Super resolution neural network based performance enhancement for ai / ML-enabled CSI compression

Abstract

Example embodiments of the present disclosure relate to a super resolution (SR) neural network based performance enhancement for AI / ML-enabled channel state information (CSI) compression. In an example method, a network device train an AI / ML-based CSI decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data, wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data. In this way, the frequency resolution of the reconstructed CSI at the decoder side (residing in gNB) can be improved independently from the counterpart CSI encoding operation or the AI / ML model in use at the UE side.

Description

SUPER RESOLUTION NEURAL NETWORK BASED PERFORMANCE ENHANCEMENT FOR AI / ML-ENABLED CSI COMPRESSIONFIELD

[0001] Example embodiments of the present disclosure generally relate to the field of communications, and in particular, to a network device, a methods, an apparatus and a computer-readable medium for a super resolution (SR) neural network based performance enhancement for artificial intelligence / machine learning (AI / ML) -enabled channel state information (CSI) compression.BACKGROUND

[0002] A communication network can be seen as a facility that enables communications between two or more communication devices, or provides communication devices access to a data network. A mobile or wireless communication network is one example of a communication network.

[0003] Such communication networks operate in accordance with standards, such as those promulgated by 3GPP (Third Generation Partnership Project) or ETSI (European Telecommunications Standards Institute) . Examples of such standards include the so-called 5G (5th Generation) standard or other standards promulgated by 3GPP.SUMMARY

[0004] In general, example embodiments of the present disclosure provide solutions for a training framework, especially a training framework for a super resolution (SR) neural network based performance enhancement for AI / ML-enabled CSI compression.

[0005] In a first aspect, there is provided a network device. The network device comprises at least one processor and at least one memory storing instructions that, when executed by the at least one processor, cause the network device to: train an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data, wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

[0006] In a second aspect, there is provided a method. The method comprises: training an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data, wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

[0007] In a third aspect, there is provided an apparatus. The apparatus comprises: means for training an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data, wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

[0008] In a fourth aspect, there is provided a non-transitory computer-readable storage medium having instructions stored thereon. The instructions, when executed by an apparatus, cause the apparatus to perform at least: train an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data, wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

[0009] In a fifth aspect, there is provided a computer program comprising instructions, which, when executed by an apparatus, cause the apparatus at least to: when executed by an apparatus, cause the apparatus to perform at least: train an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data, wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

[0010] In a sixth aspect, there is provided a network device. The network device comprises: training circuitry configured to when executed by an apparatus, cause the apparatus to  perform at least: train an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data, wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

[0011] It is to be understood that the summary section is not intended to identify key or essential features of embodiments of the present disclosure, nor is it intended to be used to limit the scope of the present disclosure. Other features of the present disclosure will become easily comprehensible through the following description.BRIEF DESCRIPTION OF THE DRAWINGS

[0012] Some example embodiments will now be described with reference to the accompanying drawings, in which:

[0013] FIG. 1 illustrates an example network environment in which some example embodiments of the present disclosure may be implemented;

[0014] FIG. 2 illustrates a schematic diagram of per-subband eigenvector computation procedure for CSI;

[0015] FIG. 3 illustrates a block diagram of SRNN-supported AIML-enabled CSI compression system in accordance with some embodiments of the present disclosure;

[0016] FIG. 4 illustrates a block diagram of a more detailed SRNN-supported AIML-enabled CSI compression system in accordance with some embodiments of the present disclosure;

[0017] FIG. 5 illustrates a schematic diagram of upscaling factor of SRNN and its mapping to a ratio of precoding matrix indicator (PMI) subband size to a high resolution subband size in accordance with some embodiments of the present disclosure;

[0018] FIG. 6 illustrates a flowchart diagram of a two phased training procedure with Type 3 Separate NW-first training collaboration system in accordance with some embodiments of the present disclosure;

[0019] FIG. 7 illustrates a block diagram the two phased training procedure with Type 3 Separate NW-first training collaboration system in accordance with some embodiments of the present disclosure;

[0020] FIG. 8 illustrates a schematic diagram of PMI reporting granularity configuration options in accordance with some embodiments of the present disclosure;

[0021] FIG. 9 illustrates a schematic diagram of data augmentation via PRG-level masking and reporting in accordance with some embodiments of the present disclosure;

[0022] FIG. 10 illustrates examples of finer granularity precoding resource block group (PRG) size proposal in accordance with some embodiments of the present disclosure;

[0023] FIG. 11 illustrates a proposal example for PDSCH-Config information element in accordance with some embodiments of the present disclosure;

[0024] FIG. 12 illustrates a flowchart of an example method implemented at a network device in accordance with some embodiments of the present disclosure;

[0025] FIG. 13 illustrates a simplified block diagram of a device that is suitable for implementing some example embodiments of the present disclosure; and

[0026] FIG. 14 illustrates a block diagram of an example of a computer-readable medium in accordance with some example embodiments of the present disclosure.

[0027] Throughout the drawings, the same or similar reference numerals represent the same or similar elements.DETAILED DESCRIPTION

[0028] Principles of the present disclosure will now be described with reference to some example embodiments. It is to be understood that these embodiments are described for the purpose of illustration and help those skilled in the art to understand and implement the present disclosure, without suggesting any limitation as to the scope of the disclosure. The disclosure described herein can be implemented in various manners other than the ones described below.

[0029] In the following description and claims, unless defined otherwise, all technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skills in the art to which this disclosure belongs.

[0030] References in the present disclosure to “one embodiment, ” “an embodiment, ” “an example embodiment, ” and the like indicate that the embodiment described may include a particular feature, structure, or characteristic, but it is not necessary that every embodiment includes the particular feature, structure, or characteristic. Moreover, such phrases are not necessarily referring to the same embodiment. Further, when a particular feature, structure, or characteristic is described in connection with an embodiment, it is submitted that it is within the knowledge of one skilled in the art to affect such feature, structure, or characteristic in connection with other embodiments whether or not explicitly described.

[0031] It shall be understood that although the terms “first” and “second” etc. may be used herein to describe various elements, these elements should not be limited by these terms. These terms are used to distinguish one element from another. For example, a first element could be termed a second element, and similarly, a second element could be termed a first element, without departing from the scope of example embodiments. As used herein, the term “and / or” includes any and all combinations of one or more of the listed terms.

[0032] The terminology used herein is for the purpose of describing particular embodiments and is not intended to be limiting of example embodiments. As used herein, the singular forms “a” , “an” and “the” are intended to include the plural forms as well, unless the context clearly indicates otherwise. It will be further understood that the terms “comprises” , “comprising” , “has” , “having” , “includes” and / or “including” , when used herein, specify the presence of stated features, elements, and / or components etc., but do not preclude the presence or addition of one or more other features, elements, components and / or combinations thereof. As used herein, “at least one of the following: <a list of two or more elements>” and “at least one of <a list of two or more elements>” and similar wording, where the list of two or more elements are joined by “and” or “or” , mean at least any one of the elements, or at least any two or more of the elements, or at least all the elements.

[0033] As used in this application, the term “circuitry” may refer to one or more or all of the following:

[0034] (a) hardware-only circuit implementations (such as implementations in only analog and / or digital circuitry) and

[0035] (b) combinations of hardware circuits and software, such as (as applicable) :

[0036] (i) a combination of analog and / or digital hardware circuit (s) with software / firmware and

[0037] (ii) any portions of hardware processor (s) with software (including digital signal processor (s) ) , software, and memory (ies) that work together to cause an apparatus, such as a mobile phone or server, to perform various functions) and

[0038] (c) hardware circuit (s) and or processor (s) , such as a microprocessor (s) or a portion of a microprocessor (s) , that requires software (for example, firmware) for operation, but the software may not be present when it is not needed for operation.

