Methods of training an end-to-end structure of a wireless communication system

Abstract

Techniques pertaining to methods of training an end-to-end (E2E) structure of a wireless communication system are described. An apparatus (e.g., user equipment (UE) ) performs a wireless communication with another apparatus (e.g., a network node of a wireless network) by performing either or both of the following: (a) receiving and decoding data received via an artificial intelligence / machine learning (AI / ML) -based E2E communication architecture; and (b) coding and transmitting data transmitted via the AI / ML-based E2E communication architecture. The AI / ML-based E2E communication architecture includes a neural receiver configured with adaptation of a parameter that serves as an indicator of channel conditions of the wireless communication.

Description

METHODS OF TRAINING AN END-TO-END STRUCTURE OF A WIRELESS COMMUNICATION SYSTEMCROSS REFERENCE TO RELATED PATENT APPLICATION (S)

[0001] The present disclosure is part of a non-provisional application claiming the priority benefit of U.S. Patent Application No. 63 / 667,839, filed 05 July 2024, the content of which herein being incorporated by reference in its entirety.TECHNICAL FIELD

[0002] The present disclosure is generally related to wireless communications and, more particularly, to methods of training an end-to-end (E2E) structure of a wireless communication system.BACKGROUND

[0003] Unless otherwise indicated herein, approaches described in this section are not prior art to the claims listed below and are not admitted as prior art by inclusion in this section.

[0004] With the rapid development in recent years, deep learning has become one of the candidates for revolutionary techniques to improve performance of the physical layer (PHY) in wireless communication systems. Traditional communication systems often rely on modular designs in which each component, such as channel estimation, equalization, and decoding, is typically optimized separately. However, this approach tends to lead to suboptimal overall performance in the communication system due to lack of joint optimization across the entire communication chain.

[0005] As a result, the concept of a neural receiver was developed. The neural receiver includes components such as channel estimation, equalization, and channel coding, with these components treated as black boxes for joint training and optimization. In some extreme situations, which evolved into the concept of native-artificial intelligence (native-AI) communication. Native-AI communication involves integrating artificial intelligence / machine learning (AI / ML) techniques into the core structure of an AI / ML-assisted wireless communication structure. It involves E2E communication that treats the entire communication chain as a network similar to an autoencoder (AE) , aiming to jointly optimize the overall performance of a communication system including a transmitter and a receiver. On the transmitter side, an input to the transmitter includes information bits for transmission. On the receiver side, the receiver simply needs to feed received bits into a decoder network to obtain decoded an output. A data-driven communication is implemented with such transmitter and receiver.

[0006] In existing approaches, to train a neural receiver, usually a received signal (y) , pilot signal (xpilot) and a signal-to-noise ratio (SNR) value are directly regarded as the input of the neural receiver. However, if the SNR information is added only at the input of the neural receiver, the dimensionality of the SNR tends to be too small, which tends to cause SNR to be dominated by parameters of larger dimensions (e.g., y) , thus diluting its influence and causing the neural network to be unable to effectively learn the SNR information.

[0007] Therefore, there is a need for a solution of methods of training an E2E structure of a wireless communication system.SUMMARY

[0008] The following summary is illustrative only and is not intended to be limiting in any way. That is, the following summary is provided to introduce concepts, highlights, benefits and advantages of the novel and non-obvious techniques described herein. Select implementations are further described below in the detailed description. Thus, the following summary is not intended to identify essential features of the claimed subject matter, nor is it intended for use in determining the scope of the claimed subject matter.

[0009] An objective of the present disclosure is to propose solutions or schemes that address the issue (s) described herein. More specifically, various schemes proposed in the present disclosure pertain to methods of training an E2E structure of a wireless communication system. It is believed that implementations of the various proposed schemes may address or otherwise alleviate the aforementioned issue (s) .

[0010] In one aspect, a method may involve an apparatus (e.g., a user equipment (UE) or a network node of a wireless network) performing a wireless communication with another apparatus by performing either or both of: (a) receiving and decoding data received via an AI / ML-based E2E communication architecture; and (b) coding and transmitting data transmitted via the AI / ML-based E2E communication architecture. The AI / ML-based E2E communication architecture may include a neural receiver configured with adaptation of a parameter that serves as an indicator of channel conditions of the wireless communication.

[0011] In another aspect, an apparatus may include a transceiver configured to communicate wirelessly and a processor coupled to the transceiver. The processor may perform a wireless communication with another apparatus by performing either or both of: (a) receiving and decoding data received via an AI / ML-based E2E communication architecture; and (b) coding and transmitting data transmitted via the AI / ML-based E2E communication architecture. The AI / ML-based E2E communication architecture may include a neural receiver configured with adaptation of a parameter that serves as an indicator of channel conditions of the wireless communication.

