, the method 900, the method 1000 and the method 1100. This non-transitory computer-readable media may be, for example, a memory of a base station (such as a memory 1322 of a network device 1318 that is a base station, as described herein) .

[0151] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of any one of the method 600, the method 700, the method 900, the method 1000 and the method 1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0152] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when executed by the one or more processors, cause the one or more processors to perform one or more elements of any one of the method 600, the method 700, the method 900, the method 1000 and the method 1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0153] Embodiments contemplated herein include a signal as described in or related to one or more elements of any one of the method 600, the method 700, the method 900, the method 1000 and the method 1100.

[0154] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processing element is to cause the processing element to carry out one or more elements  of any one of the method 600, the method 700, the method 900, the method 1000 and the method 1100. The processor may be a processor of a base station (such as a processor (s) 1320 of a network device 1318 that is a base station, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the base station (such as a memory 1322 of a network device 1318 that is a base station, as described herein) .

[0155] For one or more embodiments, at least one of the components set forth in one or more of the preceding figures may be configured to perform one or more operations, techniques, processes, and / or methods as set forth herein. For example, a baseband processor as described herein in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein. For another example, circuitry associated with a UE, base station, network element, etc. as described above in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein.

[0156] Any of the above described embodiments may be combined with any other embodiment (or combination of embodiments) , unless explicitly stated otherwise. The foregoing description of one or more implementations provides illustration and description, but is not intended to be exhaustive or to limit the scope of embodiments to the precise form disclosed. Modifications and variations are possible in light of the above teachings or may be acquired from practice of various embodiments.

[0157] Embodiments and implementations of the systems and methods described herein may include various operations, which may be embodied in machine-executable instructions to be executed by a computer system. A computer system may include one or more general-purpose or special-purpose computers (or other electronic devices) . The computer system may include hardware components that include specific logic for performing the operations or may include a combination of hardware, software, and / or firmware.

[0158] It should be recognized that the systems described herein include descriptions of specific embodiments. These embodiments can be combined into single systems, partially combined into other systems, split into multiple systems or divided or combined in other ways. In addition, it is contemplated that parameters, attributes, aspects, etc. of one embodiment can be used in another embodiment. The parameters, attributes, aspects,  etc. are merely described in one or more embodiments for clarity, and it is recognized that the parameters, attributes, aspects, etc. can be combined with or substituted for parameters, attributes, aspects, etc. of another embodiment unless specifically disclaimed herein.

[0159] It is well understood that the use of personally identifiable information should follow privacy policies and practices that are generally recognized as meeting or exceeding industry or governmental requirements for maintaining the privacy of users. In particular, personally identifiable information data should be managed and handled so as to minimize risks of unintentional or unauthorized access or use, and the nature of authorized use should be clearly indicated to users.

[0160] Although the foregoing has been described in some detail for purposes of clarity, it will be apparent that certain changes and modifications may be made without departing from the principles thereof. It should be noted that there are many alternative ways of implementing both the processes and apparatuses described herein. Accordingly, the present embodiments are to be considered illustrative and not restrictive, and the description is not to be limited to the details given herein, but may be modified within the scope and equivalents of the appended claims.