[0039] This definition of circuitry applies to all uses of this term in this application, including in any claims. As a further example, as used in this application, the term circuitry also covers an implementation of merely a hardware circuit or processor (or multiple processors) or portion of a hardware circuit or processor and its (or their) accompanying software and / or firmware. The term circuitry also covers, for example and if applicable to the particular claim element, a baseband integrated circuit or processor integrated circuit for a mobile device or a similar integrated circuit in server, a cellular network device, or other computing or network device.

[0040] As used herein, the term “communication network” refers to a network following any suitable communication standards, such as Long Term Evolution (LTE) , LTE-Advanced (LTE-A) , Wideband Code Division Multiple Access (WCDMA) , High-Speed Packet Access (HSPA) , Narrow Band Internet of Things (NB-IoT) , Wireless Fidelity (WiFi) and so on. Furthermore, the communications between a terminal device and a network device in the communication network may be performed according to any suitable generation communication protocols, including, but not limited to, the fourth generation (4G) , 4.5G, the future fifth generation (5G) , IEEE 802.11 communication protocols, and / or any other protocols either currently known or to be developed in the future. Embodiments of the present disclosure may be applied in various communication systems. Given the rapid development in communications, there will of course also be future type communication technologies and systems with which the present disclosure may be embodied. It should not be seen as limiting the scope of the present disclosure to only the aforementioned system.

[0041] As used herein, the term “network device” refers to a node in a communication network via which a terminal device accesses the network and receives services therefrom. The network device may refer to a base station (BS) or an access point (AP) , for example, a node B (NodeB or NB) , an evolved NodeB (eNodeB or eNB) , a NR NB (also referred to as a gNB) , a Remote Radio Unit (RRU) , a radio header (RH) , a remote radio head (RRH) , a  WiFi device, a relay, a low power node such as a femto, a pico, and so forth, depending on the applied terminology and technology. In the following description, the terms “network device” , “AP device” , “AP” and “access point” may be used interchangeably.

[0042] The term “terminal device” refers to any end device that may be capable of wireless communication. By way of example rather than limitation, a terminal device may also be referred to as a communication device, user equipment (UE) , a Subscriber Station (SS) , a Portable Subscriber Station, a Mobile Station (MS) , a station (STA) or station device, or an Access Terminal (AT) . The terminal device may include, but not limited to, a mobile phone, a cellular phone, a smart phone, voice over IP (VoIP) phones, wireless local loop phones, a tablet, a wearable terminal device, a personal digital assistant (PDA) , portable computers, desktop computer, image capture terminal devices such as digital cameras, gaming terminal devices, music storage and playback appliances, vehicle-mounted wireless terminal devices, wireless endpoints, mobile stations, laptop-embedded equipment (LEE) , laptop-mounted equipment (LME) , USB dongles, smart devices, wireless customer-premises equipment (CPE) , an Internet of Things (loT) device, a watch or other wearable, a VR (virtual reality) device, an XR (eXtended reality) device, a head-mounted display (HMD) , a vehicle, a drone, a medical device and applications (for example, remote surgery) , an industrial device and applications (for example, a robot and / or other wireless devices operating in an industrial and / or an automated processing chain contexts) , a consumer electronics device, a device operating on commercial and / or industrial wireless networks, and the like. In the following description, the terms “station” , “station device” , “STA” , “terminal device” , “communication device” , “terminal” , “user equipment” and “UE” may be used interchangeably.

[0043] FIG. 1 illustrates an example communication system 100 in which some embodiments of the present disclosure can be implemented. The communication system 100, which is a part of a communication network, includes a terminal device 110-1, a terminal device 110-2, and a network device 120. The terminal device 110-1 and 110-2 may be UEs. The network device 120 may be, for example, a radio access network (RAN) device (like an NG-RAN device, also called as gNB) or a core network (CN) device, or a communication module thereof. The network device 120 is associated with a cell 121, and provides communication service to terminal devices 110-1 and 110-2 in the cell 121. The terminal devices 110-1 and 110-2 may also be referred to as terminal device 110 or UE 110 collectively. As illustrated in FIG. 1, the terminal devices 110-1 and 110-2 are both in connection with the network device 120.

[0044] In the system 100, a link from the network device 120 to terminal device 110 is referred to as a downlink (DL) , while a link from terminal device 110 to the network device 120 is referred to as an uplink (UL) . In DL, the network device 120 is a transmitting (TX) device (or a transmitter) and terminal device 110 is a receiving (RX) device (or a receiver) . In UL, the terminal device 110 is a transmitting TX device (or a transmitter) and the network device 120 is a RX device (or a receiver) .

[0045] The communications in the communication system 100 may conform to any suitable standards including, but not limited to, Long Term Evolution (LTE) , LTE-Advanced (LTE-A) , Wideband Code Division Multiple Access (WCDMA) , Code Division Multiple Access (CDMA) and Global System for Mobile Communications (GSM) and the like. Furthermore, the communications may be performed according to any generation communication protocols either currently known or to be developed in the future. Examples of the communication protocols include, but not limited to, the first generation (1G) , the second generation (2G) , 2.5G, 2.75G, the third generation (3G) , the fourth generation (4G) , 4.5G, the fifth generation (5G) , 5.5G, 5G-Advanced networks, or the sixth generation (6G) communication protocols.

[0046] It is to be understood that the number of devices (including terminal device 110 and the network device 120) and their connection relationships and types shown in FIG. 1 are only for illustrative purposes without suggesting any limitation. The communication system 100 may include any suitable number of devices adapted for implementing embodiments of the present disclosure.

[0047] Data are communicated between UEs and network (NW) in the communication system as show in FIG. 1. Channel state information (CSI) is an example of such data. Hereafter, the description may take CSI as an example of the data communicated between UEs and NW to introduce the proposed scheme. To process the data, artificial intelligent  / machine learning (AI / ML) models can be trained and deployed at UE and / or NW.

[0048] One of the study items of 3GPP Rel-18 and 19 is AI / ML for CSI feedback enhancements. This activity investigates a set up in which CSI feedback processing part at UE-side is replaced with an AI encoder (most likely followed by a quantizer) , and its output is used as the CSI feedback information, such as precoding matrix indictor (PMI) part of CSI, to be signaled to network (NW) over the air (OTA) .

[0049] It is suggested to use Joint end-to-end (E2E) model training for an AI / ML (autoencoder) -enabled CSI feedback scheme. At UE side, downlink channel is estimated using CSI-RS (e.g., CSI-RS resource allocation for the 32 ports) , and the required pre-processing is done on the channel estimates, i.e., singular value decomposition (SVD) to acquire channel eigenvector (s) , etc. These channel eigenvectors can be fed into AI encoder. The output of AI encoder, i.e., latent vector, is to be quantized to reduce CSI (in this case AI-compressed PMI-equivalent information) feedback overhead. At NW side, the reverse operations, i.e., dequantization, AI decoding, is done to reconstruct the original channel information or its pre-processed version like the channel eigenvector (s) . The reconstructed channel information is further post-processed (e.g., re-orthogonalization, normalization, etc. ) , if required, and its outcome is termed as “output CSI” at 3GPP.

[0050] It is agreed in Release-18 study item that, for CSI compression using two-sided model use case, considered AI / ML model training collaborations include:

[0051] - Type 1: Joint training of the two-sided model at a single side / entity, e.g., UE-sided or Network-sided.

[0052] - Type 2: Joint training of the two-sided model at network side and UE side, respectively.