[0012] It is noteworthy that, although description provided herein may be in the context of certain radio access technologies, networks, and network topologies for wireless communication, such as 5th Generation (5G)  / New Radio (NR) mobile communications, 6th Generation (6G) mobile communications and beyond, the proposed concepts, schemes and any variation (s)  / derivative (s) thereof may be implemented in, for and by other types of radio access technologies, networks and network topologies such as, for example and without limitation, Evolved Packet System (EPS) , Long-Term Evolution (LTE) , LTE-Advanced, LTE-Advanced Pro, Internet-of-Things (IoT) , Narrow Band Internet of Things (NB-IoT) , Industrial Internet of Things (IIoT) , vehicle-to-everything (V2X) , and non-terrestrial network (NTN) communications. Thus, the scope of the present disclosure is not limited to the examples described herein.BRIEF DESCRIPTION OF THE DRAWINGS

[0013] The accompanying drawings are included to provide a further understanding of the disclosure and are incorporated in and constitute a part of the present disclosure. The drawings illustrate implementations of the disclosure and, together with the description, serve to explain the principles of the disclosure. It is appreciable that the drawings are not necessarily in scale as some components may be shown to be out of proportion than the size in actual implementation in order to clearly illustrate the concept of the present disclosure.

[0014] FIG. 1 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0015] FIG. 2 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0016] FIG. 3 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0017] FIG. 4 is a diagram of an example design under a proposed scheme in accordance with the present disclosure.

[0018] FIG. 5 is a diagram of an example design under a proposed scheme in accordance with the present disclosure.

[0019] FIG. 6 is a diagram of an example design under a proposed scheme in accordance with the present disclosure.

[0020] FIG. 7 is a block diagram of an example communication system under a proposed scheme in accordance with the present disclosure.

[0021] FIG. 8 is a flowchart of an example process under a proposed scheme in accordance with the present disclosure.

[0022] FIG. 9 is a flowchart of an example process under a proposed scheme in accordance with the present disclosure.DETAILED DESCRIPTION

[0023] Detailed embodiments and implementations of the claimed subject matters are disclosed herein. However, it shall be understood that the disclosed embodiments and implementations are merely illustrative of the claimed subject matters which may be embodied in various forms. The present disclosure may, however, be embodied in many different forms and should not be construed as limited to the exemplary embodiments and implementations set forth herein. Rather, these exemplary embodiments and implementations are provided so that the description of the present disclosure is thorough and complete and will fully convey the scope of the present disclosure to those skilled in the art. In the description below, details of well-known features and techniques may be omitted to avoid unnecessarily obscuring the presented embodiments and implementations. Overview

[0024] Implementations in accordance with the present disclosure relate to various techniques, methods, schemes and / or solutions pertaining to methods of training an E2E structure of a wireless communication system. According to the present disclosure, a number of possible solutions may be implemented separately or jointly. That is, although these possible solutions may be described below separately, two or more of these possible solutions may be implemented in one combination or another.

[0025] FIG. 1 illustrates an example scenario 100 under a proposed scheme in accordance with the present disclosure. Referring to part (A) of FIG. 1, under the proposed scheme, an AI / ML-assisted end-to-end communication system may treat an entire communication chain as a network similar to an autoencoder that includes an AI-based encoder and a corresponding AI-based decoder, so as to jointly optimize overall performance of the communication system including the transmitter side and the receiver side. On the transmitter side, an input of information bits is provided to the AI-based encoder for transmission via a pass-through channel. On the receiver side, the AI-based decoder takes bits received from the pass-through channel to decode and obtain a decoded output. Thus, the autoencoder may achieve a data-driven communication chain. Referring to part (B) of FIG. 1, under the proposed scheme, a neural receiver may be implemented on the receiver side. The neural receiver may include components such as channel estimation, equalization, and channel coding, with these components treated as black boxes for joint training and optimization.

[0026] Referring to part (C) of FIG. 1, as alluded to above, under existing approaches, values of the received signal (y) , pilot signal (xpilot) and one or more parameters (e.g., SNR) are directly provided as input to the neural receiver. In the case of the one or more parameters being or including SNR, as the value of the SNR is provided only at the input of the neural receiver, the effect of SNR is diluted as the training progresses from one deep neural network (DNN) to the next of m stages of DNN (e.g., from DNN 1 to DNN 2, from DNN 2 to DNN 3, and so on, till DNN m) . That is, DNNs further down the training pipeline do not get to learn the SNR information, thereby causing diminished effect or influence of SNR on the training results. It is noteworthy that, although examples in the present disclosure may be provided in the context of SNR, the various proposed schemes in accordance with the present disclosure may also be applicable in the context of other parameters such as, for example, an aspect of mobility (e.g., motion and / or speed) of a user equipment (UE) , a delay spread, or any other indicator. In other words, the scope of the proposed schemes is not limited to applications in which SNR is the parameter of concern (e.g., as a crucial indicator of channel conditions of the wireless communication) but, rather, may be implemented in other scenarios in which one or more other parameters (e.g., an aspect of mobility and / or a delay spread) may be the parameter (s) of concern (e.g., as one or more other crucial indicators of channel conditions.

