Support of UE-sided ai-based CSI prediction

Abstract

Various aspects of the present disclosure relate to a UE, a processor for wireless communication, a network entity, and methods for supporting UE-sided artificial intelligence AI-based CSI prediction. In the method, the UE transmits a signalling indicating at least one supported or applicable parameter set for AI / ML-based CSI prediction; and performs data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

Description

SUPPORT OF UE-SIDED AI-BASED CSI PREDICTIONTECHNICAL FIELD

[0001] The present disclosure relates to wireless communications, and more specifically to a user equipment (UE) , a network entity, a processor for wireless communication, methods, and computer readable media for supporting user equipment (UE) -sided artificial intelligence (AI) -based channel state information (CSI) prediction.BACKGROUND

[0002] A wireless communications system may include one or multiple network communication devices, such as base stations, which may be otherwise known as an eNodeB (eNB) , a next-generation NodeB (gNB) , or other suitable terminology. Each network communication devices, such as a base station may support wireless communications for one or multiple user communication devices, which may be otherwise known as user equipment (UE) , or other suitable terminology. The wireless communications system may support wireless communications with one or multiple user communication devices by utilizing resources of the wireless communication system (e.g., time resources (e.g., symbols, slots, subframes, frames, or the like) or frequency resources (e.g., subcarriers, carriers) . Additionally, the wireless communications system may support wireless communications across various radio access technologies including third generation (3G) radio access technology, fourth generation (4G) radio access technology, fifth generation (5G) radio access technology, among other suitable radio access technologies beyond 5G (e.g., sixth generation (6G) ) .SUMMARY

[0003] The present disclosure relates to a user equipment (UE) , a network entity, a processor for wireless communication, methods, and computer readable media for supporting user equipment (UE) -sided artificial intelligence (AI) -based channel state information (CSI) prediction.

[0004] In a first aspect, there is provided a UE. The UE comprises: a processor; and a transceiver coupled to the processor, wherein the processor is configured to: transmit, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and perform data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0005] In a second aspect, there is provided a network entity. The network entity comprises: a processor; and a transceiver coupled to the processor, wherein the processor is configured to: receive, from a user equipment (UE) , a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and transmit, to the UE, a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0006] In a third aspect, there is provided a processor for wireless communication. The processor comprises: at least one memory; and a controller coupled with the at least one memory and configured to cause the controller to: transmit, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and perform data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0007] In a fourth aspect, there is provided a method performed by a user equipment (UE) , the method comprising: transmitting, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and performing data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0008] In an fifth aspect, there is provided a method performed by a network entity, the method comprising: receiving, from a user equipment (UE) , a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and transmitting, to the UE, a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0009] In a sixth aspect, there is provided a computer readable medium having instructions stored thereon, the instructions, when executed by a processor of an apparatus, causing the apparatus to perform the method according to the fourth or the fifth aspect of the disclosure.

[0010] In some implementations of the methods, the UE and the network entity described herein, the at least one supported parameter set for AI / ML-based CSI prediction include at least one of the following: a required number of measured CSI-reference signal (CSI-RS) resource transmission occasions; a period of measured CSI-RS resources; a prediction offset; a period of predicted CSI; or a maximum number of predicted CSI.

[0011] In some implementations of the methods, the UE and the network entity described herein, the prediction offset is the number of slots or symbols between the last slot of a first set of one or more slots carrying the measured CSI-RS resources as the channel measurement resource and the first slot of a second set of one or more slots with the predicted CSI, wherein the second set of one or more slots occur after the first set of one or more slots.

[0012] In some implementations of the methods, the UE and the network entity described herein, a single CSI-RS resource or single CSI-RS resource set is configured as channel measurement resources for data collection for the model training; and wherein the period of predicted CSI is the same or a multiple time of the period of the CSI-RS resources as the channel measurement resource.

[0013] In some implementations of the methods, the UE and the network entity described herein, a first CSI-RS resource or CSI-RS resource set is configured as channel measurement resources for model input data collection, and a second CSI-RS resource or CSI-RS resource set is configured as channel measurement resources for label data collection in model training for model output, and wherein a period of the predicted CSI is the same or a multiple time of the period of the second CSI-RS resource or CSI-RS resource set.

[0014] In some implementations of the methods, the UE and the network entity described herein, the UE may further receive, from the network entity, one or more candidate parameter sets for CSI prediction; and transmit, to the network entity, one or more of the candidate parameter sets that are supported or applicable by the UE.

[0015] In some implementations of the methods, the UE and the network entity described herein, the UE may further receive, from the network entity, a CSI report configuration at least including an prediction offset for the AI / ML-based CSI prediction.

[0016] In some implementations of the methods, the UE and the network entity described herein, the UE may further determine the first slot with predicted CSI based on at least one slot carrying the latest CSI-RS among a number of consecutive CSI-RS transmission occasions no later than a CSI reference resource associated with a CSI report.

[0017] In some implementations of the methods, the UE and the network entity described herein, the UE may further determine, in a case that one or more of the consecutive CSI-RS transmission occasions are dropped, to report or drop the CSI report corresponding to the CSI report configuration for CSI prediction.

[0018] In some implementations of the methods, the UE and the network entity described herein, the UE may further report, to the network entity, an AI processing time for inference as a number of symbols per sub-carrier spacing (SCS) .

[0019] In some implementations of the methods, the UE and the network entity described herein, the UE may further report, the network entity, a required number of CSI process units (CPUs) or AI / ML process units (APUs) for a rank k CSI prediction, where k is a positive integer.

[0020] In some implementations of the methods, the UE and the network entity described herein, the required number of APUs is 1 or k.

[0021] In some implementations of the methods, the UE and the network entity described herein, the UE may further determine that one or more APUs and / or CPUs are occupied from the last symbol of the latest periodic or semi-persistent CSI-RS occasion as channel measurement resource no later than a CSI reference resource, until a number of symbols after the last symbol of the same CSI-RS transmission occasion, wherein the number of symbols correspond to a processing duration required by an AI / ML model to generate predicted CSI based on model input.

[0022] In some implementations of the methods, the UE and the network entity described herein, the UE may further determine, for initial semi-persistent CSI report on a physical uplink shared channel (PUSCH) , that one or more APUs and / or CPUs are occupied from the last symbol of the latest periodic or semi-persistent CSI-RS occasion no later than a CSI reference resource, until the last symbol of the PUSCH carrying the CSI report.

[0023] In some implementations of the methods, the UE and the network entity described herein, the UE may further determine, for aperiodic CSI report on a physical uplink shared channel (PUSCH) , that one or more APUs and / or CPUs are occupied from the first symbol after a physical uplink control channel (PDCCH) triggering the CSI report until the last symbol of the scheduled PUSCH carrying the CSI report.

[0024] In some implementations of the methods, the UE and the network entity described herein, each CSI report configuration, each CSI resource configuration, each non-zero power (NZP) CSI-RS resource set, or each CSI-RS resource used for the data collection in model training is configured with an associated identity (ID) .

[0025] In some implementations of the methods, the UE and the network entity described herein, each CSI report configuration, CSI resource configuration, or CSI-RS resource or CSI-RS resource set associated with a CSI report configuration for CSI prediction are associated with an associated ID, and the UE may further assume, in the model inference, that CSI-RS resources are transmitted with a similar tilt angle and transceiver unit (TXRU) mapping schemes with the CSI-RS resource used for training with the same associated ID.BRIEF DESCRIPTION OF THE DRAWINGS

[0026] FIG. 1 illustrates an example of a wireless communications system in which some embodiments of the present disclosure can be implemented.

[0027] FIG. 2 illustrates a process flow for supporting UE-sided AI-based CSI prediction in accordance with some example embodiments of the present disclosure.

[0028] FIG. 3 illustrates a schematic diagram of a UE-sided model training case for CSI prediction in accordance with some example embodiments of the present disclosure.

[0029] FIG. 4 illustrates a UE capability report procedure for CSI prediction in accordance with some example embodiments of the present disclosure.

[0030] FIG. 5 illustrates another UE capability report procedure for CSI prediction in accordance with some example embodiments of the present disclosure.

[0031] FIG. 6 illustrates a schematic diagram of another UE-sided model training case for CSI prediction in accordance with some example embodiments of the present disclosure.

[0032] FIG. 7 illustrates a schematic diagram of an example of measurement window and prediction slots for model inference in accordance with some example embodiments of the present disclosure.

[0033] FIG. 8 illustrates a schematic diagram of an example of CSI process behaviour for model inference associated with a CSI report in accordance with some example embodiments of the present disclosure.