[0053] - Type 3: Separate training at network side and UE side, where the UE-side CSI generation part and the NW-side CSI reconstruction part are trained by UE side and network side, respectively.

[0054] - Note: Separate training includes sequential training starting with UE side training, or sequential training starting with NW side training

[0055] - Note: training collaboration Type 2 over the air interface for model training (not including model update) is concluded to be deprioritized in Rel-18 SI.

[0056] For Type 2 (Joint training of the two-sided model at network side and UE side, respectively) , note that joint training includes both simultaneous training and sequential training, in which the pros and cons could be discussed separately. Further, note that Type 2 sequential training starts with NW side training.

[0057] It is agreed in Release-18 study item that, for the evaluation of the AI / ML based CSI compression sub use cases, a two-sided model is considered as a starting point, including an AI / ML-based CSI generation part to generate the CSI feedback information and an AI / ML-based CSI reconstruction part which is used to reconstruct the CSI from the received CSI feedback information. For the evaluation of the AI / ML based CSI compression sub use cases,  the types of AI / ML model input (for CSI generation part)  / output (for CSI reconstruction part) could be a precoding matrix which is a group of eigenvector (s) or an eType II-like reporting (i.e., eigenvectors with angular-delay domain representation) .

[0058] It is worthwhile to mention that the current 3GPP CSI report configuration defines the reporting granularity in frequency domain, i.e., wideband or subband. Subband size is configured as the number of Physical Resource Blocks (PRBs) (TS38.214-Table 5.2.1.4-2) , which can be {4, 8, 16, 32} , depending on the bandwidth part size. Accordingly, the eigenvector is to be acquired per PMI subband basis to reduce CSI feedback overhead. FIG. 2 illustrates a schematic diagram of per-subband eigenvector computation procedure for CSI . In FIG. 2, the PMI subband size is 4 PRBs.

[0059] The main objective of the CSI feedback procedure is to facilitate an efficient acquisition of the accurate CSI at the network side to derive a high-resolution precoding matrix for next downlink multiple input multiple output (MIMO) processing. From the UE perspective, precoding applied by the network side is part of the propagation channel, which implies that the network side’s precoding scheme can also impact the channel estimation procedure at the UE. For example, the gNB may divide the set of resource Blocks and bundle them into groups of 4 PRBs and apply a different set of precoding weights to each group. This leads to the UE experiencing a different effective channel propagation for each group of 4 PRBs, and the UE should estimate the channel separately for each group.

[0060] To support this feature, the physical resource block (PRB) bundling can allow the UE to assume that all resource blocks within a bundle experience a similar propagation channel, which shall be taken into account for the channel estimation operation. A larger PRB bundling size facilitates more accurate channel estimation, since all the DMRS across all bundled PRBs can be utilized to generate a single channel estimate. On the other hand, a smaller RPB bundling size enables frequency selective precoding with a finer (frequency) granularity. The bottom-line is that this should be signaled from the network to the UE.

[0061] In this regard, 3GPP has introduced in the concept of Precoding Resource Block Groups (PRG) which corresponds to PRB Bundles, i.e., a PRG is a set of contiguous resource blocks from which the UE can generate a single channel estimate. For the following cases, UE is supposed to assume a PRG size of 2 resource blocks:

[0062] ● When receiving a PDSCH transmission which has been scheduled using an SI-RNTI, RA-RNTI, P-RNTI or TC-RNTI, or

[0063] ● For other PDSCH transmission, unless the gNB has provided ‘prb-BundlingType’ information using RRC signaling,

[0064] hence no explicit signaling is required.

[0065] The ‘prb-BundlingType’ information can be used by gNB to instruct the UE to use either a static or dynamic PRG size. When using a dynamic configuration, two Bundle Size Sets can be configured, including bundleSizeSet1 of {4, or wideband, or 2-wideband, or 4-wideband} and bundleSizeSet2 of {4, or wideband} . Downlink Control Information (DCI) on the PDCCH is used to switch between the dynamic configuration values. In the case of the static configuration, the UE can be instructed to assume a PRG size of 4 resource blocks, or a wideband set of resource blocks. The ‘wideband’ value indicates that the UE should assume that all of the allocated resource blocks belong to a single PRG.

[0066] In some implementations, an image Super-Resolution (SR) algorithm is used in some applications in conjunction with mainly DL-based channel estimation and equalization in orthogonal frequency division multiplexing (OFDM) systems. The time-frequency grid of the channel response can be modeled as a 2D-image which is known only at the pilot positions. This channel grid with several pilots is considered as a low-resolution (LR) image and the estimated channel of the full grid as a high-resolution (HR) one. In some implementations, the image SR technique can be applied to CSI feedback scheme. A super-resolution model can be applied to exploit additional frequency characteristics for CSI reconstruction to restore missing information introduced by encoding of the CS-based input.

[0067] Single image super-resolution (SISR) is one of the important contents in image restoration which aims to recover a high-resolution (HR) image from its corresponding low-resolution (LR) image. There are several SR models based on deep neural networks, such as efficient sub-pixel convolutional neural network SR approach (ESPCN) , Super-Resolution Convolutional Neural Network (SRCNN) , Fast Super-Resolution Convolutional Neural Network (FSRCNN) , and Very Deep Super Resolution (VDSR) . In ESPCN, the upscaling step is handled by the last layer, which means the smaller size LR image is directly fed to the network. Due to the reduced input image size, a smaller filter size can be used to extract features. The computational complexity and memory cost is reduced so that the efficiency can be greatly enhanced. Note here that when the input image with shape [B, C, N, N] is being fed into ESPCN, the corresponding output SR image will have the shape [B, C, r×N, r×N] , where B: Batch size, C: Channel size, N: Image size, r: Upscale factor.

[0068] According to the current assumption for CSI reporting configuration, CSI compression scheme takes low resolution (LR) input CSI as its input, as its frequency granularity is subband-basis, which corresponds to multiple PRBs. Even with adoption of AI / ML-enabled CSI compression, this CSI encoder side pre-processing operation may need to remain same to keep the CSI feedback overhead as well as the UE side computational burden under manageable level without significant specification impact. Conventional AIML-enabled CSI compression scheme takes the pre-processed version of the channel estimates (input CSI) at the AI encoder input as the ground truth for loss calculations during the training by comparing with its corresponding reconstructed CSI at the AI decoder output. However, this reconstructed CSI at the AI decoder output is also of low resolution (LR) in the sense that its frequency-domain resolution is restricted to the subband size. Moreover, its reference for learning (input CSI) is based on distorted version of the channel as ideal channel estimation is not realizable. This can limit the performance of the trained AI / ML model. Hence the CSI decoder side should be able to improve frequency domain resolution of the output CSI, if it deems required or beneficial, whereas maintaining the encoder side operation, i.e., per-subband eigenvector calculation and its encoding via AI / ML model, largely intact in order to keep computational complexity at the UE side as well as the feedback overhead at the reasonable level.

[0069] Therefore, there is a need to improve frequency resolution of the reconstructed CSI at the decoder side (residing in gNB) as independently from the counterpart CSI encoding operation or the AIML model in use at the UE side as it can be. Consider the model training collaboration types under 3GPP discussion and the associated interoperability issue. As regards two-sided model training collaboration types, the proposed solutions below are compatible with Type 2 Sequential (NW-first) and Type 3 Separate NW-first, and are applicable / extendable to Type 1 Joint training type or AI / ML model input of raw channel matrix case as well.