[0027] Referring to part (D) of FIG. 1, under the proposed scheme, the value of SNR (or one or more other parameters) may be provided to a number of specific layers of the neural receiver. Accordingly, the SNR information (or the information of the one or more other parameters) may be preserved throughout the various stages of DNNs to obtain better training results. Advantageously, this design may improve the training efficiency and training results, since the SNR (or the one or more other parameters) may serve as a crucial indicator of channel conditions of the wireless communication.

[0028] FIG. 2 illustrates an example scenario 200 under a proposed scheme in accordance with the present disclosure. Scenario 200 may pertain to a comparison of a traditional communication system and an AI / MI-assisted communication structure with a neural receiver under the proposed scheme. On the transmitter side, the traditional communication system for wireless communications may include certain functional blocks, such as binary data source, channel coding, quadrature amplitude modulation (QAM) mapping, and orthogonal frequency-division multiplexing (OFDM) resource grid mapping. On the receiver side, the traditional communication system for wireless communications may include certain functional blocks, such as channel estimation, equalization, QAM demapping, and channel decoding. In the AI / ML-assisted communication structure under the proposed scheme, the functional blocks of channel estimation, equalization, and QAM demapping on the receiver side may be replaced by a trainable block of a neural receiver with SNR adaptation.

[0029] For illustrative purposes and without limiting the scope of the present disclosure, the neural receiver in the example shown in FIG. 2 may be configured with SNR adaptation (and it may be adapted for one or more other parameters which may also be a crucial indicator of channel conditions of the wireless communication) . Input to the neural receiver may include the following: (a) received signal, mathematically expressed as follows:  wherein,  denotes complex value; (b) pilot signal, mathematically expressed as follows:  and (c) SNR value, mathematically expressed as follows:  wherein,  denotes real value. Output of the neural receiver may include a log-likelihood ratio (LLR) on the transmitted (or received) bits, mathematically expressed as follows:  The loss function which is a crucial component in machine learning that quantifies the difference between the predicted outputs of a machine learning algorithm and the actual target values may be the binary-cross entropy (BCE) between information bits (input) and decoded bits (output) in this structure. In the mathematical expressions, NT may denote the number of transmitting antennas, NR may denote the number of receiving antennas, Nsym may denote the number of OFDM symbols, Nsc may denote the number of utilized subcarriers, and Nb may denote the number of bit per symbol.

[0030] FIG. 3 illustrates an example scenario 300 under a proposed scheme in accordance with the present disclosure. Scenario 300 may pertain to a comparison of a traditional communication system and an AI / MI-assisted E2E architecture (pilotless) with a neural receiver under the proposed scheme. On the transmitter side, the traditional communication system for wireless communications may include certain functional blocks, such as binary data source, channel coding, QAM mapping, and OFDM resource grid mapping. On the receiver side, the traditional communication system for wireless communications may include certain functional blocks, such as channel estimation, equalization, QAM demapping, and channel decoding. In the AI / ML-assisted communication structure under the proposed scheme, the functional block of QAM mapping may be replaced by a mapper with a trainable constellation. Moreover, the functional blocks of channel estimation, equalization, and QAM demapping on the receiver side may be replaced by a trainable block of a neural receiver with attention-based SNR adaptation and an SNR estimator. The SNR estimator may estimate a value of SNR and then provide the estimated value of SNR to the neural receiver.

[0031] For illustrative purposes and without limiting the scope of the present disclosure, the neural receiver in the example shown in FIG. 3 may be configured with SNR adaptation (and it may be adapted for one or more other parameters which may also be a crucial indicator of channel conditions of the wireless communication) . Input to the neural receiver may include the following: (a) received signal, mathematically expressed as follows:  and (b) SNR value, mathematically expressed as follows:  Output of the neural receiver may include a LLR on the transmitted (or received) bits, mathematically expressed as follows:  The loss function may be the BCE between information bits (input) and decoded bits (output) . In the mathematical expressions, NT may denote the number of transmitting antennas, NR may denote the number of receiving antennas, Nsym may denote the number of OFDM symbols, Nsc may denote the number of utilized subcarriers, and Nb may denote the number of bit per symbol.

[0032] Under a proposed scheme in accordance with the present disclosure, with respect to a trainable constellation, after channel coding at the transmitter side, the transmitted data may be modulated using a learned or constellation instead of being dependent on a predefined constellation (e.g., QAM mapping) . By learning the constellation, the communication link may achieve pilotless transmission (e.g., using no pilot symbols) , since the receiver side may identify distorted symbols and bits by using the known shape of the learned constellation. The objection is to learn the vectors and which represent the real portion and imaginative portion of the complex-valued constellation point c=cRe+jcIm, respectively. The initial value may be of a QAM type. In the above expressions,  may denote the number of constellation points, and Qm may denote the number of bits per symbol. After normalizing and centering, the final constellation point may be represented as follows:  with ci denoting the element of c. Accordingly, data for transmission on the transmitter side may be modulated using the learned constellation of which may provide the optimal waveform for the receiver.

