Reference signal report timing for artificial intelligence and machine learning model beam prediction

Abstract

Systems, methods, and devices for beam prediction for wireless communications involve evaluating computation delays or latencies based on user equipment (UE) capabilities for beam prediction. A UE receives scheduling information for an uplink resource and performs one or more beam prediction measurements on one or more reference signals. The UE then decides to transmit beam reporting information if the delay between receiving the scheduling information and the uplink resource meets predefined criteria associated with the UE's beam prediction capabilities. These capabilities may be machine learning (ML) beam prediction capabilities. The capabilities may be communicated to the network, which adjusts beam report scheduling to accommodate the UE's processing delays.

Description

REFERENCE SIGNAL REPORT TIMING FOR ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING MODEL BEAM PREDICTIONTECHNICAL FIELD

[0001] This application relates to wireless communication systems, and more particularly to methods and associated devices and systemsrelated to beam prediction monitoring reference signals (BPM-RSs) and reporting for artificial intelligence (AI) and / or machine learning (ML) -based beam prediction, including associated protocols and signaling.

[0002] INTRODUCTION

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

[0004] To meet the growing demands for expanded mobile broadband connectivity, wireless communication technologies are advancing from the long term evolution (LTE) technology to a next generation new radio (NR) technology, which may be referred to as 5th Generation (5G) . For example, NR is designed to provide a lower latency, a higher bandwidth or a higher throughput, and a higher reliability than LTE. NR is designed to operate over a wide array of spectrum bands, for example, from low-frequency bands below about 1 gigahertz (GHz) and mid-frequency bands from about 1 GHZ to about 6 GHz, to high-frequency bands such as millimeter wave (mmWave) bands. NR is also designed to operate across different spectrum types, from licensed spectrum to unlicensed and shared spectrum. Spectrum sharing enables operators to opportunistically aggregate  spectrums to dynamically support high-bandwidth services. Spectrum sharing can extend the benefit of NR technologies to operating entities that may not have access to a licensed spectrum.

[0005] In a wireless communication network, a BS may communicate with a UE in an uplink direction and a downlink direction. The radio frequency channel through which the BS and the UE communicate may have several channel properties that are considered for proper channel performance. The BS and UE may perform channel sounding to better understand these channel properties by measuring and / or estimating various parameters of the channel, such as delay, path loss, absorption, multipath, reflection, fading, doppler effect, among others. These channel measurements can also be used for channel estimation and channel equalization.

[0006] BRIEF SUMMARY OF SOME EXAMPLES

[0007] The following summarizes some aspects of the present disclosure to provide a basic understanding of the discussed technology. This summary is not an extensive overview of all contemplated features of the disclosure and is intended neither to identify key or critical elements of all aspects of the disclosure nor to delineate the scope of any or all aspects of the disclosure. Its sole purpose is to present some concepts of one or more aspects of the disclosure in summary form as a prelude to the more detailed description that is presented later.

[0008] The present disclosure describes schemes and mechanisms for beam prediction and reporting to accommodate computing delays and to ensure timely reporting of beam prediction information. For instance, a UE may perform beam measurements on one or more reference signals. The UE may also perform beam prediction based on the beam measurements. The UE may determine whether to transmit the beam reporting information in an uplink resource based on a determination that one or more delays or time periods preceding the uplink resource satisfy one or more delay criteria. In some aspects, the one or more delay criteria are associated with the computing delays mentioned above. In some aspects, the one or more delay criteria are associated with one or more UE capabilities related to beam monitoring and / or prediction.

[0009] In some examples, artificial intelligence (AI) -or machine learning (ML) -based beam prediction and reporting techniques manage and accommodate computing delays effectively to ensure the timely transmission of beam prediction information. Methods involve a UE receiving downlink control information (DCI) that schedules a physical uplink shared channel (PUSCH) resource and, in response, performing an aperiodic channel state information (AP-CSI) measurement. The UE assesses whether to transmit the beam reporting information on the PUSCH resource by evaluating if the delay between the BPM-triggering DCI and the PUSCH resource, or the delay between the BPM-RS and the PUSCH resource, meets specific delay thresholds or  criteria. These criteria, which may be hardcoded in the UE, consider the UE's capabilities for beam prediction, potentially enhanced by AI or ML technologies. Furthermore, the UE might communicate its beam prediction capabilities to a network unit, prompting the network to issue additional DCI for triggering beam prediction measurements and reports, and scheduling uplink control information (UCI) in a manner that aligns with the UE's processing delay requirements. This approach not only facilitates better coordination and efficiency in network resource allocation but also aims to reduce power consumption across UEs and network units while enhancing the utilization of ML models for beam prediction, ultimately leading to a more efficient and responsive network infrastructure.

[0010] In an aspect of the disclosure, a method of wireless communication performed by a user equipment (UE) includes: receiving downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource; performing, in response to receiving the DCI, an aperiodic channel state information (AP-CSI) measurement; and transmitting based on a first delay between the DCI and the scheduled PUSCH resource being greater than or equal to a first beam prediction latency parameter, an AP-CSI report in the PUSCH resource, wherein the AP-CSI report indicates beam prediction information.

[0011] In another aspect of the present disclosure, a user equipment (UE) comprises one or more memory devices and one or more processors in communication with the one or more memory devices, wherein the UE is configured to: receive downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource; perform, in response to receiving the DCI, an aperiodic channel state information (AP-CSI) measurement; and transmit based on a first delay between the DCI and the scheduled PUSCH resource being greater than or equal to a first beam prediction latency parameter, an AP-CSI report in the PUSCH resource, wherein the AP-CSI report indicates beam prediction information.

[0012] In another aspect of the present disclosure, anon-transitory, computer-readable medium having program code recorded therein, wherein the program code comprises instructions executable by one or more processors of a user equipment (UE) to cause the UE to: receive downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource; perform, in response to receiving the DCI, an aperiodic channel state information (AP-CSI) measurement; and transmit based on a first delay between the DCI and the scheduled PUSCH resource being greater than or equal to a first beam prediction latency parameter, an AP-CSI report in the PUSCH resource, wherein the AP-CSI report indicates beam prediction information.

[0013] In another aspect of the present disclosure, a user equipment (UE) comprises: means for receiving downlink control information (DCI) scheduling a physical uplink shared channel  (PUSCH) resource; means for performing, in response to receiving the DCI, an aperiodic channel state information (AP-CSI) measurement; and means for transmitting based on a first delay between the DCI and the scheduled PUSCH resource being greater than or equal to a first beam prediction latency parameter, an AP-CSI report in the PUSCH resource, wherein the AP-CSI report indicates beam prediction information.

[0014] In another aspect of the present disclosure, a method of wireless communication performed by a network unit comprises: receiving UE capability information for machine learning beam prediction; transmitting downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource, wherein a delay between the DCI and the PUSCH resource is based on the UE capability information; and receiving an AP-CSI report in the PUSCH, wherein the AP-CSI report indicates beam prediction information.

[0015] In another aspect of the present disclosure, a network unit, comprises one or more memory devices and one or more processors in communication with the one or more memory devices, wherein the network unit is configured to: receive UE capability information for machine learning beam prediction; transmit downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource, wherein a delay between the DCI and the PUSCH resource is based on the UE capability information; and receive an AP-CSI report in the PUSCH, wherein the AP-CSI report indicates beam prediction information.

[0016] In another aspect of the present disclosure, a non-transitory, computer-readable medium having program code recorded therein, wherein the program code comprises instructions executable by one or more processors of a network unit to cause the network unit to receive UE capability information for machine learning beam prediction; transmit downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource, wherein a delay between the DCI and the PUSCH resource is based on the UE capability information; and receive an AP-CSI report in the PUSCH, wherein the AP-CSI report indicates beam prediction information.

[0017] In another aspect of the present disclosure, a network unit comprises: means for receiving UE capability information for machine learning beam prediction; means for transmitting downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource, wherein a delay between the DCI and the PUSCH resource is based on the UE capability information; and means for receiving an AP-CSI report in the PUSCH, wherein the AP-CSI report indicates beam prediction information.

[0018] Other aspects and features of the present invention will become apparent to those of ordinary skill in the art, upon reviewing the following description of specific, exemplary aspects of the present invention in conjunction with the accompanying figures. While features of the present  invention may be discussed relative to certain aspects and figures below, all aspects of the present invention can include one or more of the advantageous features discussed herein. In other words, while one or more aspects may be discussed as having certain advantageous features, one or more of such features may also be used in accordance with the various aspects of the invention discussed herein. In similar fashion, while exemplary aspects may be discussed below as device, system, or method aspects, it should be understood that such exemplary aspects can be implemented in various devices, systems, and methods.BRIEF DESCRIPTION OF THE DRAWINGS

[0019] FIG. 1 illustrates a wireless communication network according to one or more aspects of the present disclosure.

[0020] FIG. 2 illustrates a diagram of an example disaggregated base station architecture according to one or more aspects of the present disclosure.

[0021] FIG. 3 illustrates a time domain beam prediction scheme according to some aspects of the present disclosure.

[0022] FIG. 4 illustrates a spatial domain beam prediction scheme according to some aspects of the present disclosure.

[0023] FIG. 5 illustrates a spatial domain beam prediction scheme according to one or more aspects of the present disclosure.

[0024] FIG. 6 illustrates a signaling diagram for a beam prediction and monitoring scheme according to one or more aspects of the present disclosure.

[0025] FIG. 7 illustrates a communication and beam prediction monitoring configurations for a ML beam prediction and reporting scheme according to one or more aspects of the present disclosure.

[0026] FIG. 8A illustrates a computational delay criteria scheme beam prediction and reporting, according to aspects of the present disclosure.

[0027] FIG. 8B illustrates a computational delay criteria scheme beam prediction and reporting, according to aspects of the present disclosure.

[0028] FIG. 8C illustrates a computational delay criteria scheme beam prediction and reporting, according to aspects of the present disclosure.

[0029] FIG. 9 illustrates a block diagram of a user equipment (UE) according to one or more aspects of the present disclosure.

[0030] FIG. 10 illustrates a block diagram of a network unit according to one or more aspects of the present disclosure.

[0031] FIG. 11 illustrates a flow diagram of a wireless communication method according to some aspects of the present disclosure.

[0032] FIG. 12 illustrates a flow diagram of a wireless communication method according to some aspects of the present disclosure.DETAILED DESCRIPTION

[0033] The detailed description set forth below, in connection with the appended drawings, is intended as a description of various configurations and is not intended to 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 the various concepts. However, it will be apparent to those skilled in the art that these concepts may be practiced without these specific details. In some aspects, well-known structures and components are shown in block diagram form in order to avoid obscuring such concepts.

[0034] This disclosure relates generally to wireless communications systems, also referred to as wireless communication networks. In various aspects, the techniques and apparatus may be used for wireless communication networks such as code division multiple access (CDMA) networks, time division multiple access (TDMA) networks, frequency division multiple access (FDMA) networks, orthogonal FDMA (OFDMA) networks, single-carrier FDMA (SC-FDMA) networks, LTE networks, Global System for Mobile Communications (GSM) networks, 5th Generation (5G) or new radio (NR) networks, as well as other communications networks. As described herein, the terms “networks” and “systems” may be used interchangeably.

[0035] An OFDMA network may implement a radio technology such as evolved UTRA (E-UTRA) , Institute of Electrical and Electronics Engineers (IEEE) 802.11, IEEE 802.16, IEEE 802.20, flash-OFDM and the like. UTRA, E-UTRA, and GSM are part of universal mobile telecommunication system (UMTS) . In particular, long term evolution (LTE) is a release of UMTS that uses E-UTRA. UTRA, E-UTRA, GSM, UMTS and LTE are described in documents provided from an organization named “3rd Generation Partnership Project” (3GPP) , and cdma2000 is described in documents from an organization named “3rd Generation Partnership Project 2” (3GPP2) . These various radio technologies and standards are known or are being developed. For instance, the 3rd Generation Partnership Project (3GPP) is a collaboration between groups of telecommunications associations that aims to define a globally applicable third generation (3G) mobile phone specification. 3GPP long term evolution (LTE) is a 3GPP project which was aimed at improving the UMTS mobile phone standard. The 3GPP may define specifications for the next generation of mobile networks, mobile systems, and mobile devices. The present disclosure is  concerned with the evolution of wireless technologies from LTE, 4G, 5G, NR, and beyond with shared access to wireless spectrum between networks using a collection of new and different radio access technologies or radio air interfaces.

[0036] In particular, 5G networks contemplate diverse deployments, diverse spectrum, and diverse services and devices that may be implemented using an OFDM-based unified, air interface. To achieve these goals, further enhancements to LTE and LTE-A are considered in addition to development of the new radio technology for 5G NR networks. The 5G NR will be capable of scaling to provide coverage (1) to a massive Internet of things (IoTs) with an Ultra-high density (e.g., ～1M nodes / km2) , ultra-low complexity (e.g., ～10s of bits / sec) , ultra-low energy (e.g., ～10+years of battery life) , and deep coverage with the capability to reach challenging locations; (2) including mission-critical control with strong security to safeguard sensitive personal, financial, or classified information, ultra-high reliability (e.g., ～99.9999%reliability) , ultra-low latency (e.g., ～ 1 ms) , and users with wide ranges of mobility or lack thereof; and (3) with enhanced mobile broadband including extreme high capacity (e.g., ～ 10 Tbps / km2) , extreme data rates (e.g., multi-Gbps rate, 100+ Mbps user experienced rates) , and deep awareness with advanced discovery and optimizations.

[0037] The 5G NR may be implemented to use optimized OFDM-based waveforms with scalable numerology and transmission time interval (TTI) ; having a common, flexible framework to efficiently multiplex services and features with a dynamic, low-latency time division duplex (TDD)  / frequency division duplex (FDD) design; and with advanced wireless technologies, such as massive multiple input, multiple output (MIMO) , robust millimeter wave (mmWave) transmissions, advanced channel coding, and device-centric mobility. Scalability of the numerology in 5G NR, with scaling of subcarrier spacing, may efficiently address operating diverse services across diverse spectrum and diverse deployments. For instance, in various outdoor and macro coverage deployments of less than 3GHz FDD / TDD implementations, subcarrier spacing may occur with 15 kHz, for instance over 5, 10, 20 MHz, and the like bandwidth (BW) . For other various outdoor and small cell coverage deployments of TDD greater than 3 GHz, subcarrier spacing may occur with 30 kHz over 80 / 100 MHz BW. For other various indoor wideband implementations, using a TDD over the unlicensed portion of the 5 GHz band, the subcarrier spacing may occur with 60 kHz over a 160 MHz BW. Finally, for various deployments transmitting with mmWave components at a TDD of 28 GHz, subcarrier spacing may occur with 120 kHz over a 500 MHz BW.