[0034] FIG. 9 illustrates a schematic diagram of another example of CSI process behaviour for model inference associated with a CSI report in accordance with some example embodiments of the present disclosure.

[0035] FIG. 10 illustrates an example of a device that is suitable for implementing some embodiments of the present disclosure.

[0036] FIG. 11 illustrates an example of a processor that is suitable for implementing some embodiments of the present disclosure.

[0037] FIG. 12 illustrates a flowchart of a method that performed by a UE in accordance with aspects of the present disclosure.

[0038] FIG. 13 illustrates a flowchart of a method that performed by a network entity in accordance with aspects of the present disclosure.

[0039] Throughout the drawings, the same or similar reference numerals represent the same or similar elements.DETAILED DESCRIPTION

[0040] Principles of the present disclosure will now be described with reference to some embodiments. It is to be understood that these embodiments are described only 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. 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.

[0041] References in the present disclosure to “one embodiment, ” “an example embodiment, ” “an embodiment, ” “some embodiments, ” and the like indicate that the embodiment (s) 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 do not necessarily refer to the same embodiment (s) . 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.

[0042] It shall be understood that although the terms “first” and “second” or the like may be used herein to describe various elements, these elements should not be limited by these terms. These terms are only used to distinguish one element from another element. For example, a first element could also be termed as a second element, and similarly, a second element could also be termed as a first element, without departing from the scope of embodiments. As used herein, the term “and / or” includes any and all combinations of one or more of the listed terms. In some examples, values, procedures, or apparatuses are referred to as “best, ” “lowest, ” “highest, ” “minimum, ” “maximum, ” or the like. It will be appreciated that such descriptions are intended to indicate that a selection among many used functional alternatives can be made, and such selections need not be better, smaller, higher, or otherwise preferable to other selections.

[0043] The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of 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, components and / or the like, but do not preclude the presence or addition of one or more other features, elements, components and / or combinations thereof. For example, the term “includes” and its variants are to be read as open terms that mean “includes, but is not limited to. ” The term “based on” is to be read as “based at least in part on. ” The term “one embodiment” and “an embodiment” are to be read as “at least one embodiment. ” The term “another embodiment” is to be read as “at least one other embodiment. ” The use of an expression such as “A and / or B” can mean either “only A” or “only B” or “both A and B. ” Other definitions, explicit and implicit, may be included below.

[0044] Artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction has been proved can provide significant performance gain compared with non-AI / ML-based CSI prediction in the study phase of AI for air interface in Rel-18 and Rel-19. It was agreed to specify the enhancements on the CSI feedback to support the AI-based CSI prediction with UE-sided model as following objective: On the other hand, AI / ML-based CSI prediction will also be an important use cases for  the AI / ML use cases in 6G. In view of this, solutions on the data collection and model inference for the CSI prediction with UE-sided AI model are provided.

[0045] Aspects of the present disclosure are described in the context of a wireless communications system. FIG. 1 illustrates an example of a wireless communications system 100 in which some embodiments of the present disclosure can be implemented. The wireless communications system 100 may include one or more network entities 102 (also referred to as network equipment (NE) ) , one or more UEs 104, a core network 106, and a packet data network 108. The wireless communications system 100 may support various radio access technologies. In some implementations, the wireless communications system 100 may be a 4G network, such as an LTE network or an LTE-Advanced (LTE-A) network. In some other implementations, the wireless communications system 100 may be a 5G network, such as an NR network. In other implementations, the wireless communications system 100 may be a combination of a 4G network and a 5G network, or other suitable radio access technology including Institute of Electrical and Electronics Engineers (IEEE) 802.11 (Wi-Fi) , IEEE 802.16 (WiMAX) , IEEE 802.20. The wireless communications system 100 may support radio access technologies beyond 5G. Additionally, the wireless communications system 100 may support technologies, such as time division multiple access (TDMA) , frequency division multiple access (FDMA) , or code division multiple access (CDMA) , etc.

[0046] The one or more network entities 102 may be dispersed throughout a geographic region to form the wireless communications system 100. One or more of the network entities 102 described herein may be or include or may be referred to as a network node, a base station, a network element, a radio access network (RAN) , a base transceiver station, an access point, a NodeB, an eNodeB (eNB) , a next-generation NodeB (gNB) , or other suitable terminology. A network entity 102 and a UE 104 may communicate via a communication link 110, which may be a wireless or wired connection. For example, a network entity 102 and a UE 104 may perform wireless communication (e.g., receive signalling, transmit signalling) over a Uu interface. In a 3GPP non-terrestrial network (NTN) , a network entity 102 in form of a satellite can directly communicate to UE 104 using NR / LTE Uu interface. The satellite may be a transparent satellite or a regenerative satellite. For NTN with a transparent satellite, a base station on earth may communicate with a UE via the satellite. For NTN with a regenerative satellite, the base station may be on board and directly communicate with the UE.

[0047] A network entity 102 may provide a geographic coverage area 112 for which the network entity 102 may support services (e.g., voice, video, packet data, messaging, broadcast, etc. ) for one or more UEs 104 within the geographic coverage area 112. For example, a network entity 102 and a UE 104 may support wireless communication of signals related to services (e.g., voice, video, packet data, messaging, broadcast, etc. ) according to one or multiple radio access technologies. In some implementations, a network entity 102 may be moveable, for example, a satellite associated with a non-terrestrial network. In some implementations, different geographic coverage areas 112 associated with the same or different radio access technologies may overlap, but the different geographic coverage areas 112 may be associated with different network entities 102. Information and signals described herein may be represented using any of a variety of different technologies and techniques. For example, data, instructions, commands, information, signals, bits, symbols, and chips that may be referenced throughout the description may be represented by voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields or particles, or any combination thereof.

[0048] The one or more UEs 104 may be dispersed throughout a geographic region of the wireless communications system 100. A UE 104 may include or may be referred to as a mobile device, a wireless device, a remote device, a remote unit, a handheld device, or a subscriber device, or some other suitable terminology. In some implementations, the UE 104 may be referred to as a unit, a station, a terminal, or a client, among other examples. Additionally, or alternatively, the UE 104 may be referred to as an Internet-of-Things (IoT) device, an Internet-of-Everything (IoE) device, or machine-type communication (MTC) device, among other examples. In some implementations, a UE 104 may be stationary in the wireless communications system 100. In some other implementations, a UE 104 may be mobile in the wireless communications system 100.

[0049] The one or more UEs 104 may be devices in different forms or having different capabilities. Some examples of UEs 104 are illustrated in FIG. 1. A UE 104 may be capable of communicating with various types of devices, such as the network entities 102, other UEs 104, or network equipment (e.g., the core network 106, the packet data network 108, a relay device, an integrated access and backhaul (IAB) node, or another network equipment) , as shown in FIG. 1. Additionally, or alternatively, a UE 104 may support communication with other network entities 102 or UEs 104, which may act as relays in the wireless communications system 100.

[0050] A UE 104 may also be able to support wireless communication directly with other UEs 104 over a communication link 114. For example, a UE 104 may support wireless communication directly with another UE 104 over a device-to-device (D2D) communication link. In some implementations, such as vehicle-to-vehicle (V2V) deployments, vehicle-to-everything (V2X) deployments, or cellular-V2X deployments, the communication link 114 may be referred to as a sidelink. For example, a UE 104 may support wireless communication directly with another UE 104 over a PC5 interface.

[0051] A network entity 102 may support communications with the core network 106, or with another network entity 102, or both. For example, a network entity 102 may interface with the core network 106 through one or more backhaul links 116 (e.g., via an S1, N2, N2, or another network interface) . The network entities 102 may communicate with each other over the backhaul links 116 (e.g., via an X2, Xn, or another network interface) . In some implementations, the network entities 102 may communicate with each other directly (e.g., between the network entities 102) . In some other implementations, the network entities 102 may communicate with each other or indirectly (e.g., via the core network 106) . In some implementations, one or more network entities 102 may include subcomponents, such as an access network entity, which may be an example of an access node controller (ANC) . An ANC may communicate with the one or more UEs 104 through one or more other access network transmission entities, which may be referred to as a radio heads, smart radio heads, or transmission-reception points (TRPs) . As used herein, the term “TRP” refers to a transmission-reception point having an antenna array (with one or more antenna elements) at the network side located at a specific geographical location, which may be used for transmitting and receiving signals to / from the terminal device. In embodiment of the present disclosure, a TRP may refer to Macro Cell, micro cell, an RRH, a relay, a femto node, a pico node, etc.