[0033] FIG. 4 illustrates an example design 400 under a proposed scheme in accordance with the present disclosure. Design 400 may pertain to an SNR estimator at the receiver side. Under the proposed scheme, as pilot information is unavailable for estimation of the SNR value in a pilotless transmission at the receiver side, a neural network-based SNR estimator may be utilized to provide an estimated SNR. The estimated SNR may then be employed to aid in training the neural receiver. Basically, the neural network may be based on a convolutional neural network (CNN) architecture with a sigmoid function as the last layer. This function may normalize and limit the SNR results to [0, 1] , resulting in less significant variations in SNR values. Consequently, the training process may exhibit greater robustness.

[0034] FIG. 5 illustrates an example design 500 under a proposed scheme in accordance with the present disclosure. Design 500 may pertain to attention features (AF) at the receiver side. Under the proposed scheme, leveraging the concept of attention in machine learning, coefficients (or weights) may be distributed to the last dimension of the original input layer (that is, filter size, related to the spatial domain) . These weights may carry SNR information (or information of any other crucial indicator of channel conditions of the wireless communication) provided by an SNR estimator (e.g., the SNR estimator of design 400) or an estimator of any other crucial indicator of channel conditions. For instance, channel coefficients (denoted as “C” in FIG. 5) containing SNR information (or information of any other crucial indicator of channel conditions) may be multiplied with the original input (denoted as “Z” in FIG. 5) . This design may effectively combine the effects of different spatial antennas on the receiver side in a way similar to the traditional maximum-ratio combining (MRC) method.

[0035] FIG. 6 illustrates an example design 600 under a proposed scheme in accordance with the present disclosure. Design 600 may pertain to a neural receiver with attention-based SNR adaptation utilizing design 400 and design 500. Referring to FIG. 6, a neural network-based SNR estimator may be utilized to provide an estimated SNR (e.g., using an SNR estimator of design 400) . The estimated SNR may then be employed to aid in training a neural receiver with attention-based SNR adaptation (e.g., as in design 500) .

[0036] It is noteworthy that the traditional communication method typically involves a least squares channel estimator (LS CE) and a linear minimum mean squared error (LMMSE) equalizer, relying on pilot symbols to estimate the channel conditions. In contrast, the autoencoder-like E2E structure under the proposed schemes may be like a data-drive communication link that does not need to transmit pilot symbols. According to the BLER (Block Error Rate) performance results in evaluation and simulation, it may be observed that the neural receiver with a learned constellation under the proposes schemes outperforms the traditional communication method by approximately 4.8dB at 10%BLER. Furthermore, the results demonstrate that the neural receiver may achieves ideal performance.

[0037] Furthermore, based on the throughput performance results in evaluation and simulation, the autoencoder-like E2E structure that does not transmit pilot symbols may increase the maximum throughput by 16%compared to the traditional communication methods of transmitting 2-symbol pilots. When compared with the operating point of the traditional communication methods (10%BLER) , it may be observed that the autoencoder-like E2E structure can enhance the throughput by 32%due to the pilotless transmission and better data recovery capabilities. Moreover, the learned constellation is no longer a typical QAM modulation in the constellation figure. Rather, the learned constellation tends to resemble a Gaussian distribution, and this shows that the autoencoder-like E2E structure has learned the concept of geometrical shaping to some extent.

[0038] In view of the above, under various proposed schemes in accordance with the present disclosure, a novel method of training an end-to-end structure of a wireless communication system may utilize a mechanism that adapts SNR (or another crucial indicator of channel conditions of a wireless communication such as, for example, an aspect of mobility and / or a delay spread) in a proposed neural receiver to retain information of the SNR (or (or the other crucial indicator (s) of channel conditions) so as to obtain better training results. The proposed neural receiver with SNR adaptation, similar to the traditional communication MRC technique, may enable better training of the neural receiver by leveraging the domain knowledge. In some implementations, the proposed neural receiver may include a neural receiver with attention-based SNR adaptation and a neural network-based SNR estimator. When paired with a trainable constellation architecture, the neural receiver with attention-based SNR adaptation and the neural network-based SNR estimator may together achieve a pilotless transmission and may further enhance spectral efficiency of the communication system. Moreover, the usage of the trainable constellation may allow for leaning a distribution similar to a Gaussian distribution. This shows that the autoencoder-like E2E communication structure can learn the concept of geometrical shaping to a certain extent. Illustrative Implementations

[0039] FIG. 7 illustrates an example communication system 700 having at least an example apparatus 710 and an example apparatus 720 in accordance with an implementation of the present disclosure. Each of apparatus 710 and apparatus 720 may perform various functions to implement schemes, techniques, processes and methods described herein pertaining to methods of training an E2E structure of a wireless communication system, including the various schemes described above with respect to various proposed designs, concepts, schemes and systems, including network environment 100, as well as processes described below.

