TCI-state switching delay in ai / ML based beam prediction

Abstract

Apparatus, methods, and computer program products for wireless communication are provided. An example method may include receiving, from at least one network node, at least one RS associated with an ID. The example method may further include transmitting, to the at least one network node, information regarding TCI switch awareness status associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one prediction target based on a set of assumptions associated with the ID.

Description

TCI-STATE SWITCHING DELAY IN AI / ML BASED BEAM PREDICTIONTECHNICAL FIELD

[0001] The present disclosure relates generally to communication systems, and more particularly, to wireless communication systems with beam prediction. INTRODUCTION

[0002] Wireless communication systems are widely deployed to provide various telecommunication services such as telephony, video, data, messaging, and broadcasts. Typical wireless communication systems may employ multiple-access technologies capable of supporting communication with multiple users by sharing available system resources. Examples of such multiple-access technologies include code division multiple access (CDMA) systems, time division multiple access (TDMA) systems, frequency division multiple access (FDMA) systems, orthogonal frequency division multiple access (OFDMA) systems, single-carrier frequency division multiple access (SC-FDMA) systems, and time division synchronous code division multiple access (TD-SCDMA) systems.

[0003] These multiple access technologies have been adopted in various telecommunication standards to provide a common protocol that enables different wireless devices to communicate on a municipal, national, regional, and even global level. An example telecommunication standard is 5G New Radio (NR) . 5G NR is part of a continuous mobile broadband evolution promulgated by Third Generation Partnership Project (3GPP) to meet new requirements associated with latency, reliability, security, scalability (e.g., with Internet of Things (IoT) ) , and other requirements. 5G NR includes services associated with enhanced mobile broadband (eMBB) , massive machine type communications (mMTC) , and ultra-reliable low latency communications (URLLC) . Some aspects of 5G NR may be based on the 4G Long Term Evolution (LTE) standard. There exists a need for further improvements in 5G NR technology. These improvements may also be applicable to other multi-access technologies and the telecommunication standards that employ these technologies. BRIEF SUMMARY

[0004] The following presents a simplified summary of one or more aspects in order to provide a basic understanding of such aspects. This summary is not an extensive overview of all contemplated aspects. This summary neither identifies key or critical elements of all aspects nor delineates the scope of any or all aspects. Its sole purpose is to present some concepts of one or more aspects in a simplified form as a prelude to the more detailed description that is presented later.

[0005] In an aspect of the disclosure, a method, a computer-readable medium, and an apparatus at a user equipment (UE) are provided. The apparatus may include at least one memory and at least one processor coupled to the at least one memory. Based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to (e.g., cause the UE to) receive, from at least one network node, at least one reference signal (RS) associated with an identifier (ID) . Based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to transmit, to the at least one network node, information regarding transmission configuration indicator (TCI) switch awareness status associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one measurement resource or at least one prediction target (e.g., one or more combinations of at least one measurement resource or at least one prediction target) based on a set of assumptions associated with the ID. In some aspects, based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to transmit, to at least one network node, a type of status regarding a knowledge of at least one reception spatial filter associated with at least one prediction target (e.g., one or more combinations of at least one measurement resource or at least one prediction target) . In some aspects, based at least in part on information stored in the at least one memory, the at least one processor, individually or in any combination, is configured to receive, from the at least one network node after a transmission configuration indicator (TCI) switch, at least one reference signal (RS) associated with an identifier (ID) , a quantity of the at least one RS being based on a reclassification associated with the type.

[0006] To the accomplishment of the foregoing and related ends, the one or more aspects include the features hereinafter fully described and particularly pointed out in the claims. The following description and the drawings set forth in detail certain illustrative features of the one or more aspects. These features are indicative, however, of but a few of the various ways in which the principles of various aspects may be employed.BRIEF DESCRIPTION OF THE DRAWINGS

[0007] FIG. 1 is a diagram illustrating an example of a wireless communications system and an access network.

[0008] FIG. 2A is a diagram illustrating an example of a first frame, in accordance with various aspects of the present disclosure.

[0009] FIG. 2B is a diagram illustrating an example of downlink (DL) channels within a subframe, in accordance with various aspects of the present disclosure.

[0010] FIG. 2C is a diagram illustrating an example of a second frame, in accordance with various aspects of the present disclosure.

[0011] FIG. 2D is a diagram illustrating an example of uplink (UL) channels within a subframe, in accordance with various aspects of the present disclosure.

[0012] FIG. 3 is a diagram illustrating an example of a base station and user equipment (UE) in an access network, in accordance with various aspects of the present disclosure.

[0013] FIG. 4 is an illustrative block diagram of an example machine learning (ML) model represented by an artificial neural network (ANN) , in accordance with various aspects of the present disclosure.

[0014] FIG. 5 is an illustrative block diagram of an example ML architecture 500 that may be used for wireless communications in any of the various implementations, processes, environments, networks, or use cases, in accordance with various aspects of the present disclosure.

[0015] FIG. 6 is an illustrative block diagram of an example ML architecture of first wireless device in communication with second wireless device, in accordance with various aspects of the present disclosure.

[0016] FIG. 7 is a diagram illustrating an example of measurement resources and prediction targets, in accordance with various aspects of the present disclosure.

[0017] FIG. 8 is a diagram illustrating an example of data collection, in accordance with various aspects of the present disclosure.

[0018] FIG. 9 is a diagram illustrating an example of model training, in accordance with various aspects of the present disclosure.

[0019] FIG. 10 is a diagram illustrating an example of beams, in accordance with various aspects of the present disclosure.

[0020] FIG. 11A is a diagram illustrating an example where measurement resources are a subset of prediction targets, in accordance with various aspects of the present disclosure.

[0021] FIG. 11B is a diagram illustrating an example of wide to narrow beam prediction, in accordance with various aspects of the present disclosure.

[0022] FIG. 12 is a diagram illustrating an example of timeline associated with transmission configuration indicator (TCI) state switching, in accordance with various aspects of the present disclosure.

[0023] FIG. 13A is a diagram illustrating an example timeline in a scenario where the target TCI state is known, in accordance with various aspects of the present disclosure.

[0024] FIG. 13B is a diagram illustrating an example of an example timeline in a scenario where the target TCI state is associated with synchronization signal block (SSB) and unknown, in accordance with various aspects of the present disclosure.

[0025] FIG. 13C is a diagram illustrating an example of an example timeline in a scenario where the target TCI state is associated with channel state information (CSI) reference signal (CSI-RS) and unknown, in accordance with various aspects of the present disclosure.

[0026] FIG. 14 is a diagram illustrating example communications between at least one network node and a UE, in accordance with various aspects of the present disclosure.

[0027] FIG. 15 is a flowchart of a method of wireless communication, in accordance with various aspects of the present disclosure.

[0028] FIG. 16 is a diagram illustrating an example of a hardware implementation for an example apparatus and / or network entity, in accordance with various aspects of the present disclosure.DETAILED DESCRIPTION

[0029] The detailed description set forth below in connection with the drawings describes various configurations and does not represent the only configurations in which the concepts described herein may be practiced. The detailed description includes specific details for the purpose of providing a thorough understanding of various concepts. However, these concepts may be practiced without these specific details. In some instances, well known structures and components are shown in block diagram form in order to avoid obscuring such concepts.

[0030] Aspects provided herein may enable the user equipment and the network to consider different scenarios with regard to the awareness status of the transmission configuration indicator (TCI) state, and act accordingly.

[0031] Several aspects of telecommunication systems are presented with reference to various apparatus and methods. These apparatus and methods are described in the following detailed description and illustrated in the accompanying drawings by various blocks, components, circuits, processes, algorithms, etc. (collectively referred to as “elements” ) . These elements may be implemented using electronic hardware, computer software, or any combination thereof. Whether such elements are implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system.

[0032] By way of example, an element, or any portion of an element, or any combination of elements may be implemented as a “processing system” that includes one or more processors. When multiple processors are implemented, the multiple processors may perform the functions individually or in combination. Examples of processors include microprocessors, microcontrollers, graphics processing units (GPUs) , central processing units (CPUs) , application processors, digital signal processors (DSPs) , reduced instruction set computing (RISC) processors, systems on a chip (SoC) , baseband processors, field programmable gate arrays (FPGAs) , programmable logic devices (PLDs) , state machines, gated logic, discrete hardware circuits, and other suitable hardware configured to perform the various functionality described throughout this disclosure. One or more processors in the processing system may execute software. Software, whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise, shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software components, applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, or any combination thereof. One or more processors in the processing system may execute software to cause a device that includes the one or more processors to perform the various functionality described throughout this disclosure.

[0033] Accordingly, in one or more example aspects, implementations, and / or use cases, the functions described may be implemented in hardware, software, or any combination thereof. If implemented in software, the functions may be stored on or encoded as one or more instructions or code on a computer-readable medium. Computer-readable media includes computer storage media. Storage media may be any available media that can be accessed by a computer. By way of example, such computer-readable media can include a random-access memory (RAM) , a read-only memory (ROM) , an electrically erasable programmable ROM (EEPROM) , optical disk storage, magnetic disk storage, other magnetic storage devices, combinations of the types of computer-readable media, or any other medium that can be used to store computer executable code in the form of instructions or data structures that can be accessed by a computer (e.g., transitory or non-transitory medium that may be accessed by computer) .

[0034] While aspects, implementations, and / or use cases are described in this application by illustration to some examples, additional or different aspects, implementations and / or use cases may come about in many different arrangements and scenarios. Aspects, implementations, and / or use cases described herein may be implemented across many differing platform types, devices, systems, shapes, sizes, and packaging arrangements. For example, aspects, implementations, and / or use cases may come about via integrated chip implementations and other non-module-component based devices (e.g., end-user devices, vehicles, communication devices, computing devices, industrial equipment, retail / purchasing devices, medical devices, artificial intelligence (AI) -enabled devices, etc. ) . While some examples may or may not be specifically directed to use cases or applications, a wide assortment of applicability of described examples may occur. Aspects, implementations, and / or use cases may range a spectrum from chip-level or modular components to non-modular, non-chip-level implementations and further to aggregate, distributed, or original equipment manufacturer (OEM) devices or systems incorporating one or more techniques herein. In some practical settings, devices incorporating described aspects and features may also include additional components and features for implementation and practice of claimed and described aspect. For example, transmission and reception of wireless signals necessarily includes a number of components for analog and digital purposes (e.g., hardware components including antenna, RF-chains, power amplifiers, modulators, buffer, processor (s) , interleaver, adders / summers, etc. ) . Techniques described herein may be practiced in a wide variety of devices, chip-level components, systems, distributed arrangements, aggregated or disaggregated components, end-user devices, etc. of varying sizes, shapes, and constitution.