[0038] The scalable numerology of the 5G NR facilitates scalable TTI for diverse latency and quality of service (QoS) requirements. For instance, shorter TTI may be used for low latency and high reliability, while longer TTI may be used for higher spectral efficiency. The efficient  multiplexing of long and short TTIs to allow transmissions to start on symbol boundaries. 5G NR also contemplates a self-contained integrated subframe design with uplink (UL)  / downlink (DL) scheduling information, data, and acknowledgement in the same subframe. The self-contained integrated subframe supports communications in unlicensed or contention-based shared spectrum, adaptive UL / DL that may be flexibly configured on a per-cell basis to dynamically switch between UL and DL to meet the current traffic needs.

[0039] Various other aspects and features of the disclosure are further described below. It should be apparent that the teachings herein may be embodied in a wide variety of forms and that any specific structure, function, or both being disclosed herein is merely representative and not limiting. Based on the teachings herein one of an ordinary level of skill in the art should appreciate that an aspect disclosed herein may be implemented independently of any other aspects and that two or more of these aspects may be combined in various ways. For instance, an apparatus may be implemented or a method may be practiced using any number of the aspects set forth herein. In addition, such an apparatus may be implemented or such a method may be practiced using other structure, functionality, or structure and functionality in addition to or other than one or more of the aspects set forth herein. For instance, a method may be implemented as part of a system, device, apparatus, and / or as instructions stored on a computer readable medium for execution on a processor or computer. Furthermore, an aspect may comprise at least one element of a claim.

[0040] Aspects of the present disclosure facilitate beam prediction monitoring and reporting using artificial intelligence or machine learning (ML) models. A wireless channel between the network (e.g., a BS) and a UE may vary over time. The BS may configure a set of beams for the UE, which at any point of time may use one or two serving beams to receive DL transmissions from or transmit UL transmissions to the BS. The BS and the UE may keep track of the serving beam (s) as well as candidate beams. For example, the UE may perform one or more measurements of one or more reference signals configured for the UE and may include the one or more measurements in a channel state information (CSI) report. If a serving beam fails, the BS may reconfigure the UE to use of the candidate beams. Candidate beams may be regularly updated because the channel quality between the BS and the UE may change over time. It may be desirable for the UE update the serving beam (s) according to the channel state. The UE may report the link quality of the serving beam (s) and the candidate beams in a CSI report to the BS, and the BS may process the CSI report and determine whether the UE's serving beam (s) or candidate beam (s) should be reconfigured. If the quality of a beam falls below a threshold, the BS may reconfigure a beam the UE's serving beam (s) or candidate beam (s) . The BS may configure the threshold. Based on the determination, the  BS may transmit a command to reconfigure the UE's serving beam (s) and / or candidate beam (s) in response to the CSI report.

[0041] The BS may configure the UE to periodically report the CSI report to the BS. The CSI report may include, for example, channel quality information (CQI) and / or reference signal received power (RSRP) . CQI is an indicator carrying information on the quality of a communication channel. The BS may use the CQI to assist in downlink (DL) scheduling. The BS may use the RSRP to manage beams in multi-beam operations. The UE may perform different combinations of measurements for inclusion in the CSI report. Accordingly, the UE may transmit a CSI report including the CQI but not the RSRP, a CSI report including the RSRP but not the CQI, and / or a CSI report including both the CQI and the RSRP.

[0042] Machine learning (ML) models may be implemented to assist cellular network performance. These ML models may include neural networks that are implemented at different types of nodes within a wireless communication network. Measuring and evaluating candidate beams increases network overhead and power consumption. Typically, as the number of measured beam directions increases, and the more frequently the beams are measured, the more time and frequency resources are needed to assess different candidate beams and select a beam for communication. However, both the UE and network stand to benefit from this beam information as it can improve or optimize the signal quality, which may increase the speed of communications and reduce communication errors. ML models can provide some of the benefits of more granular and / or more frequent candidate beam measurements, but while measuring a fewer number of beams and / or measuring less frequently, thus reducing network overhead and power consumption at both the UE and the network unit.

[0043] ML models may use neural networks implemented at a single node (e.g., UE / BS / central cloud server) or may be distributed over multiple nodes. The ML models may be implemented to assist with different functions and / or modules among the nodes of the wireless communication network. In various aspects, the neural network may be implemented as a convolutional neural network (CNN) , a recurrent neural network (RNN) , a deep convolutional network (DCN) , among others. An ML model may include one or more layers of artificial neurons that process input data and provide respective layer data via connections or “edges” with subsequent layers of artificial neurons. This layer-wise processing of the outputs of previous layers may be performed until a final layer. The output of the final layer may be passed along to another processing module for post-processing. At each node implemented with one or more ML models, the ML models may interact with different layers within the node. The ML models may interact with one of the physical layer (PHY) , the media access control (MAC) layer or upper layers (e.g., application layer) in some  instances, or with multiple layers in other instances. These ML models may involve various ML-related data transfers between different layers of different nodes (e.g., UE, BS, central cloud server) .

[0044] ML models may be deployed in one or more devices (for example, network entities and UEs) and may be configured to enhance various aspects of a wireless communication system. For example, an ML model may be trained to identify patterns or relationships in data corresponding to a network, a device, an air interface, or the like. For instance, training of an ML model may be conducted using training data. Training data may include one or more datasets which a ML model may use to identify patterns or relationships. Training data may represent various types of information, including written, visual, audio, environmental context, operational properties, etc. During training, the parameters (such as the weights and biases) of the ML model may be changed, such as to minimize or otherwise reduce a loss function or a cost function. A training process may be repeated multiple times to fine-tune the ML model with each iteration.

[0045] An ML model may support operational decisions relating to one or more aspects associated with wireless communications devices, networks, or services. For example, an ML model may be utilized for supporting or improving aspects such as signal coding / decoding, network routing, energy conservation, transceiver circuitry controls, frequency synchronization, timing synchronization,

[0046] The ML models may be trained with training datasets as explained above, where the training datasets are produced through periodic and / or aperiodic data collection at one or more nodes. In various aspects, measurement data collection serves as input to the ML modules. The operation of these ML models at the different nodes may be used for ML model parameter transfer and / or update. The ML model framework within the wireless communication network has the capability to send feedback signals and / or reports between the different nodes. In various aspects, the UE may feedback channel measurements that are indicative of the ML model prediction accuracy. For example, the measurement data collection by the UE may be sent to the BS and / or central cloud server with a report may indicate that the ML model is producing prediction errors, thus indicative that the ML model has failed and / or requires updating.

[0047] In various aspects, the UE may include different ML models accessible by the processing system (e.g., stored on a memory) to predict channel properties for a future use of that channel. For example, the machine learning-based network may be implemented by a channel property prediction network to predict one or more properties of a channel and / or one or more beam parameters. In some aspects, the ML models are tasked to predict what transmission beam (s) to use for the BS and / or reception beam (s) to use for the UE. For example, the machine learning-based  network may be implemented by a beam selection prediction network to predict the BS transmission beam (s) and / or the UE reception beam (s) .

[0048] A Network Unit, such as a BS, may transmit control information such as DCI to the UE with an uplink grant scheduling a uplink resource such as a PUSCH resource for the measurement report. The DCI may also trigger the UE to perform the measurements on beam prediction-related RSs during a time window. In one example, the measurements include CSI measurements such as aperiodic channel state information (AP-CSI) measurements. The delay or gap between the DCI and the PUSCH, and also the delay or gap between the RSs and the PUSCH, may be used by the UE to perform computation on the reference signals, and to prepare and package uplink control information (UCI) with the beam measurement reporting information. ML-based beam prediction may incur additional computational time than non-predictive measurements or other non-ML-based channel measurements. Further, the amount of time involved with the ML-based beam prediction model may depend on the UE’s beam prediction capabilities and configurations. In some instances, the delay provided between the DCI and the PUSCH resource and / or the delay between the reception of the RSs and the PUSCH resource may be insufficient to accommodate AI-or ML-based beam prediction models. In this case, the UE may fail to provide the beam prediction report during the scheduled PUSCH resource, leading to additional latency and waste of network resources.

[0049] The present disclosure describes schemes and mechanisms for beam prediction and reporting to accommodate computing delays and to ensure timely reporting of beam prediction information. For instance, a UE may perform beam measurements on one or more reference signals. The UE may also perform beam prediction based on the beam measurements. The UE may determine whether to transmit the beam reporting information in an uplink resource based on a determination that one or more delays or time periods preceding the uplink resource satisfy one or more delay criteria. In some aspects, the one or more delay criteria are associated with the computing delays mentioned above. In some aspects, the one or more delay criteria are associated with one or more UE capabilities related to beam monitoring and / or prediction.

[0050] In some specific implementations, techniques for AI-or ML-based beam prediction and reporting may provide sufficient computing delay or latency to ensure timely reporting of beam prediction information. The UE may determine whether to transmit the beam reporting information in a PUSCH resource based on a determination that the delay between the BPM-triggering DCI and the PUSCH resource (and / or the delay between the BPM-RS and the PUSCH resource) satisfies one or more delay thresholds or criteria associated with the beam prediction computation. The delay thresholds or criteria may be specified (e.g., hardcoded) in the UE. In some aspects, the delay  criteria may be based on one or more UE capabilities for beam prediction, including AI-or ML-based beam prediction. In some aspects, the UE may transmit an indication of the one or more UE capabilities to a network unit. Based on the indicated UE capabilities, the network unit may transmit additional DCI triggering BP measurements and reports and scheduling UCI such that the delay between the DCI and the PUSCH resource, and / or between the BPM-RSs and the PUSCH resource, satisfy the UE’s computation delay criteria. As described herein, in addition to the coordination benefits, aspects of the present disclosure provide improved network efficiency, improved allocation of network resources, reduced power consumption by the UEs and / or the network units, and / or improved utilization of ML models.

[0051] FIG. 1 illustrates a wireless communication network 100 according to one or more aspects of the present disclosure. The network 100 may be a 5G network. The network 100 includes a number of BSs 105 (individually labeled as 105a, 105b, 105c, 105d, 105e, and 105f) and other network entities. A BS 105 may be a station that communicates with UEs 115 (individually labeled as 115a, 115b, 115c, 115d, 115e, 115f, 115g, 115h, and 115k) and may also be referred to as an evolved node B (eNB) , a 300next generation eNB (gNB) , an access point, and the like. Each BS 105 may provide communication coverage for a particular geographic area. In 3GPP, the term “cell” can refer to this particular geographic coverage area of a BS 105 and / or a BS subsystem serving the coverage area, depending on the context in which the term is used.

[0052] A BS 105 may provide communication coverage for a macro cell or a small cell, such as a pico cell or a femto cell, and / or other types of cell. A macro cell generally covers a relatively large geographic area (e.g., several kilometers in radius) and may allow unrestricted access by UEs with service subscriptions with the network provider. A small cell, such as a pico cell, would generally cover a relatively smaller geographic area and may allow unrestricted access by UEs with service subscriptions with the network provider. A small cell, such as a femto cell, would also generally cover a relatively small geographic area (e.g., a home) and, in addition to unrestricted access, may also provide restricted access by UEs having an association with the femto cell (e.g., UEs in a closed subscriber group (CSG) , UEs for users in the home, and the like) . A BS for a macro cell may be referred to as a macro BS. A BS for a small cell may be referred to as a small cell BS, a pico BS, a femto BS or a home BS. In FIG. 1, the BSs 105d and 105e may be regular macro BSs, while the BSs 105a-105c may be macro BSs enabled with one of three dimension (3D) , full dimension (FD) , or massive MIMO. The BSs 105a-105c may take advantage of their higher dimension MIMO capabilities to exploit 3D beamforming in both elevation and azimuth beamforming to increase coverage and capacity. The BS 105f may be a small cell BS which may be a home node or portable access point. A BS 105 may support one or multiple (e.g., two, three, four, and the like) cells.

[0053] In some aspects, the term “base station” (e.g., the base station 105) or “network entity” may refer to an aggregated base station, a disaggregated base station, an integrated access and backhaul (IAB) node, a relay node, and / or one or more components thereof. For example, in some aspects, “base station” or “network entity” may refer to a central unit (CU) , a distributed unit (DU) , a radio unit (RU) , a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) , or a Non-Real Time (Non-RT) RIC, or a combination thereof. In some aspects, the term “base station” or “network entity” may refer to one device configured to perform one or more functions, such as those described herein in connection with the base stations 105. In some aspects, the term “base station” or “network entity” may refer to a plurality of devices configured to perform the one or more functions. For example, in some distributed systems, each of a number of different devices (which may be located in the same geographic location or in different geographic locations) may be configured to perform at least a portion of a function, or to duplicate performance of at least a portion of the function, and the term “base station” or “network entity” may refer to any one or more of those different devices. In some aspects, the term “base station” or “network entity” may refer to one or more virtual base stations and / or one or more virtual base station functions. For example, in some aspects, two or more base station functions may be instantiated on a single device. In some aspects, the term “base station” or “network entity” may refer to one of the base station functions and not another. In this way, a single device may include more than one base station.

[0054] The network 100 may support synchronous or asynchronous operation. For synchronous operation, the BSs may have similar frame timing, and transmissions from different BSs may be approximately aligned in time. For asynchronous operation, the BSs may have different frame timing, and transmissions from different BSs may not be aligned in time.

[0055] The UEs 115 are dispersed throughout the wireless network 100, and each UE 115 may be stationary or mobile. A UE 115 may also be referred to as a terminal, a mobile station, a subscriber unit, a station, or the like. A UE 115 may be a cellular phone, a personal digital assistant (PDA) , a wireless modem, a wireless communication device, a handheld device, a tablet computer, a laptop computer, a cordless phone, a wireless local loop (WLL) station, or the like. In one aspect, a UE 115 may be a device that includes a Universal Integrated Circuit Card (UICC) . In another aspect, a UE may be a device that does not include a UICC. In some aspects, the UEs 115 that do not include UICCs may also be referred to as IoT devices or internet of everything (IoE) devices. The UEs 115a-115d are instances of mobile smart phone-type devices accessing network 100. A UE 115 may also be a machine specifically configured for connected communication, including machine type communication (MTC) , enhanced MTC (eMTC) , narrowband IoT (NB-IoT) and the like. The UEs  115e-115h are instances of various machines configured for communication that access the network 100. The UEs 115i-115k are instances of vehicles equipped with wireless communication devices configured for communication that access the network 100. A UE 115 may be able to communicate with any type of the BSs, whether macro BS, small cell, or the like. In FIG. 1, a lightning bolt (e.g., communication links) indicates wireless transmissions between a UE 115 and a serving BS 105, which is a BS designated to serve the UE 115 on the DL and / or UL, desired transmission between BSs 105, backhaul transmissions between BSs, or sidelink transmissions between UEs 115.

[0056] In operation, the BSs 105a-105c may serve the UEs 115a and 115b using 3D beamforming and coordinated spatial techniques, such as coordinated multipoint (CoMP) or multi-connectivity. The macro BS 105d may perform backhaul communications with the BSs 105a-105c, as well as small cell, the BS 105f. The macro BS 105d may also transmits multicast services which are subscribed to and received by the UEs 115c and 115d. Such multicast services may include mobile television or stream video, or may include other services for providing community information, such as weather emergencies or alerts, such as Amber alerts or gray alerts.