[0040] Each of apparatus 710 and apparatus 720 may be a part of an electronic apparatus, which may be a lab computer, a network apparatus or a UE. The UE may be a portable or mobile apparatus, a wearable apparatus, a vehicular device or a vehicle, a wireless communication apparatus or a computing apparatus. For instance, either or both of apparatus 710 and apparatus 720 may be implemented in a smartphone, a smartwatch, a personal digital assistant, an electronic control unit (ECU) in a vehicle, a digital camera, or a computing equipment such as a tablet computer, a laptop computer or a notebook computer. Each of apparatus 710 and apparatus 720 may also be a part of a machine type apparatus, which may be an IoT apparatus such as an immobile or a stationary apparatus, a home apparatus, a roadside unit (RSU) , a wire communication apparatus, or a computing apparatus. For instance, each of apparatus 710 and apparatus 720 may be implemented in a smart thermostat, a smart fridge, a smart door lock, a wireless speaker or a home control center. When implemented in or as a network apparatus, apparatus 710 and / or apparatus 720 may be implemented in an eNodeB in an LTE, LTE-Advanced or LTE-Advanced Pro network or in a gNB or TRP in a 5G network, an NR network or an IoT network.

[0041] In some implementations, each of apparatus 710 and apparatus 720 may be implemented in the form of one or more integrated-circuit (IC) chips such as, for example and without limitation, one or more single-core processors, one or more multi-core processors, one or more complex-instruction-set-computing (CISC) processors, or one or more reduced-instruction-set-computing (RISC) processors. In the various schemes described above, each of apparatus 710 and apparatus 720 may be implemented in or as a network apparatus or a UE. Each of apparatus 710 and apparatus 720 may include at least some of those components shown in FIG. 7 such as a processor 712 and a processor 722, respectively, for example. Each of apparatus 710 and apparatus 720 may further include one or more other components not pertinent to the proposed scheme of the present disclosure (e.g., internal power supply, display device and / or user interface device) , and, thus, such component (s) of apparatus 710 and apparatus 720 are neither shown in FIG. 7 nor described below in the interest of simplicity and brevity.

[0042] In one aspect, each of processor 712 and processor 722 may be implemented in the form of one or more single-core processors, one or more multi-core processors, or one or more CISC or RISC processors. That is, even though a singular term “aprocessor” is used herein to refer to processor 712 and processor 722, each of processor 712 and processor 722 may include multiple processors in some implementations and a single processor in other implementations in accordance with the present disclosure. In another aspect, each of processor 712 and processor 722 may be implemented in the form of hardware (and, optionally, firmware) with electronic components including, for example and without limitation, one or more transistors, one or more diodes, one or more capacitors, one or more resistors, one or more inductors, one or more memristors and / or one or more varactors that are configured and arranged to achieve specific purposes in accordance with the present disclosure. In other words, in at least some implementations, each of processor 712 and processor 722 is a special-purpose machine specifically designed, arranged and configured to perform specific tasks including those pertaining to methods of training an E2E structure of a wireless communication system in accordance with various implementations of the present disclosure.

[0043] In some implementations, apparatus 710 may also include a transceiver 716 coupled to processor 712. Transceiver 716 may be capable of wirelessly transmitting and receiving data. In some implementations, transceiver 716 may be capable of wirelessly communicating with different types of wireless networks of different radio access technologies (RATs) . In some implementations, transceiver 716 may be equipped with a plurality of antenna ports (not shown) such as, for example, four antenna ports. That is, transceiver 716 may be equipped with multiple transmit antennas and multiple receive antennas for MIMO wireless communications. In some implementations, apparatus 720 may also include a transceiver 726 coupled to processor 722. Transceiver 726 may include a transceiver capable of wirelessly transmitting and receiving data. In some implementations, transceiver 726 may be capable of wirelessly communicating with different types of UEs / wireless networks of different RATs. In some implementations, transceiver 726 may be equipped with a plurality of antenna ports (not shown) such as, for example, four antenna ports. That is, transceiver 726 may be equipped with multiple transmit antennas and multiple receive antennas for MIMO wireless communications.