[0035] Deployment of communication systems, such as 5G NR systems, may be arranged in multiple manners with various components or constituent parts. In a 5G NR system, or network, a network node, a network entity, a mobility element of a network, a radio access network (RAN) node, a core network node, a network element, or a network equipment, such as a base station (BS) , or one or more units (or one or more components) performing base station functionality, may be implemented in an aggregated or disaggregated architecture. For example, a BS (such as a Node B (NB) , evolved NB (eNB) , NR BS, 5G NB, access point (AP) , a transmission reception point (TRP) , or a cell, etc. ) may be implemented as an aggregated base station (also known as a standalone BS or a monolithic BS) or a disaggregated base station.

[0036] An aggregated base station may be configured to utilize a radio protocol stack that is physically or logically integrated within a single RAN node. A disaggregated base station may be configured to utilize a protocol stack that is physically or logically distributed among two or more units (such as one or more central or centralized units (CUs) , one or more distributed units (DUs) , or one or more radio units (RUs) ) . In some aspects, a CU may be implemented within a RAN node, and one or more DUs may be co-located with the CU, or alternatively, may be geographically or virtually distributed throughout one or multiple other RAN nodes. The DUs may be implemented to communicate with one or more RUs. Each of the CU, DU and RU can be implemented as virtual units, i.e., a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) .

[0037] Base station operation or network design may consider aggregation characteristics of base station functionality. For example, disaggregated base stations may be utilized in an integrated access backhaul (IAB) network, an open radio access network (O-RAN (such as the network configuration sponsored by the O-RAN Alliance) ) , or a virtualized radio access network (vRAN, also known as a cloud radio access network (C-RAN) ) . Disaggregation may include distributing functionality across two or more units at various physical locations, as well as distributing functionality for at least one unit virtually, which can enable flexibility in network design. The various units of the disaggregated base station, or disaggregated RAN architecture, can be configured for wired or wireless communication with at least one other unit.

[0038] FIG. 1 is a diagram 100 illustrating an example of a wireless communications system and an access network. The illustrated wireless communications system includes a disaggregated base station architecture. The disaggregated base station architecture may include one or more CUs 110 that can communicate directly with a core network 120 via a backhaul link, or indirectly with the core network 120 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 125 via an E2 link, or a Non-Real Time (Non-RT) RIC 115 associated with a Service Management and Orchestration (SMO) Framework 105, or both) . A CU 110 may communicate with one or more DUs 130 via respective midhaul links, such as an F1 interface. The DUs 130 may communicate with one or more RUs 140 via respective fronthaul links. The RUs 140 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 140.

[0039] Each of the units, i.e., the CUs 110, the DUs 130, the RUs 140, as well as the Near-RT RICs 125, the Non-RT RICs 115, and the SMO Framework 105, may include one or more interfaces or be coupled to one or more interfaces configured to receive or to transmit signals, data, or information (collectively, signals) via a wired or wireless transmission medium. Each of the units, or an associated processor or controller providing instructions to the communication interfaces of the units, can be configured to communicate with one or more of the other units via the transmission medium. For example, the units can include a wired interface configured to receive or to transmit signals over a wired transmission medium to one or more of the other units. Additionally, the units can include a wireless interface, which may include a receiver, a transmitter, or a transceiver (such as an RF transceiver) , configured to receive or to transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0040] In some aspects, the CU 110 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 110. The CU 110 may be configured to handle user plane functionality (i.e., Central Unit –User Plane (CU-UP) ) , control plane functionality (i.e., Central Unit –Control Plane (CU-CP) ) , or a combination thereof. In some implementations, the CU 110 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 an E1 interface when implemented in an O-RAN configuration. The CU 110 can be implemented to communicate with the DU 130, as necessary, for network control and signaling.

[0041] The DU 130 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 140. In some aspects, the DU 130 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, demodulation, or the like) depending, at least in part, on a functional split, such as those defined by 3GPP. In some aspects, the DU 130 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 130, or with the control functions hosted by the CU 110.

[0042] Lower-layer functionality can be implemented by one or more RUs 140. In some deployments, an RU 140, controlled by a DU 130, 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) 140 can be implemented to handle over the air (OTA) communication with one or more UEs 104. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 140 can be controlled by the corresponding DU 130. In some scenarios, this configuration can enable the DU (s) 130 and the CU 110 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0043] The SMO Framework 105 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 105 may be configured to support the deployment of dedicated physical resources for RAN coverage requirements that may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 105 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 190) 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 110, DUs 130, RUs 140 and Near-RT RICs 125. In some implementations, the SMO Framework 105 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 111, via an O1 interface. Additionally, in some implementations, the SMO Framework 105 can communicate directly with one or more RUs 140 via an O1 interface. The SMO Framework 105 also may include a Non-RT RIC 115 configured to support functionality of the SMO Framework 105.

[0044] The Non-RT RIC 115 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, artificial intelligence (AI)  / machine learning (ML) (AI / ML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 125. The Non-RT RIC 115 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 125. The Near-RT RIC 125 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 110, one or more DUs 130, or both, as well as an O-eNB, with the Near-RT RIC 125.

[0045] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 125, the Non-RT RIC 115 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 125 and may be received at the SMO Framework 105 or the Non-RT RIC 115 from non-network data sources or from network functions. In some examples, the Non-RT RIC 115 or the Near-RT RIC 125 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 115 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO Framework 105 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0046] At least one of the CU 110, the DU 130, and the RU 140 may be referred to as a base station 102. Accordingly, a base station 102 may include one or more of the CU 110, the DU 130, and the RU 140 (each component indicated with dotted lines to signify that each component may or may not be included in the base station 102) . The base station 102 provides an access point to the core network 120 for a UE 104. The base station 102 may include macrocells (high power cellular base station) and / or small cells (low power cellular base station) . The small cells include femtocells, picocells, and microcells. A network that includes both small cell and macrocells may be known as a heterogeneous network. A heterogeneous network may also include Home Evolved Node Bs (eNBs) (HeNBs) , which may provide service to a restricted group known as a closed subscriber group (CSG) . The communication links between the RUs 140 and the UEs 104 may include uplink (UL) (also referred to as reverse link) transmissions from a UE 104 to an RU 140 and / or downlink (DL) (also referred to as forward link) transmissions from an RU 140 to a UE 104. The communication links may use multiple-input and multiple-output (MIMO) antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity. The communication links may be through one or more carriers. The base station 102  / UEs 104 may use spectrum up to Y MHz (e.g., 5, 10, 15, 20, 100, 400, etc. MHz) bandwidth per carrier allocated in a carrier aggregation of up to a total of Yx MHz (x component carriers) used for transmission in each direction. The 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) . The component carriers may include a primary component carrier and one or more secondary component carriers. A primary component carrier may be referred to as a primary cell (PCell) and a secondary component carrier may be referred to as a secondary cell (SCell) .

[0047] Certain UEs 104 may communicate with each other using device-to-device (D2D) communication link 158. The D2D communication link 158 may use the DL / UL wireless wide area network (WWAN) spectrum. The D2D communication 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) , and a physical sidelink control channel (PSCCH) . D2D communication may be through a variety of wireless D2D communications systems, such as for example, BluetoothTM (Bluetooth is a trademark of the Bluetooth Special Interest Group (SIG) ) , Wi-FiTM (Wi-Fi is a trademark of the Wi-Fi Alliance) based on the Institute of Electrical and Electronics Engineers (IEEE) 802.11 standard, LTE, or NR.

[0048] The wireless communications system may further include a Wi-Fi AP 150 in communication with UEs 104 (also referred to as Wi-Fi stations (STAs) ) via communication link 154, e.g., in a 5 GHz unlicensed frequency spectrum or the like. When communicating in an unlicensed frequency spectrum, the UEs 104  / AP 150 may perform a clear channel assessment (CCA) prior to communicating in order to determine whether the channel is available.

[0049] The electromagnetic spectrum is often subdivided, based on frequency / wavelength, into various classes, bands, channels, etc. In 5G NR, two initial operating bands have been identified as frequency range designations FR1 (410 MHz –7.125 GHz) and FR2 (24.25 GHz –52.6 GHz) . Although a portion of FR1 is greater than 6 GHz, FR1 is often referred to (interchangeably) as a “sub-6 GHz” band in various documents and articles. A similar nomenclature issue sometimes occurs with regard to FR2, which is often referred to (interchangeably) as a “millimeter wave” band in documents and articles, despite being different from the extremely high frequency (EHF) band (30 GHz –300 GHz) which is identified by the International Telecommunications Union (ITU) as a “millimeter wave” band.

[0050] The frequencies between FR1 and FR2 are often referred to as mid-band frequencies. Recent 5G NR studies have identified an operating band for these mid-band frequencies as frequency range designation FR3 (7.125 GHz –24.25 GHz) . Frequency bands falling within FR3 may inherit FR1 characteristics and / or FR2 characteristics, and thus may effectively extend features of FR1 and / or FR2 into mid-band frequencies. In addition, higher frequency bands are currently being explored to extend 5G NR operation beyond 52.6 GHz. For example, three higher operating bands have been identified as frequency range designations FR2-2 (52.6 GHz –71 GHz) , FR4 (71 GHz –114.25 GHz) , and FR5 (114.25 GHz –300 GHz) . Each of these higher frequency bands falls within the EHF band.

[0051] With the above aspects in mind, unless specifically stated otherwise, the term “sub-6 GHz” or the like if used herein may broadly represent frequencies that may be less than 6 GHz, may be within FR1, or may include mid-band frequencies. Further, unless specifically stated otherwise, the term “millimeter wave” or the like if used herein may broadly represent frequencies that may include mid-band frequencies, may be within FR2, FR4, FR2-2, and / or FR5, or may be within the EHF band.

[0052] The base station 102 and the UE 104 may each include a plurality of antennas, such as antenna elements, antenna panels, and / or antenna arrays to facilitate beamforming. The base station 102 may transmit a beamformed signal 182 to the UE 104 in one or more transmit directions. The UE 104 may receive the beamformed signal from the base station 102 in one or more receive directions. The UE 104 may also transmit a beamformed signal 184 to the base station 102 in one or more transmit directions. The base station 102 may receive the beamformed signal from the UE 104 in one or more receive directions. The base station 102  / UE 104 may perform beam training to determine the best receive and transmit directions for each of the base station 102  / UE 104. The transmit and receive directions for the base station 102 may or may not be the same. The transmit and receive directions for the UE 104 may or may not be the same.