[0052] In some implementations, a network entity 102 may be configured in a disaggregated architecture, which may be configured to utilize a protocol stack physically or logically distributed among two or more network entities 102, such as an integrated access backhaul (IAB) network, an open RAN (O-RAN) (e.g., a network configuration sponsored by the O-RAN Alliance) , or a virtualized RAN (vRAN) (e.g., a cloud RAN (C-RAN) ) . For example, a network entity 102 may include one or more of a central unit (CU) , a distributed unit (DU) , a radio unit (RU) , a RAN Intelligent Controller (RIC) (e.g., a Near-Real Time RIC (Near-RT RIC) , a Non-Real Time RIC (Non-RT RIC) ) , a Service Management and Orchestration (SMO) system, or any combination thereof.

[0053] An RU may also be referred to as a radio head, a smart radio head, a remote radio head (RRH) , a remote radio unit (RRU) , or a transmission reception point (TRP) . One or more components of the network entities 102 in a disaggregated RAN architecture may be co-located, or one or more components of the network entities 102 may be located in distributed locations (e.g., separate physical locations) . In some implementations, one or more network entities 102 of a disaggregated RAN architecture may be implemented as virtual units (e.g., a virtual CU (VCU) , a virtual DU (VDU) , a virtual RU (VRU) ) .

[0054] Split of functionality between a CU, a DU, and an RU may be flexible and may support different functionalities depending upon which functions (e.g., network layer functions, protocol layer functions, baseband functions, radio frequency functions, and any combinations thereof) are performed at a CU, a DU, or an RU. For example, a functional split of a protocol stack may be employed between a CU and a DU such that the CU may support one or more layers of the protocol stack and the DU may support one or more different layers of the protocol stack. In some implementations, the CU may host upper protocol layer (e.g., a layer 3 (L3) , a layer 2 (L2) ) functionality and signalling (e.g., Radio Resource Control (RRC) , service data adaption protocol (SDAP) , Packet Data Convergence Protocol (PDCP) ) . The CU may be connected to one or more DUs or RUs, and the one or more DUs or RUs may host lower protocol layers, such as a layer 1 (L1) (e.g., physical (PHY) layer) or an L2 (e.g., radio link control (RLC) layer, medium access control (MAC) layer) functionality and signalling, and may each be at least partially controlled by the CU 160.

[0055] Additionally, or alternatively, a functional split of the protocol stack may be employed between a DU and an RU such that the DU may support one or more layers of the protocol stack and the RU may support one or more different layers of the protocol stack. The DU may support one or multiple different cells (e.g., via one or more RUs) . In some implementations, a functional split between a CU and a DU, or between a DU and an RU may be within a protocol layer (e.g., some functions for a protocol layer may be performed by one of a CU, a DU, or an RU, while other functions of the protocol layer are performed by a different one of the CU, the DU, or the RU) .

[0056] A CU may be functionally split further into CU control plane (CU-CP) and CU user plane (CU-UP) functions. A CU may be connected to one or more DUs via a midhaul communication link (e.g., F1, F1-c, F1-u) , and a DU may be connected to one or more RUs via a fronthaul communication link (e.g., open fronthaul (FH) interface) . In some implementations, a midhaul communication link or a fronthaul communication link may be implemented in accordance with an interface (e.g., a channel) between layers of a protocol stack supported by respective network entities 102 that are in communication via such communication links.

[0057] The core network 106 may support user authentication, access authorization, tracking, connectivity, and other access, routing, or mobility functions. The core network 106 may be an evolved packet core (EPC) , or a 5G core (5GC) , which may include a control plane entity that manages access and mobility (e.g., a mobility management entity (MME) , an access and mobility management functions (AMF) ) and a user plane entity that routes packets or interconnects to external networks (e.g., a serving gateway (S-GW) , a Packet Data Network (PDN) gateway (P-GW) , or a user plane function (UPF) ) . In some implementations, the control plane entity may manage non-access stratum (NAS) functions, such as mobility, authentication, and bearer management (e.g., data bearers, signal bearers, etc. ) for the one or more UEs 104 served by the one or more network entities 102 associated with the core network 106.

[0058] The core network 106 may communicate with the packet data network 108 over one or more backhaul links 116 (e.g., via an S1, N2, N2, or another network interface) . The packet data network 108 may include an application server 118. In some implementations, one or more UEs 104 may communicate with the application server 118. A UE 104 may establish a session (e.g., a protocol data unit (PDU) session, or the like) with the core network 106 via a network entity 102. The core network 106 may route traffic (e.g., control information, data, and the like) between the UE 104 and the application server 118 using the established session (e.g., the established PDU session) . The PDU session may be an example of a logical connection between the UE 104 and the core network 106 (e.g., one or more network functions of the core network 106) .

[0059] In the wireless communications system 100, the network entities 102 and the UEs 104 may use resources of the wireless communications system 100 (e.g., time resources (e.g., symbols, slots, subframes, frames, or the like) or frequency resources (e.g., subcarriers, carriers) ) to perform various operations (e.g., wireless communications) . In some implementations, the network entities 102 and the UEs 104 may support different resource structures. For example, the network entities 102 and the UEs 104 may support different frame structures. In some implementations, such as in 4G, the network entities 102 and the UEs 104 may support a single frame structure. In some other implementations, such as in 5G and among other suitable radio access technologies, the network entities 102 and the UEs 104 may support various frame structures (i.e., multiple frame structures) . The network entities 102 and the UEs 104 may support various frame structures based on one or more numerologies.

[0060] One or more numerologies may be supported in the wireless communications system 100, and a numerology may include a subcarrier spacing and a cyclic prefix. A first numerology (e.g., μ=0) may be associated with a first subcarrier spacing (e.g., 15 kHz) and a normal cyclic prefix. In some implementations, the first numerology (e.g., μ=0) associated with the first subcarrier spacing (e.g., 15 kHz) may utilize one slot per subframe. A second numerology (e.g., μ=1) may be associated with a second subcarrier spacing (e.g., 30 kHz) and a normal cyclic prefix. A third numerology (e.g., μ=2) may be associated with a third subcarrier spacing (e.g., 60 kHz) and a normal cyclic prefix or an extended cyclic prefix. A fourth numerology (e.g., μ=3) may be associated with a fourth subcarrier spacing (e.g., 120 kHz) and a normal cyclic prefix. A fifth numerology (e.g., μ=4) may be associated with a fifth subcarrier spacing (e.g., 240 kHz) and a normal cyclic prefix.

[0061] A time interval of a resource (e.g., a communication resource) may be organized according to frames (also referred to as radio frames) . Each frame may have a duration, for example, a 10 millisecond (ms) duration. In some implementations, each frame may include multiple subframes. For example, each frame may include 10 subframes, and each subframe may have a duration, for example, a 1 ms duration. In some implementations, each frame may have the same duration. In some implementations, each subframe of a frame may have the same duration.

[0062] Additionally or alternatively, a time interval of a resource (e.g., a communication resource) may be organized according to slots. For example, a subframe may include a number (e.g., quantity) of slots. The number of slots in each subframe may also depend on the one or more numerologies supported in the wireless communications system 100. For instance, the first, second, third, fourth, and fifth numerologies (i.e., μ=0, μ=1, μ=2, μ=3, μ=4) associated with respective subcarrier spacings of 15 kHz, 30 kHz, 60 kHz, 120 kHz, and 240 kHz may utilize a single slot per subframe, two slots per subframe, four slots per subframe, eight slots per subframe, and 16 slots per subframe, respectively. Each slot may include a number (e.g., quantity) of symbols (e.g., OFDM symbols) . In some implementations, the number (e.g., quantity) of slots for a subframe may depend on a numerology. For a normal cyclic prefix, a slot may include 14 symbols. For an extended cyclic prefix (e.g., applicable for 60 kHz subcarrier spacing) , a slot may include 12 symbols. The relationship between the number of symbols per slot, the number of slots per subframe, and the number of slots per frame for a normal cyclic prefix and an extended cyclic prefix may depend on a numerology. It should be understood that reference to a first numerology (e.g., μ=0) associated with a first subcarrier spacing (e.g., 15 kHz) may be used interchangeably between subframes and slots.