[0044] In some implementations, apparatus 710 may further include a memory 714 coupled to processor 712 and capable of being accessed by processor 712 and storing data therein. In some implementations, apparatus 720 may further include a memory 724 coupled to processor 422 and capable of being accessed by processor 722 and storing data therein. Each of memory 714 and memory 724 may include a type of random-access memory (RAM) such as dynamic RAM (DRAM) , static RAM (SRAM) , thyristor RAM (T-RAM) and / or zero-capacitor RAM (Z-RAM) . Alternatively, or additionally, each of memory 714 and memory 724 may include a type of read-only memory (ROM) such as mask ROM, programmable ROM (PROM) , erasable programmable ROM (EPROM) and / or electrically erasable programmable ROM (EEPROM) . Alternatively, or additionally, each of memory 714 and memory 724 may include a type of non-volatile random-access memory (NVRAM) such as flash memory, solid-state memory, ferroelectric RAM (FeRAM) , magnetoresistive RAM (MRAM) and / or phase-change memory.

[0045] Each of apparatus 710 and apparatus 720 may be a communication entity capable of communicating with each other using various proposed schemes in accordance with the present disclosure. For illustrative purposes and without limitation, a description of capabilities of apparatus 710, as a UE, and apparatus 720, as a network node or server of a network (e.g., a 5G / 6G mobile network) , is provided below in the context of example processes 800 and 900. Illustrative Processes

[0046] Each of the processes 800 and 900 may represent an aspect of implementing various proposed designs, concepts, schemes, systems and methods described above pertaining to methods of training an E2E structure of a wireless communication system, whether partially or entirely, including those pertaining to those described above. Each process may include one or more operations, actions, or functions as illustrated by one or more of blocks. Although illustrated as discrete blocks, various blocks of each process may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks / sub-blocks of each process may be executed in the order shown in each figure, or alternatively in a different order. Furthermore, one or more of the blocks / sub-blocks of each process may be executed iteratively.

[0047] FIG. 8 illustrates an example process 800 in accordance with an implementation of the present disclosure. Solely for illustrative purposes and without limiting the scope, process 800 is described below in the context of apparatus 710 as a UE and apparatus 720 as a network node (e.g., base station (BS) , eNB, gNB or transmit-and-receive point (TRP) ) of a wireless network. Process 800 may begin at block 810.

[0048] At 810, process 800 may involve processor 712 of apparatus 710 performing, via transceiver 716, a wireless communication with apparatus 720 via an AI / ML-based E2E communication architecture. The AI / ML-based E2E communication architecture may include a neural receiver configured with adaptation of a parameter that serves as an indicator of channel conditions of the wireless communication. The wireless communication may be represented by either or both of 812 and 814.

[0049] At 812, process 800 may involve processor 712 receiving and decoding data received via the AI / ML-based E2E communication architecture.

[0050] At 814, process 800 may involve processor 712 coding and transmitting data transmitted via the AI / ML-based E2E communication architecture.

[0051] In some implementations, functions of the neural receiver may include channel estimation, equalization, and QAM mapping on a receiver side of the wireless communication.

[0052] In some implementations, the neural receiver may include a plurality of DNN layers. In such cases, information of the parameter may be provided to specific DNN layers of the plurality of DNN layers in training the neural receiver.

[0053] Alternatively, the neural receiver may include a neural receiver with attention-based adaptation of the parameter. In such cases, the AI / ML-based E2E communication architecture may further include an estimator configured to provide an estimated value of the parameter to the neural receiver. In some implementations, the neural receiver may include a plurality of AF layers, with the estimated value of the parameter being provided to each AF layer of the plurality of AF layers in training the neural receiver. Moreover, each AF layer of the plurality of AF layers may be trained by distributing weights to a last dimension of an original input layer to combine effects of different spatial antennas on the receiver side in a way similar to an MRC method. In some implementations, the last dimension may include a filter size, and the weights may carry information of the parameter.

[0054] In some implementations, the AI / ML-based E2E communication architecture may further include a trainable constellation function on a transmitter side of the wireless communication such that, after channel coding at the transmitter side, data for transmission is modulated using a learned constellation instead of a predefined constellation. In some implementations, the trainable constellation function may train a mapper on the transmitter side to learn vectors and which represent real portion and imaginative portion of a complex-valued constellation point c=cRe+jcIm, respectively.

[0055] In some implementations, the parameter may include SNR, an aspect of mobility of the apparatus (e.g., motion and / or speed) of apparatus 710, or a delay spread.

[0056] FIG. 9 illustrates an example process 900 in accordance with an implementation of the present disclosure. Solely for illustrative purposes and without limiting the scope, process 900 is described below in the context of apparatus 710 as a UE and apparatus 720 as a network node (e.g., BS, eNB, gNB or TRP) of a wireless network. Process 900 may begin at block 910.

[0057] At 910, process 900 may involve processor 722 of apparatus 720 performing, via transceiver 726, a wireless communication with apparatus 710 via an AI / ML-based E2E communication architecture. The AI / ML-based E2E communication architecture may include a neural receiver configured with adaptation of a parameter that serves as an indicator of channel conditions of the wireless communication. The wireless communication may be represented by either or both of 912 and 914.