[0053] The base station 102 may include and / or be referred to as a gNB, Node B, eNB, an access point, a base transceiver station, a radio base station, a radio transceiver, a transceiver function, a basic service set (BSS) , an extended service set (ESS) , a TRP, network node, network entity, network equipment, or some other suitable terminology. The base station 102 can be implemented as an integrated access and backhaul (IAB) node, a relay node, a sidelink node, an aggregated (monolithic) base station with a baseband unit (BBU) (including a CU and a DU) and an RU, or as a disaggregated base station including one or more of a CU, a DU, and / or an RU. The set of base stations, which may include disaggregated base stations and / or aggregated base stations, may be referred to as next generation (NG) RAN (NG-RAN) .

[0054] The core network 120 may include an Access and Mobility Management Function (AMF) 161, a Session Management Function (SMF) 162, a User Plane Function (UPF) 163, a Unified Data Management (UDM) 164, one or more location servers 168, and other functional entities. The AMF 161 is the control node that processes the signaling between the UEs 104 and the core network 120. The AMF 161 supports registration management, connection management, mobility management, and other functions. The SMF 162 supports session management and other functions. The UPF 163 supports packet routing, packet forwarding, and other functions. The UDM 164 supports the generation of authentication and key agreement (AKA) credentials, user identification handling, access authorization, and subscription management. The one or more location servers 168 are illustrated as including a Gateway Mobile Location Center (GMLC) 165 and a Location Management Function (LMF) 166. However, generally, the one or more location servers 168 may include one or more location / positioning servers, which may include one or more of the GMLC 165, the LMF 166, a position determination entity (PDE) , a serving mobile location center (SMLC) , a mobile positioning center (MPC) , or the like. The GMLC 165 and the LMF 166 support UE location services. The GMLC 165 provides an interface for clients / applications (e.g., emergency services) for accessing UE positioning information. The LMF 166 receives measurements and assistance information from the NG-RAN and the UE 104 via the AMF 161 to compute the position of the UE 104. The NG-RAN may utilize one or more positioning methods in order to determine the position of the UE 104. Positioning the UE 104 may involve signal measurements, a position estimate, and an optional velocity computation based on the measurements. The signal measurements may be made by the UE 104 and / or the base station 102 serving the UE 104. The signals measured may be based on one or more of a satellite positioning system (SPS) 170 (e.g., one or more of a Global Navigation Satellite System (GNSS) , global position system (GPS) , non-terrestrial network (NTN) , or other satellite position / location system) , LTE signals, wireless local area network (WLAN) signals, Bluetooth signals, a terrestrial beacon system (TBS) , sensor-based information (e.g., barometric pressure sensor, motion sensor) , NR enhanced cell ID (NR E-CID) methods, NR signals (e.g., multi-round trip time (Multi-RTT) , DL angle-of-departure (DL-AoD) , DL time difference of arrival (DL-TDOA) , UL time difference of arrival (UL-TDOA) , and UL angle-of-arrival (UL-AoA) positioning) , and / or other systems / signals / sensors.

[0055] Examples of UEs 104 include a cellular phone, a smart phone, a session initiation protocol (SIP) phone, a laptop, a personal digital assistant (PDA) , a satellite radio, a global positioning system, a multimedia device, a video device, a digital audio player (e.g., MP3 player) , a camera, a game console, a tablet, a smart device, a wearable device, a vehicle, an electric meter, a gas pump, a large or small kitchen appliance, a healthcare device, an implant, a sensor / actuator, a display, or any other similar functioning device. Some of the UEs 104 may be referred to as IoT devices (e.g., parking meter, gas pump, toaster, vehicles, heart monitor, etc. ) . The UE 104 may also be referred to as a station, a mobile station, a subscriber station, a mobile unit, a subscriber unit, a wireless unit, a remote unit, a mobile device, a wireless device, a wireless communications device, a remote device, a mobile subscriber station, an access terminal, a mobile terminal, a wireless terminal, a remote terminal, a handset, a user agent, a mobile client, a client, or some other suitable terminology. In some scenarios, the term UE may also apply to one or more companion devices such as in a device constellation arrangement. One or more of these devices may collectively access the network and / or individually access the network.

[0056] Referring again to FIG. 1, in some aspects, the UE 104 may include a prediction component 198. In some aspects, the prediction component 198 may be configured to receive, from at least one network node, at least one reference signal (RS) associated with an identifier (ID) . In some aspects, the prediction component 198 may be further configured to transmit, to the at least one network node, information regarding transmission configuration indicator (TCI) switch awareness status associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one prediction target or at least one measurement resource (e.g., one or more combinations of at least one measurement resource or at least one prediction target) based on a set of assumptions associated with the ID. In some aspects, the prediction component 198 may be configured to transmit, to at least one network node, a type of status regarding a knowledge of at least one reception spatial filter associated with at least one prediction target (e.g., one or more combinations of at least one measurement resource or at least one prediction target) . In some aspects, the prediction component 198 may be further configured to receive, from the at least one network node after a transmission configuration indicator (TCI) switch, at least one reference signal (RS) associated with an identifier (ID) , a quantity of the at least one RS being based on a reclassification associated with the type. In some aspects, the prediction component 198 may be configured to transmit, to at least one network node, a requested quantity of reception spatial filters associated with at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition. In some aspects, the prediction component 198 may be configured to receive, from the at least one network node after a transmission configuration indicator (TCI) switch, a set of reference signals (RSs) that is based on the requested quantity of reception spatial filters associated with at least one prediction target.

[0057] Although the following description may be focused on 5G NR, the concepts described herein may be applicable to other similar areas, such as LTE, LTE-A, CDMA, GSM, and other wireless technologies.

[0058] As described herein, a node (which may be referred to as a node, a network node, a network entity, or a wireless node) may include, be, or be included in (e.g., be a component of) a base station (e.g., any base station described herein) , a UE (e.g., any UE described herein) , a network controller, an apparatus, a device, a computing system, an integrated access and backhauling (IAB) node, a distributed unit (DU) , a central unit (CU) , a remote / radio unit (RU) (which may also be referred to as a remote radio unit (RRU) ) , and / or another processing entity configured to perform any of the techniques described herein. For example, a network node may be a UE. As another example, a network node may be a base station or network entity. As another example, a first network node may be configured to communicate with a second network node or a third network node. In one aspect of this example, the first network node may be a UE, the second network node may be a base station, and the third network node may be a UE. In another aspect of this example, the first network node may be a UE, the second network node may be a base station, and the third network node may be a base station. In yet other aspects of this example, the first, second, and third network nodes may be different relative to these examples. Similarly, reference to a UE, base station, apparatus, device, computing system, or the like may include disclosure of the UE, base station, apparatus, device, computing system, or the like being a network node. For example, disclosure that a UE is configured to receive information from a base station also discloses that a first network node is configured to receive information from a second network node. Consistent with this disclosure, once a specific example is broadened in accordance with this disclosure (e.g., a UE is configured to receive information from a base station also discloses that a first network node is configured to receive information from a second network node) , the broader example of the narrower example may be interpreted in the reverse, but in a broad open-ended way. In the example above where a UE is configured to receive information from a base station also discloses that a first network node is configured to receive information from a second network node, the first network node may refer to a first UE, a first base station, a first apparatus, a first device, a first computing system, a first set of one or more one or more components, a first processing entity, or the like configured to receive the information; and the second network node may refer to a second UE, a second base station, a second apparatus, a second device, a second computing system, a second set of one or more components, a second processing entity, or the like.

[0059] As described herein, communication of information (e.g., any information, signal, or the like) may be described in various aspects using different terminology. Disclosure of one communication term includes disclosure of other communication terms. For example, a first network node may be described as being configured to transmit information to a second network node. In this example and consistent with this disclosure, disclosure that the first network node is configured to transmit information to the second network node includes disclosure that the first network node is configured to provide, send, output, communicate, or transmit information to the second network node. Similarly, in this example and consistent with this disclosure, disclosure that the first network node is configured to transmit information to the second network node includes disclosure that the second network node is configured to receive, obtain, or decode the information that is provided, sent, output, communicated, or transmitted by the first network node.

[0060] FIG. 2A is a diagram 200 illustrating an example of a first subframe within a 5G NR frame structure. FIG. 2B is a diagram 230 illustrating an example of DL channels within a 5G NR subframe. FIG. 2C is a diagram 250 illustrating an example of a second subframe within a 5G NR frame structure. FIG. 2D is a diagram 280 illustrating an example of UL channels within a 5G NR subframe. The 5G NR frame structure may be frequency division duplexed (FDD) in which for a particular set of subcarriers (carrier system bandwidth) , subframes within the set of subcarriers are dedicated for either DL or UL, or may be time division duplexed (TDD) in which for a particular set of subcarriers (carrier system bandwidth) , subframes within the set of subcarriers are dedicated for both DL and UL. In the examples provided by FIGs. 2A, 2C, the 5G NR frame structure is assumed to be TDD, with subframe 4 being configured with slot format 28 (with mostly DL) , where D is DL, U is UL, and F is flexible for use between DL / UL, and subframe 3 being configured with slot format 1 (with all UL) . While subframes 3, 4 are shown with slot formats 1, 28, respectively, any particular subframe may be configured with any of the various available slot formats 0-61. Slot formats 0, 1 are all DL, UL, respectively. Other slot formats 2-61 include a mix of DL, UL, and flexible symbols. UEs are configured with the slot format (dynamically through DL control information (DCI) , or semi-statically / statically through radio resource control (RRC) signaling) through a received slot format indicator (SFI) . Note that the description infra applies also to a 5G NR frame structure that is TDD.

[0061] FIGs. 2A-2D illustrate a frame structure, and the aspects of the present disclosure may be applicable to other wireless communication technologies, which may have a different frame structure and / or different channels. A frame (10 ms) may be divided into 10 equally sized subframes (1 ms) . Each subframe may include one or more time slots. Subframes may also include mini-slots, which may include 7, 4, or 2 symbols. Each slot may include 14 or 12 symbols, depending on whether the cyclic prefix (CP) is normal or extended. For normal CP, each slot may include 14 symbols, and for extended CP, each slot may include 12 symbols. The symbols on DL may be CP orthogonal frequency division multiplexing (OFDM) (CP-OFDM) symbols. The symbols on UL may be CP-OFDM symbols (for high throughput scenarios) or discrete Fourier transform (DFT) spread OFDM (DFT-s-OFDM) symbols (for power limited scenarios; limited to a single stream transmission) . The number of slots within a subframe is based on the CP and the numerology. The numerology defines the subcarrier spacing (SCS) (see Table 1) . The symbol length / duration may scale with 1 / SCS. Table 1: Numerology, SCS, and CP

[0062] For normal CP (14 symbols / slot) , different numerologies μ 0 to 4 allow for 1, 2, 4, 8, and 16 slots, respectively, per subframe. For extended CP, the numerology 2 allows for 4 slots per subframe. Accordingly, for normal CP and numerology μ, there are 14 symbols / slot and 2μ slots / subframe. The subcarrier spacing may be equal to 2μ* 15 kHz, where μ is the numerology 0 to 4. As such, the numerology μ=0 has a subcarrier spacing of 15 kHz and the numerology μ=4 has a subcarrier spacing of 240 kHz. The symbol length / duration is inversely related to the subcarrier spacing. FIGs. 2A-2D provide an example of normal CP 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. Within a set of frames, there may be one or more different bandwidth parts (BWPs) (see FIG. 2B) that are frequency division multiplexed. Each BWP may have a particular numerology and CP (normal or extended) .