[0057] The BSs 105 may also communicate with a core network. The core network may provide user authentication, access authorization, tracking, Internet Protocol (IP) connectivity, and other access, routing, or mobility functions. At least some of the BSs 105 (e.g., which may be an instance of a gNB or an access node controller (ANC) ) may interface with the core network through backhaul links (e.g., NG-C, NG-U, etc. ) and may perform radio configuration and scheduling for communication with the UEs 115. In various cases, the BSs 105 may communicate, either directly or indirectly (e.g., through core network) , with each other over backhaul links (e.g., X1, X2, etc. ) , which may be wired or wireless communication links.

[0058] The network 100 may also support mission critical communications with ultra-reliable and redundant links for mission critical devices, such as the UE 115e, which may be a drone. Redundant communication links with the UE 115e may include links from the macro BSs 105d and 105e, as well as links from the small cell BS 105f. Other machine type devices, such as the UE 115f (e.g., a thermometer) , the UE 115g (e.g., smart meter) , and UE 115h (e.g., wearable device) may communicate through the network 100 either directly with BSs, such as the small cell BS 105f, and the macro BS 105e, or in multi-action-size configurations by communicating with another user device which relays its information to the network, such as the UE 115f communicating temperature measurement information to the smart meter, the UE 115g, which is then reported to the network through the small cell BS 105f. The network 100 may also provide additional network efficiency through dynamic, low-latency TDD / FDD communications, such asV2V, V2X, C-V2X  communications between a UE 115i, 115j, or 115k and other UEs 115, and / or vehicle-to-infrastructure (V2I) communications between a UE 115i, 115j, or 115k and a BS 105.

[0059] In some implementations, the network 100 utilizes OFDM-based waveforms for communications. An OFDM-based system may partition the system BW into multiple (K) orthogonal subcarriers, which are also commonly referred to as subcarriers, tones, bins, or the like. Each subcarrier may be modulated with data. In some aspects, the subcarrier spacing between adjacent subcarriers may be fixed, and the total number of subcarriers (K) may be dependent on the system BW. The system BW may also be partitioned into subbands. In other aspects, the subcarrier spacing and / or the duration of TTIs may be scalable.

[0060] In some aspects, the BSs 105 can assign or schedule transmission resources (e.g., in the form of time-frequency resource blocks (RB) ) for DL and UL transmissions in the network 100. DL refers to the transmission direction from a BS 105 to a UE 115, whereas UL refers to the transmission direction from a UE 115 to a BS 105. The communication can be in the form of radio frames. A radio frame may be divided into a plurality of subframes or slots, for instance, about 10. Each slot may be further divided into mini-slots. In a FDD mode, simultaneous UL and DL transmissions may occur in different frequency bands. For instance, each subframe includes a UL subframe in a UL frequency band and a DL subframe in a DL frequency band. In a TDD mode, UL and DL transmissions occur at different time periods using the same frequency band. For instance, a subset of the subframes (e.g., DL subframes) in a radio frame may be used for DL transmissions and another subset of the subframes (e.g., UL subframes) in the radio frame may be used for UL transmissions.

[0061] The DL subframes and the UL subframes can be further divided into several regions. For instance, each DL or UL subframe may have pre-defined regions for transmissions of reference signals, control information, and data. Reference signals are predetermined signals that facilitate the communications between the BSs 105 and the UEs 115. For instance, a reference signal can have a particular pilot pattern or structure, where pilot tones may span across an operational BW or frequency band, each positioned at a pre-defined time and a pre-defined frequency. For instance, a BS 105 may transmit cell specific reference signals (CRSs) and / or channel state information –reference signals (CSI-RSs) to enable a UE 115 to estimate a DL channel. Similarly, a UE 115 may transmit sounding reference signals (SRSs) to enable a BS 105 to estimate a UL channel. Control information may include resource assignments and protocol controls. Data may include protocol data and / or operational data. In some aspects, the BSs 105 and the UEs 115 may communicate using self-contained subframes. A self-contained subframe may include a portion for DL communication and a portion for UL communication. A self-contained subframe can be DL-centric  or UL-centric. A DL-centric subframe may include a longer duration for DL communication than for UL communication. A UL-centric subframe may include a longer duration for UL communication than for DL communication.

[0062] In some aspects, the network 100 may be an NR network deployed over a licensed spectrum. The BSs 105 can transmit synchronization signals (e.g., including a primary synchronization signal (PSS) and a secondary synchronization signal (SSS) ) in the network 100 to facilitate synchronization. The BSs 105 can broadcast system information associated with the network 100 (e.g., including a master information block (MIB) , remaining system information (RMSI) , and other system information (OSI) ) to facilitate initial network access. In some aspects, the BSs 105 may broadcast the PSS, the SSS, and / or the MIB in the form of synchronization signal block (SSBs) and may broadcast the RMSI and / or the OSI over a physical downlink shared channel (PDSCH) . The MIB may be transmitted over a physical broadcast channel (PBCH) .

[0063] In some aspects, a UE 115 attempting to access the network 100 may perform an initial cell search by detecting a PSS from a BS 105. The PSS may enable synchronization of period timing and may indicate a physical layer identity value. The UE 115 may then receive an SSS. The SSS may enable radio frame synchronization, and may provide a cell identity value, which may be combined with the physical layer identity value to identify the cell. The PSS and the SSS may be located in a central portion of a carrier or any suitable frequencies within the carrier.

[0064] After receiving the PSS and SSS, the UE 115 may receive a MIB. The MIB may include system information for initial network access and scheduling information for RMSI and / or OSI. After decoding the MIB, the UE 115 may receive RMSI and / or OSI. The RMSI and / or OSI may include radio resource control (RRC) information related to random access channel (RACH) procedures, paging, control resource set (CORESET) for physical downlink control channel (PDCCH) monitoring, physical UL control channel (PUCCH) , physical UL shared channel (PUSCH) , power control, and SRS.

[0065] After obtaining the MIB, the RMSI and / or the OSI, the UE 115 can perform a random access procedure to establish a connection with the BS 105. In some instances, the random access procedure may be a four-step random access procedure. For instance, the UE 115 may transmit a random access preamble and the BS 105 may respond with a random access response. The random access response (RAR) may include a detected random access preamble identifier (ID) corresponding to the random access preamble, timing advance (TA) information, an UL grant, a temporary cell-radio network temporary identifier (C-RNTI) , and / or a backoff indicator. Upon receiving the random access response, the UE 115 may transmit a connection request to the BS 105 and the BS 105 may respond with a connection response. The connection response may indicate a  contention resolution. In some instances, the random access preamble, the RAR, the connection request, and the connection response can be referred to as message 1 (MSG1) , message 2 (MSG2) , message 3 (MSG3) , and message 4 (MSG4) , respectively. In some instances, the random access procedure may be a two-step random access procedure, where the UE 115 may transmit a random access preamble and a connection request in a single transmission and the BS 105 may respond by transmitting a random access response and a connection response in a single transmission.

[0066] After establishing a connection, the UE 115 and the BS 105 can enter a normal operation stage, where operational data may be exchanged. For instance, the BS 105 may schedule the UE 115 for UL and / or DL communications. The BS 105 may transmit UL and / or DL scheduling grants to the UE 115 via a PDCCH. The scheduling grants may be transmitted in the form of DL control information (DCI) . The BS 105 may transmit a DL communication signal (e.g., carrying data) to the UE 115 via a PDSCH according to a DL scheduling grant. The UE 115 may transmit a UL communication signal to the BS 105 via a PUSCH and / or PUCCH according to a UL scheduling grant. The connection may be referred to as an RRC connection. When the UE 115 is actively exchanging data with the BS 105, the UE 115 is in an RRC connected state.

[0067] In some aspects, after establishing a connection with the BS 105, the UE 115 may initiate an initial network attachment procedure with the network 100. The BS 105 may coordinate with various network entities or fifth generation core (5GC) entities, such as an access and mobility function (AMF) , a serving gateway (SGW) , and / or a packet data network gateway (PGW) , to complete the network attachment procedure. For instance, the BS 105 may coordinate with the network entities in the 5GC to identify the UE, authenticate the UE, and / or authorize the UE for sending and / or receiving data in the network 100. In addition, the AMF may assign the UE with a group of tracking areas (TAs) . Once the network attach procedure succeeds, a context is established for the UE 115 in the AMF. After a successful attach to the network, the UE 115 can move around the current TA. For tracking area update (TAU) , the BS 105 may request the UE 115 to update the network 100 with the UE 115’s location periodically. Alternatively, the UE 115 may only report the UE 115’s location to the network 100 when entering a new TA. The TAU allows the network 100 to quickly locate the UE 115 and page the UE 115 upon receiving an incoming data packet or call for the UE 115.

[0068] In some aspects, the BS 105 may communicate with a UE 115 using HARQ techniques to improve communication reliability, for instance, to provide a URLLC service. The BS 105 may schedule a UE 115 for a PDSCH communication by transmitting a DL grant in a PDCCH. The BS 105 may transmit a DL data packet to the UE 115 according to the schedule in the PDSCH. The DL data packet may be transmitted in the form of a transport block (TB) . After receiving the DL data  packet, the UE 115 may transmit a feedback message for the DL data packet to the BS 105. In some instances, the UE 115 may transmit the feedback on an acknowledgment resource. The feedback may be an acknowledgement (ACK) indicating that reception of the DL data packet by the UE 115 is successful (e.g., received the DL data without error) or may be a negative-acknowledgement (NACK) indicating that reception of the DL data packet by the UE 115 is unsuccessful (e.g., including an error or failing an error correction) . In some aspects, if the UE 115 receives the DL data packet successfully, the UE 115 may transmit a HARQ ACK to the BS 105. Conversely, if the UE 115 fails to receive the DL transmission successfully, the UE 115 may transmit a HARQ NACK to the BS 105. Upon receiving a HARQ NACK from the UE 115, the BS 105 may retransmit the DL data packet to the UE 115. The retransmission may include the same coded version of DL data as the initial transmission. Alternatively, the retransmission may include a different coded version of the DL data than the initial transmission. The UE 115 may apply soft combining to combine the encoded data received from the initial transmission and the retransmission for decoding. The BS 105 and the UE 115 may also apply HARQ for UL communications using substantially similar mechanisms as the DL HARQ.

[0069] In some aspects, the network 100 may operate over a system BW or a component carrier (CC) BW. The network 100 may partition the system BW into multiple BWPs (e.g., portions) . A BS 105 may dynamically assign a UE 115 to operate over a certain BWP (e.g., a certain portion of the system BW) . The assigned BWP may be referred to as the active BWP. The UE 115 may monitor the active BWP for signaling information from the BS 105. The BS 105 may schedule the UE 115 for UL or DL communications in the active BWP. In some aspects, a BS 105 may assign a pair of BWPs within the CC to a UE 115 for UL and DL communications. For instance, the BWP pair may include one BWP for UL communications and one BWP for DL communications.

[0070] Deployment of communication systems, such as 5G new radio (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 transmit receive 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.

[0071] An aggregated base station may be configured to utilize 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 logically 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 also can be implemented as virtual units, i.e., a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) .

[0072] Base station-type operation or network design may consider aggregation characteristics of base station functionality. For example, disaggregated base stations may be utilized 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 at various physical locations, as well as distributing functionality for at least one unit virtually, which can enable 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.

[0073] Figure 2 shows a diagram illustrating an example disaggregated base station 200 architecture. The disaggregated base station 200 architecture may include one or more central units (CUs) 210 that can communicate directly with a core network 220 via a backhaul link, or indirectly with the core network 220 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 225 via an E2 link, or a Non-Real Time (Non-RT) RIC 215 associated with a Service Management and Orchestration (SMO) Framework 205, or both) . A CU 210 may communicate with one or more distributed units (DUs) 230 via respective midhaul links, such as an F1 interface. The DUs 230 may communicate with one or more radio units (RUs) 240 via respective fronthaul links. The RUs 240 may communicate with respective UEs 115 via one or more radio frequency (RF) access links. In some implementations, the UE 115 may be simultaneously served by multiple RUs 240.

[0074] Each of the units, i.e., the CUs 210, the DUs 230, the RUs 240, as well as the Near-RT RICs 225, the Non-RT RICs 215, and the SMO Framework 205, may include one or more interfaces or be coupled to one or more interfaces configured to receive or 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 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 transceiver (such as a radio frequency (RF) transceiver) , configured to receive or transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0075] In some aspects, the CU 210 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 210. The CU 210 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 210 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 the E1 interface when implemented in an O-RAN configuration. The CU 210 can be implemented to communicate with the DU 230, as necessary, for network control and signaling.

[0076] The DU 230 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 240. In some aspects, the DU 230 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 and demodulation, or the like) depending, at least in part, on a functional split, such as those defined by the 3rd Generation Partnership Project (3GPP) . In some aspects, the DU 230 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 230, or with the control functions hosted by the CU 210.

[0077] Lower-layer functionality can be implemented by one or more RUs 240. In some deployments, an RU 240, controlled by a DU 230, 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) 240 can be implemented to handle over the air (OTA) communication with one or more UEs 115. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 240 can be controlled by  the corresponding DU 230. In some scenarios, this configuration can enable the DU (s) 230 and the CU 210 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0078] The SMO Framework 205 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 205 may be configured to support the deployment of dedicated physical resources for RAN coverage requirements which may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 205 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 290) 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 210, DUs 230, RUs 240 and Near-RT RICs 225. In some implementations, the SMO Framework 205 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 211, via an O1 interface. Additionally, in some implementations, the SMO Framework 205 can communicate directly with one or more RUs 240 via an O1 interface. The SMO Framework 205 also may include a Non-RT RIC 215 configured to support functionality of the SMO Framework 205.

[0079] The Non-RT RIC 215 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, Artificial Intelligence / Machine Learning (AI / ML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 225. The Non-RT RIC 215 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 225. The Near-RT RIC 225 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 210, one or more DUs 230, or both, as well as an O-eNB, with the Near-RT RIC 225.

[0080] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 225, the Non-RT RIC 215 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 225 and may be received at the SMO Framework 205 or the Non-RT RIC 215 from non-network data sources or from network functions. In some examples, the Non-RT RIC 215 or the Near-RT RIC 225 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 215 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO Framework 205 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0081] FIG. 3 illustrates a time domain beam prediction scheme 300 according to some aspects of the present disclosure. The time domain beam prediction scheme 300 illustrates aspects of predicting one or more beam characteristics using a machine learning (ML) model in accordance with the present disclosure. In this regard, aspects of the time domain beam prediction scheme 300 may be utilized in the context of the wireless communication network 100 as well as with other aspects of the present disclosure, including the spatial domain beam prediction schemes 400 and 500 and the ML beam prediction and reporting schemes 600 and 700.