[0070] There is also a need to address a signaling aspect as well, i.e., PRB bundle size for PRG. The “upsampled” finer-granularity reconstructed CSI is to be used for finer-granularity precoding matrix calculations accordingly. This implies that the UE should take this into account for its channel estimation procedure, and this finer-granularity precoding, if applied, should be informed by gNB to UE via signaling. The finest granularity with respect to PRG size in the current specification is 2 PRBs. To support finer granularity, additional signaling update might be needed as well in case gNB is required to request UE to report per- (fine  granualrity) PRG level CSI reporting from time to time for inference performance monitoring purposes. Therefore, the current signaling message contents / procedures require corresponding updates.

[0071] FIG. 3 illustrates a block diagram of super resolution neural network (SRNN) -supported AIML-enabled CSI compression system in accordance with some embodiments of the present disclosure. In general, the system comprise a SRNN model following a AI / ML-based CSI decoder to improve the frequency resolution of the reconstructed CSI at AI decoder output.

[0072] As shown in FIG. 3, the frequency resolution of the output of the AI / ML-based decoder can be upsampled by adding additional neural network block, i.e., SRNN, on top of the AI decoder at the gNB side. The AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and the SRNN model is configured to output HR channel data based on the decoded LR channel data as input. In some embodiments, the SRNN may be or comprise an ESPCN network capable of recovering a HR image from its corresponding low-resolution LR image. It is not required to introduce any changes at the UE side (AI encoder or its preceding pre-processing) . In this case, input CSI at the AI encoder (CSI compression) can be considered as LR image from ESPCN concept perspective, whereas the outcome of SRNN, i.e., Super-Resolution upsampled CSI, can be taken as a HR image.

[0073] The input CSI may be acquired by per-subband channel estimation and eigenvector decomposition on the channel covariance matrix (aggregated over multiple PRBs per subband) . The ground truth HR channel data (or its processed one as per input CSI format) may be acquired by synthetic channel generation and the subsequent processing (EVD to extract corresponding HR channel eigenvectors) for training purposes. This can be used as a labeled HR data to be compared with the HR SR-upsampled reconstructed CSI during the first training phase. In case the models need to be trained on the real field data as well, then over-the-air (OTA) collected dataset may be used for the fine-tuning of the models at the second training phase. Note here that SRNN model remains frozen and turned off at the second training phase, as the ground truth HR channel data cannot be acquired via OTA. Hence the second training phase boils down to the encoder –decoder training (with SRNN being excluded) , in which both input CSI and reconstructed CSI are in LR regime. Note that at the first training phase, the overall loss can consider losses at both levels of the frequency- domain granularity of the reconstructed CSI, i.e., subband-level (LR) and SR upsampling-level (HR) .

[0074] When it comes to the training collaboration type, the system in FIG. 3 is well-aligned with Type 2 Sequential (NW-first) and Type 3 Separate NW-first training collaboration methods. Introduction of SRNN at the gNB side would not affect the AI encoder training part in terms of the API interface (for Type 2 training) or contents of the shared training data set (for Type 3 training) , as will be described with reference to FIGS. 4 to 7. In short, the system in FIG. 3 can render the AI encoder training transparent which takes place at the UE side.

[0075] FIG. 4 illustrates a block diagram of a more detailed SRNN-supported AIML-enabled CSI compression system in accordance with some embodiments of the present disclosure. In FIG. 4, an autoencoder-based AIML-enabled CSI compression scheme is improved in terms of the frequency-domain granularity of the reconstructed CSI with additional Super-Resolution scheme via SRNN block (e.g., ESPCN) being placed after AI decoder (CSI reconstruction module) at the gNB side.

[0076] The main motivation of making use of SR (Super-Resolution) approach to AI / ML-enabled CSI compression use case is to let the AI / ML encoder / decoder chain be trained by learning with the high resolution (HR) ground truth channel matrix as a labeled reference, which can be acquired by simulation (synthetic channel) . In some implementations, the input data may be acquired at the UE side which has undergone UE vendor-proprietary channel estimation, pre-processing operation like SVD, PRB-to-subband mapping, etc. In short, input CSI at the UE side (input to the AI encoder) can be noise added, RFIC nonlinearity impaired, channel estimation scheme characterized, SVD scheme dependent, and low resolution (LR) version via PRB-to-subband processing, of the ground truth HR DL channel information.

[0077] Conventional AI / ML-enabled CSI compression scheme takes the pre-processed version of the channel estimates (input CSI) at the AI encoder input as the ground truth for loss calculations during the training by comparing with its corresponding reconstructed CSI at the AI decoder output. However, this reconstructed CSI at the AI decoder output is of low resolution (LR) in the sense that its frequency-domain resolution is restricted to the subband size. Moreover, its reference for learning (input CSI) is based on distorted version of the channel as ideal channel estimation is not realizable. This can limit the performance of the trained AIML model.

[0078] This issue can be resolved by adopting the SRNN model at the output of AI decoder and using a HR ideal channel-derived data as a ground truth. Fine granularity ideal channel matrix can be acquired by simulation, so synthetic channel data can be used for the model training. As the reconstructed CSI at the output of AI decoder is of low resolution (subband level) in the frequency-domain, upscaling to HR data is required at the gNB side for direct loss calculation with respect to the HR ideal channel-derived data.

[0079] The SRNN model may be or comprise ESPCN with low complexity, which uses a sub-pixel convolution method to obtain high-resolution images with a configurable parameter upscale factor r. The upscale factor may any positive integer, for example, 2, 4, and the like. When the input image with shape [B, C, N, N] is being fed into ESPCN, the corresponding output SR image (in HR) will have the shape [B, C, r×N, r×N] , where B: Batch size, C: Channel size, N: Image size, r: Upscale factor.

[0080] The system depicted in FIG. 4 relates to an end-to-end joint (Type 1) training procedure. Its application to the NW-first training collaboration scheme will be described with reference to FIG. 6 and 7.

[0081] With reference to FIG. 4, NW side may configure CSI-RS (narrow beam) for a certain UE for the sake of the channel state information reporting. In this example, assume there are 32 transmit antenna ports (Nt=32) and subband size is 4 (S=4; UE takes 4 adjacent PRBs’ channel estimates for one subband CSI reporting) . Note that in this case the frequency-domain resolution of to-be-reported CSI feedback is 48 subcarriers (4·12=48) , i.e., NW side should assume the identical channel over 48 adjacent subcarriers once it decodes the reported CSI feedback from the UE.

[0082] UE estimates the downlink channel using its proprietary algorithm on CSI-RS, which leads to per-PRB whole channel estimates,  where j is PRB index. Depending on UE / modem vendor’s implementation practice, the per-subband channel estimates can be directly acquired as well.

[0083] Pre-processing procedure is executed to get per-subband channel eigenvector (s)  (where k is subband index, Nt is the number of TxAnt ports, L is the number of the layers) on the per-PRB whole channel matrix estimates. In short, PRB-to-subband conversion and SVD should be done. This can be also  accomplished by applying EVD on the channel covariance matrix acquired over the channel estimates belonging to a certain subband of size S.

[0084] The input CSI, which can be either a per-rank / layer channel eigenvector  or any other form derived from is fed into the AI encoder which is supposed to do the CSI compression. In Figure 9, per-rank / layer and per-subband encoding is assumed for illustration purposes.

[0085] The outcome of the AI encoder is called a latent vector z, of which the element is in the floating point format. Note that the latent vector is expected to go through quantization procedure to further reduce the feedback overhead. ze indicates latent vector prior to quantization, whereas its dequantized version Zq at the NW side serves as an input to AI decoder.