[0063] 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 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.

[0064] As illustrated in FIG. 2A, some of the REs carry reference (pilot) signals (RS) for the UE. The RS may include demodulation RS (DM-RS) (indicated as R for one particular configuration, but other DM-RS configurations are possible) and 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 phase tracking RS (PT-RS) .

[0065] FIG. 2B 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) (e.g., 1, 2, 4, 8, or 16 CCEs) , each CCE including six RE groups (REGs) , each REG including 12 consecutive REs in an OFDM symbol of an RB. A PDCCH within one BWP may be referred to as a control resource set (CORESET) . A UE is configured to monitor PDCCH candidates in a PDCCH search space (e.g., common search space, UE-specific search space) during PDCCH monitoring occasions on the CORESET, where the PDCCH candidates have different DCI formats and different aggregation levels. Additional BWPs may be located at greater and / or lower frequencies across the channel bandwidth. A primary synchronization signal (PSS) may be within symbol 2 of particular subframes of a frame. The PSS is used by a UE 104 to determine subframe / symbol timing and a physical layer identity. 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. 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 DM-RS. 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 (also referred to as SS block (SSB) ) . 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 paging messages.

[0066] As illustrated in FIG. 2C, some of the REs carry DM-RS (indicated as R for one particular configuration, but other DM-RS configurations are possible) for channel estimation at the base station. The UE may transmit DM-RS for the physical uplink control channel (PUCCH) and DM-RS for the physical uplink shared channel (PUSCH) . The PUSCH DM-RS may be transmitted in the first one or two symbols of the PUSCH. The PUCCH DM-RS may be transmitted in different configurations depending on whether short or long PUCCHs are transmitted and depending on the particular PUCCH format used. The UE may transmit sounding reference signals (SRS) . The SRS may be transmitted 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.

[0067] FIG. 2D 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 hybrid automatic repeat request (HARQ) acknowledgment (ACK) (HARQ-ACK) feedback (i.e., one or more HARQ ACK bits indicating one or more ACK and / or negative ACK (NACK) ) . The PUSCH carries data, and may additionally be used to carry a buffer status report (BSR) , a power headroom report (PHR) , and / or UCI.

[0068] FIG. 3 is a block diagram of a base station 310 in communication with a UE 350 in an access network. In the DL, Internet protocol (IP) packets may be provided to a controller / processor 375. The controller / processor 375 implements layer 3 and layer 2 functionality. Layer 3 includes a radio resource control (RRC) layer, and layer 2 includes a service data adaptation protocol (SDAP) layer, a packet data convergence protocol (PDCP) layer, a radio link control (RLC) layer, and a medium access control (MAC) layer. The controller / processor 375 provides RRC layer functionality associated with broadcasting of system information (e.g., MIB, SIBs) , RRC connection control (e.g., RRC connection paging, RRC connection establishment, RRC connection modification, and RRC connection release) , inter radio access technology (RAT) mobility, and measurement configuration for UE measurement reporting; PDCP layer functionality associated with header compression  / decompression, security (ciphering, deciphering, integrity protection, integrity verification) , and handover support functions; RLC layer functionality associated with the transfer of upper layer packet data units (PDUs) , error correction through ARQ, concatenation, segmentation, and reassembly of RLC service data units (SDUs) , re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, multiplexing of MAC SDUs onto transport blocks (TBs) , demultiplexing of MAC SDUs from TBs, scheduling information reporting, error correction through HARQ, priority handling, and logical channel prioritization.

[0069] The transmit (TX) processor 316 and the receive (RX) processor 370 implement layer 1 functionality associated with various signal processing functions. Layer 1, which includes a physical (PHY) layer, may include error detection on the transport channels, forward error correction (FEC) coding / decoding of the transport channels, interleaving, rate matching, mapping onto physical channels, modulation / demodulation of physical channels, and MIMO antenna processing. The TX processor 316 handles mapping to signal constellations based on various modulation schemes (e.g., binary phase-shift keying (BPSK) , quadrature phase-shift keying (QPSK) , M-phase-shift keying (M-PSK) , M-quadrature amplitude modulation (M-QAM) ) . The coded and modulated symbols may then be split into parallel streams. Each stream may then be mapped to an OFDM subcarrier, multiplexed with a reference signal (e.g., pilot) in the time and / or frequency domain, and then combined together using an Inverse Fast Fourier Transform (IFFT) to produce a physical channel carrying a time domain OFDM symbol stream. The OFDM stream is spatially precoded to produce multiple spatial streams. Channel estimates from a channel estimator 374 may be used to determine the coding and modulation scheme, as well as for spatial processing. The channel estimate may be derived from a reference signal and / or channel condition feedback transmitted by the UE 350. Each spatial stream may then be provided to a different antenna 320 via a separate transmitter 318Tx. Each transmitter 318Tx may modulate a radio frequency (RF) carrier with a respective spatial stream for transmission.

[0070] At the UE 350, each receiver 354Rx receives a signal through its respective antenna 352. Each receiver 354Rx recovers information modulated onto an RF carrier and provides the information to the receive (RX) processor 356. The TX processor 368 and the RX processor 356 implement layer 1 functionality associated with various signal processing functions. The RX processor 356 may perform spatial processing on the information to recover any spatial streams destined for the UE 350. If multiple spatial streams are destined for the UE 350, they may be combined by the RX processor 356 into a single OFDM symbol stream. The RX processor 356 then converts the OFDM symbol stream from the time-domain to the frequency domain using a Fast Fourier Transform (FFT) . The frequency domain signal includes a separate OFDM symbol stream for each subcarrier of the OFDM signal. The symbols on each subcarrier, and the reference signal, are recovered and demodulated by determining the most likely signal constellation points transmitted by the base station 310. These soft decisions may be based on channel estimates computed by the channel estimator 358. The soft decisions are then decoded and deinterleaved to recover the data and control signals that were originally transmitted by the base station 310 on the physical channel. The data and control signals are then provided to the controller / processor 359, which implements layer 3 and layer 2 functionality.

[0071] The controller / processor 359 can be associated with at least one memory 360 that stores program codes and data. The at least one memory 360 may be referred to as a computer-readable medium. In the UL, the controller / processor 359 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, and control signal processing to recover IP packets. The controller / processor 359 is also responsible for error detection using an ACK and / or NACK protocol to support HARQ operations.

[0072] Similar to the functionality described in connection with the DL transmission by the base station 310, the controller / processor 359 provides RRC layer functionality associated with system information (e.g., MIB, SIBs) acquisition, RRC connections, and measurement reporting; PDCP layer functionality associated with header compression  / decompression, and security (ciphering, deciphering, integrity protection, integrity verification) ; RLC layer functionality associated with the transfer of upper layer PDUs, error correction through ARQ, concatenation, segmentation, and reassembly of RLC SDUs, re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, multiplexing of MAC SDUs onto TBs, demultiplexing of MAC SDUs from TBs, scheduling information reporting, error correction through HARQ, priority handling, and logical channel prioritization.

[0073] Channel estimates derived by a channel estimator 358 from a reference signal or feedback transmitted by the base station 310 may be used by the TX processor 368 to select the appropriate coding and modulation schemes, and to facilitate spatial processing. The spatial streams generated by the TX processor 368 may be provided to different antenna 352 via separate transmitters 354Tx. Each transmitter 354Tx may modulate an RF carrier with a respective spatial stream for transmission.

[0074] The UL transmission is processed at the base station 310 in a manner similar to that described in connection with the receiver function at the UE 350. Each receiver 318Rx receives a signal through its respective antenna 320. Each receiver 318Rx recovers information modulated onto an RF carrier and provides the information to a RX processor 370.

[0075] The controller / processor 375 can be associated with at least one memory 376 that stores program codes and data. The at least one memory 376 may be referred to as a computer-readable medium. In the UL, the controller / processor 375 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, control signal processing to recover IP packets. The controller / processor 375 is also responsible for error detection using an ACK and / or NACK protocol to support HARQ operations.

[0076] At least one of the TX processor 368, the RX processor 356, and the controller / processor 359 may be configured to perform aspects in connection with prediction component 198 of FIG. 1.

[0077] As used herein, the term “training stage” may refer to the process of training an AI / ML model for spatial or temporal domain DL transmit beam prediction for set-A of beams based on measurement results of set-B of beams. As used herein, the term “measurement resources” or “set-B beams” may be used interchangeably to refer to a set of measurement resources associated with one or more spatial filters (which may be referred to as “beams” ) that may be used to train (which may be referred to as a “training stage” or “training” ) an AI / ML model at the UE to predict (which may be referred to as an “inference stage” or “inference” ) DL transmission associated with a set of “prediction targets” or “set-Abeams. ” As used herein, the term “prediction result, ” “predicted measurement characteristics, ” or “predicted channel characteristics, ” may be used interchangeably to refer to predicted metric (s) , such as predicted reference signal received power (RSRP) or other metrics (e.g., a channel quality indicator (CQI) , a signal-to-noise ratio (SNR) , a signal-to-interference plus noise ratio (SINR) , a signal-to-noise-plus-distortion ratio (SNDR) , a received signal strength indicator (RSSI) , or a reference signal received quality (RSRQ) , and / or a block error rate (BLER) ) associated with prediction target (s) . The predicted measurement characteristics may be based on configured resources that are not scheduled to be transmitted and do not occupy time or frequency resources. As used herein, the term “TCI switch awareness status” refers to a status at a UE regarding whether its fully aware of at least one reception spatial filter associated with the at least one prediction target, partially aware of the at least one reception spatial filter associated with the at least one prediction target, or unaware of the at least one reception spatial filter associated with the at least one prediction target.

[0078] Based on aspects provided herein, transmit power associated with transmissions (e.g., with regard to a particular beam) on the measurement resources and the prediction targets may be within a “transmit power level range, ” which may define an upper bound and / or a lower bound of a transmit power. In some aspects, a transmit power level range may be represented in a range of particular decibels (dBs) , such as [-A, +B] dB, (e.g., A, B greater than 0) . In some aspects, the transmit power level range corresponds to an EPRE ratio range. In some aspects, transmissions on the measurement resources and the prediction targets associated with a particular beam identifier (ID) or a group of associated beam IDs may be within the transmit power level range so that input distribution may not be biased during inference or training.