[0058] At 912, process 900 may involve processor 722 receiving and decoding data received via the AI / ML-based E2E communication architecture.

[0059] At 914, process 900 may involve processor 722 coding and transmitting data transmitted via the AI / ML-based E2E communication architecture.

[0060] In some implementations, functions of the neural receiver may include channel estimation, equalization, and QAM mapping on a receiver side of the wireless communication.

[0061] In some implementations, the neural receiver may include a plurality of DNN layers. In such cases, information of the parameter may be provided to specific DNN layers of the plurality of DNN layers in training the neural receiver.

[0062] Alternatively, the neural receiver may include a neural receiver with attention-based adaptation of the parameter. In such cases, the AI / ML-based E2E communication architecture may further include an estimator configured to provide an estimated value of the parameter to the neural receiver. In some implementations, the neural receiver may include a plurality of AF layers, with the estimated value of the parameter being provided to each AF layer of the plurality of AF layers in training the neural receiver. Moreover, each AF layer of the plurality of AF layers may be trained by distributing weights to a last dimension of an original input layer to combine effects of different spatial antennas on the receiver side in a way similar to an MRC method. In some implementations, the last dimension may include a filter size, and the weights may carry information of the parameter.

[0063] In some implementations, the AI / ML-based E2E communication architecture may further include a trainable constellation function on a transmitter side of the wireless communication such that, after channel coding at the transmitter side, data for transmission is modulated using a learned constellation instead of a predefined constellation. In some implementations, the trainable constellation function may train a mapper on the transmitter side to learn vectors and which represent real portion and imaginative portion of a complex-valued constellation point c=cRe+jcIm, respectively.

[0064] In some implementations, the parameter may include SNR, an aspect of mobility of the apparatus (e.g., motion and / or speed) of apparatus 710, or a delay spread. Additional Notes

[0065] The herein-described subject matter sometimes illustrates different components contained within, or connected with, different other components. It is to be understood that such depicted architectures are merely examples, and that in fact many other architectures can be implemented which achieve the same functionality. In a conceptual sense, any arrangement of components to achieve the same functionality is effectively "associated" such that the desired functionality is achieved. Hence, any two components herein combined to achieve a particular functionality can be seen as "associated with" each other such that the desired functionality is achieved, irrespective of architectures or intermedial components. Likewise, any two components so associated can also be viewed as being "operably connected" , or "operably coupled" , to each other to achieve the desired functionality, and any two components capable of being so associated can also be viewed as being "operably couplable" , to each other to achieve the desired functionality. Specific examples of operably couplable include but are not limited to physically mateable and / or physically interacting components and / or wirelessly interactable and / or wirelessly interacting components and / or logically interacting and / or logically interactable components.

[0066] Further, with respect to the use of substantially any plural and / or singular terms herein, those having skill in the art can translate from the plural to the singular and / or from the singular to the plural as is appropriate to the context and / or application. The various singular / plural permutations may be expressly set forth herein for the sake of clarity.

[0067] Moreover, it will be understood by those skilled in the art that, in general, terms used herein, and especially in the appended claims, e.g., bodies of the appended claims, are generally intended as “open” terms, e.g., the term “including” should be interpreted as “including but not limited to, ” the term “having” should be interpreted as “having at least, ” the term “includes” should be interpreted as “includes but is not limited to, ” etc. It will be further understood by those within the art that if a specific number of an introduced claim recitation is intended, such an intent will be explicitly recited in the claim, and in the absence of such recitation no such intent is present. For example, as an aid to understanding, the following appended claims may contain usage of the introductory phrases "at least one" and "one or more" to introduce claim recitations. However, the use of such phrases should not be construed to imply that the introduction of a claim recitation by the indefinite articles "a" or "an" limits any particular claim containing such introduced claim recitation to implementations containing only one such recitation, even when the same claim includes the introductory phrases "one or more" or "at least one" and indefinite articles such as "a" or "an, " e.g., “a” and / or “an” should be interpreted to mean “at least one” or “one or more; ” the same holds true for the use of definite articles used to introduce claim recitations. In addition, even if a specific number of an introduced claim recitation is explicitly recited, those skilled in the art will recognize that such recitation should be interpreted to mean at least the recited number, e.g., the bare recitation of "two recitations, " without other modifiers, means at least two recitations, or two or more recitations. Furthermore, in those instances where a convention analogous to “at least one of A, B, and C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, and C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. In those instances where a convention analogous to “at least one of A, B, or C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, or C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. It will be further understood by those within the art that virtually any disjunctive word and / or phrase presenting two or more alternative terms, whether in the description, claims, or drawings, should be understood to contemplate the possibilities of including one of the terms, either of the terms, or both terms. For example, the phrase “A or B” will be understood to include the possibilities of “A” or “B” or “A and B. ”

[0068] From the foregoing, it will be appreciated that various implementations of the present disclosure have been described herein for purposes of illustration, and that various modifications may be made without departing from the scope and spirit of the present disclosure. Accordingly, the various implementations disclosed herein are not intended to be limiting, with the true scope and spirit being indicated by the following claims.