[0086] The dequantized latent vector zq is fed into the AI decoder (CSI reconstruction model) at the NW side. The outcome of the AI decoder is the reconstructed CSI of which the frequency-domain resolution is equivalent to its counterpart at the UE, i.e., input CSI, per-subband (48 subcarriers for this example case, which can be considered as low-resolution (LR) ) . Be aware that for conventional case, a loss function usually takes input CSI and LR reconstructed CSI, i.e.,  during the training session.

[0087] The eigenmatrix composition may be performed on the per-layer / rank reconstructed channel eigenvectors, to build the channel eigenmatrix prior to Super-Resolution (SR) upsampling procedure. Note that this step can be placed after upsampling procedure as well.

[0088] The SRNN performs upsampling, i.e., enhance the resolution of the input to create high resolution (HR) output. Efficient Sub-Pixel Convolutional Neural Network (ESPCN) can be used for this purpose to perform SR-upsampling by configuring the upscaling factor r, for example.  input can be upscaled to  (which in turn can be reformulated as ) via ESPCN.

[0089] FIG. 5 shows some selected examples to elaborate upscaling factor of SRNN (r) and its mapping to subband size (S) -to-HR subband size (SHR) ratio. For example, per-subband  input with S=4 can be upsampled with r=4, i.e., r2=16 times frequency-domain granularity upscaling leading to  (top subfigure in FIG. 5) . The resolution of HR channel eigenmatrix is 3 subcarriers, while that of its LR input is 48 subcarriers.

[0090] One critical issue in this practice is how to acquire the ground truth HR channel information, which shall be used as one of the input arguments of the loss function in use for the training session. In some embodiments, the ideal channel matrix in HR granularity (with per-subcarrier frequency-domain resolution, for example) of the synthetic channel may be used. This data can be acquired by the simulator, even though it cannot be readily acquired by the field data collection of OTA channel. After applying the required processing of HR subband grouping of the size SHR and successive EVD on the per-HR subband channel covariance matrix, the ground truth HR ideal channel eigenmatrix can be used as the labeled reference data in the loss function with respect to the SR-upsampled version of the LR reconstructed CSI.

[0091] Post processing may be performed, if required. Re-orthogonalization can be one example, to ensure / enforce orthogonality between reconstructed channel eigenvectors.

[0092] During training, both loss functions in LR granularity and in HR granularity can be considered for the overall loss function, for example,

[0093] where 0≤α≤1, to balance the model training in both regimes, i.e., LR and HR granularity.

[0094] The model training may need to be performed based on OTA data set to reflect the field deployment scenario and its characteristics. In this case, acquisition of HR field channel data is very challenging, if not impossible. The following provides the proposal to incorporate this use case as a part of the generic model training framework.

[0095] As described, the proposed SRNN-supported AIML-enabled CSI compression system works well with Type 1 joint training. The following provides a model training procedure which is demonstrated to be working well with Type 3 Separate NW-first, i.e., two-sided model training via training data set sharing without having to disclose proprietary model architecture details. It is worth noting that the proposed methodology is applicable to Type 2 Sequential NW-first training scheme as well. It has been designed to train on the  synthetic channel data set (phase 1) , with possibility of fine-tuning on the over-the-air (OTA) collected field data set to better reflect the real-world cell-specific scenario (phase 2) .

[0096] This two-phased Type 3 NW-first model training methodology for the proposed SR-supported AIML CSI compression is illustrated from the flowchart view (FIG. 6) as well as from the corresponding block diagram view (FIG. 7) . Procedures indicated by the same circled numbers in both figures refer to the identical steps.

[0097] In general, the main features of the proposed training follow hereafter. NW-side AI decoder together with SRNN training (active) is done in phase 1, based on synthetic ideal channel data set. If necessary / beneficial, phase1 is followed by phase 2, i.e., AI decoder model fine-tuning based on OTA data set. As illustrated in FIG. 7, Step 4, where SRNN is excluded (inactive) in this phase. AI encoder training at the UE side can be done (FIG. 7, Steps 7 and 8) , once NW-side training and fine-tuning (if configured) is completed in a separate manner via shared training data set. In addition, AI encoder training at the UE side is transparent to the preceding NW-side model structure configuration variations (with SRNN or without SRNN) . Step-by-step description of the procedures follows below.

[0098] At the first stage, the training at the network side comprises a joint training of the AI / ML-based CSI encoder, the AI / ML-based CSI decoder and the SRNN. The CSI encoder encodes input LR channel data and output the encoded LR channel data to the AI / ML-based CSI decoder, which then provide LR channel data to the SRNN. The SRNN generates HR channel data based on the LR channel data from the CSI decoder.

[0099] The model training based on synthetic data set comprises Steps 1 to 3. At Step 1, NW-side E2E model training is performed with a hypothetical AI encoder ( “ENC*” in FIG. 7) together with the actual AI decoder augmented by the subsequent SRNN. The SRNN is active for training. The pair of (input CSI, corresponding label HR ground truth) ,  is acquired from the synthetic channel model for training. Note here that the loss function can be defined to tap into two probing points, i.e., the output of the AI decoder (reconstructed CSI in LR) and the output of the SRNN module (SR-upsampled CSI in HR) , like the equation (1) as above. That is, the loss function for the joint training comprises LR loss that is calculated based on a comparison between the input LR channel data of the AI / ML-based CSI encoder and the output LR channel data of the AI / ML-based CSI decoder and a HR loss that is calculated based on a comparison between HR channel data and the output HR channel data of the SRNN model.

[0100] At Step 2, the trained hypothetical AI encoder model is frozen to generate UE-side model training data set in an inference mode. By inputting synthetic LR channel data to the trained AI / ML-based CSI encoder, the trained hypothetical AI encoder model may generate the UE-side training dataset. The training dataset could be used for separate CSI encoder training at UE side.

[0101] At Step 3, the generated AI encoder training data set for the UE side procedure may be for example of the format, but not limited to,  Note that different Type 3 training data set sharing scheme can be applicable as well. In this case, in general zq is required instead of ze in training data set.

[0102] The model fine-tuning based on OTA data set comprises Steps 4 to 6. At Step 4, the NW-side E2E model fine-tuning is performed with a hypothetical AI encoder ( “ENC*” in FIG. 7) together with the actual AI decoder. The pre-trained model parameters from Step 1 for the AI encoder and the AI decoder may serve as the initial model parameters. The SRNN is deactivated for training, which means its trained parameters remain frozen and the path between AI decoder and SRNN is disconnected. In this case, the input CSI at the UE side should serve as its own label for training. Note that the reconstructed CSI at NW side is of LR in comparison to Step 1. At this phase, OTA data set is used for training.

[0103] At Steps 5 and 6, the OTA LR channel data could be input the fine-tuned AI / ML-based CSI encoder to generate a further training dataset for UE side, which could be used for separate CSI encoder training at UE side as well. Step 5 and 6 are similar to their counterpart Steps 2 and 3. The difference lies in that the AI encoder parameters are derived from the fine-tuning procedure, on top of the preceding SR model training. The resulting AI encoder training data set is of the format, i.e.,  which is compatible with Step 3. This means that the UE side is not required to differentiate Steps 3 and 6, as they share the same training data set format.

[0104] At Steps 7 and 8, the UE-side actual AI encoder model training is performed at the UE side via shared training data set from Step 3, Step 6, or both. As illustrated in FIG. 7, this may be done in a separate manner without involving NW-side model, once all the NW-side training and fine-tuning have been completed.

[0105] At Step 9, for final E2E model performance validation, the trained actual AI encoder from the UE side and the trained AI decoder together with the trained SRNN from the NW  side can be set up for inference testing. Note here that two different configurations may be validated, i.e., SRNN-supported AI / ML-enabled CSI compression scheme with HR outcome, and SRNN-deactivated version (conventional scheme with LR outcome) , as depicted in FIG. 7.