[0079] The measurement resources and the prediction targets, along with an AI / ML model associated with the measurement resources and the prediction targets, may be associated with an associated ID. The associated ID may be a dataset, configuration, scenario, codebook, functionality, and model identifier that identifies network side additional conditions related with UE assumptions associated with AI / ML life cycle management including data collection, training, deployment, inference, performance monitoring, activation, deactivation, and switching. In some aspects, as long as the same associated ID is identified across training and inference, network side additional conditions may be assumed to be the same by the UE across training and inference. During the training stage, reference signal (s) such as a synchronization signal block (SSB) , a channel state information (CSI) -reference signal (CSI-RS) , or a demodulation reference signal (DM-RS) , may be transmitted on the measurement resources. Reference signal (s) may also be transmitted on the prediction targets during the training stage. During the prediction stage, reference signal (s) may be transmitted on the measurement resources and the UE may output prediction result (s) on the prediction target (s) based on a set of assumptions (e.g., generated or updated during the training stage) associated with the ID. In some aspects, each prediction result may be mapped to a particular beam ID or a set of beam IDs associated with the prediction target (s) .

[0080] A UE may be requested by network to predict (e.g., generate “predictions” or “prediction result” ) and report channel characteristics on a set of prediction targets associated with set-Anetwork node Tx beams, based on at least measurements on a set of measurement resource RSs associated with set-B network node Tx beams, through various prediction cycles and for each prediction cycle to be regarding various target temporal prediction instances. In some aspects, the UE may use measurements on the monitoring RSs on the set-Abeams for evaluating whether the predictions are accurate, without using the measurements on the monitoring RSs on the set-Abeams as input for predictions. In some aspects, the UE may use measurements on the monitoring RSs on the set-Abeams as input for a second set of predictions. In some aspects, the UE may indicate, to the network, whether it has used measurements on the monitoring RSs on the set-Abeams as input for each set of predictions.

[0081] As used herein, the term “measured characteristic” may refer to measured channel characteristic based on various information, such as information based on RSRP, CQI, SNR, SINR, SNDR, RSSI, RSRQ, BLER, that may be measured based on one or more RSs on measurements resources or one or more RSs on the prediction targets. As used herein, the term “channel characteristic” may refer to at least one of: top K targets with regard to L1-RSRP / SINR together with their predicted L1-RSRPs / SINRs, IDs of the top K targets with regard to L1-RSRP / SINR, probabilities of the target (s) being top1 / top K target (s) with regard to L1-RSRP / SINR together with their top K target IDs, or the like, where K may be a positive integer configured by the network or configured independent of signaling from the network (e.g., defined without signaling) .

[0082] The UE may be further scheduled by the network to measure a set of performance monitoring RSs associated with one or more of the set-Anetwork node Tx beams through various monitoring instances, and further calculate and feedback performance monitoring metrics and / or performance monitoring decisions based on particular performance monitoring metrics, taking measurements on the performance monitoring RSs at each monitoring instances together with the predicted channel characteristics on the prediction targets with regard to the prediction instance closest to the considered monitoring instance, into account. As used herein, RSs on the prediction targets that may allow the UE to measure the RSs to generate measured characteristic (also referred to as “measurements” or “measurement result” ) on the prediction targets may be referred to as “monitoring RS. ” The monitoring RSs may be carried in monitoring instances, which may be time instances for carrying RSs for prediction targets. In some aspects, each prediction target may be associated with a set of “monitoring instances. ” In some aspects, among all monitoring instances associated with a prediction target, a first subset of the monitoring instances may include actually transmitted RSs and a second subset of the monitoring instances may not include transmitted RSs (e.g., may be empty and there may be no RS transmitted in the monitoring instance) .

[0083] There may be different types of performance monitoring. A first type may be network-based performance monitoring where a UE feeds back raw monitoring metrics with regard to each monitoring instance. A second type may be hybrid performance monitoring where the UE feeds back statistical calculations of the raw monitoring metrics with regard to various monitoring instances. A third type may be UE-based performance monitoring where the UE feeds back whether the UE-side prediction is functioning good / bad, or may be activated / switched / deactivated, based on statistical / raw calculation (s) of the monitoring metrics.

[0084] As used herein, the term “monitoring metric” may refer to a metric that may be used for performance monitoring for prediction targets. In some aspects, a monitoring metric may be a difference between a reference measured characteristic and at least one other measured characteristic, the at least one other measured characteristic being associated with at least one prediction target of the set of prediction targets that is closest to a respective monitoring instance associated with the reference measured characteristic. In some aspects, the metric may be based on a difference between a reference measured characteristic (e.g., highest RSRP, highest SINR, highest CQI, or the like) and at least one other measured characteristic associated with at least one prediction target of the set of prediction targets that is closest to a respective monitoring instance associated with the reference measured characteristic. As an example, the monitoring metrics at a particular monitoring instance, may be calculated based at least on difference between the best actually measured channel characteristics on a monitoring RS associated with the monitoring instance, and actually measured same channel characteristics on the Top1 / K’ (K’ <K) prediction target associated with the prediction instance closest to the considered monitoring instance. Such actually measured channel characteristics include L1-RSRP, L1-SINR, BLER determined by L1-RSRP / SINR, or the like. As used herein, the term “channel characteristic” may refer to information with regard to measurements or predictions such as the top prediction targets with regard to RSRP / SINR based on measurements and their respective RSRP / SINR based on predictions, and associated IDs. For example, the associated IDs may refer to the IDs of the Top K target Set-Abeams with regard to L1-RSRP / SINR, probabilities of the target (s) being Top1 / Top K target (s) with regard to RSRP / SINR together with their Top K target IDs, and the like. As used herein, “monitoring” may refer to performance monitoring such as (1) network-based performance monitoring where UE feeds back (e.g., sends feedback indicating) raw monitoring metrics with regard to each monitoring instance, or raw measurement results on the performance monitoring RSs, (2) UE-assisted performance monitoring where UE feeds back statistical calculations of the raw monitoring metrics with regard to various monitoring instances, or (3) UE-based performance monitoring where UE feeds back whether the UE-side prediction is functioning good / bad, or may be activated / switched / deactivated, based on statistical / raw calculation (s) of the monitoring metrics.

[0085] The measurement resources and the prediction targets, along with an AI / ML model associated with the measurement resources and the prediction targets, may be associated with an associated ID. The associated ID may be a dataset, configuration, scenario, codebook, functionality, and model identifier that identifies network side additional conditions related with UE assumptions associated with AI / ML life cycle management including data collection, training, deployment, inference, performance monitoring, activation, deactivation, and switching. In some aspects, as long as the same associated ID is identified across training and inference, network side additional conditions may be assumed to be the same by the UE across training and inference. During the training stage, reference signal (s) such as a synchronization signal block (SSB) , a channel state information (CSI) -reference signal (CSI-RS) , or a demodulation reference signal (DM-RS) , may be transmitted on the measurement resources. Reference signal (s) may also be transmitted on the prediction targets during the training stage. During the prediction stage, reference signal (s) may be transmitted on the measurement resources and the UE may output prediction result (s) on the prediction target (s) based on a set of assumptions (e.g., generated or updated during the training stage) associated with the ID. In some aspects, each prediction result may be mapped to a particular beam ID or a set of beam IDs associated with the prediction target (s) . There may be several iterations of the prediction stage and each iteration may be a “prediction cycle. ”

[0086] In some aspects, network side additional conditions may include number (e.g., quantity) , ordering, or indexing of the measurement resources and the prediction targets. In some aspects, network side additional conditions may also include absolute or relative pointing directions (e.g., with regard to boresight direction relative to the center of Tx antenna panel) . In some aspects, network side additional conditions may also include beam shapes (e.g., angular specific beam forming gains) . In some aspects, network side additional conditions may also include quasi-co-location (QCL) relationships across or within the measurement resources or the prediction targets. In some aspects, network side additional conditions may also include temporal parameters (e.g., periodicity of the measurement resources or the prediction targets, target future occasions for temporal prediction, or the like) . QCL relationships may be specified in terms of QCL types. Regarding the QCL types, QCL type A may include the Doppler shift, the Doppler spread, the average delay, and the delay spread; QCL type B may include the Doppler shift and the Doppler spread; QCL type C may include the Doppler shift and the average delay; and QCL type D may include the spatial Rx parameters (e.g., associated with beam information such as beamforming properties for finding a beam) . In some aspects, network side additional conditions may impact UE side assumptions when a same associated ID, and may be received by the UE during training and inference.

[0087] Certain aspects and techniques as described herein may be implemented, at least in part, using an AI program, such as a program that includes a ML or artificial neural network (ANN) model. An example ML model may include mathematical representations or define computing capabilities for making inferences from input data based on patterns or relationships identified in the input data. As used herein, the term “inferences” can include one or more of decisions, predictions, determinations, or values, which may represent outputs of the ML model. The computing capabilities may be defined in terms of certain parameters of the ML model, such as weights and biases. Weights may indicate relationships between certain input data and certain outputs of the ML model, and biases are offsets which may indicate a starting point for outputs of the ML model. An example ML model operating on input data may start at an initial output based on the biases and then update its output based on a combination of the input data and the weights.

[0088] In some aspects, an ML model may be configured to provide computing capabilities for wireless communications. Such an ML model may be configured with weights and biases to perform spatial domain or temporal domain DL Tx beam prediction. Thus, during operation of a device, the ML model may receive input data (such as measurements on the measurement resources) and make inferences (such as spatial domain or temporal domain DL Tx beam prediction on the prediction targets, including reference signal received power (RSRP) or other metric prediction on the prediction targets) based on the weights and biases. ML models may be deployed in one or more devices (for example, network entities and user equipments (UEs) ) and may be configured to enhance various aspects of a wireless communication system. For example, an ML model may be trained to identify patterns or relationships in data corresponding to a network, a device, an air interface, or the like. An ML model may support operational decisions relating to one or more aspects associated with wireless communications devices, networks, or services. For example, an ML model may be utilized for supporting or improving aspects such as signal coding / decoding, network routing, energy conservation, transceiver circuitry controls, frequency synchronization, timing synchronization, channel state estimation, channel equalization, channel state feedback, modulation, demodulation, device positioning, beamforming, load balancing, operations and management functions, security, or the like.

[0089] ML models may be characterized in terms of types of learning that generate specific types of learned models that perform specific types of tasks. For example, different types of machine learning include supervised learning, unsupervised learning, semi-supervised learning, reinforcement learning, etc. ML models may be used to perform different tasks such as classification or regression, where classification refers to determining one or more discrete output values from a set of predefined output values, and regression refers to determining continuous values which are not bounded by predefined output values. Some example ML models configured for performing such tasks include ANNs such as convolutional neural networks (CNNs) and recurrent neural networks (RNNs) , transformers, diffusion models, regression analysis models (such as statistical models) , large language models (LLMs) , decision tree learning (such as predictive models) , support vector networks (SVMs) , and probabilistic graphical models (such as a Bayesian network) , or the like.