[0063] In the wireless communications system 100, an electromagnetic (EM) spectrum may be split, based on frequency or wavelength, into various classes, frequency bands, frequency channels, etc. By way of example, the wireless communications system 100 may support one or multiple operating frequency bands, such as frequency range designations FR1 (410 MHz –7.125 GHz) , FR2 (24.25 GHz –52.6 GHz) , FR3 (7.125 GHz –24.25 GHz) , FR4 (52.6 GHz –114.25 GHz) , FR4a or FR4-1 (52.6 GHz –71 GHz) , and FR5 (114.25 GHz –300 GHz) . In some implementations, the network entities 102 and the UEs 104 may perform wireless communications over one or more of the operating frequency bands. In some implementations, FR1 may be used by the network entities 102 and the UEs 104, among other equipment or devices for cellular communications traffic (e.g., control information, data) . In some implementations, FR2 may be used by the network entities 102 and the UEs 104, among other equipment or devices for short-range, high data rate capabilities.

[0064] FR1 may be associated with one or multiple numerologies (e.g., at least three numerologies) . For example, FR1 may be associated with a first numerology (e.g., μ=0) , which includes 15 kHz subcarrier spacing; a second numerology (e.g., μ=1) , which includes 30 kHz subcarrier spacing; and a third numerology (e.g., μ=2) , which includes 60 kHz subcarrier spacing. FR2 may be associated with one or multiple numerologies (e.g., at least 2 numerologies) . For example, FR2 may be associated with a third numerology (e.g., μ=2) , which includes 60 kHz subcarrier spacing; and a fourth numerology (e.g., μ=3) , which includes 120 kHz subcarrier spacing.

[0065] FIG. 2 illustrates a process flow for supporting UE-sided AI-based CSI prediction in accordance with some example embodiments of the present disclosure. The process flow 200 may involve a UE 201 and a network entity (NW) (e.g. a base station, such as gNB) 202. The process flow 200 may be applied to the wireless communications system 100 with reference to FIG. 1, for example, the UE 201 may be any of UEs 104, and the network entity 202 may be or comprise any of the network entities 102. For example, the network entity 202 may be or include a base station providing a serving cell for the UE 201 and / or base station (s) providing candidate cell (s) . It would be appreciated that the process flow 200 may be applied to other communication scenarios.

[0066] In this embodiment, an AI / ML model (referred to as “model” , for simplicity) is deployed at the UE 201 for temporal CSI prediction. The UE 201 may perform model training and / or inference based on channel qualities derived from CSI measurements.

[0067] At 210, the UE 201 transmits to the network entity 202, a signalling 215 indicating at least one supported or applicable parameter set for AI / ML-based CSI prediction. Correspondingly, at 220, the network entity 202 receives, from the UE 201, the signalling 215 indicating the at least one supported or applicable parameter set for AI / ML-based CSI prediction. The supported or applicable parameter set (s) can be regarded as UE capability information.

[0068] At 230, the network entity 202 transmit, to the UE 201, a CSI report configuration 235 associated with one of the at least one supported or applicable parameter set for CSI prediction. Correspondingly, at 240, the UE 201 receives from the network entity 235 from the network entity 202.

[0069] At 250, the network entity 202 transmits CSI reference signal (CSI-RS) resources associated with the CSI report configuration 215 as the channel measurement resource (CMR) , and the UE 201 receives and measures the CSI-RS resources.

[0070] At 260, the UE 201 performs data collection for model training or model inference based on the CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0071] For model training, the UE 201 may obtain model input from a first set of measured CSI-RS resources and obtain model output as ground truth or label data from a second set of measured CSI-RS resources, which occur after in the first set of measured CSI-RS resources. For model inference, the UE 201 may input measured CSI-RS resources within a measurement window to obtain predicted CSI as model output.

[0072] FIG. 3 illustrates a schematic diagram of a UE-sided model training case for CSI prediction in accordance with some example embodiments of the present disclosure. Regarding data collection for model training, a single CSI-RS resource can be configured as the channel measurement resource to collect input and label data for model training.

[0073] For this case, one CSI resource setting associated with a CSI report configuration without reporting including at least one periodic or semi-persistent CSI-RS resource or CSI-RS resource set is configured for the channel measurement for data collection for model training. Another CSI-inference measurement (CSI-IM) or CSI-RS resource may be configured for the inference measurement for data collection for model training. It means that the single CSI-RS resource configuration can be used to obtain the data for both model input and output as illustrated in FIG. 3.

[0074] The UE may collect the data based on the supported or applicable parameter set for AI / ML-based CSI prediction. In some embodiments, the supported or applicable parameter set may include the one or more of following information: a required number of measured CSI-RS resource transmission occasions; a period of measured CSI-RS resources; a prediction offset; a period of predicted CSI; or a maximum number of predicted CSI.

[0075] In some embodiments, the prediction offset may be the number of slots or symbols between the last slot of a first set of slot (s) carrying the measured CSI-RS resources as the channel measurement resource and the first slot of a second set of slot (s) with the predicted CSI, wherein the second set of slot (s) occur after the first set of slot (s) .

[0076] When a single CSI-RS resource or single CSI-RS resource set is configured as channel measurement resources for data collection for the model training, the UE may report the period of the predicted CSI to the network, which can be the same or multiple time of the period of the measured CSI-RS. In some embodiments, the UE may indicate the prediction offset (in FIG. 3, Offset1, Offset 2) to the network, which is the offset between the last symbol of the last CSI-RS resource transmission occasion no later than the CSI reference resource and the first symbol of the first slot with the predicted CSI. For example, the unit of the offset can be the measured or predicted CSI-RS resource periodicity, e.g. 1 periodicity or 5 periodicity. In some embodiments, the UE may further indicate the period of the measurement CSI-RS to obtain the model input, which can be same or multiple time of the period of the configured CSI-RS. Note that those parameters should be combined reported or indicated for the subsequently inference operation.

[0077] FIG. 4 illustrates a UE capability report procedure for CSI prediction in accordance with some example embodiments of the present disclosure.

[0078] When the model is trained at the UE side, the UE may need to report the supported combination of the above parameters when the model is ready for inference. For example, the UE can directly report them as part of UE capabilities as the procedure illustrated in FIG. 4. The UE may directly report at least one set of supported or applicable parameters for the inference.

[0079] At Step 1, the network transmits a UE capability enquiry to the UE about whether it supports AI / ML-based CSI prediction. At Step 2, the UE responses with one or more a supported or applicable parameter sets, each set including, for example, a period of predicted CSI, a period of measured CSI predicted offset, a number of predicted CSIs, a required number of measured CSIs or CSI-RS resource transmission occasions. Note that one or more of the noted parameters can be omitted.

[0080] FIG. 5 illustrates another UE capability report procedure for CSI prediction in accordance with some example embodiments of the present disclosure.

[0081] When the model is not trained at the UE side, e.g., at the network side, and is deployed at the UE side via model transfer or model delivery, the network can indicate some candidate parameters combinations for the UE if the UE support the feature of AI-based CSI prediction, then the UE may further indicate which candidate parameter sets are supported for the subsequent configuration for inference.

[0082] With reference to FIG. 5, at Step 1, the network transmits a UE capability enquiry to the UE about whether it supports AI / ML-based CSI prediction. At Step 2, UE indicates to the network that it supports AI-based temporal CSI prediction. At step 3, the network transmits one or more candidate parameter sets for CSI prediction to the UE. Each candidate parameter set may include similar parameters as described with reference to FIG. 4. At Step 4, the UE transmits one or more of the candidate parameter sets that are supported or applicable by the UE. For example, the UE may transmit a bitmap, where each bit in the bitmap corresponds to a candidate parameter set in Step 3. At Step 5, the network configures one or more CSI report configurations for the CSI reporting with AI-based CSI prediction. The CSI report configuration (s) are associated with the parameter set (s) supported by the UE. The candidate parameter set in step 3 may be represented by CSI report configuration.

[0083] FIG. 6 illustrates a schematic diagram of another UE-sided model training case for CSI prediction in accordance with some example embodiments of the present disclosure. In FIG. 6, two separate CSI-RS resources are configured to collect the input and label data for model training.

[0084] In this case, a first periodic or semi-persistent CSI-RS resource or CSI-RS resource set is configured as the channel measurement resource to obtain the data as the model input and a second periodic or semi-persistent CSI-RS resource is configured as the channel measurement resource to obtain the label data as the model output as illustrated in FIG. 3. In some embodiments, a third and a fourth periodic or semi-persistent CSI-RS resource can be additional configured as the inference measurement resource for the data collection for model input and model output, respectively.

