Machine-learning-model-based radio frequency (RF) resource allocation in multi-network devices

Abstract

Certain aspects of the present disclosure provide techniques and apparatus for machine-learning-model-based radio frequency (RF) resource allocation in multi-subscriber identity module (MSIM) devices. An example method generally includes predicting, using a machine learning model, a performance impact on a first radio frequency (RF) chain of a wireless communication device caused by a plurality of actions relative to a second RF chain of the wireless communication device. A performance impact on the second RF chain of the wireless communication device caused by the plurality of actions is predicted. An action of the plurality of actions to perform is selected based on the predicted performance impact on the first RF chain and the predicted performance impact on the second RF chain, and the selected action is executed.

Description

MACHINE-LEARNING-MODEL-BASED RADIO FREQUENCY (RF) RESOURCE ALLOCATION IN MULTI-NETWORK DEVICESBACKGROUND

[0001] Field of the Disclosure

[0002] Aspects of the present disclosure relate to wireless communications, and more particularly, to techniques for radio frequency (RF) resource allocation.

[0003] Description of Related Art

[0004] Wireless communications systems are widely deployed to provide various telecommunication services such as telephony, video, data, messaging, broadcasts, or other similar types of services. These wireless communications systems may employ multiple-access technologies capable of supporting communications with multiple users by sharing available wireless communications system resources with those users.

[0005] Although wireless communications systems have made great technological advancements over many years, challenges still exist. For example, complex and dynamic environments can still attenuate or block signals between wireless transmitters and wireless receivers. Accordingly, there is a continuous desire to improve the technical performance of wireless communications systems, including, for example: improving speed and data carrying capacity of communications, improving efficiency of the use of shared communications mediums, reducing power used by transmitters and receivers while performing communications, improving reliability of wireless communications, avoiding redundant transmissions and / or receptions and related processing, improving the coverage area of wireless communications, increasing the number and types of devices that can access wireless communications systems, increasing the ability for different types of devices to intercommunicate, increasing the number and type of wireless communications mediums available for use, and the like. Consequently, further improvements in wireless communications systems to overcome the aforementioned technical challenges and others are desired.SUMMARY

[0006] Certain aspects of the present disclosure provide a method for wireless communication by a user equipment (UE) . The method includes predicting, using a machine learning model, a performance impact on a first radio frequency (RF) chain of a  wireless communication device caused by a plurality of actions relative to a second RF chain of the wireless communication device. A performance impact on the second RF chain of the wireless communication device caused by the plurality of actions is predicted. An action of the plurality of actions to perform is selected based on the predicted performance impact on the first RF chain and the predicted performance impact on the second RF chain, and the selected action is executed.

[0007] Other aspects provide: an apparatus operable, configured, or otherwise adapted to perform any one or more of the aforementioned methods and / or those described elsewhere herein; a non-transitory, computer-readable media comprising instructions that, when executed by one or more processors of an apparatus, cause the apparatus to perform the aforementioned methods as well as those described elsewhere herein; a computer program product embodied on a computer-readable storage medium comprising code for performing the aforementioned methods as well as those described elsewhere herein; and / or an apparatus comprising means for performing the aforementioned methods as well as those described elsewhere herein. By way of example, an apparatus may comprise a processing system, a device with a processing system, or processing systems cooperating over one or more networks.

[0008] The following description and the appended figures set forth certain features for purposes of illustration.BRIEF DESCRIPTION OF DRAWINGS

[0009] The appended figures depict certain features of the various aspects described herein and are not to be considered limiting of the scope of this disclosure.

[0010] FIG. 1 depicts an example wireless communications network.

[0011] FIG. 2 depicts an example disaggregated base station architecture.

[0012] FIG. 3 depicts aspects of an example base station and an example user equipment.

[0013] FIGS. 4A, 4B, 4C, and 4D depict various example aspects of data structures for a wireless communications network.

[0014] FIG. 5 illustrates an example pipeline for selecting actions to perform on a wireless device based on predicted performance losses caused by an action performed on  a first radio frequency (RF) chain to a second RF chain, according to certain aspects of the present disclosure.

[0015] FIG. 6 illustrates an example of a predicted performance impact on RF chains in a wireless device caused by the execution of various enumerated actions on at least one RF chain, according to certain aspects of the present disclosure.

[0016] FIG. 7 illustrates an example neural network for predicting a performance impact of an action performed on a first RF chain to a second RF chain, according to certain aspects of the present disclosure.

[0017] FIG. 8 illustrates example operations performed by a user equipment (UE) to perform an action on a first RF chain based on a predicted performance impact of the action on a second RF chain, according to certain aspects of the present disclosure.

[0018] FIG. 9 illustrates an example system on which certain aspects of the present disclosure may be performed.DETAILED DESCRIPTION

[0019] Aspects of the present disclosure provide apparatuses, methods, processing systems, and computer-readable mediums for radio frequency (RF) resource allocation in a wireless communication device, such as a user equipment (UE) in a wireless communications network.

[0020] Some wireless communications devices, such as smartphones, tablet computers, connected vehicles, or the like may include multiple radio frequency (RF) chains that can be used to communicate using different networks. For example, a first RF chain may be used for communications using a first network (e.g., using a first radio access technology (RAT) ) , and a second RF chain may be used for communications using a second network (e.g., using a same or different RAT) . Devices that include multiple RF chains that can be used to communicate using different networks may include multi-subscriber identification module (SIM) (MSIM) devices which may be implemented as dual-SIM-dual-Standby (DSDS) devices or dual-SIM-dual-Active (DSDA) devices. Generally, DSDS and DSDA devices may transmit a signal for a first subscription (Sub1, e.g., on a first network) while receiving a signal for a second subscription (Sub2, e.g., on a second network) .

[0021] In some cases, a MSIM device may be active (e.g., in connected mode) on a first network associated with a first SIM and may be idle on a second network associated with a second SIM. While the RF chain associated with the second SIM is in idle mode, that RF chain may periodically monitor for paging messages from the second network indicating that data communicated on the second network is incoming for the MSIM device (e.g., in idle mode discontinuous reception (IDRX) ) . To allow for these paging messages to be received on the second RF chain, the first RF chain associated with the first SIM may experience a temporary tuning-away, which may negatively impact communications on the first RF chain (e.g., increase a block error rate (BLER) , decrease spectral efficiency (ameasurement of the amount of data transmitted over a given bandwidth with an error rate below a defined rate) , etc. ) . The performance impact of tuning away on the first RF chain to allow for the reception of paging messages on the second RF chain may, in some aspects, have a significant impact on the quality of communications on the first network.

[0022] To address the performance impact of tuning away to allow for the reception of paging messages on the RF chain associated with the second SIM, various techniques can be used to skip monitoring of some paging occasions on the RF chain associated with the second SIM. For example, based on historical rates at which paging messages are received during paging occasions, a UE may be configured to skip some defined proportion of paging occasions (e.g., skipping one out of every three paging occasions, skipping every other paging occasion, etc. ) . While skipping paging occasions on the RF chain associated with the second SIM may reduce the performance impact on the RF chain associated with the first SIM of tuning away to monitor paging occasions on the RF chain associated with the second SIM, doing so may cause the wireless communications device to miss paging messages on the second network and cause call failure or other negative effects on the second network. Thus, to minimize, or at least reduce, the likelihood that a negative event will occur on the second network, the number of paging occasions skipped on the RF chain associated with the second SIM may be reduced, which may correspondingly negatively impact the performance of communications on the RF chain associated with the first SIM.

[0023] Certain aspects of the present disclosure provide techniques to manage RF resource allocation in wireless communications devices including multiple RF chains associated with multiple RATs, such as multi-SIM devices. As discussed in further detail  herein, a machine learning model may be used to predict the performance impact of an enumerated set of actions performed with respect to a first RF chain and a second RF chain (e.g., an RF chain associated with a first RAT or network which is in a connected mode) . Based on the predicted performance impact of each action in the set of actions on the first RF chain and a second RF chain, an action that minimizes the total performance impact on the first RF chain and the second RF chain may be selected, and the measured performance impact may be used to refine the machine learning model. By using machine-learning-model-based predictions of the performance impact of various actions on a first RF chain and calculated impacts of those actions on a second RF chain to select an action to perform on the second RF chain that minimizes, or at least reduces, a total performance impact, certain aspects of the present disclosure may allow for dynamic selection of actions to be performed on different RF chains associated with different SIMs, thereby improving the performance (e.g., spectral efficiency) of communications on one or both RF chains associated with these different SIMs.