[0090] The description herein illustrates, by way of some examples, how one or more tasks or problems in wireless communications may benefit from the application of one or more ML models. For example, based on aspects provided herein, performance of beams may be predicted and the UE may be able to more efficiently perform beam management. To facilitate the discussion, an ML model configured using an ANN is used, but it may be understood, that other types of ML models may be used instead of an ANN. Hence, unless expressly recited, subject matter regarding an ML model is not necessarily intended to be an ANN solution without other solutions. Further, it may be understood that, unless otherwise specifically stated, terms such “AI / ML model, ” “ML model, ” “trained ML model, ” “ANN, ” “model, ” “algorithm, ” or the like are intended to be interchangeable.

[0091] FIG. 4 is an illustrative block diagram of an example machine learning (ML) model represented by an artificial neural network (ANN) , in accordance with various aspects of the present disclosure. ANN 400 may receive input data 406 which may include one or more bits of data 402, pre-processed data output from pre-processor 404 (optional) , or some combination thereof. Here, data 402 may include training data, verification data, application-related data, or the like, based, for example, on the stage of deployment of ANN 400. Pre-processor 404 may be included within ANN 400 in some other implementations. Pre-processor 404 may, for example, process all or a portion of data 402 which may result in some of data 402 being changed, replaced, deleted, etc. In some implementations, pre-processor 404 may add additional data to data 402. In some implementations, the pre-processor 404 may be a ML model, such as an ANN.

[0092] ANN 400 includes at least one first layer 408 of artificial neurons 410 to process input data 406 and provide resulting first layer data via connections or “edges” such as edges 412 to at least a portion of at least one second layer 414. Second layer 414 processes data received via edges 412 and provides second layer output data via edges 416 to at least a portion of at least one third layer 418. Third layer 418 processes data received via edges 416 and provides third layer output data via edges 420 to at least a portion of a final layer 422 including one or more neurons to provide output data 424. All or part of output data 424 may be further processed in some manner by (optional) post-processor 426. Thus, in certain examples, ANN 400 may provide output data 428 that is based on output data 424, post-processed data output from post-processor 426, or some combination thereof.

[0093] Post-processor 426 may be included within ANN 400 in some other implementations. Post-processor 426 may, for example, process all or a portion of output data 424 which may result in output data 428 being different, at least in part, to output data 424, as result of data being changed, replaced, deleted, etc. In some implementations, post-processor 426 may be configured to add additional data to output data 424. In this example, second layer 414 and third layer 418 represent intermediate or hidden layers that may be arranged in a hierarchical or other like structure. Although not explicitly shown, there may be one or more further intermediate layers between the second layer 414 and the third layer 418. In some implementations, the post-processor 426 may be a ML model, such as an ANN.

[0094] The structure and training of artificial neurons 410 in the various layers may be tailored to specific requirements of an application. Within a given layer such as first layer 408, second layer 414, or third layer 418 of ANN 400, some or all of the neurons may be configured to process information provided to the layer and output corresponding transformed information from the layer. For example, transformed information from a layer may represent a weighted sum of the input information associated with or otherwise based on a non-linear activation function or other activation function used to “activate” artificial neurons of a next layer. Artificial neurons in such a layer may be activated by or be responsive to parameters such as the previously described weights and biases of ANN 400. The weights and biases of ANN 400 may be adjusted during a training process or during operation of ANN 400. The weights of the various artificial neurons may control a strength of connections between layers or artificial neurons, while the biases may control a direction of connections between the layers or artificial neurons. An activation function may select or determine whether an artificial neuron transmits its output to the next layer or not in response to its received data.

[0095] Different activation functions may be used to model different types of non-linear relationships. By introducing non-linearity into an ML model, an activation function allows the configuration for the ML model to change in response to identifying or detecting complex patterns and relationships in the input data 406. Some non-exhaustive example activation functions include a sigmoid based activation function, a hyperbolic tangent (tanh) based activation function, a convolutional activation function, up-sampling, pooling, and a rectified linear unit (ReLU) based activation function.

[0096] Training of an ML model, such as ANN 400, may be conducted using training data. Training data may include one or more datasets which ANN 400 may use to identify patterns or relationships. Training data may represent various types of information, including written, visual, audio, environmental context, operational properties, etc. During training, the parameters (such as the weights and biases) of artificial neurons 410 may be changed, such as to minimize or otherwise reduce a loss function or a cost function. A training process may be repeated multiple times to fine-tune ANN 400 with each iteration.

[0097] Various ANN model structures are available for consideration. For example, in a feedforward ANN structure, each artificial neuron 410 in layer 414 receives information from the previous layer (such as, one or more artificial neurons 410 in layer 408) and produces information for the next layer (such as, one or more artificial neurons 410 in layer 418) . In a convolutional ANN structure, some layers may be organized into filters that extract features from data, such as the training data or the input data. In a recurrent ANN structure, some layers may have connections that allow for processing of data across time, such as for processing information having a temporal structure, such as time series data forecasting.

[0098] ANN 400 or other ML models may be implemented in various types of processing circuits along with memory and applicable instructions therein. For example, general-purpose hardware circuits, such as, such as one or more central processing units (CPUs) , one or more graphics processing units (GPUs) , or suitable combinations thereof, may be employed to implement a model. In some implementations, one or more tensor processing units (TPUs) , neural processing units (NPUs) , or other special-purpose processors, field-programmable gate arrays (FPGAs) , application-specific integrated circuits (ASICs) , or the like may also be employed. In some implementations, the ML model may be implemented by a NPU or a TPU embedded in a system on chip (SoC) along with other components, such as one or more CPUs, GPUs, etc. A SoC includes several components manufactured on a shared semiconductor substrate. The NPU or TPU may be controlled by the one or more CPUs by configuring the ML model implemented by the NPU or TPU with weights and biases, providing certain training data to the ML model to configure the ML model, or providing input data to the ML model to obtain related inferences. The one or more CPUs may also receive the inferences and be configured to perform certain actions based on the inferences produced by the ML model. The actions performed by the one or more CPUs may include sending commands to other components of the SoC or components external to the SoC to perform certain actions. For example, the CPU may send commands to a RF transceiver based on the outputs or inferences obtained from an ML model to cause the RF transceiver to operate on a wireless network in accordance with the ML model. For example, the UE may be more inclined to use a particular set of spatial filters from the prediction targets that are associated with a better performing metric during DL reception. As another example, the UE may also predict when may the DL transmission arrive (e.g., as part of the prediction result) and adjust its RF transceiver accordingly.

[0099] In example aspects, an ML model may be trained prior to, or at some point following, operation of the ML model, such as ANN 400, on input data. When training the ML model, information in the form of applicable training data may be gathered or otherwise created for use in training an ANN accordingly. For example, training data may be gathered or otherwise created regarding information associated with received / transmitted signal strengths, interference, and resource usage data, as well as any other relevant data that might be useful for training a model to address one or more problems or issues in a communication system. In certain instances, all or part of the training data may originate in a user equipment (UE) or other device in a wireless communication system, or one or more network entities, or aggregated from multiple sources (such as a UE and a network entity / entities, one or more other UEs, the Internet, or the like) . As a particular example, during the training stage, reference signals and measured metrics associated with the measurement resources or the prediction targets may be used as input for the model training. Offline training may refer to creating and using a static training dataset, such as, in a batched manner, whereas online training may refer to a real-time collection and use of training data. For example, an ML model at a network device (such as, a UE) may be trained or fine-tuned using online or offline training. For offline training, data collection and training can occur in an offline manner at the network side (such as, at a base station or other network entity) or at the UE side. For online training, the training of a UE-side ML model may be performed locally at the UE or by a server device (such as, a server hosted by a UE vendor) in a real-time or near-real-time manner based on data provided to the server device from the UE. Once an ANN has been configured by setting parameters, including weights and biases, from training data, the ANN’s performance may be evaluated. In some scenarios, evaluation / verification tests may use a validation dataset, which may include data not in the training data, to compare the model’s performance to baseline or other benchmark information. The ANN configuration may be further refined, for example, by changing its architecture, re-training it on the data, or using different optimization techniques, or the like.

[0100] As part of a training process, parameters affecting the functioning of the artificial neurons and layers may be adjusted. For example, backpropagation techniques may be used to train an ANN by iteratively adjusting weights or biases of certain artificial neurons associated with errors between a predicted output of the model and a desired output that may be known or otherwise deemed acceptable. Backpropagation may include a forward pass, a loss function, a backward pass, and a parameter update that may be performed in training iteration. The process may be repeated for a certain number of iterations for each set of training data until the weights of the artificial neurons / layers are adequately tuned. Backpropagation techniques associated with a loss function may measure how well a model is able to predict a desired output for a given input. An optimization algorithm may be used during a training process to adjust weights and biases as needed to reduce or minimize the loss function which should improve the performance of the model. There are a variety of optimization algorithms that may be used along with backpropagation techniques or other training techniques. Some initial examples include a gradient descent based optimization algorithm and a stochastic gradient descent based optimization algorithm. A stochastic gradient descent technique may be used to adjust weights / biases in order to minimize or otherwise reduce a loss function. A mini-batch gradient descent technique, which is a variant of gradient descent, may involve updating weights / biases using a small batch of training data rather than the entire dataset. A momentum technique may accelerate an optimization process by adding a momentum term to update or otherwise affect certain weights / biases. An adaptive learning rate technique may adjust a learning rate of an optimization algorithm associated with one or more characteristics of the training data. A batch normalization technique may be used to normalize inputs to a model in order to stabilize a training process and potentially improve the performance of the model. A “dropout” technique may be used to randomly drop out some of the artificial neurons from a model during a training process, for example, in order to reduce overfitting and potentially improve the generalization of the model. An “early stopping” technique may be used to stop an on-going training process early, such as when a performance of the model using a validation dataset starts to degrade. Another example technique includes data augmentation to generate additional training data by applying transformations to all or part of the training information. A transfer learning technique may be used which involves using a pre-trained model as a starting point for training a new model, which may be useful when training data is limited or when there are multiple tasks that are related to each other. A multi-task learning technique may be used which involves training a model to perform multiple tasks simultaneously to potentially improve the performance of the model on one or more of the tasks. Hyperparameters or the like may be input and applied during a training process in certain instances. Another example technique that may be useful with regard to an ANN is a “pruning” technique. A pruning technique, which may be performed during a training process or after a model has been trained, involves the removal of unnecessary or less necessary, or possibly redundant features from a model. In certain instances, a pruning technique may reduce the complexity of a model or improve efficiency of a model without undermining the intended performance of the model. One or more of the example training techniques presented above may be employed as part of a training process. Some example training processes that may be used to train an ANN include supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning technique. With supervised learning, a model is trained on a labeled training dataset, where the input data is accompanied by a correct or otherwise acceptable output. With unsupervised learning, a model is trained on an unlabeled training dataset, such that the model will need to learn to identify patterns and relationships in the data without the explicit guidance of a labeled training dataset. With semi-supervised learning, a model is trained using some combination of supervised and unsupervised learning processes, for example, when the amount of labeled data is somewhat limited. With reinforcement learning, a model may learn from interactions with its operation / environment, such as in the form of feedback akin to rewards or penalties. Reinforcement learning may be particularly beneficial when used to improve or attempt to optimize a behavior of a model deployed in a dynamically changing environment, such as a wireless communication network. Distributed, shared, or collaborative learning techniques may be used for the training process. For example, techniques such as federated learning may be used to decentralize the training process and rely on multiple devices, network entities, or organizations for training various versions or copies of a ML model, without relying on a centralized training mechanism. Federated learning may be particularly useful in scenarios where data is sensitive or subject to privacy constraints, or where it is impractical, inefficient, or expensive to centralize data. In the context of wireless communication, for example, federated learning may be used to improve performance by allowing an ANN to be trained on data collected from a wide range of devices and environments. For example, an ANN may be trained on data collected from a large number of wireless devices in a network, such as distributed wireless communication nodes, smartphones, or internet-of-things (IoT) devices, to improve the network's performance and efficiency. With federated learning, a user equipment (UE) or other device may receive a copy of all or part of a global or shared model and perform local training on the local model using locally available training data. The UE may provide update information regarding the locally trained model to one or more other devices (such as a network entity or a server) where the updates from other-like devices (such as other UEs) may be aggregated and used to provide an update to global or shared model. A federated learning process may be repeated iteratively until all or part of a model obtains a satisfactory level of performance. Federated learning may enable devices to protect the privacy and security of local data, while supporting collaboration regarding training and updating of all or part of a shared model.