[0106] Note that the overall training procedures may be adapted for Type 2 Sequential NW-first collaboration scheme. In some embodiments, after the training of the AI / ML-based CSI decoder and the SRNN, the network may perform joint sequential training for the CSI encoder at UE side, where the AI / ML-based CSI decoder and the SRNN model are deactivated and provided to UE-side as a form of an application programming interface (API) for exchange of the gradients during the joint sequential training.

[0107] In short, Steps 2 and 3 and Steps 5 and 6 may be removed, and data set sharing part can be replaced with NW-side providing the API of the trained AI decoder together with the trained SRNN. The UE-side AI model training in Steps 7 and 8 can be implemented by the AI encoder interacting with the API of the AI decoder as well as the SRNN via gradient sharing. At this stage, the weights of AI decoder and SRNN are frozen and will not be updated during the AI encoder training procedure.

[0108] To facilitate training of the high-resolution CSI reconstruction model via a data augmentation technique and to improve inference and performance monitoring, the gNB may request CSI reporting at PRG level rather than PMI subband level. However, because a PMI subband may contain multiple PRGs and to avoid higher UE complexity due to an increase in the number of reported precoding matrices, the gNB may dynamically select different subsets of PRGs in the reported subbands for different reports in the same bandwidth part. Related implementations will be described in detail with reference to FIGS. 8 and 9.

[0109] In the existing specifications, the frequency granularity in a CSI-reportConfig for a given bandwidth part (BWP) is configured by a combination of three parameters: the CQI subband size, i.e., the number of PRBs in a CQI subband,  a bitmap indicating for which subbands of the BWP the CSI should be reported, csi-ReportingBand, and the number of PMIs per subband, R. As illustrated in FIG. 2, a UE is expected to report R PMIs for each CQI subband indicated in the csi-ReportingBand, one PMI for each PMI subband, formed by a group of consecutive PRBs. If the gNB uses HR precoder calculation in the reconstruction model, the precoder granularity in frequency domain, configured by the PRG size in PDSCH-config could be a fraction of the PMI subband. In this case, it can be  sometimes beneficial for the gNB to be able to configure a UE to report PMIs for a specific PRG in each PMI subband or for the entire PMI subband.

[0110] In some embodiments, the network may configure the UE to report CSI for at least one of a plurality PRGs associated with a precoding matrix indicator (PMI) subband. For example, if there are 4 PRGs in a PMI subband, the gNB may configure reporting on the first PRG, the second PRG, the third, or the fourth of each PMI subband, or the entire PMI subband as illustrated in FIG. 8. The advantage for the gNB of being able to dynamically configure reporting on different PRGs or on the entire PMI subband is to receive more accurate CSI reporting at PRG level or across PRGs without increasing the complexity at UE side because the number of reported precoding matrices is the same. This dynamic indication of PRG level reporting can also be used for monitoring performance of the HR precoder calculation, to collect training dataset at PRG-level granularity and to improve performance during inference by alternating between different PRG-level input.

[0111] In practice, dynamic or semi-static indication can be realized by DCI, MAC-CE or by using different trigger states in the RRC configuration and by introducing an information element that allows the gNB to select between full PMI subband reporting, i.e., each subband CSI is associated to all the PRGs in the corresponding PMI subband, and reporting restricted to a subset of the PRGs contained in a PMI subband.

[0112] The network may transmit a bitmap indicating the PRG (s) for reporting. For example, in case of 2 PRGs per PMI subband, a 2-bit bitmap may be sufficient, with each bit corresponding to a PRG in a PMI subband, and the all-one codepoint representing legacy reporting where the CSI is associated to both PRGs in each PMI subband. For edge subbands containing fewer PRBs than central subbands a simple modulo operation can be used. For example, if an edge PMI subband has only p PRGs, a central subband has P>p PRGs and the bitmap has P bits, if bit i∈ {0, …, P-1} is set to one, the PRG of index i mod p is the activated PRG for that edge PMI subband.

[0113] In some implementations, training performance may be improved by a data augmentation technique, i.e., a technique of artificially increasing the training set by creating modified copies of a dataset using existing data. This can be achieved by masking out all other PRGs than a single PRG, and by repeating this procedure over possible masking patterns.

[0114] FIG. 9 illustrates a schematic diagram of data augmentation via PRG-level masking and reporting in accordance with some embodiments of the present disclosure. In FIG. 9, LR input data corresponding to the block regions are masked out. This masking scheme can be used for model inference performance monitoring purposes as well as for the training enhancements, via PRG-level CSI reporting configuration as depicted in FIG. 8.

[0115] FIG. 10 illustrates examples of finer granularity precoding resource block group (PRG) size proposal in accordance with some embodiments of the present disclosure.

[0116] As explained above, SRNN-supported AI / ML-enabled CSI compression scheme can allow NW side to acquire HR channel eigenvector, in turn HR precoding matrix to be applied to the downlink data transmission (PDSCH) . The current PRG size in PDSCH-Config can support / signal 2 PRBs as the finest granularity. As depicted in FIG. 5, finer granularity PRG size should be defined as part of the PDSCH-Config to unleash full potential of the SR-empowered AI-enabled CSI compression scheme.

[0117] To address anticipated required changes in the current 3GPP specification, the ‘prb-BundlingType’ information (which can be found in PDSCH-Config information element) may be extended to facilitate required signaling update (for enabling indication of the sub-PRB level precoding matrix granularity) to notify UE for appropriate configuration of the channel estimation procedure. In FIG. 10, examples for extension of the ‘prb-BundlingType’ information table is shown, by which configuration of PRG with fine resolution of 1, 1 / 2, or 1 / 4 PRB size would become possible.

[0118] FIG. 11 illustrates a corresponding proposal example for changes to PDSCH-Config information element in standards. In FIG. 10, “n1ov4” indicates for 1 / 4 PRB size, “n1” for 1 PRB size, “n1ov2” for 1 / 2 PRB size, respectively.

[0119] FIG. 12 illustrates a flowchart of an example method 1200 implemented at a network device (for example, the network device 120 as illustrated in FIG. 1) in accordance with some other embodiments of the present disclosure. For the purpose of discussion, the method 1200 will be described from the perspective of the network device 120 with reference to FIG. 1.

[0120] As illustrated in FIG. 12, at block 1210, the network device 120 train an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data. In the method 1200, the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and  wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

[0121] In some example embodiments, to train the AI / ML-based CSI decoder and the SRNN model, the network device may perform joint training of an AI / ML-based CSI encoder, the AI / ML-based CSI decoder and the SRNN model, wherein the AI / ML-based CSI encoder is configured to encode input LR channel data and output the encoded LR channel data to the AI / ML-based CSI decoder.

[0122] In some example embodiments, the AI / ML-based CSI encoder is a hypothetical CSI encoder at the network device.

[0123] In some example embodiments, a loss function for the joint training comprise at least one of: an LR loss that is calculated based on a comparison between the input LR channel data of the AI / ML-based CSI encoder and the output LR channel data of the AI / ML-based CSI decoder; and a HR loss that is calculated based on a comparison between HR channel data and the output HR channel data of the SRNN model.

[0124] In some example embodiments, the network device may generate a first training dataset by inputting synthetic LR channel data to the trained AI / ML-based CSI encoder, wherein the first training dataset is used for separate CSI encoder training at user equipment (UE) side.

[0125] In some example embodiments, the network device may deactivate the trained SRNN model; and fine-tune the trained AI / ML-based CSI encoder and the trained AI / ML-based CSI decoder on a training dataset comprising over the air (OTA) LR channel data.