[0024] Introduction to Wireless Communications Networks

[0025] The techniques and methods described herein may be used for various wireless communications networks. While aspects may be described herein using terminology commonly associated with 3G, 4G, and / or 5G wireless technologies, aspects of the present disclosure may likewise be applicable to other communications systems and standards not explicitly mentioned herein.

[0026] FIG. 1 depicts an example of a wireless communications network 100, in which aspects described herein may be implemented.

[0027] Generally, wireless communications network 100 includes various network entities (alternatively, network elements or network nodes) . A network entity is generally a communications device and / or a communications function performed by a communications device (e.g., a user equipment (UE) , a base station (BS) , a component of a BS, a server, etc. ) . For example, various functions of a network as well as various devices associated with and interacting with a network may be considered network entities. Further, wireless communications network 100 includes terrestrial aspects, such as ground-based network entities (e.g., BSs 102) , and non-terrestrial aspects, such as satellite 140 and aircraft 145, which may include network entities on-board (e.g., one or  more BSs) capable of communicating with other network elements (e.g., terrestrial BSs) and user equipments.

[0028] In the depicted example, wireless communications network 100 includes BSs 102, UEs 104, and one or more core networks, such as an Evolved Packet Core (EPC) 160 and 5G Core (5GC) network 190, which interoperate to provide communications services over various communications links, including wired and wireless links.

[0029] FIG. 1 depicts various example UEs 104, which may more generally include: a cellular phone, smart phone, session initiation protocol (SIP) phone, laptop, personal digital assistant (PDA) , satellite radio, global positioning system, multimedia device, video device, digital audio player, camera, game console, tablet, smart device, wearable device, vehicle, electric meter, gas pump, large or small kitchen appliance, healthcare device, implant, sensor / actuator, display, internet of things (IoT) devices, always on (AON) devices, edge processing devices, or other similar devices. UEs 104 may also be referred to more generally as a mobile device, a wireless device, a wireless communications device, a station, a mobile station, a subscriber station, a mobile subscriber station, a mobile unit, a subscriber unit, a wireless unit, a remote unit, a remote device, an access terminal, a mobile terminal, a wireless terminal, a remote terminal, a handset, and others.

[0030] BSs 102 wirelessly communicate with (e.g., transmit signals to or receive signals from) UEs 104 via communications links 120. The communications links 120 between BSs 102 and UEs 104 may include uplink (UL) (also referred to as reverse link) transmissions from a UE 104 to a BS 102 and / or downlink (DL) (also referred to as forward link) transmissions from a BS 102 to a UE 104. The communications links 120 may use multiple-input and multiple-output (MIMO) antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity in various aspects.

[0031] BSs 102 may generally include: a NodeB, enhanced NodeB (eNB) , next generation enhanced NodeB (ng-eNB) , next generation NodeB (gNB or gNodeB) , access point, base transceiver station, radio base station, radio transceiver, transceiver function, transmission reception point, and / or others. Each of BSs 102 may provide communications coverage for a respective geographic coverage area 110, which may sometimes be referred to as a cell, and which may overlap in some cases (e.g., small cell 102’ may have a coverage area 110’ that overlaps the coverage area 110 of a macro cell) .  A BS may, for example, provide communications coverage for a macro cell (covering relatively large geographic area) , a pico cell (covering relatively smaller geographic area, such as a sports stadium) , a femto cell (relatively smaller geographic area (e.g., a home) ) , and / or other types of cells.

[0032] While BSs 102 are depicted in various aspects as unitary communications devices, BSs 102 may be implemented in various configurations. For example, one or more components of a base station may be disaggregated, including a central unit (CU) , one or more distributed units (DUs) , one or more radio units (RUs) , a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) , or a Non-Real Time (Non-RT) RIC, to name a few examples. In another example, various aspects of a base station may be virtualized. More generally, a base station (e.g., BS 102) may include components that are located at a single physical location or components located at various physical locations. In examples in which a base station includes components that are located at various physical locations, the various components may each perform functions such that, collectively, the various components achieve functionality that is similar to a base station that is located at a single physical location. In some aspects, a base station including components that are located at various physical locations may be referred to as a disaggregated radio access network architecture, such as an Open RAN (O-RAN) or Virtualized RAN (vRAN) architecture. FIG. 2 depicts and describes an example disaggregated base station architecture.

[0033] Different BSs 102 within wireless communications network 100 may also be configured to support different radio access technologies, such as 3G, 4G, and / or 5G. For example, BSs 102 configured for 4G LTE (collectively referred to as Evolved Universal Mobile Telecommunications System (UMTS) Terrestrial Radio Access Network (E-UTRAN) ) may interface with the EPC 160 through first backhaul links 132 (e.g., an S1 interface) . BSs 102 configured for 5G (e.g., 5G New Radio (NR) or Next Generation RAN (NG-RAN) ) may interface with 5GC 190 through second backhaul links 184. BSs 102 may communicate directly or indirectly (e.g., through the EPC 160 or 5GC 190) with each other over third backhaul links 134 (e.g., X2 interface) , which may be wired or wireless.

[0034] Wireless communications network 100 may subdivide the electromagnetic spectrum into various classes, bands, channels, or other features. In some aspects, the subdivision is provided based on wavelength and frequency, where frequency may also  be referred to as a carrier, a subcarrier, a frequency channel, a tone, or a subband. For example, the 3rd Generation Partnership Project (3GPP) currently defines Frequency Range 1 (FR1) as including 410 MHz –7125 MHz, which is often referred to (interchangeably) as “Sub-6 GHz” . Similarly, 3GPP currently defines Frequency Range 2 (FR2) as including 24,250 MHz –71,000 MHz, which is sometimes referred to (interchangeably) as a “millimeter wave” ( “mmW” or “mmWave” ) . In some cases, FR2 may be further defined in terms of sub-ranges, such as a first sub-range FR2-1 including 24,250 MHz –52, 600 MHz and a second sub-range FR2-2 including 52, 600 MHz –71,000 MHz. A base station configured to communicate using mmWave / near mmWave radio frequency bands (e.g., a mmWave base station such as BS 180) may utilize beamforming (e.g., 182) with a UE (e.g., 104) to improve path loss and range.

[0035] The communications links 120 between BSs 102 and, for example, UEs 104, may be through one or more carriers, which may have different bandwidths (e.g., 5, 10, 15, 20, 100, 400, and / or other MHz) , and which may be aggregated in various aspects. Carriers may or may not be adjacent to each other. Allocation of carriers may be asymmetric with respect to DL and UL (e.g., more or fewer carriers may be allocated for DL than for UL) .

[0036] Communications using higher frequency bands may have higher path loss and a shorter range compared to lower frequency communications. Accordingly, certain base stations (e.g., 180 in FIG. 1) may utilize beamforming 182 with a UE 104 to improve path loss and range. For example, BS 180 and the UE 104 may each include a plurality of antennas, such as antenna elements, antenna panels, and / or antenna arrays to facilitate the beamforming. In some cases, BS 180 may transmit a beamformed signal to UE 104 in one or more transmit directions 182’. UE 104 may receive the beamformed signal from the BS 180 in one or more receive directions 182”. UE 104 may also transmit a beamformed signal to the BS 180 in one or more transmit directions 182”. BS 180 may also receive the beamformed signal from UE 104 in one or more receive directions 182’. BS 180 and UE 104 may then perform beam training to determine the best receive and transmit directions for each of BS 180 and UE 104. Notably, the transmit and receive directions for BS 180 may or may not be the same. Similarly, the transmit and receive directions for UE 104 may or may not be the same.

[0037] Wireless communications network 100 further includes a Wi-Fi access point (AP) 150 in communication with Wi-Fi stations (STAs) 152 via communications links 154 in, for example, a 2.4 GHz and / or 5 GHz unlicensed frequency spectrum.

[0038] Certain UEs 104 may communicate with each other using device-to-device (D2D) communications link 158. D2D communications link 158 may use one or more sidelink channels, such as a physical sidelink broadcast channel (PSBCH) , a physical sidelink discovery channel (PSDCH) , a physical sidelink shared channel (PSSCH) , a physical sidelink control channel (PSCCH) , and / or a physical sidelink feedback channel (PSFCH) .

[0039] EPC 160 may include various functional components, including: a Mobility Management Entity (MME) 162, other MMEs 164, a Serving Gateway 166, a Multimedia Broadcast Multicast Service (MBMS) Gateway 168, a Broadcast Multicast Service Center (BM-SC) 170, and / or a Packet Data Network (PDN) Gateway 172, such as in the depicted example. MME 162 may be in communication with a Home Subscriber Server (HSS) 174. MME 162 is the control node that processes the signaling between the UEs 104 and the EPC 160. Generally, MME 162 provides bearer and connection management.