Claims

1.A method of a user equipment (UE) , comprising:receiving, from a source cell, a handover command instructing the UE to perform a handover to a target cell;performing the handover to the target cell in response to the handover command, the handover comprising sending, to the target cell, a handover complete message comprising an indication that the UE has a first artificial intelligence (AI)  / machine learning (ML) model for processing first signaling of the target cell that is performed according to a first network-side condition;receiving, from the target cell, an activation command instructing the UE to use the first AI / ML model; andprocessing, in response to the activation command, using the first AI / ML model, the first signaling of the target cell.2.The method of claim 1, wherein the handover command comprises a model identifier (ID) corresponding to the first AI / ML model; and further comprising determining, based on the model ID, that the UE has the first AI / ML model.3.The method of claim 2, wherein:the handover command further comprises a cell ID of the target cell; andthe determining that the UE has the first AI / ML model is further based on the cell ID of the target cell.4.The method of claim 1, wherein the handover command further comprises model update information for the first AI / ML model; and further comprising updating the first AI / ML model using the model update information.5.The method of claim 1, further comprising using the first AI / ML model to process, prior to the handover, second signaling of the source cell that is performed according to the first network-side condition.6.The method of claim 1, further comprising using a second AI / ML model to process, prior to the handover, second signaling of the source cell that is performed according to a second network-side condition.7.A method of a user equipment (UE) , comprising:receiving, from a source cell, a handover command instructing the UE to perform a handover to a target cell, the handover command comprising a model identifier (ID) corresponding to a first artificial intelligence (AI)  / machine learning (ML) model for processing first signaling of the target cell that is performed according to a first network-side condition;determining, based on the model ID, that the UE does not have the first AI / ML model;performing the handover to the target cell in response to the handover command, the handover comprising sending, to the target cell, a handover complete message comprising a first indication that the UE does not have the first AI / ML model;receiving, from the target cell, a model transfer message;acquiring the AI / ML model using the model transfer message;receiving, from the target cell, an activation command instructing the UE to use the first AI / ML model; andprocessing, in response to the activation command, using the first AI / ML model, the first signaling of the target cell.8.The method of claim 7, wherein:the handover command further comprises a cell ID of the target cell; andthe determining that the UE does not have the first AI / ML model is further based on the cell ID of the target cell.9.The method of claim 7, further comprising sending, to the target cell, after receiving the model transfer message, a second indication that the UE has the first AI / ML model.10.The method of claim 7, wherein the model transfer message comprises the AI / ML model.11.The method of claim 7, wherein acquiring the AI / ML model using the model transfer message comprises compiling compilation data of the model transfer message into the AI / ML model.12.The method of claim 7, further comprising sending, to the target cell, prior to receiving the model transfer message, a model transfer request for the model transfer message.13.A method of a target cell, comprising:receiving, from a user equipment (UE) that has performed a handover from a source cell to the target cell, a handover complete message comprising a first indication that the UE does not have an artificial intelligence (AI)  / machine learning (ML) model for processing signaling of the target cell that is performed according to a network-side condition;sending, to the UE, a model transfer message configured to enable the UE to acquire the AI / ML model;sending, to the UE, an activation command instructing the UE to use the first AI / ML model; andperforming, after sending the activation command, the signaling of the target cell according to the network-side condition.14.The method of claim 13, further comprising receiving, from the UE, prior to sending the model transfer message, a model transfer request that triggers the sending of the model transfer message.15.The method of claim 13, wherein the model transfer message comprises the AI / ML model.16.The method of claim 13, wherein the model transfer message comprises compilation data that the UE can compile in order to acquire the AI / ML model.17.A method of a source cell, comprising:sending, to a target cell, a handover request message for a handover of a user equipment (UE) from the source cell to the target cell, the handover request message comprising artificial intelligence (AI)  / machine learning (ML) capability information for the UE, a first model identifier (ID) of a first AI / ML model that is active at the UE, and a listing of one or more stored AI / ML models at the UE;receiving, from the target cell, in response to the handover request message, a handover request acknowledgment message including one or more second model IDs of a subset of the one or more stored AI / ML models at the UE that are usable with the target cell; andsending, to the UE, a handover command comprising a selected model ID of the second one or more model IDs of a selected AI / ML model that is selected from the subset of the one or more AI / ML models at the UE that are useable with the target cell.18.The method of claim 17, further comprising receiving, from the UE, the AI / ML capability information.19.The method of claim 17, wherein the handover request acknowledgement message further comprises model update information for the selected AI / ML model, and the handover command further comprises the model update information.20.A method of a target cell, comprising:receiving, from a source cell, a handover request message for a handover of a user equipment (UE) from the source cell to the target cell, the handover request message comprising artificial intelligence (AI)  / machine learning (ML) capability information for the UE, a first model identifier (ID) of a first AI / ML model that is active at the UE, and a listing of one or more stored AI / ML models at the UE;sending, to the source cell, in response to the handover request message, a handover request acknowledgment message including one or more second model IDs of a subset of the one or more stored AI / ML models at the UE that are usable with the target cell;receiving, from the UE, a handover complete message identifying a selected AI / ML model for processing signaling of the target cell that is performed according to a network-side condition, wherein the selected AI / ML model is from the subset of the one or more stored AI / ML models at the UE that are useable with target cell;sending, to the UE, an activation command instructing the UE to use the AI / ML model; andperforming, after sending the activation command, the signaling of the target cell.21.The method of claim 20, wherein the handover request acknowledgement message further comprises model update information for the selected AI / ML model.22.An apparatus comprising means to perform the method of any of claim 1 to claim 21.23.A computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform the method of any of claim 1 to claim 21.24.An apparatus comprising logic, modules, or circuitry to perform the method of any of claim 1 to claim 21.25.A baseband processor for a user equipment (UE) that is configured to perform one or more elements of any one of claim 1 to claim 12.26.A baseband processor for a base station that is configured to perform one or more elements of any one of claim 13 to claim 21.

Images