[0126] In some example embodiments, the network device may generate a second training dataset by inputting the OTA LR channel data to the fine-tuned AI / ML-based CSI encoder, wherein the second training data is used for separate CSI encoder training at UE side.

[0127] In some example embodiments, the network device may perform, after the training of the AI / ML-based CSI decoder and the SRNN model, joint sequential training for a CSI encoder at UE side, wherein the AI / ML-based CSI decoder and the SRNN model are frozen and provided to UE-side as a form of an application programming interface (API) for exchange of the gradients during the joint sequential training.

[0128] In some example embodiments, to output the HR channel data, the SRNN model is configured to upsample the decoded LR channel data with an upscaling factor.

[0129] In some example embodiments, the upscaling factor is 2 or 4.

[0130] In some example embodiments, the HR channel data of the training dataset comprises synthetic HR channel data.

[0131] In some example embodiments, the network device may generate, from a channel covariance matrix of per-subcarrier resolution, the synthetic HR channel data as ground truth.

[0132] In some example embodiments, to generate the synthetic HR channel data, the network device may perform subband grouping of the channel covariance matrix based on a precoding resource block (PRG) bundle size; and calculate, based on the subband grouped channel covariance matrix, at least one HR channel eigenvector matrix as the synthetic HR channel data.

[0133] In some example embodiments, the network device may transmit, to a UE, a PDSCH configuration indicating a PRG bundle size corresponding to the HR channel data.

[0134] In some example embodiments, the PRG bundle size comprises at least one of: a quarter of physical resource block (PRB) ; a half of PRB; or one PRB.

[0135] In some example embodiments, the network device may configure the UE to report CSI for at least one of a plurality PRGs associated with a precoding matrix indicator (PMI) subband.

[0136] In some example embodiments, to configure the UE to report CSI for at least one of a plurality PRGs associated with a PMI subband, the network device may transmit, to the UE, a bitmap indicating the at least one PRG for reporting.

[0137] In some embodiments, an apparatus capable of performing the method 1200 may comprise means for performing the respective steps of the method 700. The means may be implemented in any suitable form. For example, the means may be implemented in a circuitry or software module.

[0138] In some example embodiments, the apparatus comprises means for training an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data, wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

[0139] In some example embodiments, the means for training the AI / ML-based channel CSI decoder and the SRNN model may comprise means for performing joint training of an AI / ML-based CSI encoder, the AI / ML-based CSI decoder and the SRNN model, wherein the AI / ML-based CSI encoder is configured to encode input LR channel data and output the encoded LR channel data to the AI / ML-based CSI decoder.

[0140] In some example embodiments, the apparatus may further comprise means for generating a first training dataset by inputting synthetic LR channel data to the trained AI / ML-based CSI encoder, wherein the first training dataset is used for separate CSI encoder training at user equipment (UE) side.

[0141] In some example embodiments, the apparatus may further comprise means for deactivating the trained SRNN model; and means for fine-tuning the trained AI / ML-based CSI encoder and the trained AI / ML-based CSI decoder on a training dataset comprising over the air (OTA) LR channel data.

[0142] In some example embodiments, the apparatus may further comprise means for generating a second training dataset by inputting the OTA LR channel data to the fine-tuned AI / ML-based CSI encoder, wherein the second training data is used for separate CSI encoder training at UE side.

[0143] In some example embodiments, the apparatus may further comprise means for performing, after the training of the AI / ML-based CSI decoder and the SRNN model, joint sequential training for a CSI encoder at UE side, wherein the AI / ML-based CSI decoder and the SRNN model are frozen and provided to UE-side as a form of an application programming interface (API) for exchange of the gradients during the joint sequential training.

[0144] In some example embodiments, the apparatus may further comprise means for upsampling, using the SRNN model, the decoded LR channel data with an upscaling factor.

[0145] In some example embodiments, the apparatus may further comprise means for generating, from a channel covariance matrix of per-subcarrier resolution, the synthetic HR channel data as ground truth.

[0146] In some example embodiments, the apparatus may further comprise means for performing subband grouping of the channel covariance matrix based on a precoding resource block (PRG) bundle size; and means for calculating, based on the subband grouped  channel covariance matrix, at least one HR channel eigenvector matrix as the synthetic HR channel data.

[0147] In some example embodiments, the apparatus may further comprise means for transmitting, to a UE, a PDSCH configuration indicating a PRG bundle size corresponding to the HR channel data.

[0148] In some example embodiments, the apparatus may further comprise means for configuring the UE to report CSI for at least one of a plurality PRGs associated with a precoding matrix indicator (PMI) subband.

[0149] In some example embodiments, the means for configuring the UE to report CSI for at least one of the plurality PRGs associated with the PMI subband may comprise means for transmitting, to the UE, a bitmap indicating the at least one PRG for reporting.

[0150] In some embodiments, the apparatus further comprises means for performing other steps in some embodiments of the method 1200. In some embodiments, the means comprises at least one processor and at least one memory including computer program code, the at least one memory and computer program code configured to, with the at least one processor, cause the performance of the apparatus.

[0151] FIG. 13 illustrates a simplified block diagram of a device 1300 that is suitable for implementing some example embodiments of the present disclosure. The device 1300 may be provided to implement a communication device, for example, the terminal device 110 and the network device 120 as shown in FIG. 1. As shown, the device 1300 includes one or more processors 1310, one or more memories 920 coupled to the processor 1310, and one or more communication modules 1340 coupled to the processor 1310.

[0152] The communication module 1340 is for bidirectional communications. The communication module 1340 has at least one antenna to facilitate communication. The communication interface may represent any interface that is necessary for communication with other network elements.

[0153] The processor 1310 may be of any type suitable for the local network and may include one or more of the following: general purpose computers, special purpose computers, microprocessors, digital signal processors (DSPs) and processors based on multicore processor architecture, as non-limiting examples. The device 1300 may have multiple processors, such as graphic processing unit (s) (GPUs) , an application specific integrated circuit chip that is slaved in time to a clock which synchronizes the main processor.

[0154] The memory 1320 may include one or more non-volatile memories and one or more volatile memories. Examples of the non-volatile memories include, but are not limited to, a Read Only Memory (ROM) 1324, an electrically programmable read only memory (EPROM) , a flash memory, a hard disk, a compact disc (CD) , a digital video disk (DVD) , and other magnetic storage and / or optical storage. Examples of the volatile memories include, but are not limited to, a random access memory (RAM) 1322 and other volatile memories that will not last in the power-down duration.

[0155] A computer program 1330 includes computer executable instructions that are executed by the associated processor 1310. The program 1330 may be stored in the ROM 1324. The processor 1310 may perform any suitable actions and processing by loading the program 1330 into the RAM 1322.

[0156] The embodiments of the present disclosure may be implemented by means of the program 1330 so that the device 1300 may perform any process of the disclosure as discussed with reference to FIGS. 1 to 12. The embodiments of the present disclosure may also be implemented by hardware or by a combination of software and hardware.

[0157] In some example embodiments, the program 1330 may be tangibly contained in a computer-readable medium which may be included in the device 1300 (such as in the memory 1320) or other storage devices that are accessible by the device 1300. The device 1300 may load the program 1330 from the computer-readable medium to the RAM 1322 for execution. The computer-readable medium may include any types of tangible non-volatile storage, such as ROM, EPROM, a flash memory, a hard disk, CD, DVD, and the like.

[0158] FIG. 14 illustrates a block diagram of an example of a computer-readable medium 1400in accordance with some example embodiments of the present disclosure. The computer-readable medium 1400 has the program 1330 stored thereon. It is noted that although the computer-readable medium 1400 is depicted in form of CD or DVD in FIG. 14, the computer-readable medium 1400 may be in any other form suitable for carry or hold the program 1330.