[0082] As shown, a BS 105 may periodically transmit one or more reference signals (e.g., downlink reference signals, CSI-RS, CRS, SSB, etc. ) . In the illustrated example, the BS 105 transmits a nominal reference signal group 305a, 305b, 305c with a period 310 (e.g., 10 ms, 20 ms, 40 ms, or any other suitable period) . In some aspects, the period 310 may be longer (e.g., twice the period, or otherwise) than a standard reference signal period, which can allow for power savings, reduced network congestion, and / or reduced interference by omitting one or more transmissions of reference signals relative to the standard reference signal period.

[0083] A UE 115 may predict one or more beam parameters based on the reference signals received from the BS 105. In some examples of such prediction, the UE may utilize one or more ML models 312 to predict one or more beam parameters based on the reference signals received from the BS 105, while in other examples, the UE may implement such prediction using other prediction techniques. Unless otherwise noted, it is understood that reference to a ML model in the present disclosure includes any type of program that relies on machine learning, including without limitation ML models, artificial intelligence (AI) models, AI / ML models, supervised learning models, unsupervised learning models, reinforcement learning models, semi-supervised learning models, self-supervised learning models, multi-instance learning models, inductive learning models, deductive inference models, transductive learning models, multi-task learning models, active learning models, online learning models, transfer learning models, ensemble learning models, and / or combinations thereof. Further, the ML model may include neural networks that are implemented at different types of nodes within a wireless communication network. For example, the neural networks may be implemented at a single node (e.g., UE / BS / central cloud server) or may be distributed over multiple nodes. The ML models may be implemented to assist with different functions and / or modules among the nodes of the wireless communication network. In various aspects, the neural network may be implemented as a convolutional neural network (CNN) , a recurrent neural network (RNN) , a deep convolutional network (DCN) , among others.

[0084] The UE 115 may utilize a ML model 312 to predict one or more beam parameters for a predicted beam group (e.g., predicted beam group 315a, 315b, or 315c) based on a nominal  reference signal group (e.g., nominal reference signal group 305a, 305b, or 305c) . In this regard, the ML model 312 may utilize measurements and / or other information associated with the nominal reference signal group (e.g., 305a, 305b, or 305c) along with other pertinent parameters (e.g., UE mobility, UE location, etc. ) and / or previously acquired data to determine one or more beam parameters (e.g., predicted beam measurements, predicted beam ranking order, etc. ) for the predicted beam group (e.g., 315a, 315b, or 315c) .

[0085] The predicted beam group may be associated with a future reference signal monitoring occasion (e.g., the reference signal monitoring occasions associated with nominal reference signal groups 305b or 305c) and / or between reference signal monitoring occasions. For example, FIG. 3 illustrates an instance where the predicted beam groups (e.g., predicted beam groups 315a and 315b) are associated with a time period between reference signal monitoring occasions (e.g., between the reference signal monitoring occasions associated with nominal reference signal groups 305a and 305b for predicted beam group 315a and between the reference signal monitoring occasions associated with nominal reference signal groups 305b and 305c for predicted beam group 315b) . In some instances, the predicted beam groups are associated with time periods between reference signal monitoring occasions where reference signal transmissions are omitted but would occur if a standard reference signal periodicity was being used.

[0086] FIG. 4 illustrates a spatial domain beam prediction scheme 400 according to some aspects of the present disclosure. The spatial domain beam prediction scheme 400 illustrates aspects of predicting one or more beam characteristics using a machine learning (ML) model in accordance with the present disclosure. However, it will be understood that aspects of the scheme 400 and of the present disclosure more generally may include non-ML beam prediction techniques to determine beam prediction information. Aspects of the spatial domain beam prediction scheme 400 may be utilized in the context of the wireless communication network 100 as well as with other aspects of the present disclosure, including the time domain beam prediction scheme 300, the spatial domain beam prediction scheme 500, and the ML beam prediction and reporting schemes 600 and 700.

[0087] As shown, a BS 105 may periodically transmit one or more reference signals (e.g., downlink reference signals, CSI-RS, CRS, SSB, etc. ) . In the illustrated example, the BS 105 transmits a nominal reference signal group 405a, 405b, 405c with a period 410 (e.g., 10 ms, 20 ms, 40 ms, or any other suitable period) . In some aspects, the period 410 may be longer (e.g., twice the period, or otherwise) than a standard reference signal period, which can allow for power savings, reduced network congestion, and / or reduced interference by omitting one or more transmissions of reference signals relative to the standard reference signal period. As shown, for each nominal reference signal  group 405a, 405b, and 405c the BS may transmit the reference signals using less than all of the available and / or active beam directions. In this regard, the beam direction (s) transmitted for each of nominal reference signal group 405a, 405b, and 405c may include the same and / or different beam directions than the other nominal reference signal groups 405a, 405b, and 405c.

[0088] A UE 115 may predict one or more beam parameters based on the reference signals received from the BS 105. In some examples of such prediction, the UE may utilize one or more ML models 412 to predict one or more beam parameters based on the reference signals received from the BS 105, while in other examples, the UE may implement such prediction using other prediction techniques. The UE 115 may utilize a ML model 412 to predict one or more beam parameters for a predicted beam group (e.g., predicted beam group 415a, 415b, or 415c) based on a nominal reference signal group (e.g., nominal reference signal group 405a, 305b, or 305c) . In this regard, the ML model 412 may utilize measurements and / or other information associated with the nominal reference signal group (e.g., 405a, 405b, or 405c) along with other pertinent parameters (e.g., UE mobility, UE location, etc. ) and / or previously acquired data to determine one or more beam parameters (e.g., predicted beam measurements, predicted beam ranking order, etc. ) for the predicted beam group (e.g., 415a, 415b, or 415c) . More specifically, the UE 115 may utilize the ML model 412 to estimate one or more beam parameters for the beam directions that were not transmitted as part of the reference signals of the corresponding nominal reference signal groups 405a, 405b, and 405c. In this regard, the solid lines in the predicted beam groups 415a, 415b, and 415c, the UE 115 represent the beam directions that were transmitted as part of the reference signals of the corresponding nominal reference signal groups 405a, 405b, and 405c, while the dashed lines represent the beam directions that were not transmitted by the corresponding nominal reference signal groups 405a, 405b, and 405c.

[0089] FIG. 5 illustrates a spatial domain beam prediction scheme 500 according to one or more aspects of the present disclosure. The spatial domain beam prediction scheme 500 illustrates aspects of predicting one or more beam characteristics using a machine learning (ML) model in accordance with the present disclosure. As similarly explained above, it will be understood that aspects of the scheme 500 and of the present disclosure more generally may include non-ML beam prediction techniques to determine beam prediction information. Aspects of the spatial domain beam prediction scheme 500 may be utilized in the context of the wireless communication network 100 as well as with other aspects of the present disclosure, including the time domain beam prediction scheme 300, the spatial domain beam prediction scheme 400, and the ML beam prediction and reporting schemes 600 and 700.

[0090] As shown, a BS 105 may periodically transmit one or more reference signals (e.g., downlink reference signals, CSI-RS, CRS, SSB, etc. ) . In the illustrated example, the BS 105 transmits a nominal reference signal group 505a, 505b, 505c with a period 510 (e.g., 10 ms, 20 ms, 40 ms, or any other suitable period) . In some aspects, the period 510 may be longer (e.g., twice the period, or otherwise) than a standard reference signal period, which can allow for power savings, reduced network congestion, and / or reduced interference by omitting one or more transmissions of reference signals relative to the standard reference signal period. As shown, for each nominal reference signal group 505a, 505b, and 505c the BS using wideband beams. In this regard, the wideband beams transmitted for each of nominal reference signal group 505a, 505b, and 505c may include the same and / or different wideband beams as the other nominal reference signal groups 505a, 505b, and 505c.

[0091] A UE 115 may predict one or more beam parameters based on the reference signals received from the BS 105. In some examples of such prediction, the UE may utilize one or more ML models 512 to predict one or more beam parameters based on the reference signals received from the BS 105, while in other examples, the UE may implement such prediction using other prediction techniques. The UE 115 may utilize a ML model 512 to predict one or more beam parameters for a predicted beam group (e.g., predicted beam group 515a, 515b, or 515c) based on a nominal reference signal group (e.g., nominal reference signal group 505a, 505b, or 505c) . In this regard, the ML model 512 115 may utilize measurements and / or other information associated with the nominal reference signal group (e.g., 505a, 505b, or 505c) along with other pertinent parameters (e.g., UE mobility, UE location, etc. ) and / or previously acquired data to determine one or more beam parameters (e.g., predicted beam measurements, predicted beam ranking order, etc. ) for the predicted beam group (e.g., 515a, 515b, or 515c) . More specifically, the UE 115 may utilize the ML model 512 to estimate one or more beam parameters for the narrowband beams that were not transmitted as part of the wideband reference signals of the corresponding nominal reference signal groups 505a, 505b, and 505c. In this regard, while FIG. 5 shows transmission of wideband reference signals and prediction of narrowband beams, in other aspects of the present disclosure narrowband reference signals may be transmitted and a ML model may be utilized to predict one or more beam parameters for wideband beams based on the narrowband reference signals.

[0092] FIG. 6 illustrates a signaling diagram for a beam prediction monitoring (BPM) and reporting scheme 600 according to one or more aspects of the present disclosure. The BPM and reporting scheme 600 may rely on artificial intelligence (AI) or machine learning (ML) models to predict or estimate channel conditions associated with different beam directions and characteristics (e.g., beam width, timing, etc. ) The BPM and reporting scheme 600 illustrates aspects of timelines for  measuring BPM reference signals (BPM-RSs) , using AI or ML models to perform beam prediction, and then outputting a beam prediction report indicating AI-or ML-based beam prediction results in accordance with the present disclosure. In other aspects, the scheme 600 may rely on non-AI / ML beam prediction techniques to output a beam prediction report. Aspects of the BPM and reporting scheme 600 may be utilized in the context of the wireless communication network 100 as well as with other aspects of the present disclosure, including the time domain beam prediction scheme 300, the spatial domain beam prediction schemes 400 and 500, and the BPM and reporting scheme 700.

[0093] At action 603, the UE 115 transmits, to the BS, a capability report indicating UE capabilities associated with AI-or ML-based beam prediction. In some aspects, the reported UE capabilities include computational capabilities, such as ML hardware-based capabilities. In some aspects, the capabilities include a class or rank of ML computation, where the class or rank is associated with the speed at which the UE may perform ML beam prediction calculations. In some aspects, the reported capabilities are based on or associated with an AI model or ML model the UE uses to perform the beam prediction. Like ML hardware specifications, some ML models may facilitate faster beam prediction than others. In some aspects, the capabilities may be indicated for respective SCS or numerologies, measured beam vs predicted beam parameters, and / or beam prediction reporting parameters.

[0094] In some aspects, the UE may transmit an RRC information element (IE) that include the UE capabilities. For instance, the UE may transmit an RRC beamReportTiming IE that includes the UE capabilities associated with the beam prediction. In some aspects, the UE capabilities may be reported or indicated as a value, such as an integer or other number. In some aspects, the value may indicate, or otherwise be associated with, a timing parameter, such as a number of symbols. In some aspects, the timing parameter indicates an additional number of symbols or timing offset involved with the ML beam prediction computation. For example, for a UE with relatively high hardware and ML computation abilities, the UE may indicate a relatively lower value. On the other hand, for a UE with relatively low hardware and ML computation abilities, the UE may report a relatively higher value, indicating a relatively greater amount of additional time involved with the ML beam prediction computations.

[0095] Aspects of ML beam prediction UE capability reporting, according to some embodiments, are more fully illustrated in FIGS. 8A-C and described in the corresponding text. Further, it will be understood that, in some embodiments, the UE may proceed with ML-based beam prediction and reporting before reporting ML beam prediction capabilities, or without reporting ML beam prediction capabilities. In other aspects, the report transmitted at action 603 may indicate UE  capabilities for RS reporting, but not necessarily related to ML-based beam prediction specifically. For instance, the UE may indicate one or more capability values related to beam report timing and / or beam switching.

[0096] At action 605, a UE 115 obtains BPM-RS computation delays. The BPM-RS computation delays may be hardcoded, preconfigured, stored, or otherwise specified at and / or for the UE 115. The BPM-RS computation delays may be configured for AI / ML-based BP monitoring and reporting. In this regard, the BPM-RS computation delays may be associated with the amount of time involved with ML-based BP reporting, depending on the specific relevant UE capabilities and channel characteristics (e.g., SCS / numerology) for the predicted beam characteristics. In some aspects, obtaining the computation delays may include retrieving or recalling the computation delays from a memory component. It will be understood that action 605 may occur at any suitable point in time during the scheme 600, such as during or before action 627.

[0097] .

[0098] In some aspects of the present disclosure, the UE 115 can predict one or more beam parameters, for example, by utilizing a ML model configured to predict one or more beam parameters, including without limitation predicted beam measurements (e.g., a level 1 reference signal receive power (L1-RSRP) , a level 1 signal to interference noise ratio (L1-SINR) , a rank indicator (RI) , a precoding matrix indicator (PMI) , a channel quality indicator (CQI) , layer indicator (LI) , and / or other predicted measurement / indicator) , narrowband beams, wideband beams, etc. In some instances, the ML model (s) may include an ML model utilized by the UE 115 for beam prediction. For example, the ML model may be utilized to provide a time domain beam prediction (e.g., as discussed with respect to FIG. 3) and / or a spatial domain beam prediction (e.g., as discussed with respect to FIGS. 4 and 5) .

[0099] At action 610, a BS 105 transmits a beam prediction monitoring reference signal (BPM-RS) configuration to the UE 115. In some instances, the action 610 occurs before the action 605. That is, in some instances the UE 115 may receive the BPM-RS configuration before starting the ML model. In other instances, the UE 115 may start the ML model before receiving the BPM-RS configuration. In some aspects, the UE 115 may receive an initial BPM-RS configuration and subsequently receive an updated BPM-RS configuration. In this regard the BS 105 may update one or more parameters of the BPM-RS configuration and transmit an updated BPM-RS configuration and / or an indication of the updated parameter (s) . Further, in some instances the BS may transmit a plurality of BPM-RS configurations to the UE 115 at action 610.

[0100] The UE 115 may receive the BPM-RS configuration (s) and / or any updates to the BPM-RS configuration (s) from the BS 105 via a radio resource control (RRC) message or other suitable  communication. In some aspects, the BPM-RS configuration (s) may be included as an information element of the communication. The BPM-RS configuration (s) may include one or more parameters associated with ML model monitoring and / or reporting. For example, the BPM-RS configuration may indicate one or more BPM-RS resources. Generally, the BPM-RS resource (s) may include time resources, frequency resources, and / or beam directions (e.g., antenna port (s) ) associated with one or more BPM-RSs. In this regard, the BPM-RS resources may be associated with periodic BPM-RSs, semi-persistent BPM-RSs, and / or aperiodic BPM-RSs. In some instances, the one or more BPM-RS resources may be associated with one or more non-zero power channel state information reference signal (NZP-CSI-RS) resources and / or other reference signal resources. In some instances, the BPM-RS configuration (s) may be associated with a serving cell and / or a bandwidth part. In this regard, each serving cell and / or bandwidth part may be associated with one or more BPM-RS configurations.