[0085] For the configuration on the model training, there could be an association of the first periodic or semi-persistent CSI-RS resource and the second periodic or semi-persistent CSI-RS resource for purpose of linking the measured CSIs as the model input and the measured CSI (s) as the model output. It can be reached with following ways: the first CSI-RS resource and the second CSI-RS resource correspond to the same CSI-ResourceConfig; or alternatively, the first CSI-RS resource and the second CSI-RS resource correspond to two different CSI-ResourceConfigs, and an indication is configured in one CSI-ResourceConfig for indicating the other one CSI-ResourceConfig.

[0086] When two separate CSI-RS resources are configured to collect the input and label data for model training, the UE may indicate the period of the predicted CSI for reporting to the network, which can be the same or multiple time of the period of the second CSI-RS resource to obtain the label data. In other word, the period of the predicted CSI for reporting can be different from the period of the first CSI-RS resource to obtain the data as model input. Additionally, the UE may indicate the prediction offset (in FIG. 6, Offset1, Offset 2) to the network, which can be the offset between the last symbol of the last CSI-RS resource transmission occasion to obtain the model input and the first symbol of the first slot with the predicted CSI, i.e., the model output. Additionally, the UE may indicate the number of predicted CSIs, the period of the predicted CSI and / or the required number of CSI-RS receptions to the network. Note that those parameters should be combined reported or indicated for the subsequently inference operation.

[0087] FIG. 7 illustrates a schematic diagram of an example of measurement window and prediction slots for model inference in accordance with some example embodiments of the present disclosure.

[0088] One or more CSI report configurations can be configured for the CSI report carrying the predicted CSI with AI inference. One CSI resource configuration containing one non-zero power (NZP) CSI-RS resource set can be associated with a CSI report configuration as the channel measurement resource (CMR) for the UE to collect the data for model input.

[0089] When periodic or semi-persistent CSI-RS resource is configured as the channel measurement resource, one CSI-RS resource can be configured in the NZP CSI-RS resource set. Regarding the measurement window, the latest Nmeas consecutive CSI-RS transmission occasions no later than a CSI reference resource are used for the UE to obtain the data as the model input, where Nmeas denotes the required number of measured CSI-RS resources. In FIG. 7, slot n-nref represents the timing of the CSI reference resource, and slot n represents the timing of CSI report.

[0090] When aperiodic CSI-RS is configured as CMR, Nmeas CSI-RS resources are configured in the NZP CSI-RS resource set. Those CSI-RS resources are transmitted with a repetition manner and the separation between two adjacent CSI-RS transmission occasion is m slots. Repetition means that all those CSI-RS resources are configured with the same resource elements (REs) , the same sequences, the same QCL information for the CSI-RS reception to obtain the QCL parameters including Doppler shifter, Doppler spread, average delay, delay spread and / or spatial Rx filter parameters.

[0091] In some embodiments, if any of the Nmeas consecutive CSI-RS transmission occasions are dropped due to signal or channel collision, according to UE capability report, the UE can determine to report or drop the corresponding CSI report. For example, if some of the CSI-RS transmissions are dropped, the UE may still obtain an estimated CSI as the model input by channel interpolation. However, if the dropped number of CSI-RS transmission occasions is larger than a threshold, e.g., more than 20%, the UE may determine to drop the CSI report. Alternatively, UE may report a measured CSI, e.g., the CSI derived from the latest CSI-RS measurement in the measurement window, in the CSI report.

[0092] Different from non-AI based CSI prediction, the relation between the prediction window and the measurement window corresponding to an AI model or functionality is fixed. The prediction window is determined with respective to the last symbol of the last CSI-RS resource transmission occasion in the measurement window containing Nmeas consecutive CSI-RS transmission occasions no later than the CSI reference resource as illustrated in FIG. 7.

[0093] For each CSI report configuration, the network may configure one or more of the following parameters for CSI prediction: a prediction offset, a period of the time duration with separate predicted CSI (Tpredict) , and / or the number of predicted CSIs.

[0094] The prediction offset is the time duration between the last symbol of the latest CSI-RS transmission occasion no later than the CSI reference resource, or the slot carrying the last symbol of the latest CSI-RS transmission occasion no later than the CSI reference resource and the first slot with the predicted CSI. The prediction offset can also be based on the time domain difference between time instance n and starting of the predicted CSI.

[0095] The period of the time duration with separate predicted CSI (Tpredic) can be the K>= 1 times of the period of measurement CSI-RS resource for the training case using single CSI-RS resource as the CMR, or be any other number of slots for training case using two separate CSI-RS resources as the CMR. Each predicted CSI corresponds to a Tpredict.

[0096] In some embodiments, if the UE cannot perform the model inference operation, for example, there is no available resources for AI inference, the following fallback operations can be considered. In a first option, the UE may report a non-AI based predicted CSI according to UE capability. In a second option, the UE may report the CSI based on the latest received CSI-RS resource no later than the CSI reference resource. In a third option, the UE may drop the corresponding CSI.

[0097] The following channel qualities can be taken as the model input: raw channel matrix H, eigenvector, or quantized channel matrix, e.g., eType-II precoder. Then the following channel qualities can be taken as the model output, predicted raw channel matrix  predicted eigenvectors, or predicted Type-II Doppler precoder for CSI reporting.

[0098] For the case that raw channel matrix or quantized channel matrix is taken as the model input, one approach (name “option 1-1” ) is that a common AI / ML model may be applied for different ranks, for example, if the max rank is 4, a single AI / ML model is applied different ranks. Alternatively, another approach (name “option 1-2” ) is that separate AI / ML models may be applied for different ranks, for example, if the max rank is 4, four AI / ML model is applied different ranks, wherein AI / ML model 1 is applied for rank 1, AI / ML model 2 is applied for rank 2, AI / ML model 3 is applied for rank 3, and AI / ML model 4 is applied for rank 4.

[0099] For the case that eigenvector (s) are taken as the model input, separated AI / ML models may be trained per layer. One approach (name “option 2-1” , layer specific and rank common) is that: different models are applied for different layers; for a specific layer, the same model is applied for all rank values. For example, if the max rank is 4, four AI / ML models are applied for each layer of the up to 4 layers, e.g., AI / ML model 1 is applied for the first layer, AI / ML model 2 is applied for the second layer, AI / ML model 3 is applied for the third layer, and AI / ML model 4 is applied for the fourth layer.

[0100] Another option (name “option 2-2” , layer specific and rank specific) is that: different models are applied for different layers; and for a specific layer, different models are applied for different rank values. For example, if the max rank is 4, ten AI / ML models are applied for different layers of different rank, e.g., AI / ML model 1 is applied for the first layer of rank 1, AI / ML model 2 is applied for the first layer of rank 2, AI / ML model 3 is applied for the second layer of rank 2, AI / ML model 4 is applied for the first layer of rank 3, and AI / ML model 5 is applied for the second layer of rank 3, AI / ML model 6 is applied for the third layer of rank 3, AI / ML model 7 is applied for the first layer of rank 4, AI / ML model 8 is applied for the second layer of rank 4, AI / ML model 9 is applied for the third layer of rank 4, and AI / ML model 10 is applied for the fourth layer of rank 4.

[0101] In some embodiments, a unified AI / ML model may be trained for different layers. One approach (name “option 3-1” ) is that a unified AI / ML model is applied for each layer under any rank. Another approach (name “option 3-2” ) is that: different models applied for different rank value; and for a specific rank, the same model is applied for all layers; for example, if the max rank is 4, four AI / ML models are applied for all the layers of each rank, where AI / ML model 1 is applied for the layer of rank 1, AI / ML model 2 is applied for all the layers of rank 2, AI / ML model 3 is applied for all the layers of rank 3, and AI / ML model 4 is applied for all the layers of rank 4.

[0102] Different AI / ML model deployment may correspond to different hardware resource occupation and different CSI calculation time. The concept of CSI process unit (CPU) or AI / ML process unit (APU) may need to be specified to manage the AI / ML-based CSI reporting triggering or activation. Based on the example on the AI / ML model deployments for different ranks or layers, it can be observed that different hardware resources may be needed for different deployments event for the same rank.

[0103] In some embodiments, the UE may report to the network entity the required number of CPUs or APUs for a rank k CSI prediction, where k is a positive integer. The required number of APUs may be 1 or k. For example, assuming that each AI / ML model corresponds to an APU, then, ● a single APU is occupied for any rank for option 1-1; ● a single APU is occupied for each rank for option 1-2; ● k APUs are occupied for the k layers of rank k for option 2-1; ● k APUs are occupied for the k layers of rank k for option 2-2; ● k APUs are occupied for the k layers of rank k for option 2-1; ● a single APU is occupied for any rank for option 3-1; ● a single APU is occupied for all the layers of each rank for option 3-2.