[0159] Generally, various embodiments of the present disclosure may be implemented in hardware or special purpose circuits, software, logic or any combination thereof. Some aspects may be implemented in hardware, while other aspects may be implemented in firmware or software which may be executed by a controller, microprocessor or other computing device. While various aspects of embodiments of the present disclosure are  illustrated and described as block diagrams, flowcharts, or using some other pictorial representations, it is to be understood that the block, apparatus, system, technique or method described herein may be implemented in, as non-limiting examples, hardware, software, firmware, special purpose circuits or logic, general purpose hardware or controller or other computing devices, or some combination thereof.

[0160] The present disclosure also provides at least one computer program product tangibly stored on a non-transitory computer-readable storage medium. The computer program product includes computer-executable instructions, such as those included in program modules, being executed in a device on a target real or virtual processor, to carry out any of the methods or processes as described above with reference to FIGS. 1 to 12. Generally, program modules include routines, programs, libraries, objects, classes, components, data structures, or the like that perform particular tasks or implement particular abstract data types. The functionality of the program modules may be combined or split between program modules as desired in various embodiments. Machine-executable instructions for program modules may be executed within a local or distributed device. In a distributed device, program modules may be located in both local and remote storage media.

[0161] Program code for carrying out methods of the present disclosure may be written in any combination of one or more programming languages. These program codes may be provided to a processor or controller of a general purpose computer, special purpose computer, or other programmable data processing apparatus, such that the program codes, when executed by the processor or controller, cause the functions / operations specified in the flowcharts and / or block diagrams to be implemented. The program code may execute entirely on a machine, partly on the machine, as a stand-alone software package, partly on the machine and partly on a remote machine or entirely on the remote machine or server.

[0162] In the context of the present disclosure, the computer program codes or related data may be carried by any suitable carrier to enable the device, apparatus or processor to perform various processes and operations as described above. Examples of the carrier include a signal, computer-readable medium, and the like.

[0163] The computer-readable medium may be a computer-readable signal medium or a computer-readable storage medium. A computer-readable medium may include but not limited to an electronic, magnetic, optical, electromagnetic, infrared, or semiconductor system, apparatus, or device, or any suitable combination of the foregoing. More specific  examples of the computer-readable storage medium would include an electrical connection having one or more wires, a portable computer diskette, a hard disk, a random access memory (RAM) , a read-only memory (ROM) , an erasable programmable read-only memory (EPROM or Flash memory) , an optical fiber, a portable compact disc read-only memory (CD-ROM) , an optical storage device, a magnetic storage device, or any suitable combination of the foregoing. The term “non-transitory, ” as used herein, is a limitation of the medium itself (i.e., tangible, not a signal) as opposed to a limitation on data storage persistency (e.g., RAM vs. ROM) .

[0164] Further, while operations are depicted in a particular order, this should not be understood as requiring that such operations be performed in the particular order shown or in sequential order, or that all illustrated operations be performed, to achieve desirable results. In certain circumstances, multitasking and parallel processing may be advantageous. Likewise, while several specific implementation details are contained in the above discussions, these should not be construed as limitations on the scope of the present disclosure, but rather as descriptions of features that may be specific to particular embodiments. Certain features that are described in the context of separate embodiments may also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment may also be implemented in multiple embodiments separately or in any suitable sub-combination.

[0165] Although the present disclosure has been described in languages specific to structural features and / or methodological acts, it is to be understood that the present disclosure defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the specific features and acts described above are disclosed as example forms of implementing the claims.

Claims

1.A network device comprising:at least one processor; andat least one memory storing instructions that, when executed by the at least one processor, cause the network device at least to:train an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data,wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.2.The network device of claim 1, wherein, to train the AI / ML-based CSI decoder and the SRNN model, the network device is caused to:perform joint training of an AI / ML-based CSI encoder, the AI / ML-based CSI decoder and the SRNN model,wherein the AI / ML-based CSI encoder is configured to encode input LR channel data and output the encoded LR channel data to the AI / ML-based CSI decoder.3.The network device of claim 2, wherein the AI / ML-based CSI encoder is a hypothetical CSI encoder at the network device.4.The network device of claim 2, wherein a loss function for the joint training comprise at least one of:an LR loss that is calculated based on a comparison between the input LR channel data of the AI / ML-based CSI encoder and the output LR channel data of the AI / ML-based CSI decoder; anda HR loss that is calculated based on a comparison between HR channel data and the output HR channel data of the SRNN model.5.The network device of claim 2, wherein the network device is further caused to:generate a first training dataset by inputting synthetic LR channel data to the trained AI / ML-based CSI encoder, wherein the first training dataset is used for separate CSI encoder training at user equipment (UE) side.6.The network device of claim 2, wherein the network device is further caused to:deactivate the trained SRNN model; andfine-tune the trained AI / ML-based CSI encoder and the trained AI / ML-based CSI decoder on a training dataset comprising over the air (OTA) LR channel data.7.The network device of claim 6, wherein the network device is further caused to:generate a second training dataset by inputting the OTA LR channel data to the fine-tuned AI / ML-based CSI encoder, wherein the second training data is used for separate CSI encoder training at UE side.8.The network device of claim 1, wherein the network device is further caused to:perform, after the training of the AI / ML-based CSI decoder and the SRNN model, joint sequential training for a CSI encoder at UE side, wherein the AI / ML-based CSI decoder and the SRNN model are frozen and provided to UE-side as a form of an application programming interface (API) for exchange of the gradients during the joint sequential training.9.The network device of claim 1, wherein to output the HR channel data, the SRNN model is configured to upsample the decoded LR channel data with an upscaling factor.10.The network device of claim 9, wherein the upscaling factor is 2 or 4.11.The network device of claim 1, wherein the HR channel data of the training dataset comprises synthetic HR channel data.12.The network device of claim 1, wherein the network device is further caused to:generate, from a channel covariance matrix of per-subcarrier resolution, the synthetic HR channel data as ground truth.13.The network device of claim 12, wherein, to generate the synthetic HR channel data, the network device is caused to:perform subband grouping of the channel covariance matrix based on a precoding resource block (PRG) bundle size; andcalculate, based on the subband grouped channel covariance matrix, at least one HR channel eigenvector matrix as the synthetic HR channel data.14.The network device of claim 1, wherein the network device is further caused to:transmit, to a UE, a PDSCH configuration indicating a PRG bundle size corresponding to the HR channel data.15.The network device of claim 12, wherein the PRG bundle size comprises at least one of:a quarter of physical resource block (PRB) ;a half of PRB; orone PRB.16.The network device of claim 12, the network device is further caused to:configure the UE to report CSI for at least one of a plurality PRGs associated with a precoding matrix indicator (PMI) subband.17.The network device of claim 14, wherein to configure the UE to report CSI for at least one of a plurality PRGs associated with a PMI subband, the network device is caused to:transmit, to the UE, a bitmap indicating the at least one PRG for reporting.18.A method comprising:training an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data,wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.19.An apparatus comprising:means for training an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data,wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.20.A non-transitory computer readable medium comprising program instructions that, when executed by an apparatus, cause the apparatus to perform at least:train an artificial intelligence / machine learning (AI / ML) -based channel state information (CSI) decoder and a super resolution neural network (SRNN) model on a training dataset comprising high resolution (HR) channel data,wherein the AI / ML-based CSI decoder is configured to output decoded low resolution (LR) channel data to the SRNN model, and wherein the SRNN model is configured to output HR channel data based on the decoded LR channel data.

Images