[0101] In some instances, at action 610, the UE 115 receives a plurality of BPM-RS configurations. Each of the plurality of BPM-RS configurations may be associated with at least one of a serving cell or a bandwidth part. In some aspects, the UE 115 receives the plurality of BPM-RS configurations via an RRC communication.

[0102] At action 615, the UE 115 may receive an indication to activate and / or use one or more BPM-RS configurations (e.g., a first BPM-RS configuration) of the BPM-RS configurations received at action 610. The UE 115 may receive the indication to activate and / or use the one or more BPM-RS configurations (e.g., the first BPM-RS configuration) of the plurality of BPM-RS configurations, at action 615, via a media access control control element (MAC-CE) and / or downlink control information (DCI) . In this regard, in some instances the MAC-CE and / or the DCI may include an identifier (or an indication of the identifier) associated with each of the BPM-RS configuration (s) the UE 115 is to utilize. In other instances, action 615 is omitted and the UE 115 receiving the BPM-RS configuration (s) at action 610 serves as indication for the UE 115 to activate and / or use the received BPM-RS configuration (s) . In some aspects, the indication may also schedule or otherwise indicate an uplink resource for the UE to transmit a BMP report to the network. For example, the indication comprise a DCI scheduling a PUSCH for beam reporting.

[0103] In some instances, the UE 115 receives an indication to use one or more BPM-RS configurations of a plurality of BPM-RS configurations, at action 615, by receiving a channel state information (CSI) report setting including multiple BPM-RS configuration identifiers (or indications of the BPM-RS configuration identifiers) associated with one or more of the plurality of BPM-RS configuration (s) (e.g., as shown in FIG. 8C) . The multiple BPM-RS configuration indicated in the CSI report setting may be one or more, including all, of the BPM-RS configurations  of the plurality of BPM-RS configurations received at action 610. The UE 115 may then receive an indication indicating one or more BPM-RS configurations of the multiple BPM-RS configurations indicated in the CSI report setting that the UE 115 is to utilize. The UE 115 may receive the indication to use the one or more BPM-RS configurations (e.g., the first BPM-RS configuration) of the multiple of BPM-RS configurations via a MAC-CE and / or DCI (e.g., as shown in FIG. 8C) . In this regard, in some instances the MAC-CE and / or the DCI may include an identifier (or an indication of the identifier) associated with each of the BPM-RS configuration (s) the UE 115 is to utilize. In some instances, the UE 115 receives the indication to use the one or more BPM-RS configurations of the plurality of BPM-RS configurations by receiving a CSI report setting including one or more BPM-RS configuration identifiers (or indications of the BPM-RS configuration identifiers) associated with the one or more BPM-RS configurations the UE 115 is to utilize.

[0104] In some aspects, for periodic CSI reports, the associated CSI report setting may include the BPM-RS Configuration ID. For semi-persistent and / or aperiodic CSI reports, the associated CSI report setting may include multiple BPM-RS configuration identifiers and a MAC-CE activating the CSI report may indicate one BPM-RS configuration identifier. The UE may utilize the BPM-RS configuration indicated in the MAC-CE for ML model performance monitoring. In some aspects, the aperiodic CSI triggering state configurations associated with a CSI report setting may include respective BPM-RS configuration identifiers and a DCI triggering the aperiodic CSI report may indicate the specific BPM-RS configuration the UE is to utilize.

[0105] In some aspects, one or more of the BPM-RS configurations includes a plurality of channel state information (CSI) report setting identifiers (or indications of the identifiers) . When the BPM-RS configuration includes a plurality of CSI report setting identifiers or associated indicators, the UE 115 may receive, from the BS 105, an indication to use a particular CSI report setting (e.g., a first CSI report setting) of the plurality of CSI report settings. For example, in some instances, the UE 115 may receive a MAC-CE and / or DCI including an indication to use the particular CSI report setting. In this regard, the MAC-CE and / or the DCI may include the identifier (or an indication of the identifier) for the CSI report setting that the UE 115 is to utilize. In some instances, the DCI may have a particular format and / or use a particular radio network temporary identifier (RNTI) when indicating a CSI report setting to use when multiple CSI report settings are associated with a BPM-RS configuration. As discussed further below, the UE 115 may utilize the associated format and / or parameters for the indicated CSI report setting to send a report to the BS 105 at action 630.

[0106] In some instances, the first BPM-RS configuration received at action 610 includes at least one of an indication of a length of a BPM timer (e.g., beamPredictionMonitoringTimer) and / or an  indication of a BPM threshold (e.g., beamPredictionErrorCount) . In this regard, the UE 115 may utilize the BPM timer and / or the BPM threshold to monitor performance of a ML model as discussed in greater detail below with respect to action 625. In some instances, a common BPM timer length and / or a common BPM threshold may be utilized for two or more BPM-RS configurations. For example, in some instances the UE 115 may receive, at action 610, a plurality of BPM-RS configurations and also receive an indication of a length of a BPM timer and / or receive an indication of a BPM threshold. The length of the BPM timer received by the UE 115 may be associated with each of the plurality of BPM-RS configurations. Similarly, the BPM threshold received by the UE 115 may be associated with each of the plurality of BPM-RS configurations.

[0107] In some aspects, the BPM-RS configuration (s) may include an indication of a plurality of lengths of the BPM timer. In this regard, the UE 115 may receive from the BS 105 an indication to use a particular length of the BPM timer (e.g., a first BPM timer length) from among the plurality of lengths. Further, in some instances the UE 115 may receive from the BS 105 a further indication to use a different length of the BPM timer (e.g., a second BPM timer length) . In some aspects, the BS 105 may determine the length of the BPM timer for the UE 115 to use and communicate an indication of the selected length to the UE 115. In some instances, the BS 105 may determine to change the length of the BPM timer based on mobility of the UE 115 (e.g., increased movement of the UE 115 may result in a reduced length of the timer) , one or more reports from the UE 115, network conditions, and / or other factors. In some instances, the BS 105 may indicate the length of the BPM timer in a CSI report setting and / or a MAC-CE (e.g., activating a periodic CSI-Report) and / or a DCI (e.g., triggering a semi-persistent CSI report and / or an aperiodic CSI report) .

[0108] In some aspects, the BPM-RS configuration (s) may include an indication of a plurality of BPM thresholds. In this regard, the UE 115 may receive from the BS 105 an indication to use a particular BPM threshold (e.g., a first BPM threshold) from among the plurality of BPM thresholds. Further, in some instances the UE 115 may receive from the BS 105 a further indication to use a different BPM threshold (e.g., a second BPM threshold) . In some aspects, the BS 105 may determine the BPM threshold for the UE 115 to use and communicate an indication of the selected BPM threshold to the UE 115. In some instances, the BS 105 may determine to change the BPM threshold based on mobility of the UE 115, one or more reports from the UE 115, network conditions, and / or other factors. In some instances, the BS 105 may indicate the BPM threshold in a CSI report setting and / or a MAC-CE (e.g., activating a periodic CSI-Report) and / or a DCI (e.g., triggering a semi-persistent CSI report and / or an aperiodic CSI report) .

[0109] In some aspects, the BPM-RS configuration (s) communicated at action 610 may further include one or more other parameters associated with ML model monitoring and / or reporting. For  example, the BPM-RS configuration may include one or more values associated with one or more ML model failure criterion (e.g., whether a top-1 predicted beam of the ML model is included in a set of top-K beams of a group of measured beams, whether a top-1 measured beam of a group of measured beams is included in a set of top-K beams of a group of predicted beams of the ML model, whether a layer 1 reference signal receive power (L1-RSRP) or other measurement (s) of a top-1 predicted beam of the ML model is within a threshold difference of an L1-RSRP or other measurement (s) of a top-1 measured beam of a group of measured beams, whether a predicted layer 1 reference signal receive power (L1-RSRP) or other measurement (s) of a top-1 predicted beam of the ML model is within a threshold difference of a measured L1-RSRP or other measurement (s) of a top-1 measured beam of a group of measured beams, etc. ) and / or other parameters associated with ML model BPM monitoring and / or reporting.

[0110] At action 620, the BS 105 may transmit BPM-RSs in accordance with one or more BPM-RS configurations. In some aspects, the BS 105 transmits at least one BPM-RS for one or more monitoring occasions associated with one or more BPM-RS configurations. For example, the BS 105 may transmit BPM-RSs (e.g., downlink reference signals, CSI-RS, CRS, SSB, etc. ) associated with the one or more monitoring occasions as described above with respect to FIGS. 3-5.

[0111] At action 625, the UE 115 performs ML beam prediction (BP) based on the BPM-RS configuration. In some instances, the UE 115 performs the ML BP based on one or more BPM-RSs transmitted by the BS 105 at action 620. The BPM-RSs may include one or more reference signals, such as downlink reference signals, CSI-RS, CRS, SSB, etc. In some instances, the BS 105 may periodically transmit BPM-RSs as described above with respect to FIGS. 3-5.

[0112] In some instances, at action 625, the UE 115 measures the transmitted BPM-RSs associated with a first set of beam characteristics (e.g., beam direction, beam width, transmission time, etc. ) , and uses an AI or ML model to predict the measurements (e.g., L1-RSRP, CQI, RSRQ, etc. ) of a second set of beam characteristics (e.g., beam direction, beam width, transmission time, etc. ) . For instance, the UE 115 may perform one or more of the beam prediction schemes 300, 400, and / or 500 shown in FIGS. 3-5. As noted above, the UE 115 may employ an ML model to perform BP.

[0113] In some aspects, the ML BP at action 625 includes or involves measuring a Set B of beams or beam characteristics (e.g., beam direction, beam width, beam timing) , and predicting or estimating a Set A of beams of beam characteristics. In some instances, Set B is a subset of Set A. For instance, the UE 115 may measure a less numerous or sparser set B of beams, and use those measurements and the ML model to predict or estimate a more numerous set B of beams. In another example, Set A and Set B are different sets of beams or beam characteristics. For instance, Set B may include wide beams, and Set A may include narrower beams. In some aspects, Set B may  describe a set of beams at a first time, and / or with a less frequent periodicity, and Set A may describe a set of beams at one or more second times, and / or with more frequent periodicity.

[0114] At action 627, the UE 115 may determine whether the computation delay criteria discussed at action 605 are met for the uplink BP reporting resource scheduled at action 615. In this regard, the UE 115 may compare one or more BP thresholds or timing criteria to one or delays or time durations preceding to the uplink BP reporting resource. The delay criteria may be associated with one or more UE capabilities, including one or more ML BP capabilities associated with the UE’s ability for ML-based beam prediction, including hardware-based capabilities and / or ML models. In some aspects, the delay criteria may indicate a number of symbols, a number of microseconds, a number of milliseconds, and / or any other time parameter. In some aspects, the delay criteria may include or indicate an index representing a category or rank of the UE capability.

[0115] If the delay criteria are met, the UE transmits a BP report at action 630. If the delay criteria are not met, the UE 115 determines to not transmit the BP report, or to delay transmission of the BP report until a later uplink resource. In some aspects, transmitting the BP report 630 comprises transmitting a CSI report via a PUSCH resource. In some aspects, the CSI report includes an aperiodic CSI (AP-CSI) report. The PUSCH resource may be scheduled by a DCI received at action 615, where the DCI triggers or schedules the PUSCH resource.

[0116] In some aspects, the delay criteria includes a first delay value Z, and a second delay value Z′. The first and second delay values Z and Z′may depend on, or otherwise be associated with, one or more communication parameters, including the SCS of the carrier or BWP being used for transmission, and one or more UE capabilities. The one or more UE capabilities may include a UE beam report timing capability and / or a beam switch timing capability. In some aspects, the one or more UE capabilities may include, instead of or in addition to the beam report timing and beam switch timing capabilities, one or more BP monitoring and / or reporting capabilities. For instance, as explained above, UE BP capabilities include computational capabilities, such as ML hardware-based capabilities. In some aspects, the capabilities include a class or rank of ML computation, where the class or rank is associated with the speed at which the UE may perform ML beam prediction calculations. In some aspects, the reported capabilities are based on or associated with an AI model or ML model the UE uses to perform the beam prediction. Like ML hardware specifications, some ML models may facilitate faster beam prediction than others. In some aspects, the capabilities may be indicated for respective SCS or numerologies, measured beam vs predicted beam parameters, and / or beam prediction reporting parameters.

[0117] As explained above, In some aspects, the BP capabilities may include a value, such as an integer or other number. In some aspects, the value may be associated with a number of symbols. In  some aspects, the value is associated with an additional number of symbols or timing offset involved with the ML beam prediction computation. For example, for a UE with relatively high hardware and ML computation abilities, the BP capability may be associated with a relatively lower value. On the other hand, for a UE with relatively low hardware and ML computation abilities, the BP capability may be associated with a relatively higher value, indicating a relatively greater amount of additional time involved with the ML beam prediction computations.

[0118] In some aspects, and with reference to FIG. 7, action 627 includes the UE 115 comparing the delay criteria Z and / or Z′with a delay or time period Zref and / or Z′ref. In one aspect, Zref may be described as the delay or gap between the last symbol of the PDCCH that carries the DCI 702 scheduling the PUSCH resource 706 for BP reporting (e.g., CSI report) , and the first symbol of the PUSCH resource 706. In another aspect, Z′ref may be described as the delay or gap between the last symbol of the latest BP-RS (e.g., CSI, AP-CSI, etc. ) 704 and the first symbol of the PUSCH 706. The UE may be hardcoded, pre-configured, or otherwise specified with Z and Z′for ML BP monitoring and reporting. Aspects of Z and Z′are described in more detail in FIGS. 8A-8C.

[0119] FIG. 7 illustrates a scheme for ML BP monitoring and reporting according to aspects of the present disclosure. It will be understood that aspects of the scheme 700 may be performed during, or as part of, the scheme 600, and may be performed by the UE 115, by a network unit, or by a combination of the two. The scheme 700 illustrates the computational delay or latency criteria that facilitate timely ML-based BP reporting. The UE 115 receives the DCI 702, which may trigger a BP-RS measurement, such as the CSI-RS 704. The CSI-RS 704 may be an AP-CSI-RS. In some aspects, the DCI 702 dynamically triggers the AP-CSI measurement by indicating a codepoint associated with an AP-CSI resource. Further, the DCI 702 may schedule or indicate a PUSCH resource for providing a CSI report based on the measured CSI-RS 704. As explained above, The PUSCH resource may be spaced in time from the DCI and the CSI-RS by Zref and Z′ref, respectively.