[0040] Generally, user Internet protocol (IP) packets are transferred through Serving Gateway 166, which itself is connected to PDN Gateway 172. PDN Gateway 172 provides UE IP address allocation as well as other functions. PDN Gateway 172 and the BM-SC 170 are connected to IP Services 176, which may include, for example, the Internet, an intranet, an IP Multimedia Subsystem (IMS) , a Packet Switched (PS) streaming service, and / or other IP services.

[0041] BM-SC 170 may provide functions for MBMS user service provisioning and delivery. BM-SC 170 may serve as an entry point for content provider MBMS transmission, may be used to authorize and initiate MBMS Bearer Services within a public land mobile network (PLMN) , and / or may be used to schedule MBMS transmissions. MBMS Gateway 168 may be used to distribute MBMS traffic to the BSs 102 belonging to a Multicast Broadcast Single Frequency Network (MBSFN) area broadcasting a particular service, and / or may be responsible for session management (start / stop) and for collecting eMBMS related charging information.

[0042] 5GC 190 may include various functional components, including: an Access and Mobility Management Function (AMF) 192, other AMFs 193, a Session Management  Function (SMF) 194, and a User Plane Function (UPF) 195. AMF 192 may be in communication with Unified Data Management (UDM) 196.

[0043] AMF 192 is a control node that processes signaling between UEs 104 and 5GC 190. AMF 192 provides, for example, quality of service (QoS) flow and session management.

[0044] Internet protocol (IP) packets are transferred through UPF 195, which is connected to the IP Services 197, and which provides UE IP address allocation as well as other functions for 5GC 190. IP Services 197 may include, for example, the Internet, an intranet, an IMS, a PS streaming service, and / or other IP services.

[0045] In various aspects, a network entity or network node can be implemented as an aggregated base station, as a disaggregated base station, a component of a base station, an integrated access and backhaul (IAB) node, a relay node, a sidelink node, to name a few examples.

[0046] FIG. 2 depicts an example disaggregated base station 200 architecture. The disaggregated base station 200 architecture may include one or more central units (CUs) 210 that can communicate directly with a core network 220 via a backhaul link, or indirectly with the core network 220 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 225 via an E2 link, or a Non-Real Time (Non-RT) RIC 215 associated with a Service Management and Orchestration (SMO) Framework 205, or both) . A CU 210 may communicate with one or more distributed units (DUs) 230 via respective midhaul links, such as an F1 interface. The DUs 230 may communicate with one or more radio units (RUs) 240 via respective fronthaul links. The RUs 240 may communicate with respective UEs 104 via one or more radio frequency (RF) access links. In some implementations, the UE 104 may be simultaneously served by multiple RUs 240.

[0047] Each of the units, e.g., the CUs 210, the DUs 230, the RUs 240, as well as the Near-RT RICs 225, the Non-RT RICs 215 and the SMO Framework 205, may include one or more interfaces or be coupled to one or more interfaces configured to receive or transmit signals, data, or information (collectively, signals) via a wired or wireless transmission medium. Each of the units, or an associated processor or controller providing instructions to the communications interfaces of the units, can be configured to communicate with one or more of the other units via the transmission medium. For  example, the units can include a wired interface configured to receive or transmit signals over a wired transmission medium to one or more of the other units. Additionally or alternatively, the units can include a wireless interface, which may include a receiver, a transmitter or transceiver (such as a radio frequency (RF) transceiver) , configured to receive or transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0048] In some aspects, the CU 210 may host one or more higher layer control functions. Such control functions can include radio resource control (RRC) , packet data convergence protocol (PDCP) , service data adaptation protocol (SDAP) , or the like. Each control function can be implemented with an interface configured to communicate signals with other control functions hosted by the CU 210. The CU 210 may be configured to handle user plane functionality (e.g., Central Unit –User Plane (CU-UP) ) , control plane functionality (e.g., Central Unit –Control Plane (CU-CP) ) , or a combination thereof. In some implementations, the CU 210 can be logically split into one or more CU-UP units and one or more CU-CP units. The CU-UP unit can communicate bidirectionally with the CU-CP unit via an interface, such as the E1 interface when implemented in an O-RAN configuration. The CU 210 can be implemented to communicate with the DU 230, as called for, for network control and signaling.

[0049] The DU 230 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 240. In some aspects, the DU 230 may host one or more of a radio link control (RLC) layer, a medium access control (MAC) layer, and one or more high physical (PHY) layers (such as modules for forward error correction (FEC) encoding and decoding, scrambling, modulation and demodulation, or the like) depending, at least in part, on a functional split, such as those defined by the 3rd Generation Partnership Project (3GPP) . In some aspects, the DU 230 may further host one or more low PHY layers. Each layer (or module) can be implemented with an interface configured to communicate signals with other layers (and modules) hosted by the DU 230, or with the control functions hosted by the CU 210.

[0050] Lower-layer functionality can be implemented by one or more RUs 240. In some deployments, an RU 240, controlled by a DU 230, may correspond to a logical node that hosts RF processing functions, or low-PHY layer functions (such as performing fast Fourier transform (FFT) , inverse FFT (iFFT) , digital beamforming, physical random access channel (PRACH) extraction and filtering, or the like) , or both, based at least in  part on the functional split, such as a lower layer functional split. In such an architecture, the RU (s) 240 can be implemented to handle over the air (OTA) communications with one or more UEs 104. In some implementations, real-time and non-real-time aspects of control and user plane communications with the RU (s) 240 can be controlled by the corresponding DU 230. In some scenarios, this configuration can enable the DU (s) 230 and the CU 210 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0051] The SMO Framework 205 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 205 may be configured to support the deployment of dedicated physical resources for RAN coverage specifications which may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 205 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 290) to perform network element life cycle management (such as to instantiate virtualized network elements) via a cloud computing platform interface (such as an O2 interface) . Such virtualized network elements can include, but are not limited to, CUs 210, DUs 230, RUs 240 and Near-RT RICs 225. In some implementations, the SMO Framework 205 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 211, via an O1 interface. Additionally, in some implementations, the SMO Framework 205 can communicate directly with one or more RUs 240 via an O1 interface. The SMO Framework 205 also may include a Non-RT RIC 215 configured to support functionality of the SMO Framework 205.

[0052] The Non-RT RIC 215 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, Artificial Intelligence / Machine Learning (AI / ML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 225. The Non-RT RIC 215 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 225. The Near-RT RIC 225 may be configured to include a logical function that enables near-real-time control and optimization of RAN elements and resources via data collection and actions over an interface (such as via an E2 interface) connecting one or more CUs 210, one or more DUs 230, or both, as well as an O-eNB, with the Near-RT RIC 225.

[0053] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 225, the Non-RT RIC 215 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 225 and may be received at the SMO Framework 205 or the Non-RT RIC 215 from non-network data sources or from network functions. In some examples, the Non-RT RIC 215 or the Near-RT RIC 225 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 215 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO Framework 205 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0054] FIG. 3 depicts aspects of an example BS 102 and a UE 104.

[0055] Generally, BS 102 includes various processors (e.g., processors 320, 330, 338, and 340) , antennas 334a-t (collectively, “antennas 334” ) , transceivers 332a-t (collectively, “transceivers 332” ) , which include modulators and demodulators, and other aspects, which enable wireless transmission of data (e.g., data source 312) and wireless reception of data (e.g., data sink 339) . For example, BS 102 may send and receive data between BS 102 and UE 104. BS 102 includes controller / processor 340, which may be configured to implement various functions described herein related to wireless communications.

[0056] Generally, UE 104 includes various processors (e.g., 358, 364, 366, and 380) , antennas 352a-r (collectively, “antennas 352” ) , transceivers 354a-r (collectively, “transceivers 354” ) , which include modulators and demodulators, and other aspects, which enable wireless transmission of data (e.g., retrieved from data source 362) and wireless reception of data (e.g., provided to data sink 360) . UE 104 includes controller / processor 380, which may be configured to implement various functions described herein related to wireless communications.

[0057] In regards to an example downlink transmission, BS 102 includes a transmit processor 320 that may receive data from a data source 312 and control information from a controller / processor 340. The control information may be for the physical broadcast channel (PBCH) , physical control format indicator channel (PCFICH) , physical hybrid automatic repeat request (HARQ) indicator channel (PHICH) , physical downlink control channel (PDCCH) , group common PDCCH (GC PDCCH) , and / or others. The data may be for the physical downlink shared channel (PDSCH) , in some examples.