Claims

1.A method, comprising:performing, by a processor of an apparatus, a wireless communication with another apparatus by performing either or both of:receiving and decoding data received via an artificial intelligence / machine learning (AI / ML) -based end-to-end (E2E) communication architecture; andcoding and transmitting data transmitted via the AI / ML-based E2E communication architecture,wherein the AI / ML-based E2E communication architecture comprises a neural receiver configured with adaptation of a parameter that serves as an indicator of channel conditions of the wireless communication.2.The method of Claim 1, wherein functions of the neural receiver comprise channel estimation, equalization, and quadrature amplitude modulation (QAM) mapping on a receiver side of the wireless communication.3.The method of Claim 2, wherein the neural receiver comprises a plurality of deep neural network (DNN) layers, and wherein information of the parameter is provided to specific DNN layers of the plurality of DNN layers in training the neural receiver.4.The method of Claim 2, wherein the neural receiver comprises a neural receiver with attention-based adaptation of the parameter, and wherein the AI / ML-based E2E communication architecture further comprises an estimator configured to provide an estimated value of the parameter to the neural receiver.5.The method of Claim 4, wherein the neural receiver comprises a plurality of attention features (AF) layers, and wherein the estimated value of the parameter is provided to each AF layer of the plurality of AF layers in training the neural receiver.6.The method of Claim 5, wherein each AF layer of the plurality of AF layers is trained by distributing weights to a last dimension of an original input layer to combine effects of different spatial antennas on the receiver side in a way similar to a maximum-ratio combining (MRC) method.7.The method of Claim 6, wherein the last dimension comprises a filter size, and wherein the weights carry information of the parameter.8.The method of Claim 1, wherein the AI / ML-based E2E communication architecture further comprises a trainable constellation function on a transmitter side of the wireless communication such that, after channel coding at the transmitter side, data for transmission is modulated using a learned constellation instead of a predefined constellation.9.The method of Claim 8, wherein the trainable constellation function trains a mapper on the transmitter side to learn vectors and which represent real portion and imaginative portion of a complex-valued constellation point c=cRe+jcIm, respectively.10.The method of Claim 1, wherein the parameter comprises signal-to-noise ratio (SNR) , an aspect of mobility of the apparatus, or a delay spread.11.An apparatus, comprising:a transceiver configured to communicate wirelessly; anda processor coupled to the transceiver and configured to perform operations comprising:performing, via the transceiver, a wireless communication with another apparatus by performing either or both of:receiving and decoding data received via an artificial intelligence / machine learning (AI / ML) -based end-to-end (E2E) communication architecture; andcoding and transmitting data transmitted via the AI / ML-based E2E communication architecture,wherein the AI / ML-based E2E communication architecture comprises a neural receiver configured with adaptation of a parameter that serves as an indicator of channel conditions of the wireless communication.12.The apparatus of Claim 11, wherein functions of the neural receiver comprise channel estimation, equalization, and quadrature amplitude modulation (QAM) mapping on a receiver side of the wireless communication.13.The apparatus of Claim 12, wherein the neural receiver comprises a plurality of deep neural network (DNN) layers, and wherein information of the parameter is provided to specific DNN layers of the plurality of DNN layers in training the neural receiver.14.The apparatus of Claim 12, wherein the neural receiver comprises a neural receiver with attention-based adaptation of the parameter, and wherein the AI / ML-based E2E communication architecture further comprises an estimator configured to provide an estimated value of the parameter to the neural receiver.15.The apparatus of Claim 14, wherein the neural receiver comprises a plurality of attention features (AF) layers, and wherein the estimated value of the parameter is provided to each AF layer of the plurality of AF layers in training the neural receiver.16.The apparatus of Claim 15, wherein each AF layer of the plurality of AF layers is trained by distributing weights to a last dimension of an original input layer to combine effects of different spatial antennas on the receiver side in a way similar to a maximum-ratio combining (MRC) method.17.The apparatus of Claim 16, wherein the last dimension comprises a filter size, and wherein the weights carry information of the parameter.18.The apparatus of Claim 11, wherein the AI / ML-based E2E communication architecture further comprises a trainable constellation function on a transmitter side of the wireless communication such that, after channel coding at the transmitter side, data for transmission is modulated using a learned constellation instead of a predefined constellation.19.The apparatus of Claim 18, wherein the trainable constellation function trains a mapper on the transmitter side to learn vectors and which represent real portion and imaginative portion of a complex-valued constellation point c=cRe+jcIm, respectively.20.The apparatus of Claim 11, wherein the parameter comprises signal-to-noise ratio (SNR) , an aspect of mobility of the apparatus, or a delay spread.

Images