[0120] Based on, and in response to, receiving the DCI 702, the UE 115 decodes the DCI and performs BP monitoring (BPM) RS measurements, such as a CSI-RS measurement. Aspects of these measurements may be performed by the modem 708. The modem 708 may include one or more processing components for decoding the DCI and / or for the BPM-RS measurement. In one aspect, performing the measurement comprises performing one or more L1-RSRP, RSRQ, CQI, RSSI, and / or any other suitable channel measurement for a set of beam characteristics, including beam direction, granularity, beam width, beam timing, and / or any other suitable characteristic. The UE 115 uses the measured L1-RSRPs 714 (or RSRP, CQI, etc. ) for BP using the ML module 710. In some aspects, the ML module 710 comprises a hardware module that is separate from the  hardware circuitry of the modem 708. In some aspects, the ML module 710 may comprise one or more NPUs and / or GPUs configured or otherwise suitable for AI / ML inferences. In other aspects, the ML module 710 comprises part of the modem 708. For instance, the ML module 710 may comprise one or more processing cores or processing components forming the modem 708. In some aspects, the ML module 710 comprises software executed on the processing components or core (s) of the modem 708. In that regard, the ML module 710 may comprise a combination of hardware and software (e.g., an ML module) , or may comprise a software module executed on the modem 708 hardware. The ML module 710 may execute any of the AI or ML models or algorithms described herein.

[0121] The ML module 710 uses the BPM-RS measurements (e.g., L1-RSRP, RSRQ, RSSI, etc. ) as inputs for a AI / ML BP algorithm to estimate or predict measurements or characteristics of other beams. For instance, the ML module 710 may use the L1-RSRPs 714 measured on beam Set B to predict or estimate the L1-RSRPs for a beam Set A, where Set A represents a set of beam characteristics that is different from that of Set B. The ML module 710 passes those predicted L1-RSRPs 716 for Set A to the modem 708 to be packaged into a BP report to be transmitted as uplink control information (UCI) 718 in the PUSCH 706. In some aspects, the delays Zref and Z′ref effected by the DCI’s 702 triggering oof the CSI-RS measurement and scheduling of the PUSCH are sufficient to allow for ML-based BP algorithms to run and to predict or estimate the performance of one or more beam characteristics (e.g., beam direction, beam width, beam timing) that differ from the measured beam characteristics. In some instances, the delays Zref and / or Z′ref may fall short of the BP delay criteria Z and / or Z′. In that case, the UE 115 may determine not to transmit the packaged UCI report 718 with the BP information. In other aspects, the UE 115 mater determine to delay transmitting the BP information until a later uplink resource (e.g., PUSCH resource) . In other aspects, if the delays Zref and / or Z′ref fall short of the BP delay criteria Z and / or Z′, the UE 115 may determine not to perform BP and / or to prepare a BP report for transmission to the network.

[0122] The BP delay criteria Z and Z′may be coded or configured specifically for AI / ML-based BP monitoring and reporting. In this regard, the BP delay criteria Z and Z′may be associated with the amount of time involved with ML-based BP reporting, depending on the specific relevant UE capabilities and channel characteristics (e.g., SCS / numerology) for the predicted beam characteristics. As explained above, the BP UE capabilities may be associated with hardware capabilities and / or software capabilities (e.g., ML model performance) . The UE 115 may store and / or report the BP capabilities in units of time, such as a number of symbols. In some aspects, the BP capabilities may be stored as and / or represented by a number of symbols representing an  additional offset or time duration involved with the BP monitoring and reporting. Devices with relatively high or advanced BP capabilities (e.g., more capable hardware, high-speed ML model) may indicate a lower value, such that the UE may be capable of reporting ML-based BP information with a relatively shorter gap or delay compared to a less capable UE.

[0123] In some aspects, the criteria used may be based on a combination of ML-based BP-specific UE capabilities and other UE capabilities. For instance, the criteria Z and Z′used for BP reporting may be associated with UE capabilities for beam report timing and / or beam switch timing. In some aspects, the non-ML-based BP reporting capabilities may also be stored, specified, and / or reported as a number of symbols, such that UEs with a higher degree of BP capability may use lower values for Z and / or Z′. Further, the criteria may be based on an SCS or numerology of at least one carrier or BWP on which the beams are being measured.

[0124] FIGS. 8A-8C illustrate computational delay criteria schemes used by UEs and network nodes for BP monitoring and reporting, according to the aspects and embodiments described above. In some aspects, the values or criteria in the tables shown in FIGS. 8A-8C may be stored, hardcoded, or otherwise specified at the UE 115 for determining whether to transmit a beam report and / or a BP report. In some aspects, the values in the tables may indicate a number of symbols. However, any other suitable type of parameter may be indicated in the tables, including microseconds, milliseconds, number of slots, and / or any other suitable type of value. It will also be understood that some or all of the numerical values shown in the tables are exemplary, and that other values may be used without departing from the scope of the present disclosure.

[0125] In each table of FIGS. 8A-8C, values for Zn and Zn′are provided for a range of scenarios, and for a range of SCS-IDs. The SCS-ID may be based on or associated with the numerology for different sets of frequency resources (e.g., carriers, BWPs) . Further, each table includes four sets of computational delay criteria Zn and Zn′. In some aspects, the first three sets of criteria-that is, Z1, Z2, and Z3-may be used in non-ML / AI beam monitoring and reporting scenarios. For instance, Z1 may be used for reporting CQI and / or SINR measurements, Z3 may be used for reporting RSRP measurements, and Z2 may be used in one or more scenarios in which Z1 or Z3 are not used. In each table, Z4 represents a AI / ML-based BP monitoring and reporting delay criteria in situations where ML models are used to predict the performance (e.g., L1-RSRP, CQI, SINR, etc. ) of one or more beams or beam characteristics (e.g., beam direction, beam width, beam timing) .

[0126] In some aspects, set numerical values may be assigned for Z1 and Z2 for all SCS-IDs (n) . For Z3, set values may be assigned or preconfigured for some, but not all, of the SCS-IDs. For instance, for SCS-IDs 0 and 1, set values are assigned for Z3 (22 and 33) . However, for the rest of the SCS-IDs (2, 3, 5, and 6) , the values for Z3 depend both on Xn and KBn. In some aspects, Xn and KBn may  be associated with UE capabilities for beam reporting and / or beam timing. Further, for Z′3, the values for all SCS-IDs depend on UE capability Xn. Xn may be associated with a beam report timing capability. KBn may be associated with a beam switch timing capability. These UE capabilities may not specifically accommodate or support AI / ML-specific beam prediction tasks, such as beam prediction monitoring and reporting schemes that rely on ML models, such as the scheme 700 shown in FIG. 7. Accordingly, FIGS. 8A-8C provide additional ML-based BP computational delay criteria (Z4) for each of the SCS-IDs. In some aspects, the assigned (e.g., preconfigured, hardcoded, etc. ) values for Z4 and Z′4 are based on AI / ML BP UE capabilities. Thus, the Z4 computational delay criteria are well-suited to ensure sufficient computational delay / latency for UEs using ML models to enhance BP reports.

[0127] In FIG. 8A, Z4 and Z′4 may follow a similar pattern as the delay criteria for Z3 and Z′3, but using a AI / ML-specific UE capability for BP monitoring and reporting: Xna. This UE capability Xna may indicate a beam report timing UE capability that is specific to AI / ML-based BP monitoring and reporting. In other aspects, Xna may indicate a beam switch timing UE capability specific to AI / ML-based BP monitoring and reporting. In some aspects, Xna is greater than Xn for at least some of the SCS-IDs (n) . In some aspects, Xna is greater than Xn for all SCS-IDs. The AI / ML BP computational delay criteria Z4 shown in FIG. 8A may be particularly well-suited when the input to the AI / ML beam prediction model is L1-RSRP, however it will be understood that the embodiment of FIG. 8A may be used in any suitable AI / ML algorithm and for any set of inputs, including CQI, SINR, RSRQ, RSSI, and / or any other suitable type of measurement.

[0128] FIG. 8B is similar to the embodiment of FIG. 8A in some aspects, such that Z4 and Z′4 follow a similar pattern as the delay criteria for Z3 and Z′3, but using a AI / ML-specific UE capability for BP monitoring and reporting. In the example of FIG. 8B, Z4 and Z′4 introduce an additional UE capability (On) that is used in addition to Xn, rather than in the place of Xn. For example, for SCS-ID 2, the AI / ML capability O2 is added to the delay criteria, so that the delay criteria becomes: min (≥44, X2 + O2 + KB1) . In some aspects, in the example of FIG. 8B, the AI / ML BP capability On may be referred to as an offset, since it is added to the other UE capabilities Xn and KBn to account for the time used to run the ML algorithm.

[0129] Like the example of FIG. 8A, the AI / ML BP computational delay criteria Z4 shown in FIG. 8B may be particularly well-suited when the input to the AI / ML beam prediction model is L1-RSRP, however it will be understood that the embodiment of FIG. 8B may be used in any suitable AI / ML algorithm and for any set of inputs, including CQI, SINR, RSRQ, RSSI, and / or any other suitable type of measurement.

[0130] In FIG. 8C, Z4 and Z′4 may follow a similar pattern as the delay criteria for Z1 and Z′1, but adding an offsetting AI / ML-specific UE capability for BP monitoring and reporting: On. On may be similar or identical to the On described above with respect to FIG. 8B. This UE capability On may indicate a beam report timing offset that is specific to AI / ML-based BP monitoring and reporting. In other aspects, On may indicate a beam switch timing UE capability specific to AI / ML-based BP monitoring and reporting. The AI / ML BP computational delay criteria Z4 shown in FIG. 8C may be particularly well-suited when the input to the AI / ML beam prediction model is Channel Impulse Response (CIR) , PMI, CQI, and / or SINR, however it will be understood that the embodiment of FIG. 8A may be used in any suitable AI / ML algorithm and for any set of inputs, including L1-RSRP, and / or any other suitable type of measurement.

[0131] It will be appreciated that the AI / ML BP computational delay criteria schemes shown in FIGS. 8A-8C are exemplary, and that various modifications could be made to any of these schemes in accordance with the aspects of the present disclosure. For instance, the set values shown in the tables (e.g., 22, 33, 44, etc. ) may be increased or decreased. Further, with respect to Z4, many values are shown as being greater than or equal (≥) to a set value, such as the set values of Z1. It will be understood that a variety of values may be predefined or otherwise set that are not necessarily the specific values shown in FIGS. 8A-8C. In some aspects, the values for Z4, which are shown to be greater than or equal to a corresponding value of Z1 or Z3, may be characterized as being at least as large as the corresponding value in Z1 and / or Z3.

[0132] In many of the examples shown above, the computational delay criteria Z4 depend on a AI / ML BP capability in some way (e.g., Xna, On) . However, in other aspects, set values may be predefined for some or all SCS-IDs in Z4 and Z′4 that do not directly depend on a defined UE capability, such as Xna or On.

[0133] FIG. 9 is a block diagram of a UE 900 according to one or more aspects of the present disclosure. The UE 900 may be, for instance, a UE 115 as discussed in FIGS. 1-8. As shown, the UE 900 may include a processor 902, a memory 904, a machine learning (ML) beam prediction module 908, a transceiver 910 including a modem subsystem 912 and an RF unit 914, and one or more antennas 916. These elements may be coupled with one another. The term “coupled” may refer to directly or indirectly coupled or connected to one or more intervening elements. For instance, these elements may be in direct or indirect communication with each other, for instance via one or more buses.

[0134] The processor 902 may include a CPU, a DSP, an ASIC, a controller, a FPGA device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein. The processor 902 may also be implemented as a combination of  computing devices, e.g., a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration.

[0135] The memory 904 may include a cache memory (e.g., a cache memory of the processor 902) , RAM, MRAM, ROM, PROM, EPROM, EEPROM, flash memory, solid state memory device, hard disk drives, other forms of volatile and non-volatile memory, or a combination of different types of memory. In an aspect, the memory 904 includes a non-transitory computer-readable medium. The memory 904 may store, or have recorded thereon, instructions 906. The instructions 906 may include instructions that, when executed by the processor 902, cause the processor 902 to perform the operations described herein with reference to a UE 115 in connection with aspects of the present disclosure, for instance, aspects of FIGS. 3-8C. Instructions 906 may also be referred to as program code. The program code may be for causing a wireless communication device to perform these operations, for instance by causing one or more processors (such as processor 902) to control or command the UE 900 to do so. The terms “instructions” and “code” should be interpreted broadly to include any type of computer-readable statement (s) . For instance, the terms “instructions” and “code” may refer to one or more programs, routines, sub-routines, functions, procedures, etc. “Instructions” and “code” may include a single computer-readable statement or many computer-readable statements.

[0136] The ML beam prediction module 908 may be implemented via hardware, software, or combinations thereof. For instance, the ML beam prediction module 908 may be implemented as a processor, circuit, and / or instructions 906 stored in the memory 904 and executed by the processor 902. In some aspects, the ML beam prediction module 908 can be integrated within the modem subsystem 912. For instance, the ML beam prediction module 908 can 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 modem subsystem 912. The ML beam prediction module 908 may communicate with one or more components of the UE 900 to implement various aspects of the present disclosure, for instance, aspects of FIGS. 3-9 and 12.

[0137] In some aspects, the ML beam prediction module 908 may be configured, along with other components of the UE 900, to receive one or more beam prediction management reference signal (BPM-RS) configurations. In some aspects, the ML beam prediction module 908 may be configured, along with other components of the UE 900, to receive DCI triggering a BPM-RS measurement, and scheduling an uplink resource (e.g., PUSCH, PUCCH) for providing a beam prediction report. In some aspects, the ML beam prediction module 908 may be configured, along with other components of the UE 900, to receive, from a network unit, an indication to use one or  more BPM-RS configurations of a plurality of BPM-RS configurations. In some aspects, the ML beam prediction module 908 may be configured, along with other components of the UE 900, to perform a beam prediction algorithm, such as an AI-or ML-based beam prediction algorithm to predict or estimate one or more channel conditions associated with one or more beam characteristics (e.g., beam direction, beam width, beam timing, number of beams) . In some aspects, the ML beam prediction module 908 may be configured, along with other components of the UE 900, to transmit, to a network unit, a report based on monitoring the performance of the ML model. In some aspects, the ML beam prediction module 908 may be configured, along with other components of the UE 900, to transmit the report based on a channel state information (CSI) report setting associated with a BPM-RS configuration utilized for monitoring the performance of the ML model.

[0138] In some aspects, the ML beam prediction module 908 is further configured to run one or more ML models. In this regard, the ML beam prediction module 908 may be configured, along with other components of the UE 900, to execute any type of program that relies on machine learning, including without limitation ML models, artificial intelligence (AI) models, AI / ML models, supervised learning models, unsupervised learning models, reinforcement learning models, semi-supervised learning models, self-supervised learning models, multi-instance learning models, inductive learning models, deductive inference models, transductive learning models, multi-task learning models, active learning models, online learning models, transfer learning models, ensemble learning models, and / or combinations thereof. Further, the ML model may include neural networks that are implemented at different types of nodes within a wireless communication network. For example, the neural networks may be implemented at a single node (e.g., UE / BS / central cloud server) or may be distributed over multiple nodes. The ML algorithms may be implemented to assist with different functions and / or modules among the nodes of the wireless communication network. In various aspects, the neural network may be implemented as a convolutional neural network (CNN) , a recurrent neural network (RNN) , a deep convolutional network (DCN) , among others.