[0058] Transmit processor 320 may process (e.g., encode and symbol map) the data and control information to obtain data symbols and control symbols, respectively. Transmit processor 320 may also generate reference symbols, such as for the primary synchronization signal (PSS) , secondary synchronization signal (SSS) , PBCH demodulation reference signal (DMRS) , and channel state information reference signal (CSI-RS) .

[0059] Transmit (TX) multiple-input multiple-output (MIMO) processor 330 may perform spatial processing (e.g., precoding) on the data symbols, the control symbols, and / or the reference symbols, if applicable, and may provide output symbol streams to the modulators (MODs) in transceivers 332a-332t. Each modulator in transceivers 332a-332t may process a respective output symbol stream to obtain an output sample stream. Each modulator may further process (e.g., convert to analog, amplify, filter, and upconvert) the output sample stream to obtain a downlink signal. Downlink signals from the modulators in transceivers 332a-332t may be transmitted via the antennas 334a-334t, respectively.

[0060] In order to receive the downlink transmission, UE 104 includes antennas 352a-352r that may receive the downlink signals from the BS 102 and may provide received signals to the demodulators (DEMODs) in transceivers 354a-354r, respectively. Each demodulator in transceivers 354a-354r may condition (e.g., filter, amplify, downconvert, and digitize) a respective received signal to obtain input samples. Each demodulator may further process the input samples to obtain received symbols.

[0061] MIMO detector 356 may obtain received symbols from all the demodulators in transceivers 354a-354r, perform MIMO detection on the received symbols if applicable, and provide detected symbols. Receive processor 358 may process (e.g., demodulate, deinterleave, and decode) the detected symbols, provide decoded data for the UE 104 to a data sink 360, and provide decoded control information to a controller / processor 380.

[0062] In regards to an example uplink transmission, UE 104 further includes a transmit processor 364 that may receive and process data (e.g., for the physical uplink shared channel (PUSCH) ) from a data source 362 and control information (e.g., for the physical uplink control channel (PUCCH) ) from the controller / processor 380. Transmit processor 364 may also generate reference symbols for a reference signal (e.g., for the sounding reference signal (SRS) ) . The symbols from the transmit processor 364 may be  precoded by a TX MIMO processor 366 if applicable, further processed by the modulators in transceivers 354a-354r (e.g., for SC-FDM) , and transmitted to BS 102.

[0063] At BS 102, the uplink signals from UE 104 may be received by antennas 334a-t, processed by the demodulators in transceivers 332a-332t, detected by a MIMO detector 336 if applicable, and further processed by a receive processor 338 to obtain decoded data and control information sent by UE 104. Receive processor 338 may provide the decoded data to a data sink 339 and the decoded control information to the controller / processor 340.

[0064] Memories 342 and 382 may store data and program codes for BS 102 and UE 104, respectively.

[0065] Scheduler 344 may schedule UEs for data transmission on the downlink and / or uplink.

[0066] In various aspects, BS 102 may be described as transmitting and receiving various types of data associated with the methods described herein. In these contexts, “transmitting” may refer to various mechanisms of outputting data, such as outputting data from data source 312, scheduler 344, memory 342, transmit processor 320, controller / processor 340, TX MIMO processor 330, transceivers 332a-t, antenna 334a-t, and / or other aspects described herein. Similarly, “receiving” may refer to various mechanisms of obtaining data, such as obtaining data from antennas 334a-t, transceivers 332a-t, receive (RX) MIMO detector 336, controller / processor 340, receive processor 338, scheduler 344, memory 342, and / or other aspects described herein.

[0067] In various aspects, UE 104 may likewise be described as transmitting and receiving various types of data associated with the methods described herein. In these contexts, “transmitting” may refer to various mechanisms of outputting data, such as outputting data from data source 362, memory 382, transmit processor 364, controller / processor 380, TX MIMO processor 366, transceivers 354a-t, antenna 352a-t, and / or other aspects described herein. Similarly, “receiving” may refer to various mechanisms of obtaining data, such as obtaining data from antennas 352a-t, transceivers 354a-t, RX MIMO detector 356, controller / processor 380, receive processor 358, memory 382, and / or other aspects described herein.

[0068] In some aspects, one or more processors may be configured to perform various operations, such as those associated with the methods described herein, and transmit  (output) to or receive (obtain) data from another interface that is configured to transmit or receive, respectively, the data.

[0069] FIGS. 4A, 4B, 4C, and 4D depict aspects of data structures for a wireless communications network, such as wireless communications network 100 of FIG. 1.

[0070] In particular, FIG. 4A is a diagram 400 illustrating an example of a first subframe within a 5G (e.g., 5G NR) frame structure, FIG. 4B is a diagram 430 illustrating an example of DL channels within a 5G subframe, FIG. 4C is a diagram 450 illustrating an example of a second subframe within a 5G frame structure, and FIG. 4D is a diagram 480 illustrating an example of UL channels within a 5G subframe.

[0071] Wireless communications systems may utilize orthogonal frequency division multiplexing (OFDM) with a cyclic prefix (CP) on the uplink and downlink. Such systems may also support half-duplex operation using time division duplexing (TDD) . OFDM and single-carrier frequency division multiplexing (SC-FDM) partition the system bandwidth (e.g., as depicted in FIGS. 4B and 4D) into multiple orthogonal subcarriers. Each subcarrier may be modulated with data. Modulation symbols may be sent in the frequency domain with OFDM and / or in the time domain with SC-FDM.

[0072] A wireless communications frame structure may be frequency division duplex (FDD) , in which, for a particular set of subcarriers, subframes within the set of subcarriers are dedicated for either DL or UL. Wireless communications frame structures may also be time division duplex (TDD) , in which, for a particular set of subcarriers, subframes within the set of subcarriers are dedicated for both DL and UL.

[0073] In FIG. 4A and 4C, the wireless communications frame structure is TDD where D is DL, U is UL, and X is flexible for use between DL / UL. UEs may be configured with a slot format through a received slot format indicator (SFI) (dynamically through DL control information (DCI) , or semi-statically / statically through radio resource control (RRC) signaling) . In the depicted examples, a 10 ms frame is divided into 10 equally sized 1 ms subframes. Each subframe may include one or more time slots. In some examples, each slot may include 7 or 14 symbols, depending on the slot format. Subframes may also include mini-slots, which generally have fewer symbols than an entire slot. Other wireless communications technologies may have a different frame structure and / or different channels.

[0074] In certain aspects, the number of slots within a subframe is based on a slot configuration and a numerology. For example, for slot configuration 0, different numerologies (μ) 0 to 6 allow for 1, 2, 4, 8, 16, 32, and 64 slots, respectively, per subframe. For slot configuration 1, different numerologies 0 to 2 allow for 2, 4, and 8 slots, respectively, per subframe. Accordingly, for slot configuration 0 and numerology μ, there are 14 symbols / slot and 2μ slots / subframe. The subcarrier spacing and symbol length / duration are a function of the numerology. The subcarrier spacing may be equal to 2μ×15 kHz, where μ is the numerology 0 to 6. As such, the numerology μ=0 has a subcarrier spacing of 15 kHz and the numerology μ=6 has a subcarrier spacing of 960 kHz. The symbol length / duration is inversely related to the subcarrier spacing. FIGS. 4A, 4B, 4C, and 4D provide an example of slot configuration 0 with 14 symbols per slot and numerology μ=2 with 4 slots per subframe. The slot duration is 0.25 ms, the subcarrier spacing is 60 kHz, and the symbol duration is approximately 16.67 μs.

[0075] As depicted in FIGS. 4A, 4B, 4C, and 4D, a resource grid may be used to represent the frame structure. Each time slot includes a resource block (RB) (also referred to as physical RBs (PRBs) ) that extends, for example, 12 consecutive subcarriers. The resource grid is divided into multiple resource elements (REs) . The number of bits carried by each RE depends on the modulation scheme.

[0076] As illustrated in FIG. 4A, some of the REs carry reference (pilot) signals (RS) for a UE (e.g., UE 104 of FIGS. 1 and 3) . The RS may include demodulation RS (DMRS) and / or channel state information reference signals (CSI-RS) for channel estimation at the UE.The RS may also include beam measurement RS (BRS) , beam refinement RS (BRRS) , and / or phase tracking RS (PT-RS) .

[0077] FIG. 4B illustrates an example of various DL channels within a subframe of a frame. The physical downlink control channel (PDCCH) carries DCI within one or more control channel elements (CCEs) , each CCE including, for example, nine RE groups (REGs) , each REG including, for example, four consecutive REs in an OFDM symbol.