[0101] In some implementations, one or more devices or services may support processes relating to a ML model’s usage, maintenance, activation, reporting, or the like. In certain instances, all or part of a dataset or model may be shared across multiple devices, to provide or otherwise augment or improve processing. In some examples, signaling mechanisms may be utilized at various nodes of wireless network to signal the capabilities for performing specific functions related to ML model, support for specific ML models, capabilities for gathering, creating, transmitting training data, or other ML related capabilities. ML models in wireless communication systems may, for example, be employed to support decisions or improve performance relating to wireless resource allocation or selection, wireless channel condition estimation, interference mitigation, beam management, positioning accuracy, energy savings, or modulation or coding schemes, etc. In some implementations, model deployment may occur jointly or separately at various network levels, such as, a UE, a network entity such as a base station, or a disaggregated network entity such as a central unit (CU) , a distributed unit (DU) , a radio unit (RU) , or the like.

[0102] FIG. 5 is an illustrative block diagram of an example ML architecture 500 that may be used for wireless communications in any of the various implementations, processes, environments, networks, or use cases, in accordance with various aspects of the present disclosure. As illustrated, architecture 500 includes multiple logical entities, such as model training host 502, model inference host 504, data source (s) 506, and agent 508. Model inference host 504 is configured to run an ML model based on inference data 512 provided by data source (s) 506. Model inference host 504 may produce output 514, which may include a prediction or inference, such as a discrete or continuous value based on inference data 512, which may then be provided as input to the agent 508. Agent 508 may represent an element or an entity of a wireless communication system including, for example, a radio access network (RAN) , a wireless local area network, a device-to-device (D2D) communications system, etc. As an example, agent 508 may be an UE, such as the UE 104 in FIG. 1. Additionally, agent 508 also may be a type of agent that depends on the type of tasks performed by model inference host 504, the type of inference data 512 provided to model inference host 504, or the type of output 514 produced by model inference host 504. Agent 508 may perform one or more actions associated with receiving output 514 from model inference host 504. For example, if the agent 508 determines to change or modify a transmit or receive beam for a communication between agent 508 and the subject of action 510, agent 508 may adjust reception beam. As an example, agent 508 may be a UE and output 514 from model inference host 504 may one or more predicted channel characteristics for one or more beams. For example, model inference host 504 may predict channel characteristics for a set of beam based on the measurements of another set of beams. Based on the predicted channel characteristics, agent 508, the UE, may send, to the BS, a request to switch to a different beam for communications. In some cases, agent 508 and the subject of action 510 are the same entity. Data can be collected from data sources 506, and may be used as training data 516 for training an ML model, or as inference data 512 for feeding an ML model inference operation. Data sources 506 may collect data from various subject of action 510 entities (such as, the UE or the network entity) , and provide the collected data to a model training host 502 for ML model training. As an example, the data collected may include measured metrics associated with the measurement resources or the prediction targets.

[0103] Model training host 502 may be deployed at the same or a different entity than that in which model inference host 504 is deployed. For example, in order to offload model training processing, which can impact the performance of model inference host 504, model training host 502 may be deployed at a model server.

[0104] FIG. 6 is an illustrative block diagram 600 of an example ML architecture of first wireless device 602 in communication with second wireless device 604, in accordance with various aspects of the present disclosure. First wireless device 602 may be, or may include, a chip, system on chip (SoC) , chipset, package or device that includes one or more processors, processing blocks or processing elements (collectively “processor 610” ) and one or more memory blocks or elements (collectively “memory 620” ) . Processor 610 may be coupled to transceiver 640, which includes radio frequency (RF) circuitry 642 coupled to antennas 646 via interface 644, for transmitting or receiving signals.

[0105] One or more ML models 630 (collectively “ML model 630” ) may be stored in memory 620 and accessible to processor (s) 610. Individual or groups of ML models 630 may be associated with respective model identifiers. In some aspects, different ML models 630, which may optionally be associated with different model identifiers, may have different characteristics. One or more ML models 630 may be selected based on respective features, characteristics, or applications, as well as characteristics or conditions of first wireless device 602 (such as, a power state, a mobility state, a battery reserve, a temperature, etc. ) . For example, ML models 630 may have different inference data and output pairings (such as, different types of inference data produce different types of output) , different levels of accuracies associated with the predictions, different latencies associated with producing the predictions, different ML model sizes, different coefficients, different parameters, or the like.

[0106] Processor 610 may deploy ML models 630 to produce respective output data based on input data. For example, the ML models 630 may output predicted metric (s) , such as predicted reference signal received power (RSRP) or other metrics associated with prediction target (s) based on measurements on the measurement resources. In some aspects, model server 650 may perform various ML management tasks for first wireless device 602 and / or second wireless device 604. For example, model server 650 may host various types and / or versions of ML models 630 for first wireless device 602 and / or second wireless device 604 to download. Model server 650 may monitor and evaluate the performance of ML model 630. Model server 650 may transmit signals or provide indications / instructions to activate or deactivate the use of a particular ML model at first wireless device 602 or second wireless device 604. Model server 650 may switch to a different ML model being used at first wireless device 602 or second wireless device 604, and model server 650 may provide such an instruction to the respective first wireless device 602 or second wireless device 604. Model server 650 may operate as a model training host (such as model training host 502) and update ML model 630 using training data. In some cases, the model server 650 may operate as a data source (such as data source 506) to collect and host training data, inference data, performance feedback, etc., associated with ML model 630.

[0107] FIG. 7 is a diagram 700 illustrating an example of measurement resources and prediction targets. As illustrated in FIG. 7, a set of measurement resources 702, which may be CSI-RS resource set or a different type of prediction resource set, may include 32 narrow beams. The set of prediction targets 704 may include SSB resource set based on 8 wide-beams. Various types of parameter consistency across training and inference with regard to a same ID may be maintained. For example, quantity consistency such that the same quantities of SSBs, CSI-RSs, or other resources configured as measurement resources and prediction targets are expected across different groups of resources during training stage and inference stage. As another example, beam consistency such that relative pointing direction and beam width difference between physical beams with regard to different resources may remain the same across different SSB resource sets for different groups of resources during training stage and inference stage, across the CSI-RS resource set for training and the prediction resource set for inference. In some aspects, a Type D QCL consistency may be used. For example, if the jth resource in a first group of resources in the training stage has a Type D QCL relationship with the kth resource in a second group of resources in the training stage, it may also be expected that the jth resource in a third group of resource in the inference stage has a Type D QCL relationship with the kth resource in the fourth group of resources in the inference stage. As another example, in some aspects, transmit power (s) associated with each resource associated with each measurement resource or prediction target associated with a same ID during inference and training may be within a same transmit power level range. Given a same ID, resource-wise quantity, order, Type D-QCL, beam-shape, transmit power level range, may be consistent across training and inference.

[0108] FIG. 8 is a diagram 800 illustrating an example of data collection. As illustrated in FIG. 8, a first sample 802, a second sample 804, a kth sample 806, and a kth+1 sample 808 may be sampled based on a periodicity. An example of data collected within the kth sample 806 is provided below:

[0109] The collected data may be used in online model training or offline model training. As an example, model training may be associated with each particular ID such that the model may be different for each ID. FIG. 9 is a diagram 900 illustrating an example of model training associated with a particular ID X. As illustrated in FIG. 9, layer 1(L1) -RSRPs of SSBs 902 (e.g., associated with the particular ID X) may be used as an input, and the input features 904, which may include an nth input feature 904n, may be generated based on the L1-RSRPs of SSBs 902. The input features 904 may be used as an input for AI / ML model 910 for the particular ID X. The AI / ML model 910 for the particular ID X may output a set of output features 914, which may include an nth output feature 914n. The set of output features 914 may be prediction results with respect to pulse repetitive intervals (PRI) 912 equal to a particular number.

[0110] For beam management, DL Tx beam prediction for both UE-sided model and NW-sided model may be used. For example, spatial DL Tx beam prediction for Set A of beams based on measurement results of Set B of beams may be performed. As another example, temporal DL Tx beam prediction for Set A of beams based on the historic measurement results of Set B of beams may be performed. Predictive beam management may provide many benefits. For example, prediction of non-measured beam qualities may enable lower power / overhead or better accuracy and predict future beam blockage / failure may lead to better latency / throughput. Beam prediction may be a highly non-linear because predicting future Tx beam qualities may depend on UE’s moving speed / trajectory, Rx beams used or to be used, interference, or the like. Predictions at the UE or the network node may be a trade off of performance and power. In order to predict future DL-Tx beam qualities, UE has more observations (via measurements) than the network node, but UE may have less power or capacity than a network node. Training at network may involve data collection via air interface or via application-layer approaches. Training at UE may involve UE computation / buffering efforts to facilitate training.