[0139] As shown, the transceiver 910 may include the modem subsystem 912 and the RF unit 914. The transceiver 910 can be configured to communicate bi-directionally with other devices, such as the BSs 95 and / or network units. The modem subsystem 912 may be configured to modulate and / or encode the data from the memory 904 and / or the ML beam prediction module 908 according to a MCS, e.g., a LDPC coding scheme, a turbo coding scheme, a convolutional coding scheme, a digital beamforming scheme, etc. The RF unit 914 may be configured to process (e.g., perform analog to digital conversion or digital to analog conversion, etc. ) modulated / encoded data (e.g., communication signals, data signals, control signals, capability reports, BPM-RS reports, ML model monitoring reports, ML model failure indications, measurement reports, etc. ) from the  modem subsystem 912 (on outbound transmissions) . The RF unit 914 may be further configured to perform analog beamforming in conjunction with the digital beamforming. Although shown as integrated together in transceiver 910, the modem subsystem 912 and the RF unit 914 may be separate devices that are coupled together at the UE 900 to enable the UE 900 to communicate with other devices.

[0140] The RF unit 914 may provide the modulated and / or processed data, e.g., data packets (or, more generally, data messages that may contain one or more data packets and other information) , to the antennas 916 for transmission to one or more other devices. The antennas 916 may further receive data messages transmitted from other devices. The antennas 916 may provide the received data messages for processing and / or demodulation at the transceiver 910. The transceiver 910 may provide the demodulated and decoded data (e.g., communication signals, data signals, control signals, BPM-RS configurations, CSI report settings, machine learning (ML) model monitoring configurations, ML model monitoring requests, instructions to deactivate and / or retrain a ML model, etc. ) to the ML beam prediction module 908 for processing. The antennas 916 may include multiple antennas of similar or different designs in order to sustain multiple transmission links.

[0141] FIG. 10 is a block diagram of a network unit 1000 according to one or more aspects of the present disclosure. The network unit 1000 may be a BS 105, CU 210, DU 230, and / or RU 240 as discussed in FIGS. 1-9. Accordingly, the network unit 1000 may include a BS. The BS may be an aggregated BS or a disaggregated BS, as described above. As shown, the network unit 1000 may include a processor 1002, a memory 1004, a machine learning (ML) monitoring module 1008, a transceiver 1010 including a modem subsystem 1012 and a radio frequency (RF) unit 1014, and one or more antennas 1016. These elements may be coupled with one another. The term “coupled” may refer to directly or indirectly coupled or connected to one or more intervening elements. For instance, these elements may be in direct or indirect communication with each other, for instance via one or more buses.

[0142] The processor 1002 may have various features as a specific-type processor. For instance, these may include 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. The processor 1002 may also be implemented as a combination of computing devices, e.g., a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration.

[0143] The memory 1004 may include a cache memory (e.g., a cache memory of the processor 1002) , random access memory (RAM) , magnetoresistive RAM (MRAM) , read-only memory (ROM) , programmable read-only memory (PROM) , erasable programmable read only memory (EPROM) , electrically erasable programmable read only memory (EEPROM) , flash memory, a solid state memory device, one or more hard disk drives, memristor-based arrays, other forms of volatile and non-volatile memory, or a combination of different types of memory. In some aspects, the memory 1004 may include a non-transitory computer-readable medium. The memory 1004 may store instructions 1006. The instructions 1006 may include instructions that, when executed by the processor 1002, cause the network unit 1000 to perform operations described herein, for instance, aspects of FIGS. 3-9 and 13. Instructions 1006 may also be referred to as program code. The program code may be for causing a wireless communication device to perform these operations, for instance by causing one or more processors (such as processor 1002) to control or command the network unit 1000 to do so. The terms “instructions” and “code” should be interpreted broadly to include any type of computer-readable statement (s) . For instance, the terms “instructions” and “code” may refer to one or more programs, routines, sub-routines, functions, procedures, etc. “Instructions” and “code” may include a single computer-readable statement or many computer-readable statements.

[0144] The ML beam prediction module 1008 may be implemented via hardware, software, or combinations thereof. For instance, the ML beam prediction module 1008 may be implemented as a processor, circuit, and / or instructions 1006 stored in the memory 1004 and executed by the processor 1002. In some instances, the ML beam prediction module 1008 can be integrated within the modem subsystem 1012. For instance, the ML beam prediction module 1008 can 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 modem subsystem 1012. The ML beam prediction module 1008 may communicate with one or more components of the network unit 1000 to implement various aspects of the present disclosure, for instance, aspects of FIGS. 3-8C.

[0145] In some aspects, the ML beam prediction module 1008 may be configured, along with other components of the network unit 1000, to transmit, to a user equipment (UE) , one or more BPM-RS configurations. In some aspects, the ML beam prediction module 1008 may be configured, along with other components of the network unit 1000, to receive, from the UE, a beam prediction report. In some aspects, the ML beam prediction module 1008 may be configured, along with other components of the network unit 1000, to set one or more parameters of the BPM-RS configuration. In some aspects, the ML beam prediction module 1008 may be configured, along with other  components of the network unit 1000, to transmit at least one reference signal for each of a plurality of monitoring occasions associated with the BPM-RS configuration. In some aspects, the ML beam prediction module 1008 may be configured, along with other components of the network unit 1000, to transmit, to a UE, an indication to use one or more BPM-RS configurations of a plurality of BPM-RS configurations.

[0146] As shown, the transceiver 1010 may include the modem subsystem 1012 and the RF unit 1014. The transceiver 1010 can be configured to communicate bi-directionally with other devices, such as the UE 105, UE 1000, and / or another network unit. The modem subsystem 1012 may be configured to modulate and / or encode data according to a modulation and coding scheme (MCS) , e.g., a low-density parity check (LDPC) coding scheme, a turbo coding scheme, a convolutional coding scheme, a digital beamforming scheme, etc. The RF unit 1014 may be configured to process (e.g., perform analog to digital conversion or digital to analog conversion, etc. ) modulated / encoded data (e.g., communication signals, data signals, control signals, BPM-RS configurations, CSI report settings, machine learning (ML) model monitoring configurations, ML model monitoring requests, instructions to deactivate and / or retrain a ML model, etc. ) from the modem subsystem 1012 (on outbound transmissions) . The RF unit 1014 may be further configured to perform analog beamforming in conjunction with the digital beamforming. Although shown as integrated together in transceiver 1010, the modem subsystem 1012, and / or the RF unit 1014 may be separate devices that are coupled together at the network unit 1000 to enable the network unit 1000 to communicate with other devices.

[0147] The RF unit 1014 may provide the modulated and / or processed data, e.g., data packets (or, more generally, data messages that may contain one or more data packets and other information) , to the antennas 1016 for transmission to one or more other devices. The antennas 1016 may further receive data messages transmitted from other devices and provide the received data messages for processing and / or demodulation at the transceiver 1010. The transceiver 1010 may provide the demodulated and decoded data (e.g., communication signals, data signals, control signals, capability reports, BPM-RS reports, ML model monitoring reports, ML model failure indications, measurement reports, etc. ) to the ML beam prediction module 1008 for processing. The antennas 1016 may include multiple antennas of similar or different designs in order to sustain multiple transmission links.

[0148] FIG. 11 is a flow diagram illustrating a wireless communication method 1100 according to one or more aspects of the present disclosure. Aspects of the method 1100 can be executed by a computing device (e.g., a processor, processing circuit, and / or other suitable component) of a wireless communication device or other suitable means for performing the blocks. For instance, the  wireless communication device may be a UE (e.g., UE 115 or UE 1000) . The UE may utilize one or more components, such as the processor 902, the memory 904, the ML beam prediction module 908, the transceiver 910, the modem subsystem 912, the RF unit 914, and / or the one or more antennas 916, to execute the blocks of method 1100. The method 1100 may employ similar mechanisms as described in FIGS. 3-8C. As illustrated, the method 1100 includes a number of enumerated blocks, but aspects of the method 1100 may include additional blocks before, after, and in between the enumerated blocks. In some aspects, one or more of the enumerated blocks may be omitted or performed in a different order.

[0149] At block 1110, the UE (e.g., UE 115 and / or UE 900) receives DCI scheduling a PUSCH communication or resource. In some aspects the UE 900 receives the DCI in a PDCCH resource. The DCI may be a format 0_1 DCI. In some aspects, the DCI may also trigger a CSI measurement and report. For instance, the DCI may include or indicate a codepoint associated with a CSI resource. In some aspects, the CSI measurement may be an aperiodic CSI measurement for beam prediction and reporting.

[0150] At block 1120, the UE performs, in response to receiving the DCI, an AP-CSI measurement. In some aspects, the UE performing the AP-CSI measurement includes measuring AP-CSI RSs for a plurality of beam characteristics. For instance, the network may transmit the AP-CSI RSs as a plurality of beams having different beam characteristics. The beam characteristics may include beam direction, beam width, and timing. However, other beam characteristics may also be applied to the AP-CSI RS set. The AP-CSI RSs may include an AP-channel measurement resource (CMR) and an AP-interference measurement resource (IMR) . In some aspects, performing the measurement comprises determining one or more signal qualities associated with the RSs, including L1-RSRP, reference signal received quality (RSRQ) , CQI, SINR, PMI, and / or any other suitable characteristic.

[0151] In another aspect, block 1120 may include using an AI model or ML model to predict or estimate, based on the measured AP-CSI RSs, one or more signal qualities for a set of beams not directly measured at block 1120. For instance, as explained above, BP may include or involve measuring a Set B of beams or beam characteristics (e.g., beam direction, beam width, beam timing) , and predicting or estimating a Set A of beams of beam characteristics. In some instances, Set B is a subset of Set A. For instance, the UE may measure a less numerous or sparser set B of beams, and use those measurements and the ML model to predict or estimate a more numerous set B of beams. In another example, Set A and Set B are different sets of beams or beam characteristics. For instance, Set B may include wide beams, and Set A may include narrower beams. In some aspects, Set B may describe a set of beams at a first time, and / or with a less  frequent periodicity, and Set A may describe a set of beams at one or more second times, and / or with more frequent periodicity. Accordingly, the UE may use the measurements of Set B as inputs for the ML model to estimate or predict the signal qualities (e.g., L1-RSRP, CQI, SINR, PMI, etc. ) for Set A.

[0152] At block 1130, the UE transmits, based on a first delay between the DCI and the scheduled PUSCH communication being greater than or equal to a first beam prediction latency parameter, an AP-CSI report in the PUSCH resource, wherein the AP-CSI report indicates beam predication information. first beam prediction management reference signal (BPM-RS) configuration. In some aspects, the first delay may correspond to Zref described above. The first beam prediction latency parameter may correspond to the computational delay criteria for ML-based BP (Z) , such as Z4 described above with respect to FIGS. 8A-8C. In some aspects, the first beam prediction latency parameter may be preconfigured, hardcoded, or otherwise predefined at the UE. Block 1130 may include comparing the first delay to the first beam prediction latency parameter.

[0153] The first beam prediction latency parameter may be based on or associated with a first UE capability. In some aspects, the first UE capability may be a ML-based BP capability. For instance, the UE capability may be a capability for AI / ML beam report timing or beam switch timing. The UE capability may be preconfigured or predefined in terms of a number of symbols, as explained above. In some aspects, the first beam prediction latency parameter is further based on a second UE capability. The second UE capability may be for non-ML beam report timing or non-ML beam report switching. Like the first UE capability, the second UE capability may also be preconfigured as a number of symbols. In some aspects, the first UE capability may be defined as an offset to be applied to a second beam prediction latency parameter to determine the first beam prediction latency parameter.

[0154] In some aspects, the method 1100 further includes the UE transmitting an indication of the UE capability for beam prediction. For instance, the UE may transmit, to a network unit, an indication of the UE capability for AI / ML beam prediction. The network in turn may schedule PUSCH resources for AP-CSI reporting based on the reported UE capability. For instance, the network may ensure that the delay or latency between the DCI and the scheduled PUSCH resource is sufficient to allow for the ML model to perform the BP algorithms.

[0155] The report transmitted at block 1130 may include one or more types of BP information, including temporal BP information and / or spatial BP information. For instance, the BP information may be determined according to the schemes described with respect to FIGS. 3-5 above.

[0156] In another aspect, the first beam prediction latency parameter is based on a SCS of the carrier or BWP of the measured AP-CSI RSs. For instance, the first beam prediction latency  parameter used by the UE may be based on the SCS-ID, as shown in FIGS. 8A-8C. In another aspect, the transmitting at block 1130 is further based on a second delay between the CSI-RS and the scheduled PUSCH resource being greater than or equal to a second beam prediction latency parameter. In this regard, the UE may determine whether to transmit the AP-CSI report with the beam prediction information, or may determine whether to perform the AP-CSI measurement, based on a determination that the first delay satisfies the first beam prediction latency parameter or threshold, and that the second delay satisfies the second beam prediction latency parameter or threshold. For instance, the first delay may correspond to Zref, and the second delay may correspond to Z′ref as illustrated in FIG. 7. If both criteria (e.g., Z4 and Z′4) are satisfied, the UE may proceed with transmitting the AP-CSI report. If one of the criteria is not satisfied, the UE may determine to refrain from transmitting the report, or to delay its transmission until a later UL resource.

[0157] In some aspects, the first and / or second beam prediction latency parameters may be based on a variety of AI / ML model input options that may affect the amount of computation time involved with preparing the ML-based BP information. For instance, the beam prediction latency parameters or criteria may be based on the type of prediction being performed (e.g., spatial, temporal, or spatial and temporal) . For instance, a greater amount of delay may be involved for predicting both spatial and temporal beam performance compared to temporal only or spatial only. In another aspect, a greater amount of delay may be involved when the predicted beams (e.g., Set A) are based on virtual RSs that are not actually transmitted, compared to scenarios in which the predicted beams are based on beams (e.g., CSI-RSs, SSBs, etc. ) that are transmitted. In another aspect, the amount of delay may be based on the parameters of the reported BP information, such as whether the UE reports only the top K-RSs in terms of RSRP, CQI, PMI, etc., or whether the UE reports all predicted BP information. The values for the beam prediction latency parameters or the relevant ML-based BP UE capabilities (e.g., Z4, Xna, On) may be based on one or more of these input options. Further, the UE may report one or more of these input options as capabilities to the network.

[0158] It will be understood that, while the disclosure above focuses on CSI reports such as AP-CSI reports, for beam prediction, the same techniques may be used in similar or analogous ways for other types of reports that involve AI / ML inference and prediction. For instance, the techniques described above may be extended to PMI compression by UE AI / ML inference, future PMI prediction, or a combination thereof. Further, although the disclosure primarily describes CSI-RSs as the signals used for ML-based beam prediction, it will be understood that other types of signals may be used in a similar way, including CRSs, SSBs, or any other suitable downlink RS.