[0078] A primary synchronization signal (PSS) may be within symbol 2 of particular subframes of a frame. The PSS is used by a UE (e.g., 104 of FIGS. 1 and 3) to determine subframe / symbol timing and a physical layer identity.

[0079] A secondary synchronization signal (SSS) may be within symbol 4 of particular subframes of a frame. The SSS is used by a UE to determine a physical layer cell identity group number and radio frame timing.

[0080] Based on the physical layer identity and the physical layer cell identity group number, the UE can determine a physical cell identifier (PCI) . Based on the PCI, the UE can determine the locations of the aforementioned DMRS. The physical broadcast channel (PBCH) , which carries a master information block (MIB) , may be logically grouped with the PSS and SSS to form a synchronization signal (SS)  / PBCH block. The MIB provides a number of RBs in the system bandwidth and a system frame number (SFN) . The physical downlink shared channel (PDSCH) carries user data, broadcast system information not transmitted through the PBCH such as system information blocks (SIBs) , and / or paging messages.

[0081] As illustrated in FIG. 4C, some of the REs carry DMRS (indicated as R for one particular configuration, but other DMRS configurations are possible) for channel estimation at the base station. The UE may transmit DMRS for the PUCCH and DMRS for the PUSCH. The PUSCH DMRS may be transmitted, for example, in the first one or two symbols of the PUSCH. The PUCCH DMRS may be transmitted in different configurations depending on whether short or long PUCCHs are transmitted and depending on the particular PUCCH format used. UE 104 may transmit sounding reference signals (SRS) . The SRS may be transmitted, for example, in the last symbol of a subframe. The SRS may have a comb structure, and a UE may transmit SRS on one of the combs. The SRS may be used by a base station for channel quality estimation to enable frequency-dependent scheduling on the UL.

[0082] FIG. 4D illustrates an example of various UL channels within a subframe of a frame. The PUCCH may be located as indicated in one configuration. The PUCCH carries uplink control information (UCI) , such as scheduling requests, a channel quality indicator (CQI) , a precoding matrix indicator (PMI) , a rank indicator (RI) , and HARQ (acknowledgment / negative acknowledgment) ACK / NACK feedback. The PUSCH carries data, and may additionally be used to carry a buffer status report (BSR) , a power headroom report (PHR) , and / or UCI.

[0083] Example Machine-Learning-Model-Based Radio Frequency (RF) Resource Allocation in Multi-SIM Devices

[0084] As discussed, in MSIM devices, situations exist in which actions performed on one RF chain associated with one SIM may negatively impact the performance impact of another RF chain associated with another SIM. For example, tuning away to listen for paging messages or other periodic messages on a second RF chain may negatively impact the spectral efficiency of communications on a first RF chain, while reducing the number of times that a second RF chain is activated to listen for paging messages or other RF chain may reduce performance impacts on communications on the first RF chain but may result in decreased performance on the second RF chain (e.g., call failure events, delays in receiving messaging, etc. ) .

[0085] To reduce the negative performance impact on RF chains in an MSIM device, certain aspects of the present disclosure use machine learning models to predict the performance impact on a first RF chain (e.g., an RF chain that is in connected mode) of actions performed with respect to a second RF chain (e.g., an RF chain that is in idle mode and performing idle mode discontinuous reception to monitor for periodic messaging, such as paging messages) . Based on a total of a predicted performance loss on a first RF chain and a calculated performance loss on a second RF chain for each action of a plurality of enumerated actions, an action with the lowest total predicted performance loss may be selected for execution. By doing so, certain aspects of the present disclosure may minimize, or at least reduce, negative impacts on communications performance (e.g., block error rate, spectral efficiency, etc. ) caused by tuning away to periodically listen to a paging channel using the second RF chain, even when no paging messages are pending for the wireless communications device on the network associated with the second RF chain.

[0086] FIG. 5 illustrates an example pipeline 500 for selecting actions to perform on a wireless device based on predicted performance losses caused by an action performed on a first radio frequency (RF) chain to a second RF chain, according to aspects of the present disclosure.

[0087] As illustrated, the pipeline 500 includes a neural network 510 that predicts the performance impact of each of a plurality of enumerated actions on communications performed on a first RF chain and a loss calculator 520 that predicts the performance impact of each of the plurality of enumerated actions on communications performed on  the second RF chain. Generally, the plurality of enumerated actions may be bounded by the allocation of available RF resources solely to one of the two RF chains. The plurality of enumerated actions may further include a plurality of actions in which differing amounts of RF resources are allocated between the first RF chain and the second RF chain. The actions in the plurality of enumerated actions may be defined a priori or enumerated prior to a paging occasion or other periodic occasion on the second RF chain.

[0088] The neural network 510 may be a neural network trained using supervised learning techniques based on a training data set of various parameters of communications on the first RF chain and a selected action from the plurality of enumerated actions associated with a performance impact (e.g., spectral efficiency loss) on the first RF chain. The neural network may be, for example, a multilayer perceptron network, a convolutional neural network, a recurrent neural network, a long-short term memory network, or other neural network that can be trained to predict a performance loss on a first RF chain for a given action (e.g., allocation / reallocation of RF resources) performed on a second RF chain. The performance impact may be calculated relative to a reference scenario in which no action is performed on the second RF chain (e.g., in which the RF resources on the wireless communication device are allocated to the first RF chain and no RF resources are allocated to the second RF chain for listening to periodic messages, such as paging messages) . Generally, the performance impact may range from no impact in the reference scenario and maximum impact in a scenario in which the RF resources on the wireless communication device are allocated to the second RF chain and no RF resources are allocated to the first RF chain for continuing to perform communications on a first network while the first RF chain is in a connected mode.

[0089] The loss calculator 520 may operate in parallel or substantially in parallel with the neural network 510. As discussed, the loss calculator 520 generally calculates the performance impact of each action from the plurality of enumerated actions on the second RF chain. The performance impact of an action on the second RF chain may, for example, evaluate the likelihood that executing the action causes the wireless communications device to miss a page (e.g., causing a call failure or other negative event) on the second RF chain relative to a reference action in which the available RF resources of the wireless communications device are allocated to the second RF chain. Executing the reference action generally may have no performance impact on the second RF chain, while executing other actions may have an increasing performance impact up to a maximum  performance impact caused by allocating the available RF resources of the wireless communications device to the first RF chain and leaving no RF resources available or allocated to the second RF chain.

[0090] In some aspects, the performance impact of an action may be calculated based on the periodicity of an IDRX cycle, historical information of skipped paging occasions within a time window from the current time, and RF resources available for allocation to the second RF chain. Generally, the historical information of skipped paging occasions may significantly influence the performance impact of an action on the performance of the second RF chain. For example, when an immediately prior paging occasion was not skipped, the performance impact that is expected to be caused by skipping the next paging occasion may be small, as the likelihood of paging messages being available for the wireless communications device on the second RF chain in successive paging occasions may be low (though may increase as the periodicity of the IDRX cycle increases, as increases in elapsed time between paging occasions may increase the likelihood that paging messages are available for the wireless communications device at any given paging occasion) . However, as the number of paging occasions in the immediate past that have been skipped increases, the performance impact caused by skipping the next paging occasion may also increase. Finally, because only a defined number of consecutive paging occasions may be skipped, the performance impact of an action may be defined as high for each of the plurality of each of the plurality of actions to ensure that at least some RF resources are allocated to the second RF chain after the consecutive number of paging occasions have been skipped. Further, the performance impact caused by allocating differing amounts of RF resources to the second RF chain may influence the expected performance impact on the second RF chain. For example, because paging messages may be transmitted with a low modulation and coding scheme (MCS) , allocating increasing amounts of RF resources to the second RF chain may have minimal increases to the performance of communications on the second RF chain in good RF conditions, while in poor RF conditions, increasing the amount of RF resources allocated to the second RF chain may significantly increase the performance of communications on the second RF chain.

[0091] The predicted performance impact of each action in the plurality of enumerated actions generated by the neural network 510 and the loss calculator 520 may be provided to an action selector 530 for processing. Generally, the action selector 530  calculates a total predicted loss for each action in the plurality of enumerated actions and selects an action for execution on the wireless communications device based on the total predicted loss calculated for each action in the plurality of actions. In some aspects, the selected action may be the action having the smallest total predicted loss, as the action with the smallest total predicted loss may minimize, or at least reduce, the performance impact to spectral efficiency on the first RF chain while minimizing, or at least reducing, the performance impact on the second RF chain from failing to receive a paging message from the second network.