[0104] On the other hand, the CPU and / or APU occupation time should also be specified for the network to configure enough time for the UE to report a valid CSI. In some embodiments, the UE may report, to the network entity, an AI processing time for inference as a number of symbols per sub-carrier spacing (SCS) .

[0105] Basically, there may be two or three stages for the CSI calculation as illustrated in FIG. 8 and FIG. 9, which illustrate schematic diagrams of examples of CSI process behaviour for model inference associated with a CSI report. In FIG. 8, the UE firstly prepares the model input data in the first stage, then performs the model inference in the second stage, finally, calculates the CSI for reporting. In FIG. 9, the model can directly output the reported CSI, and the model output can be used as the CSI report without additional process.

[0106] The next issue is the CPU and / or APU occupation time. Depending on the model operation, the APU occupation time may be different for different options. For example, the AI / ML model is used only by once for inference for option 1-1, 1-2, 2-1, or 2-2. However, the AI / ML model may be used for k times for rank k CSI prediction because a single AI / ML model may be used to predict the CSI for each layer. And the required time for inference for different AI / ML model may also be different. Thus, it’s better to report the required time for an inference operation for each rank.

[0107] For the case that the AI / ML model cannot directly output the predicted CSI for reporting, the total CSI calculation time T=Tprep+Tinference+TCSI, where each term corresponds to the required time for different stage. For the case that the AI / ML model can directly output the predicted CSI for reporting, the total CSI calculation time T=Tprep+Tinference, where each term corresponds to the required time for different stage.

[0108] In some embodiments, the value of Tprep, Tinference and TCSI can be separately reported by the UE and the value can be reported as number of symbols per SCS.

[0109] Alternatively, the CSI computation time specified for the CSI report carrying the Type-II Doppler based CSI (i.e., the codebookType of the CSI-ReportConfig is set to 'typeII-Doppler-r18' or 'typeII-Doppler-PortSelection-r18' ) can be reused by introducing new number of CSI-RS resources in the CMR.

[0110] Alternatively, the CSI computation time specified for the CSI report carrying the Type-II Doppler based CSI with a scalar factor is used for the total CSI calculation time. The scalar factor can be reported by the UE or specified.

[0111] Alternatively, the value of T may equal to the CSI computation time specified for the CSI report carrying the Type-II Doppler based CSI plus an additional time for inference.

[0112] The CSI calculation time T defines the minimal time between the last symbol of the latest CSI-RS resource used for the channel or inference measurement until the first symbol of the UL channel / signal carrying the CSI report.

[0113] Specifically, OCPU=Nmeas CPUs and OAPU=1 or k APUs are occupied for a CSI report with predicted CSI, where OCPU is the number of occupied CPUs and OAPU is the number of occupied APUs.

[0114] For periodic CSI report and the semi-persistent CSI report (excluding an initial semi-persistent CSI report on PUSCH after the PDCCH triggering the report) , the CPU (s) may be occupied from the first symbol of the earliest one of Nmeas transmission occasions of periodic or semi-persistent CSI-RS for channel measurement associated with the CSI report, until Tinference symbols after the last symbol of the latest one of the CSI-RS among the Nmeas transmission occasions of periodic or semi-persistent CSI-RS for channel measurement associated with the CSI report. The APU (s) are occupied from the last symbol of the latest CSI-RS of Nmeas transmission occasions of periodic or semi-persistent CSI-RS for channel measurement associated with the CSI report, until Tinference symbols after the last symbol of the latest one of the CSI-RS among the Nmeas transmission occasions of periodic or semi-persistent CSI-RS for channel measurement associated with the CSI report.

[0115] For aperiodic CSI report, the CPU and / or APU (s) are occupied first symbol after the PDCCH triggering the CSI report until the last symbol of the scheduled PUSCH carrying the report. Alternatively, the APU (s) are occupied from the last symbol of the latest CSI-RS of Nmeas transmission occasions until Tinference symbols after the last symbol of the same CSI-RS transmission occasion.

[0116] For an initial semi-persistent CSI report on PUSCH, the CPU (s) are occupied from the first symbol of Nmeas latest consecutive periodic or semi-persistent CSI-RS occasions no later than CSI reference resource, until the last symbol of the PUSCH carrying the report. The APU (s) are occupied from the last symbol of the latest periodic or semi-persistent CSI-RS occasion no later than CSI reference resource, until the last symbol of the PUSCH carrying the report.

[0117] Consistency between training and inference needs to be considered. In the training phase, each CSI report configuration, each CSI resource configuration, each non-zero power (NZP) CSI-RS resource set, or each CSI-RS resource used for the data collection in model training is configured with an associated identity (ID) .

[0118] In the inference phase, each CSI report configuration, CSI resource configuration, or CSI-RS resource or CSI-RS resource set associated with a CSI report configuration for CSI prediction are associated with an associated ID. The UE shall assume in the model inference that CSI-RS resources are transmitted with a similar tilt angle and transceiver unit (TXRU) mapping schemes with the CSI-RS resource used for training with the same associated ID.

[0119] FIG. 10 illustrates an example of a device that is suitable for implementing some embodiments of the present disclosure. The device 1000 may be an example of a UE 104 or network entity 102 as described herein. The device 1000 may support wireless communication with one or more network entities 102, UEs 104, or any combination thereof. The device 1000 may include components for bi-directional communications including components for transmitting and receiving communications, such as a processor 1002, a memory 1004, a transceiver 1006, and, optionally, an I / O controller 1008. These components may be in electronic communication or otherwise coupled (e.g., operatively, communicatively, functionally, electronically, electrically) via one or more interfaces (e.g., buses) .

[0120] The processor 1002, the memory 1004, the transceiver 1006, or various combinations thereof or various components thereof may be examples of means for performing various aspects of the present disclosure as described herein. For example, the processor 1002, the memory 1004, the transceiver 1006, or various combinations or components thereof may support a method for performing one or more of the operations described herein.

[0121] In some implementations, the processor 1002, the memory 1004, the transceiver 1006, or various combinations or components thereof may be implemented in hardware (e.g., in communications management circuitry) . The hardware may include a processor, a digital signal processor (DSP) , an application-specific integrated circuit (ASIC) , a field-programmable gate array (FPGA) or other programmable logic device, a discrete gate or transistor logic, discrete hardware components, or any combination thereof configured as or otherwise supporting a means for performing the functions described in the present disclosure. In some implementations, the processor 1002 and the memory 1004 coupled with the processor 1002 may be configured to perform one or more of the functions described herein (e.g., executing, by the processor 1002, instructions stored in the memory 1004) .

[0122] For example, the processor 1002 may support wireless communication at the device 1000 in accordance with examples as disclosed herein. The device 1000 may be an example of a UE 104. In this case, the processor 1002 may be configured to operable to support means for transmitting, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and means for performing data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0123] The device 1000 may be an example of a network entity, e.g., a network entity 102. In this case, the processor 1002 may be configured to operable to support means for receiving, from a user equipment (UE) , a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and means for transmitting, to the UE, a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0124] The processor 1002 may include an intelligent hardware device (e.g., a general-purpose processor, a DSP, a CPU, a microcontroller, an ASIC, an FPGA, a programmable logic device, a discrete gate or transistor logic component, a discrete hardware component, or any combination thereof) . In some implementations, the processor 1002 may be configured to operate a memory array using a memory controller. In some other implementations, a memory controller may be integrated into the processor 1002. The processor 1002 may be configured to execute computer-readable instructions stored in a memory (e.g., the memory 1004) to cause the device 1000 to perform various functions of the present disclosure.

[0125] The memory 1004 may include random access memory (RAM) and read-only memory (ROM) . The memory 1004 may store computer-readable, computer-executable code including instructions that, when executed by the processor 1002 cause the device 1000 to perform various functions described herein. The code may be stored in a non-transitory computer-readable medium such as system memory or another type of memory. In some implementations, the code may not be directly executable by the processor 1002 but may cause a computer (e.g., when compiled and executed) to perform functions described herein. In some implementations, the memory 1004 may include, among other things, a basic I / O system (BIOS) which may control basic hardware or software operation such as the interaction with peripheral components or devices.

[0126] The I / O controller 1008 may manage input and output signals for the device 1000. The I / O controller 1008 may also manage peripherals not integrated into the device 1000. In some implementations, the I / O controller 1008 may represent a physical connection or port to an external peripheral. In some implementations, the I / O controller 1008 may utilize an operating system such as or another known operating system. In some implementations, the I / O controller 1008 may be implemented as part of a processor, such as the processor 1002. In some implementations, a user may interact with the device 1000 via the I / O controller 1008 or via hardware components controlled by the I / O controller 1008.