[0159] FIG. 12 is a flow diagram illustrating a wireless communication method 1200 according to one or more aspects of the present disclosure. Aspects of the method 1200 can be executed by a computing device (e.g., a processor, processing circuit, and / or other suitable component) of a wireless communication device or other suitable means for performing the blocks. For instance, the wireless communication device may be a network (e.g., BS 105 or network unit 1000) . The network unit may utilize one or more components, such as the processor 1002, the memory 1004, the ML beam prediction module 1008, the transceiver 1010, the modem subsystem 1012, the RF unit 1014, and / or the one or more antennas 1016, to execute the blocks of method 1200. The method 1200 may employ similar mechanisms as described in FIGS. 3-8C. As illustrated, the method 1200 includes a number of enumerated blocks, but aspects of the method 1200 may include additional blocks before, after, and in between the enumerated blocks. In some aspects, one or more of the enumerated blocks may be omitted or performed in a different order.

[0160] Further, it will be understood that one or more steps of the method 1200 may be similar or analogous to one or more steps of the method 1100, with the method 1200 being from the perspective of the network or network unit.

[0161] At block 1210, the network unit receives, from a UE, UE capability information for ML-based beam prediction. In some aspects, the UE may report this UE capability using an RRC IE. The UE capability information may indicate UE capabilities for beam report timing and / or beam switch timing for ML-based beam prediction. For instance, the received UE capability information may include a number of symbols for Z4 and / or Z′4 as described in FIGS. 8A-8C. Alternatively, the UE capability may be reported as the values Xna and / or On, as explained above.

[0162] At block 1220, the network unit transmits DCI scheduling a PUSCH communication or resource, wherein a delay between the DCI and the PUSCH resource is based on the UE capability information. In some aspects the network unit transmits the DCI in a PDCCH resource. The DCI may be a format 0_1 DCI. In some aspects, the DCI may also trigger a CSI measurement and report. For instance, the DCI may include or indicate a codepoint associated with a CSI resource. In some aspects, the CSI measurement may be an aperiodic CSI measurement for beam prediction and reporting. In some aspects, the network unit determines the PUSCH resource using the reported UE capability information, which may be indicated as a number of symbols.

[0163] At block 1230, the network unit receives, from the UE, an AP-CSI report in the PUSCH resource, where the AP-CSI report indicates beam prediction information. In some aspects, the AP-CSI report may include signal quality information (e.g., L1-RSRP, CQI, PMI, etc. ) for a Set A of beams that is different from a Set B of BP-RS beams transmitted by the network unit. The beam  prediction information may include information obtained by AI / ML inference on Set B having different beam characteristics (e.g., beam direction, beam width, beam timing) than Set A.

[0164] In some aspects. The method 1200 further includes the network unit transmitting a plurality of beam prediction monitoring reference signals (BPM-RSs) associated with one or more beam characteristics (e.g., beam direction, beam width, beam timing, number of beams, etc. ) . In some aspects, the BPM-RSs may include CSI-RSs, such as aperiodic CSI-RSs. In some aspects, the BPM-RSs are associated with the DCI transmitted at action 1220. For instance, the DCI may indicate a codepoint associated with the time and / or frequency resources of the BPM-RSs.

[0165] Other aspects of the present disclosure include:

[0166] Aspect 1. A method of wireless communication performed by a user equipment (UE) , the method comprising: receiving downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource; performing, in response to receiving the DCI, an aperiodic channel state information (AP-CSI) measurement; and transmitting based on a first delay between the DCI and the scheduled PUSCH resource being greater than or equal to a first beam prediction latency parameter, an AP-CSI report in the PUSCH resource, wherein the AP-CSI report indicates beam prediction information.

[0167] Aspect 2. The method of aspect 1, wherein the first beam prediction latency parameter is based on a first UE capability.

[0168] Aspect 3. The method of aspect 2, wherein the first beam prediction latency parameter is further based a second UE capability for beam prediction.

[0169] Aspect 4. The method of aspect 3, further comprising transmitting, to a network unit, an indication of the second UE capability for beam prediction.

[0170] Aspect 5. The method of aspect 2, wherein the first beam prediction latency parameter is based on a first latency parameter and a first beam prediction offset.

[0171] Aspect 6. The method of aspect 1, wherein the first beam prediction latency parameter is based on a first beam prediction offset.

[0172] Aspect 7. The method of aspect 1, wherein: when the beam prediction information comprises spatial and temporal beam prediction information, the first beam prediction latency parameter comprises a first value; and when the beam prediction information comprises spatial beam prediction information only, or temporal beam prediction information only, the first beam prediction latency parameter comprises a second value that is less than the first value.

[0173] Aspect 8. The method of aspect 1, wherein: when the AP-CSI measurement is associated with a number N beam directions, and the beam prediction information indicates information for more  than N beam directions, the first beam prediction latency parameter comprises a first value; and when the AP-CSI measurement is associated with a number N beam directions, and the beam prediction information indicates information for no more than N beam directions, the first beam prediction latency parameter comprises a second value that is less than the first value.

[0174] Aspect 9. The method of aspect 1, wherein the first beam prediction latency parameter is based on a subcarrier spacing (SCS) .

[0175] Aspect 10. The method of aspect 1, wherein the transmitting is further based on a second delay between a channel state information reference signal (CSI-RS) and the PUSCH resource being greater than or equal to a second beam prediction latency parameter.

[0176] Aspect 11. A user equipment (UE) , comprising one or more memory devices and one or more processors in communication with the one or more memory devices, wherein the UE is configured to perform the steps of any of aspects 1-10.

[0177] Aspect 12. A non-transitory, computer-readable medium having program code recorded therein, wherein the program code comprises instructions executable by one or more processors of a user equipment (UE) to cause the UE to perform the steps of any of aspects 1-10.

[0178] Aspect 13. A user equipment (UE) comprising means for performing the steps of any of aspects 1-10.

[0179] Aspect 14. A method of wireless communication performed by a network unit, comprising: receiving UE capability information for machine learning beam prediction; transmitting downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource, wherein a delay between the DCI and the PUSCH resource is based on the UE capability information; and receiving an AP-CSI report in the PUSCH, wherein the AP-CSI report indicates beam prediction information.

[0180] Aspect 15 The method of aspect 14, wherein the delay is further based on second UE capability information for beam prediction different from the UE capability information.

[0181] Aspect 16. The method of aspect 14, wherein the delay is based on a first latency parameter and a first beam prediction offset.

[0182] Aspect 17. The method of aspect 14, wherein the delay is based on a first beam prediction offset.

[0183] Aspect 18. The method of aspect 14, wherein the delay is based on a subcarrier spacing (SCS) .

[0184] Aspect 19. The method of aspect 14, further comprising: transmitting a plurality of CSI-RSs, wherein a second delay between at least one of the plurality of CSI-RSs and the PUSCH resource is based on the UE capability information.

[0185] Aspect 20. A network unit, comprising one or more memory devices and one or more processors in communication with the one or more memory devices, wherein the network unit is configured to perform the steps of any of aspects 14-19.

[0186] Aspect 21. A non-transitory, computer-readable medium having program code recorded therein, wherein the program code comprises instructions executable by one or more processors of a network unit to cause the network unit to perform the steps of any of aspects 14-19.

[0187] Aspect 22. A network unit comprising means for performing the steps of any of aspects 14-19.

[0188] The various illustrative blocks and modules described in connection with the disclosure herein may be implemented or performed with a general-purpose processor, a DSP, an ASIC, an FPGA or other programmable logic device, discrete gate or transistor logic, discrete hardware components, or any combination thereof designed to perform the functions described herein. A general-purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices (e.g., a combination of a DSP and a microprocessor, multiple microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration) .

[0189] The functions described herein may be implemented in hardware, software executed by a processor, firmware, or any combination thereof. If implemented in software executed by a processor, the functions may be stored on or transmitted over as one or more instructions or code on a computer-readable medium. Other aspects and implementations are within the scope of the disclosure and appended claims. For instance, due to the nature of software, functions described above can be implemented using software executed by a processor, hardware, firmware, hardwiring, or combinations of any of these. Features implementing functions may also be physically located at various positions, including being distributed such that portions of functions are implemented at different physical locations. Also, as used herein, including in the claims, “or” as used in a list of items (for instance, a list of items prefaced by a phrase such as “at least one of” or “one or more of” ) indicates an inclusive list such that, for instance, a list of [at least one of A, B, or C] means A or B or C or AB or AC or BC or ABC (e.g., A and B and C) .

[0190] As those of some skill in this art will by now appreciate and depending on the particular application at hand, many modifications, substitutions and variations can be made in and to the materials, apparatus, configurations and methods of use of the devices of the present disclosure without departing from the spirit and scope thereof. In light of this, the scope of the present disclosure should not be limited to that of the particular aspects illustrated and described herein, as  they are merely by way of some aspects thereof, but rather, should be fully commensurate with that of the claims appended hereafter and their functional equivalents.

Claims

1.A method of wireless communication performed by a user equipment (UE) , the method comprising:receiving downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource;performing, in response to receiving the DCI, an aperiodic channel state information (AP-CSI) measurement; andtransmitting based on a first delay between the DCI and the scheduled PUSCH resource being greater than or equal to a first beam prediction latency parameter, an AP-CSI report in the PUSCH resource, wherein the AP-CSI report indicates beam prediction information.2.The method of claim 1, wherein the first beam prediction latency parameter is based on a first UE capability.3.The method of claim 2, wherein the first beam prediction latency parameter is further based a second UE capability for beam prediction.4.The method of claim 3, further comprising transmitting, to a network unit, an indication of the second UE capability for beam prediction.5.The method of claim 2, wherein the first beam prediction latency parameter is based on a first latency parameter and a first beam prediction offset.6.The method of claim 1, wherein the first beam prediction latency parameter is based on a first beam prediction offset.7.The method of claim 1, wherein:when the beam prediction information comprises spatial and temporal beam prediction information, the first beam prediction latency parameter comprises a first value; andwhen the beam prediction information comprises spatial beam prediction information only, or temporal beam prediction information only, the first beam prediction latency parameter comprises a second value that is less than the first value.8.The method of claim 1, wherein:when the AP-CSI measurement is associated with a number N beam directions, and the beam prediction information indicates information for more than N beam directions, the first beam prediction latency parameter comprises a first value; andwhen the AP-CSI measurement is associated with a number N beam directions, and the beam prediction information indicates information for no more than N beam directions, the first beam prediction latency parameter comprises a second value that is less than the first value.9.The method of claim 1, wherein the first beam prediction latency parameter is based on a subcarrier spacing (SCS) .10.The method of claim 1, wherein the transmitting is further based on a second delay between a channel state information reference signal (CSI-RS) and the PUSCH resource being greater than or equal to a second beam prediction latency parameter.11.The method of claim 1, wherein:the performing the AP-CSI measurement comprises determining at least one of a reference signal received power (RSRP) , a channel quality indicator (CQI) , or a signal to interference noise ratio (SINR) for a first set of beam characteristics; andthe method further comprises:performing, based on a machine learning (ML) model and on the at least one of the RSRP, CQI, or SINR, beam prediction for a second set of beam characteristics different from the first set of beam characteristics;the beam prediction information is based on the performing the beam prediction for the second set of beam characteristics.12.A user equipment (UE) , comprising:one or more memory devices and one or more processors in communication with the one or more memory devices, wherein the UE is configured to:receive downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource;perform, in response to receiving the DCI, an aperiodic channel state information (AP-CSI) measurement; andtransmit based on a first delay between the DCI and the scheduled PUSCH resource being greater than or equal to a first beam prediction latency parameter, an AP-CSI report in the PUSCH resource, wherein the AP-CSI report indicates beam prediction information.13.The UE of claim 12, wherein the first beam prediction latency parameter is based on a first UE capability.14.The UE of claim 13, wherein the first beam prediction latency parameter is further based a second UE capability for beam prediction.15.The UE of claim 14, wherein the UE is further configured to transmit, to a network unit, an indication of the second UE capability for beam prediction.16.The UE of claim 13, wherein the first beam prediction latency parameter is based on a first latency parameter and a first beam prediction offset.17.The UE of claim 12, wherein the first beam prediction latency parameter is based on a first beam prediction offset.18.The UE of claim 12, wherein:when the beam prediction information comprises spatial and temporal beam prediction information, the first beam prediction latency parameter comprises a first value; andwhen the beam prediction information comprises spatial beam prediction information only, or temporal beam prediction information only, the first beam prediction latency parameter comprises a second value that is less than the first value.19.The UE of claim 12, wherein:when the AP-CSI measurement is associated with a number N beam directions, and the beam prediction information indicates information for more than N beam directions, the first beam prediction latency parameter comprises a first value; andwhen the AP-CSI measurement is associated with a number N beam directions, and the beam prediction information indicates information for no more than N beam directions, the first beam prediction latency parameter comprises a second value that is less than the first value.20.The UE of claim 12, wherein the first beam prediction latency parameter is based on a subcarrier spacing (SCS) .21.The UE of claim 12, wherein the UE is configured to transmit the AP-CSI report further based on a second delay between a channel state information reference signal (CSI-RS) and the PUSCH resource being greater than or equal to a second beam prediction latency parameter.22.The UE of claim 12, wherein:the UE configured to perform the AP-CSI measurement comprises the UE configured to determine at least one of a reference signal received power (RSRP) , a channel quality indicator (CQI) , or a signal to interference noise ratio (SINR) for a first set of beam characteristics; andthe UE is further configured to perform, based on a machine learning (ML) model and on the at least one of the RSRP, CQI, or SINR, beam prediction for a second set of beam characteristics different from the first set of beam characteristics; andthe beam prediction information is based on the performing the beam prediction for the second set of beam characteristics.23.A method of wireless communication performed by a network unit, comprising:receiving UE capability information for machine learning beam prediction;transmitting downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource, wherein a delay between the DCI and the PUSCH resource is based on the UE capability information; andreceiving an AP-CSI report in the PUSCH, wherein the AP-CSI report indicates beam prediction information.24.The method of claim 23, wherein the delay is further based on second UE capability information for beam prediction different from the UE capability information.25.The method of claim 23, wherein the delay is based on a first latency parameter and a first beam prediction offset.26.The method of claim 23, wherein the delay is based on a first beam prediction offset.27.The method of claim 23, wherein the delay is based on a subcarrier spacing (SCS) .28.The method of claim 23, further comprising:transmitting a plurality of CSI-RSs, wherein a second delay between at least one of the plurality of CSI-RSs and the PUSCH resource is based on the UE capability information.29.A network unit, comprising:one or more memory devices and one or more processors in communication with the one or more memory devices, wherein the network unit is configured to:receive UE capability information for machine learning beam prediction;transmit downlink control information (DCI) scheduling a physical uplink shared channel (PUSCH) resource, wherein a delay between the DCI and the PUSCH resource is based on the UE capability information; andreceive an AP-CSI report in the PUSCH, wherein the AP-CSI report indicates beam prediction information.30.The network unit of claim 29, wherein the network unit is further configured to:transmit a plurality of CSI-RSs, wherein a second delay between at least one of the plurality of CSI-RSs and the PUSCH resource is based on the UE capability information.

Images