[0092] At the action executor 540, the selected action identified by the action selector 530 is executed. The performance impact of the selected action on the first RF chain may be monitored during execution of the selected action at the action executor. For example, the performance impact may be calculated based on feedback from the network on which the first RF chain communicates. This feedback may include, for example, a modulation and coding scheme used for subsequent communications with the wireless communications device using the first RF chain, a number of layers used for subsequent communications using the first RF chain, or the like. In some aspects, the performance impact may be measured over a plurality of time windows defined with reference to a time at which a tuning away event starts. A reference time window may correspond to the time window during which a tuning away event occurs, with prior time windows being used to calculate communications performance (e.g., spectral efficiency) prior to the tuning away event and subsequent tine windows being used to calculate communications performance after the tuning away event occurs. The time windows prior to the reference time window and a time window after a specified number of time windows after the reference time window may be considered time windows in which the tuning away event has not impacted communications performance on the first RF chain. Meanwhile, the reference time window and the specified number of time windows after the reference time window may be considered time windows in which the tuning away event has impacted communications performance on the first RF chain. Thus, the performance impact of the tuning away event (and the corresponding action performed with respect to the allocation of RF resources to the first RF chain and the second RF chain) may be calculated based on a delta between average performance over the time windows in which the tuning away event has not impacted communications performance on the first RF chain and average  performance over the time windows in which the tuning away event has impacted communications performance on the first RF chain.

[0093] The predicted performance loss and the measured performance loss for the selected action may be fed to a parameter updater 550, which updates the parameters of the neural network 510 based on a difference between the predicted performance loss and the measured performance loss for the selected action. Generally, if the neural network 510 generates a predicted loss value that equals, or is at least within a threshold distance from, the measured performance loss, the parameter updater 550 need not update the parameters of the neural network 510. If, however, the predicted loss generated by the neural network 510 differs from the measured performance loss for the selected action generated by the action executor 540, the parameter updater 550 can refine the parameters of the neural network by backpropagating a loss associated with the inputs into the neural network 510.

[0094] FIG. 6 illustrates an example 600 of a predicted performance impact on RF chains in a wireless device caused by the execution of various enumerated actions on at least one RF chain, according to aspects of the present disclosure. In the example 600, the index of actions corresponds to an amount of RF resources allocated from the first RF chain to the second RF chain. Index 1 in the example 600 corresponds to an allocation of the available RF resources to the first RF chain and correspondingly an allocation of no RF resources to the second RF chain, while index 4 in the example 600 corresponds to an allocation of the available RF resources to the second RF chain and correspondingly an allocation of no RF resources to the first RF chain. Indices 2 and 3 correspond to increasing allocations of resources to the second RF chain and correspondingly decreasing allocations of resources to the first RF chain.

[0095] As illustrated, the predicted performance impact 610 (which may be generated by a neural network, such as the neural network 510 illustrated in FIG. 1) on the first RF chain in a wireless communications device increases as RF resources are allocated away from the first RF chain and towards the second RF chain. Meanwhile, the predicted performance impact 620 (which may be calculated based on historical information by a loss calculator, such as the loss calculator 520 illustrated in FIG. 1) generally decreases as RF resources are allocated away from the first RF chain and towards the second RF chain. To calculate a total performance loss metric, the performance impact 610 and the performance impact 620 may be aggregated into the total performance impact 630 for  each action of the plurality of enumerated actions. In the example 600 illustrated in FIG. 6, the smallest total predicted loss across the first RF chain and the second RF chain is associated with the action with index 2. Thus, the action associated with index 2 may be selected for execution during the next paging occasion on the second RF chain.

[0096] FIG. 7 illustrates an example neural network 700 for predicting a performance impact of an action performed on a first RF chain to a second RF chain, according to aspects of the present disclosure.

[0097] As illustrated, the neural network 700 may be a multi-layer perceptron (MLP) neural network that includes an input layer 710, a plurality of hidden layers 720, 730, and 740 (amongst others not illustrated in FIG. 7) , and an output layer 750. While the neural network 700 is illustrated as an MLP neural network, as discussed above, it should be recognized that any suitable neural network architecture that can be trained using supervised learning techniques to predict a performance impact of an action on communications on an RF chain may be used.

[0098] The input layer 710 generally receives a plurality of inputs that describe the current operational parameters for communications using the first RF chain. These inputs may include, for example, tuning away information (e.g., a type of tuning away, a tuning away periodicity, etc. ) , the amount of RF resources allocated to the first RF chain, signal quality metrics (e.g., reference signal received power (RSRP) ) , a number of layers of a downlink communication, spectral efficiency of downlink scheduling, channel quality metrics (e.g., rank indicator (RI) , modulation and coding scheme (MCS) indices, channel quality information (CQI) , etc. ) , and other parameters that may have an impact on the communications performance of the wireless device using the first RF chain. The input layer 710 additionally receives an indication of an action index for which the performance impact of executing that action is predicted.

[0099] The hidden layer 720, as illustrated, may include a plurality of neurons, each of which receives inputs from each of the neurons in the input layer 710. The output of each neuron in the hidden layer 720 may be processed in the hidden layer 730, which may implement a regularizing function. For example, as illustrated, each neuron in the hidden layer may represent a linear rectified unit that processes the output of a corresponding neuron in the hidden layer 720. The output of the hidden layer 730 may be provided as input into the hidden layer 740. As illustrated, the hidden layer 740 may be a fully  connected layer where each neuron receives an input from each neuron from the hidden layer 730. The number of neurons in the hidden layer 740 may be smaller than the number of neurons in the hidden layer 720.

[0100] The output of each neuron in the hidden layer 740 may be input into the output layer 750 for further processing. As illustrated, the output layer 750 generates a predicted performance loss for the first RF chain, such as a predicted spectral efficiency loss, associated with performing the action associated with the action index input into the input layer 710.

[0101] Example Operations for Machine-Learning-Model-Based Radio Frequency (RF) Resource Allocation in Multi-SIM Devices

[0102] FIG. 8 depicts example operations 800 for communications for machine-learning-model-based RF resource allocation in a MSIM device, according to aspects of the present disclosure. The operations 800 may be performed by a device on which the pipeline 500 illustrated in FIG. 5 may be performed, such as a UE 104 illustrated in FIG. 1.

[0103] As illustrated, the operations 800 begin at block 810 with predicting, using a machine learning model, a performance impact on a first radio frequency (RF) chain of a wireless communication device caused by a plurality of actions relative to a second RF chain of the wireless communication device.

[0104] At block 820, the operations 800 proceed with predicting a performance impact on the second RF chain of the wireless communication device caused by the plurality of actions.

[0105] At block 830, the operations 800 proceed with selecting an action of the plurality of actions to perform based on the predicted performance impact on the first RF chain and the predicted performance impact on the second RF chain.

[0106] At block 840, the operations 800 proceed with executing the selected action.

[0107] In some aspects, the operations 800 further include measuring the performance impact on the first RF chain based on executing the selected action. The machine learning model may subsequently be updated based on a difference between the predicted performance impact on the first RF chain for the selected action and the measured performance impact on the first RF chain for the selected action. In some aspects,  measuring the performance impact on the first RF chain based on executing the selected action comprises determining a performance impact during one or more time windows after execution of the selected action relative to a baseline performance metric measured during one or more time windows prior to execution of the selected action.

[0108] In some aspects, wherein the performance impact on the first RF chain is predicted based on one or more operating parameters associated with a current state of the wireless communication device. These operating parameters may include, for example, tuning away information (e.g., a type of tuning away, a tuning away periodicity, etc. ) , the amount of RF resources allocated to the first RF chain, signal quality metrics (e.g., reference signal received power (RSRP) ) , a number of layers of a downlink communication, spectral efficiency of downlink scheduling, channel quality metrics (e.g., rank indicator (RI) , modulation and coding scheme (MCS) indices, channel quality information (CQI) , etc. ) , and other parameters that may have an impact on the communications performance of the wireless device using the first RF chain.

[0109] In some aspects, the plurality of actions comprise one or more of reserving all available RF resources for receiving a downlink channel via the first RF chain; using one of a plurality of subsets of the available RF resources for receiving a downlink channel via the first RF chain and using remaining RF resources for receiving a downlink channel via the second RF chain; or reserving all available RF resources for receiving the downlink channel via the second RF chain.