[0127] In some implementations, the device 1000 may include a single antenna 1010. However, in some other implementations, the device 1000 may have more than one antenna 1010 (i.e., multiple antennas) , including multiple antenna panels or antenna arrays, which may be capable of concurrently transmitting or receiving multiple wireless transmissions. The transceiver 1006 may communicate bi-directionally, via the one or more antennas 1010, wired, or wireless links as described herein. For example, the transceiver 1006 may represent a wireless transceiver and may communicate bi-directionally with another wireless transceiver. The transceiver 1006 may also include a modem to modulate the packets, to provide the modulated packets to one or more antennas 1010 for transmission, and to demodulate packets received from the one or more antennas 1010. The transceiver 1006 may include one or more transmit chains, one or more receive chains, or a combination thereof.

[0128] A transmit chain may be configured to generate and transmit signals (e.g., control information, data, packets) . The transmit chain may include at least one modulator for modulating data onto a carrier signal, preparing the signal for transmission over a wireless medium. The at least one modulator may be configured to support one or more techniques such as amplitude modulation (AM) , frequency modulation (FM) , or digital modulation schemes like phase-shift keying (PSK) or quadrature amplitude modulation (QAM) . The transmit chain may also include at least one power amplifier configured to amplify the modulated signal to an appropriate power level suitable for transmission over the wireless medium. The transmit chain may also include one or more antennas 1010 for transmitting the amplified signal into the air or wireless medium.

[0129] A receive chain may be configured to receive signals (e.g., control information, data, packets) over a wireless medium. For example, the receive chain may include one or more antennas 1010 for receive the signal over the air or wireless medium. The receive chain may include at least one amplifier (e.g., a low-noise amplifier (LNA) ) configured to amplify the received signal. The receive chain may include at least one demodulator configured to demodulate the receive signal and obtain the transmitted data by reversing the modulation technique applied during transmission of the signal. The receive chain may include at least one decoder for decoding the processing the demodulated signal to receive the transmitted data.

[0130] FIG. 11 illustrates an example of a processor 1100 is suitable for implementing some embodiments of the present disclosure. The processor 1100 may be an example of a processor configured to perform various operations in accordance with examples as described herein. The processor 1100 may include a controller 1102 configured to perform various operations in accordance with examples as described herein. The processor 1100 may optionally include at least one memory 1104. Additionally, or alternatively, the processor 1100 may optionally include one or more arithmetic-logic units (ALUs) 1106. One or more of these components may be in electronic communication or otherwise coupled (e.g., operatively, communicatively, functionally, electronically, electrically) via one or more interfaces (e.g., buses) .

[0131] The processor 1100 may be a processor chipset and include a protocol stack (e.g., a software stack) executed by the processor chipset to perform various operations (e.g., receiving, obtaining, retrieving, transmitting, outputting, forwarding, storing, determining, identifying, accessing, writing, reading) in accordance with examples as described herein. The processor chipset may include one or more cores, one or more caches (e.g., memory local to or included in the processor chipset (e.g., the processor 1100) or other memory (e.g., random access memory (RAM) , read-only memory (ROM) , dynamic RAM (DRAM) , synchronous dynamic RAM (SDRAM) , static RAM (SRAM) , ferroelectric RAM (FeRAM) , magnetic RAM (MRAM) , resistive RAM (RRAM) , flash memory, phase change memory (PCM) , and others) .

[0132] The controller 1102 may be configured to manage and coordinate various operations (e.g., signalling, receiving, obtaining, retrieving, transmitting, outputting, forwarding, storing, determining, identifying, accessing, writing, reading) of the processor 1100 to cause the processor 1100 to support various operations in accordance with examples as described herein. For example, the controller 1102 may operate as a control unit of the processor 1100, generating control signals that manage the operation of various components of the processor 1100. These control signals include enabling or disabling functional units, selecting data paths, initiating memory access, and coordinating timing of operations.

[0133] The controller 1102 may be configured to fetch (e.g., obtain, retrieve, receive) instructions from the memory 1104 and determine subsequent instruction (s) to be executed to cause the processor 1100 to support various operations in accordance with examples as described herein. The controller 1102 may be configured to track memory address of instructions associated with the memory 1104. The controller 1102 may be configured to decode instructions to determine the operation to be performed and the operands involved. For example, the controller 1102 may be configured to interpret the instruction and determine control signals to be output to other components of the processor 1100 to cause the processor 1100 to support various operations in accordance with examples as described herein. Additionally, or alternatively, the controller 1102 may be configured to manage flow of data within the processor 1100. The controller 1102 may be configured to control transfer of data between registers, arithmetic logic units (ALUs) , and other functional units of the processor 1100.

[0134] The memory 1104 may include one or more caches (e.g., memory local to or included in the processor 1100 or other memory, such RAM, ROM, DRAM, SDRAM, SRAM, MRAM, flash memory, etc. In some implementation, the memory 1104 may reside within or on a processor chipset (e.g., local to the processor 1100) . In some other implementations, the memory 1104 may reside external to the processor chipset (e.g., remote to the processor 1100) .

[0135] The memory 1104 may store computer-readable, computer-executable code including instructions that, when executed by the processor 1100, cause the processor 1100 to perform various functions described herein. The code may be stored in a non-transitory computer-readable medium such as system memory or another type of memory. The controller 1102 and / or the processor 1100 may be configured to execute computer-readable instructions stored in the memory 1104 to cause the processor 1100 to perform various functions (e.g., UE initiated beam reporting) . For example, the processor 1100 and / or the controller 1102 may be coupled with or to the memory 1104, the processor 1100, the controller 1102, and the memory 1104 may be configured to perform various functions described herein. In some examples, the processor 1100 may include multiple processors and the memory 1104 may include multiple memories. One or more of the multiple processors may be coupled with one or more of the multiple memories, which may, individually or collectively, be configured to perform various functions herein.

[0136] The one or more ALUs 1106 may be configured to support various operations in accordance with examples as described herein. In some implementation, the one or more ALUs 1106 may reside within or on a processor chipset (e.g., the processor 1100) . In some other implementations, the one or more ALUs 1106 may reside external to the processor chipset (e.g., the processor 1100) . One or more ALUs 1106 may perform one or more computations such as addition, subtraction, multiplication, and division on data. For example, one or more ALUs 1106 may receive input operands and an operation code, which determines an operation to be executed. One or more ALUs 1106 be configured with a variety of logical and arithmetic circuits, including adders, subtractors, shifters, and logic gates, to process and manipulate the data according to the operation. Additionally, or alternatively, the one or more ALUs 1106 may support logical operations such as AND, OR, exclusive-OR (XOR) , not-OR (NOR) , and not-AND (NAND) , enabling the one or more ALUs 1106 to handle conditional operations, comparisons, and bitwise operations.

[0137] The processor 1100 may support wireless communication in accordance with examples as disclosed herein. The processor 1100 may implemented at a UE 104. In this case, the processor 1100 may be configured to operable to support means for transmitting, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and means for performing data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0138] The processor 1100 may implemented at a network entity 102, e.g. a base station. In this case, the processor 1100 may be configured to operable to support means for receiving, from a user equipment (UE) , a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; and means for transmitting, to the UE, a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

[0139] FIG. 12 illustrates a flowchart of a method 1200 performed by a UE in accordance with aspects of the present disclosure. The operations of the method 1200 may be implemented by a device or its components as described herein. For example, the operations of the method 1200 may be performed by a UE 104 as described herein. In some implementations, the device may execute a set of instructions to control the function elements of the device to perform the described functions. Additionally, or alternatively, the device may perform aspects of the described functions using special-purpose hardware.

[0140] At 1210, the method may include transmitting, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction. The operations of 1210 may be performed in accordance with examples as described herein. In some implementations, aspects of the operations of 1210 may be performed by a UE 104 as described with reference to FIG. 1.

[0141] At 1220, the method may include performing data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction. The operations of 1220 may be performed in accordance with examples as described herein. In some implementations, aspects of the operations of 1220 may be performed by a UE 104 as described with reference to FIG. 1.

[0142] FIG. 13 illustrates a flowchart of a method 1300 performed by a network entity in accordance with aspects of the present disclosure. The operations of the method 1300 may be implemented by a device or its components as described herein. For example, the operations of the method 1300 may be performed by a network entity 102 as described herein. In some implementations, the device may execute a set of instructions to control the function elements of the device to perform the described functions. Additionally, or alternatively, the device may perform aspects of the described functions using special-purpose hardware.