[0110] In some aspects, the machine learning model comprises a multilayer perceptron (MLP) model. In some aspects, the machine learning model comprises one of a recurrent neural network (RNN) , a convolutional neural network (CNN) , a long-short term memory (LSTM) network, or other neural network.

[0111] In some aspects, predicting the performance impact on the second RF chain comprises predicting a probability of missing a paging message transmitted by a network entity.

[0112] Example System for Machine-Learning-Model-Based Radio Frequency (RF) Resource Allocation in Multi-SIM Devices

[0113] FIG. 9 depicts an example processing system 900 for machine-learning-model-based RF resource allocation in MSIM devices, such as described herein, for  example, with respect to FIG. 8. The processing system 900 may, in some aspects, correspond to the UE 104 illustrated in FIG. 1.

[0114] The processing system 900 includes a central processing unit (CPU) 902, which in some examples may be a multi-core CPU. Instructions executed at the CPU 902 may be loaded, for example, from a program memory associated with the CPU 902 or may be loaded from a memory partition (e.g., of a memory 924) .

[0115] The processing system 900 also includes additional processing components tailored to specific functions, such as a graphics processing unit (GPU) 904, a digital signal processor (DSP) 906, a neural processing unit (NPU) 908, and a connectivity component 912.

[0116] An NPU, such as the NPU 908, is generally a specialized circuit configured for implementing control and arithmetic logic for executing machine learning algorithms, such as algorithms for processing artificial neural networks (ANNs) , deep neural networks (DNNs) , random forests (RFs) , and the like. An NPU may sometimes alternatively be referred to as a neural signal processor (NSP) , tensor processing unit (TPU) , neural network processor (NNP) , intelligence processing unit (IPU) , vision processing unit (VPU) , or graph processing unit.

[0117] NPUs, such as the NPU 908, are configured to accelerate the performance of common machine learning tasks, such as image classification, machine translation, object detection, and various other predictive models. In some examples, a plurality of NPUs may be instantiated on a single chip, such as a system on a chip (SoC) , while in other examples, such NPUs may be part of a dedicated neural-network accelerator.

[0118] NPUs may be optimized for training or inference, or in some cases configured to balance performance between both. For NPUs that are capable of performing both training and inference, the two tasks may still generally be performed independently.

[0119] NPUs designed to accelerate training are generally configured to accelerate the optimization of new models, which is a highly compute-intensive operation that involves inputting an existing dataset (often labeled or tagged) , iterating over the dataset, and then adjusting model parameters, such as weights and biases, in order to improve model performance. Generally, optimizing based on a wrong prediction involves propagating back through the layers of the model and determining gradients to reduce the prediction error.

[0120] NPUs designed to accelerate inference are generally configured to operate on complete models. Such NPUs may thus be configured to input a new piece of data and rapidly process this new piece through an already trained model to generate a model output (e.g., an inference) .

[0121] In some implementations, the NPU 908 is a part of one or more of the CPU 902, the GPU 904, and / or the DSP 906. These may be located on a user equipment (UE) in a wireless communication system or another computing device.

[0122] In some examples, the connectivity component 912 may include subcomponents, for example, for third generation (3G) connectivity, fourth generation (4G) connectivity (e.g., Long-Term Evolution (LTE) ) , fifth generation (5G) connectivity (e.g., New Radio (NR) ) , Wi-Fi connectivity, Bluetooth connectivity, and other wireless data transmission standards. The connectivity component 912 may be further coupled to one or more antennas 914.

[0123] The processing system 900 may also include one or more sensor processing units 916 associated with any manner of sensor, one or more image signal processors (ISPs) 918 associated with any manner of image sensor, and / or a navigation processor 920, which may include satellite-based positioning system components (e.g., GPS or GLONASS) as well as inertial positioning system components.

[0124] The processing system 900 may also include one or more input and / or output devices 922, such as screens, touch-sensitive surfaces (including touch-sensitive displays) , physical buttons, speakers, microphones, and the like.

[0125] In some examples, one or more of the processors of the processing system 900 may be based on an ARM or RISC-V instruction set.

[0126] The processing system 900 also includes the memory 924, which is representative of one or more static and / or dynamic memories, such as a dynamic random access memory, a flash-based static memory, and the like. In this example, the memory 924 includes computer-executable components, which may be executed by one or more of the aforementioned processors of the processing system 900.

[0127] In particular, in this example, the memory 924 includes a performance impact predicting component 924A, an action selecting component 924B, an action executing component 924C, and machine learning models 924D. The depicted components, and  others not depicted, may be configured to perform various aspects of the methods described herein.

[0128] Generally, the processing system 900 and / or components thereof may be configured to perform the methods described herein.

[0129] Example Clauses

[0130] Implementation examples are described in the following numbered clauses:

[0131] Clause 1: A processor-implemented method for wireless communications, comprising: predicting, using a machine learning model, a performance impact on a first radio frequency (RF) chain of a wireless communication device caused by a plurality of actions relative to a second RF chain of the wireless communication device; predicting a performance impact on the second RF chain of the wireless communication device caused by the plurality of actions; selecting an action of the plurality of actions to perform based on the predicted performance impact on the first RF chain and the predicted performance impact on the second RF chain; and executing the selected action.

[0132] Clause 2: The method of Clause 1, further comprising: measuring the performance impact on the first RF chain based on executing the selected action; and updating the machine learning model based on a difference between the predicted performance impact on the first RF chain for the selected action and the measured performance impact on the first RF chain for the selected action.

[0133] Clause 3: The method of Clause 2, wherein measuring the performance impact on the first RF chain based on executing the selected action comprises determining a performance impact during one or more time windows after execution of the selected action relative to a baseline performance metric measured during one or more time windows prior to execution of the selected action.

[0134] Clause 4: The method of any of Clauses 1 through 3, wherein the performance impact on the first RF chain is predicted based on one or more operating parameters associated with a current state of the wireless communication device.

[0135] Clause 5: The method of any of Clauses 1 through 4, wherein the performance impact on the first RF chain comprises a spectral efficiency loss.

[0136] Clause 6: The method of any of Clauses 1 through 5, wherein the plurality of actions comprise one or more of: reserving all available RF resources for receiving a  downlink channel via the first RF chain; using one of a plurality of subsets of the available RF resources for receiving a downlink channel via the first RF chain and using remaining RF resources for receiving a downlink channel via the second RF chain; or reserving all the available RF resources for receiving the downlink channel via the second RF chain.

[0137] Clause 7: The method of any of Clauses 1 through 6, wherein the machine learning model comprises a multilayer perceptron (MLP) model.

[0138] Clause 8: The method of any of Clauses 1 through 7, wherein predicting the performance impact on the second RF chain comprises predicting a probability of missing a paging message transmitted by a network entity.

[0139] Clause 9: An processing system, comprising: a memory comprising executable instructions; and one or more processors configured to execute the executable instructions and cause the apparatus to perform a method in accordance with any one of Clauses 1-8.

[0140] Clause 10: An processing system, comprising means for performing a method in accordance with any one of Clauses 1-8.

[0141] Clause 11: A non-transitory computer-readable medium comprising executable instructions that, when executed by one or more processors, performs an operation in accordance with any one of Clauses 1-8.

[0142] Additional Considerations

[0143] The preceding description is provided to enable any person skilled in the art to practice the various aspects described herein. The examples discussed herein are not limiting of the scope, applicability, or aspects set forth in the claims. Various modifications to these aspects will be readily apparent to those skilled in the art, and the general principles defined herein may be applied to other aspects. For example, changes may be made in the function and arrangement of elements discussed without departing from the scope of the disclosure. Various examples may omit, substitute, or add various procedures or components as appropriate. For instance, the methods described may be performed in an order different from that described, and various actions may be added, omitted, or combined. Also, features described with respect to some examples may be combined in some other examples. For example, an apparatus may be implemented or a method may be practiced using any number of the aspects set forth herein. In addition,  the scope of the disclosure is intended to cover such an apparatus or method that is practiced using other structure, functionality, or structure and functionality in addition to, or other than, the various aspects of the disclosure set forth herein. It should be understood that any aspect of the disclosure disclosed herein may be embodied by one or more elements of a claim.

[0144] The various illustrative logical blocks, modules and circuits described in connection with the present disclosure may be implemented or performed with a general purpose processor, a digital signal processor (DSP) , an application specific integrated circuit (ASIC) , a field programmable gate array (FPGA) or other programmable logic device (PLD) , 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 commercially available 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, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, a system on a chip (SoC) , or any other such configuration.

[0145] As used herein, “aprocessor, ” “at least one processor” or “one or more processors” generally refers to a single processor configured to perform one or multiple operations or multiple processors configured to collectively perform one or more operations. In the case of multiple processors, performance of the one or more operations could be divided amongst different processors, though one processor may perform multiple operations, and multiple processors could collectively perform a single operation. Similarly, “amemory, ” “at least one memory” or “one or more memories” generally refers to a single memory configured to store data and / or instructions, multiple memories configured to collectively store data and / or instructions.

[0146] In some cases, rather than actually transmitting a signal, an apparatus (e.g., a wireless node or device) may have an interface to output the signal for transmission. For example, a processor may output a signal, via a bus interface, to a radio frequency (RF) front end for transmission. Accordingly, a means for outputting may include such an interface as an alternative (or in addition) to a transmitter or transceiver. Similarly, rather than actually receiving a signal, an apparatus (e.g., a wireless node or device) may have an interface to obtain a signal from another device. For example, a processor may obtain  (or receive) a signal, via a bus interface, from an RF front end for reception. Accordingly, a means for obtaining may include such an interface as an alternative (or in addition) to a receiver or transceiver.

[0147] While the present disclosure may describe certain operations as being performed by one type of wireless node, the same or similar operations may also be performed by another type of wireless node. For example, operations performed by a user equipment (UE) may also (or instead) be performed by a network entity (e.g., a base station or unit of a disaggregated base station) . Similarly, operations performed by a network entity may also (or instead) be performed by a UE.

[0148] Further, while the present disclosure may describe certain types of communications between different types of wireless nodes (e.g., between a network entity and a UE) , the same or similar types of communications may occur between same types of wireless nodes (e.g., between network entities or between UEs, in a peer-to-peer scenario) . Further, communications may occur in reverse order than described.

[0149] As used herein, a phrase referring to “at least one of” a list of items refers to any combination of those items, including single members. As an example, “at least one of: a, b, or c” is intended to cover a, b, c, a-b, a-c, b-c, and a-b-c, as well as any combination with multiples of the same element (e.g., a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, and c-c-c or any other ordering of a, b, and c) .

[0150] As used herein, the term “determining” encompasses a wide variety of actions. For example, “determining” may include calculating, computing, processing, deriving, investigating, looking up (e.g., looking up in a table, a database or another data structure) , ascertaining, and the like. Also, “determining” may include receiving (e.g., receiving information) , accessing (e.g., accessing data in a memory) , and the like. Also, “determining” may include resolving, selecting, choosing, establishing, and the like.

[0151] The methods disclosed herein comprise one or more actions for achieving the methods. The method actions may be interchanged with one another without departing from the scope of the claims. In other words, unless a specific order of actions is specified, the order and / or use of specific actions may be modified without departing from the scope of the claims. Further, the various operations of methods described above may be performed by any suitable means capable of performing the corresponding functions. The  means may include various hardware and / or software component (s) and / or module (s) , including, but not limited to a circuit, an ASIC, or processor.

[0152] The following claims are not intended to be limited to the aspects shown herein, but are to be accorded the full scope consistent with the language of the claims. Within a claim, reference to an element in the singular is not intended to mean “one and only one” unless specifically so stated, but rather “one or more. ” Unless specifically stated otherwise, the term “some” refers to one or more. No claim element is to be construed under the provisions of 35 U.S.C. § 112 (f) unless the element is expressly recited using the phrase “means for” . All structural and functional equivalents to the elements of the various aspects described throughout this disclosure that are known or later come to be known to those of ordinary skill in the art are expressly incorporated herein by reference and are intended to be encompassed by the claims. Moreover, nothing disclosed herein is intended to be dedicated to the public regardless of whether such disclosure is explicitly recited in the claims.

Claims

1.A processor-implemented method for wireless communications, comprising:predicting, using a machine learning model, a performance impact on a first radio frequency (RF) chain of a wireless communication device caused by a plurality of actions relative to a second RF chain of the wireless communication device;predicting a performance impact on the second RF chain of the wireless communication device caused by the plurality of actions;selecting an action of the plurality of actions to perform based on the predicted performance impact on the first RF chain and the predicted performance impact on the second RF chain; andexecuting the selected action.2.The method of Claim 1, further comprising:measuring the performance impact on the first RF chain based on executing the selected action; andupdating the machine learning model based on a difference between the predicted performance impact on the first RF chain for the selected action and the measured performance impact on the first RF chain for the selected action.3.The method of Claim 2, wherein measuring the performance impact on the first RF chain based on executing the selected action comprises determining a performance impact during one or more time windows after execution of the selected action relative to a baseline performance metric measured during one or more time windows prior to execution of the selected action.4.The method of Claim 1, wherein the performance impact on the first RF chain is predicted based on one or more operating parameters associated with a current state of the wireless communication device.5.The method of Claim 1, wherein the performance impact on the first RF chain comprises a spectral efficiency loss.6.The method of Claim 1, wherein the plurality of actions comprise one or more of:reserving all available RF resources for receiving a downlink channel via the first RF chain;using one of a plurality of subsets of the available RF resources for receiving a downlink channel via the first RF chain and using remaining RF resources for receiving a downlink channel via the second RF chain; orreserving all the available RF resources for receiving the downlink channel via the second RF chain.7.The method of Claim 1, wherein the machine learning model comprises a multilayer perceptron (MLP) model.8.The method of Claim 1, wherein predicting the performance impact on the second RF chain comprises predicting a probability of missing a paging message transmitted by a network entity.9.A processing system for wireless communications, comprising:at least one memory having executable instructions stored thereon; andone or more processors configured to execute the executable instructions to cause the processing system to:predict, using a machine learning model, a performance impact on a first radio frequency (RF) chain of a wireless communication device caused by a plurality of actions relative to a second RF chain of the wireless communication device;predict a performance impact on the second RF chain of the wireless communication device caused by the plurality of actions;select an action of the plurality of actions to perform based on the predicted performance impact on the first RF chain and the predicted performance impact on the second RF chain; andexecute the selected action.10.The processing system of Claim 9, wherein the one or more processors are further configured to cause the processing system to:measure the performance impact on the first RF chain based on executing the selected action; andupdate the machine learning model based on a difference between the predicted performance impact on the first RF chain for the selected action and the measured performance impact on the first RF chain for the selected action.11.The processing system of Claim 10, wherein to measure the performance impact on the first RF chain based on executing the selected action, the one or more processors are configured to cause the processing system to determine a performance impact during one or more time windows after execution of the selected action relative to a baseline performance metric measured during one or more time windows prior to execution of the selected action.12.The processing system of Claim 9, wherein the performance impact on the first RF chain is predicted based on one or more operating parameters associated with a current state of the wireless communication device.13.The processing system of Claim 9, wherein the performance impact on the first RF chain comprises a spectral efficiency loss.14.The processing system of Claim 9, wherein the plurality of actions comprise one or more of:reserving all available RF resources for receiving a downlink channel via the first RF chain;using one of a plurality of subsets of the available RF resources for receiving a downlink channel via the first RF chain and using remaining RF resources for receiving a downlink channel via the second RF chain; orreserving all the available RF resources for receiving the downlink channel via the second RF chain.15.The processing system of Claim 9, wherein the machine learning model comprises a multilayer perceptron (MLP) model.16.The processing system of Claim 9, wherein to predict the performance impact on the second RF chain, the one or more processors are configured to cause the  processing system to predict a probability of missing a paging message transmitted by a network entity.17.A non-transitory computer-readable medium having executable instructions stored thereon which, when executed by one or more processors, performs an operation for wireless communications, the operation comprising:predicting, using a machine learning model, a performance impact on a first radio frequency (RF) chain of a wireless communication device caused by a plurality of actions relative to a second RF chain of the wireless communication device;predicting a performance impact on the second RF chain of the wireless communication device caused by the plurality of actions;selecting an action of the plurality of actions to perform based on the predicted performance impact on the first RF chain and the predicted performance impact on the second RF chain; andexecuting the selected action.18.The computer-readable medium of Claim 17, wherein the operations further comprise:measuring the performance impact on the first RF chain based on executing the selected action; andupdating the machine learning model based on a difference between the predicted performance impact on the first RF chain for the selected action and the measured performance impact on the first RF chain for the selected action.19.The computer-readable medium of Claim 18, wherein measuring the performance impact on the first RF chain based on executing the selected action comprises determining a performance impact during one or more time windows after execution of the selected action relative to a baseline performance metric measured during one or more time windows prior to execution of the selected action.20.The computer-readable medium of Claim 17, wherein predicting the performance impact on the second RF chain comprises predicting a probability of missing a paging message transmitted by a network entity.

Images