[0143] At 1310, the method may include receiving, from a user equipment (UE) , a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction. The operations of 1310 may be performed in accordance with examples as described herein. In some implementations, aspects of the operations of 1310 may be performed by a network entity 102 as described with reference to FIG. 1.

[0144] At 1320, the method may include transmitting, to the UE, a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction. The operations of 1320 may be performed in accordance with examples as described herein. In some implementations, aspects of the operations of 1320 may be performed by a network entity 102 as described with reference to FIG. 1.

[0145] It should be noted that the methods described herein describes possible implementations, and that the operations and the steps may be rearranged or otherwise modified and that other implementations are possible. Further, aspects from two or more of the methods may be combined.

[0146] The various illustrative blocks and components described in connection with the disclosure herein may be implemented or performed with a general-purpose processor, a DSP, an ASIC, a CPU, an FPGA or other programmable logic device, discrete gate or transistor logic, discrete hardware components, or any combination thereof designed to perform the functions described herein. A general-purpose processor may be a microprocessor, but in the alternative, the processor may be any processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices (e.g., a combination of a DSP and a microprocessor, multiple microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration.

[0147] The functions described herein may be implemented in hardware, software executed by a processor, firmware, or any combination thereof. If implemented in software executed by a processor, the functions may be stored on or transmitted over as one or more instructions or code on a computer-readable medium. Other examples and implementations are within the scope of the disclosure and appended claims. For example, due to the nature of software, functions described herein may be implemented using software executed by a processor, hardware, firmware, hardwiring, or combinations of any of these. Features implementing functions may also be physically located at various positions, including being distributed such that portions of functions are implemented at different physical locations.

[0148] Computer-readable media includes both non-transitory computer storage media and communication media including any medium that facilitates transfer of a computer program from one place to another. A non-transitory storage medium may be any available medium that may be accessed by a general-purpose or special-purpose computer. By way of example, non-transitory computer-readable media may include RAM, ROM, electrically erasable programmable ROM (EEPROM) , flash memory, compact disk (CD) ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or any other non-transitory medium that may be used to carry or store desired program code means in the form of instructions or data structures and that may be accessed by a general-purpose or special-purpose computer, or a general-purpose or special-purpose processor.

[0149] As used herein, including in the claims, an article “a” before an element is unrestricted and understood to refer to “at least one” of those elements or “one or more” of those elements. The terms “a, ” “at least one, ” “one or more, ” and “at least one of one or more” may be interchangeable. As used herein, including in the claims, “or” as used in a list of items (e.g., a list of items prefaced by a phrase such as “at least one of” or “one or more of” or “one or both of” ) indicates an inclusive list such that, for example, a list of at least one of A, B, or C means A or B or C or AB or AC or BC or ABC (i.e., A and B and C) . Also, as used herein, the phrase “based on” shall not be construed as a reference to a closed set of conditions. For example, an example step that is described as “based on condition A” may be based on both a condition A and a condition B without departing from the scope of the present disclosure. In other words, as used herein, the phrase “based on” shall be construed in the same manner as the phrase “based at least in part on. Further, as used herein, including in the claims, a “set” may include one or more elements.

[0150] The description herein is provided to enable a person having ordinary skill in the art to make or use the disclosure. Various modifications to the disclosure will be apparent to a person having ordinary skill in the art, and the generic principles defined herein may be applied to other variations without departing from the scope of the disclosure. Thus, the disclosure is not limited to the examples and designs described herein but is to be accorded the broadest scope consistent with the principles and novel features disclosed herein.

Claims

A user equipment (UE) comprising:a processor; anda transceiver coupled to the processor,wherein the processor is configured to:transmit, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; andperform data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.The UE of claim 1, wherein the at least one supported or applicable parameter set for AI / ML-based CSI prediction include at least one of the following:a required number of measured CSI-reference signal (CSI-RS) resource transmission occasions;a period of measured CSI-RS resources;a prediction offset;a period of predicted CSI; ora maximum number of predicted CSI.The UE of claim 2, wherein the prediction offset is the number of slots or symbols between the last slot of a first set of one or more slots carrying the measured CSI-RS resources as the channel measurement resource and the first slot of a second set of one or more slots with the predicted CSI, wherein the second set of one or more slots occur after the first set of one or more slots.The UE of claim 2, wherein a single CSI-RS resource or single CSI-RS resource set is configured as channel measurement resources for data collection for the model training; andwherein the period of predicted CSI is the same or a multiple time of the period of the CSI-RS resources as the channel measurement resource.The UE of claim 2, wherein a first CSI-RS resource or CSI-RS resource set is configured as channel measurement resources for model input data collection, and a second CSI-RS resource or CSI-RS resource set is configured as channel measurement resources for label data collection in model training for model output, andwherein a period of the predicted CSI is the same or a multiple time of the period of the second CSI-RS resource or CSI-RS resource set.The UE of claim 1, wherein the processor is further configured to:receive, from the network entity, one or more candidate parameter sets for CSI prediction; andtransmit, to the network entity, one or more of the candidate parameter sets that are supported or applicable by the UE.The UE of claim 1, wherein the processor is further configured to:receive, from the network entity, a CSI report configuration at least including an prediction offset for the AI / ML-based CSI prediction.The UE of claim 1, wherein the processor is further configured to:determine the first slot with predicted CSI based on at least one slot carrying the latest CSI-RS among a number of consecutive CSI-RS transmission occasions no later than a CSI reference resource associated with a CSI report.The UE of claim 8, wherein the processor is further caused to:in a case that one or more of the consecutive CSI-RS transmission occasions are dropped, determine to report or drop the CSI report corresponding to the CSI report configuration for CSI prediction.The UE of claim 1, wherein the processor is further configured to:report, to the network entity, an AI processing time for inference as a number of symbols per sub-carrier spacing (SCS) .The UE of claim 1, wherein the processor is further configured to:report, the network entity, a required number of CSI process units (CPUs) or AI / ML process units (APUs) for a rank k CSI prediction, where k is a positive integer.The UE of claim 11, wherein the required number of APUs is 1 or k.The UE of claim 11, wherein the processor is further configured to:determine that one or more APUs and / or CPUs are occupied from the last symbol of the latest periodic or semi-persistent CSI-RS occasion as channel measurement resource no later than a CSI reference resource, until a number of symbols after the last symbol of the same CSI-RS transmission occasion, wherein the number of symbols correspond to a processing duration required by an AI / ML model to generate predicted CSI based on model input.The UE of claim 11, wherein the processor is further configured to:for initial semi-persistent CSI report on a physical uplink shared channel (PUSCH) , determine that one or more APUs and / or CPUs are occupied from the last symbol of the latest periodic or semi-persistent CSI-RS occasion no later than a CSI reference resource, until the last symbol of the PUSCH carrying the CSI report.The UE of claim 11, wherein the processor is further configured to:for aperiodic CSI report on a physical uplink shared channel (PUSCH) , determine that one or more APUs and / or CPUs are occupied from the first symbol after a physical uplink control channel (PDCCH) triggering the CSI report until the last symbol of the scheduled PUSCH carrying the CSI report.The UE of claim 1, wherein each CSI report configuration, each CSI resource configuration, each non-zero power (NZP) CSI-RS resource set, or each CSI-RS resource used for the data collection in model training is configured with an associated identity (ID) .The UE of claim 16, wherein each CSI report configuration, CSI resource configuration, or CSI-RS resource or CSI-RS resource set associated with a CSI report configuration for CSI prediction are associated with an associated ID, and the processor is configured to:assume, in the model inference, that CSI-RS resources are transmitted with a similar tilt angle and transceiver unit (TXRU) mapping schemes with the CSI-RS resource used for training with the same associated ID.A network entity comprising:a processor; anda transceiver coupled to the processor,wherein the processor is configured to:receive, from a user equipment (UE) , a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; andtransmit, to the UE, a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.A processor for wireless communication, comprising:at least one memory; anda controller coupled with the at least one memory and configured to cause the controller to:transmit, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; andperform data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.A method performed by a user equipment (UE) , the method comprising:transmitting, to a network entity, a signalling indicating at least one supported or applicable parameter set for artificial intelligence  / machine learning (AI / ML) -based channel state information (CSI) prediction; andperforming data collection for model training or model inference based on a CSI report configuration associated with one of the at least one supported or applicable parameter set for CSI prediction.

Images