[0111] FIG. 10 is a diagram 1000 illustrating an example of beams (e.g., which may be referred to as spatial directions) , including a first beam 1001, a second beam 1002, a third beam 1003, a fourth beam 1004, a fifth beam 1005, a sixth beam 1006, a seventh beam 1007, and an eighth beam 1008, in accordance with various aspects of the present disclosure. Each beam of the set of beams may be associated with a CSI-RS or SSB resource ID and may be associated with measured or reported L1 RSRPs. Based on a time series of L1 RSRPs that includes L1 RSRPs reported by UE or measured by UE as input, the model may be able to output (1) predicted L1 RSRPs in a different time instance (e.g., in the future) , (2) predict candidate beam (s) , or (3) predict beam failure / blockage, which may result in a reduced UE power consumption or RS overhead and better latency or throughput.

[0112] In some communication systems, a TCI state switch timeline may allow UE with additional (e.g., eight) samples to sweep its RX beams if it has not measured the corresponding reference signal recently (which may be related to whether the UE is aware, partially aware, or unaware of the RX beam base on whether there is or how long has passed since the last measurement of the corresponding reference signal) . A UE may be allowed or not allowed additional samples for RX beams in the following situations, which may be standalone or co-exist: (1) UE measured set-B and set-Aduring training, (2) UE measured set-B, but not set-A, during testing, (3) UE predicted TX beam from set-Athrough inference, or (4) network switched TCI state to a TX beam of set-A.

[0113] FIG. 11A is a diagram 1100 illustrating an example where measurement resources are a subset of prediction targets, in accordance with various aspects of the present disclosure. As illustrated in FIG. 11A, in some scenarios, the set-B beams 1102, which is an input for the AI / ML model 1104, may be less than the quantity of beams in the set-Abeams 1106 and may be a subset of the set-Abeams 1106.

[0114] FIG. 11B is a diagram 1150 illustrating an example of wide to narrow beam prediction, in accordance with various aspects of the present disclosure. As illustrated in FIG. 11B, in some scenarios, the set-B beams 1152, which is an input for the AI / ML model 1154, may be wide beams that may be spatially overlapping with the set of set-A beams 1156, which may be narrow beams.

[0115] A TCI state may be considered to be known by the UE (UE is aware of the TCI state) if the following conditions are met: TCI state switch command is received within a defined period of time (e.g., 1280 ms) upon the last transmission of the RS resource for beam reporting or measurement, the UE has sent at least one L1 RSRP report for the target TCI state before the TCI state switch command, the TCI state remains detectable during the TCI state switching period (i.e., from the slot carrying the TCI-state activation MAC-CE to TCI switching completion) , the SSB associated with the TCI state remain detectable during the TCI switching period (e.g., SNR of the TCI state ≥ -3dB) . If at least one condition is not met, the TCI state may be unknown to the UE. Based on how many conditions are met, the UE may be considered to partially know (be partially aware of) of the TCI state. A RS may be considered to be detectable if the UE may be able to detect the RS if the RS is transmitted, but the RS may or may not be actually transmitted. FIG. 12 is a diagram 1200 illustrating an example timeline associated with transmission configuration indicator (TCI) state switching, in accordance with various aspects of the present disclosure. For a CSI-RS 1202, the CSI-RS may be associated with a reported L1 RSRP 1206 included in a L1 RSRP report 1204 from the UE to the network. The UE may later receive a TCI state activation MAC-CE 1210 from the network, which may indicate whether the first TCI state 1210A, the second TCI state 1210B, the third TCI state 1210C, or the fourth TCI state 1210D is activated. The third TCI state 1210C may be associated with the CSI-RS 1202. The UE may also receive a TCI switch command in the form of a downlink control information (DCI) , which may be DL grant DCI 1212 that indicates application of the third TCI state 1210C (switching to the third TCI state 1210C) , which may also schedule a PDSCH 1214. After receiving the DL grant DCI 1212, the UE may also accordingly receive the PDSCH 1214 after applying the third TCI state 1210C. A TCI switching period may be the time between the beginning of the TCI state activation MAC-CE 1210 that activates the TCI state used in the reception of the PDSCH 1214. And the beginning of the PDSCH 1214.

[0116] If the target TCI state is known, upon receiving PDSCH carrying MAC-CE activation command in slot n, UE may be able to receive PDCCH with target TCI state of the serving cell on which TCI state switch occurs at the first slot that is after slot n+ THARQ + (3ms +TOk* (Tfirst-SSB + TSSB-proc) )  / NR slot length. The UE may be able to receive PDCCH with the old TCI state until slot n+ THARQ + 3ms. Tfirst-SSB is time to first SSB transmission after MAC CE command is decoded by the UE; the SSB may be the QCL-TypeA or QCL-TypeC to target TCI state. TSSB-proc may be the time to process SSB and may be 2ms. TOk = 1 if target TCI state is not in the active TCI state list for PDSCH, 0 otherwise.

[0117] FIG. 13A is a diagram 1300 illustrating an example timeline in a scenario where the target TCI state is known (e.g., by the UE) , in accordance with various aspects of the present disclosure. The TCI state activation MAC-CE 1302 may be received by the UE, and the UE may transmit ACK 1304. The time between the TCI state activation MAC-CE 1302 and the ACK 1304 may be T HARQ. After 3 ms and the Tfirst-SSB, the UE may receive SSB 1306 associated with the TCI-state activated by the TCI state activation MAC-CE 1302. The UE may then receive a DCI 1308 that applies a particular TCI state and schedules PDSCH 1310 based on that TCI state.

[0118] If the target TCI state is unknown, upon receiving PDSCH carrying MAC-CE activation command in slot n, UE may be able to receive PDCCH with target TCI state of the serving cell on which TCI state switch occurs at the first slot that is after slot n+ THARQ + (3ms + TL1 RSRP +TOuk* (Tfirst-SSB+ TSSB-proc) )  / NR slot length. The UE may be able to receive PDCCH with the old TCI state until slot n+ THARQ + (3 ms+ TL1 RSRP +TOuk*Tfirst-SSB)  / NR slot length. TL1 RSRP is the time for L1 RSRP measurement for Rx beam refinement in FR2, defined as periodicity of the SSB / CSI-RS with regard to the TCI-state. TL1-RSPR_Measurement_Period_SSB for SSB and TL1 RSRP_Measurement_Period_CSI-RS for CSI-RS may be particular measurement period defined for SSB and CSI-RS. TOuk = 1 for CSI-RS based L1 RSRP measurement, and 0 for SSB based L1 RSRP measurement when TCI state switching involves QCL-TypeD. TOuk = 1 when TCI state switching involves other QCL types.

[0119] FIG. 13B is a diagram 1330 illustrating an example timeline in a scenario where the target TCI state is associated with a synchronization signal block (SSB) and is unknown to the UE, in accordance with various aspects of the present disclosure. The TCI state activation MAC-CE 1332 may be received by the UE, and the UE may transmit ACK 1334. The time between the TCI state activation MAC-CE 1332 and the ACK 1334 may be T HARQ. After 3 ms and the TL1 RSRP, the UE may receive a DCI 1338 that applies a particular TCI state and schedules PDSCH 1340 based on that TCI state.

[0120] FIG. 13C is a diagram 1350 illustrating an example of an example timeline in a scenario where the target TCI state is associated with channel state information (CSI) reference signal (CSI-RS) and unknown, in accordance with various aspects of the present disclosure. The TCI state activation MAC-CE 1352 may be received by the UE, and the UE may transmit ACK 1354. The time between the TCI state activation MAC-CE 1352 and the ACK 1354 may be T HARQ. After 3 ms and the Tfirst-SSB, the UE may receive SSB 1356 associated with the TCI-state activated by the TCI state activation MAC-CE 1352. The UE may then receive a DCI 1358 that applies a particular TCI state and schedules PDSCH 1360 based on that TCI state.

[0121] In some aspects, TL1-RSRP =TL1-RSPR_Measurement_Period_SSB for SSB with the assumption of M=1 &N=8 (UE reception beam sweeping factor) in the following table: Table 2

[0122] TL1 RSRP_Measurement_Period_SSB is the measurement period for the RSRP in milliseconds. For a UE that does not use DRX, max (TReport, ceil (M*P*N) *TSSB) where M is assumed to be 1, P defining measurement periodicity, and N representing the SSB cycles for refining the UE’s Rx beam, and TSSB representing the periodicity of the SSB index are defined. TDRX represents the DRX cycle length.

[0123] TL1 RSRP_Measurement_Period_CSI-RS for CSI-RS may be configured with higher layer parameter repetition set on with the assumption of M=1 for periodic CSI-RS for aperiodic CSI-RS if number of resources in resource set at least equal to MaxNumberRxBeam and maxNumberRxBeam may be RRC configured per band and can be varied from 2 to 8, based on the table below: Table 3

[0124] In some aspects, activation of N TCI States (where N is an integer number) may be used and Life Cycle Management (LCM) may also be used.

[0125] With regard to the timeline, in some aspects, UE may have already predicted channel characteristics regarding a certain SSB / CSI-RS and proper Rx spatial filter (with regard to QCL-TypeA / C / D) related to such SSB / CSI-RS, without actually measuring it.For example, for TD beam prediction, the UE can predict future L1 RSRPs regarding SSBs, and may optionally report the predicted L1 RSRPs without actually measuring them. In some aspects, for SD beam prediction, the UE can predict L1 RSRPs associated with CSI-RSs (with periodicity=2000ms) based on SSBs (with periodicity=20ms) , without measuring the CSI-RSs very frequently. Such cases may be considered to be unknown TCI-states, but some latencies may be appropriately not used for predictive beam management. Aspects provided herein may enable the UE and the network to consider different scenarios with regard to the awareness status of the TCI state, and act accordingly.

[0126] In some aspects, the network may configure different sets of functionalities (e.g., association IDs, models, etc. ) during RRC reconfiguration and the UE may convey different statuses regarding RX beam of predicted TX beam for different sets of functionalities. The network and the UE may define a common understanding of TCI state switch delay based on UE reporting. In some aspects, the UE may report that it knows an RX beam based on a predicted TX beam. For example, for association ID 1, the UE may report that it “fully knows” an RX beam of a predicted TX beam. In association ID 1, #of set-Abeams (e.g., 32) might be close to that of set-B beams (e.g., 16) and UE may not use an additional RX beam sweep. In some aspects, the UE may report that it partially knows an RX beam based on a predicted TX beam. As a second example, for association ID 2, the UE may report that it “partially knows” about the UE RX beam of a predicted TX beam, and the UE may use a number of (e.g., 2) samples of a reference signal to sweep its RX beams after the TCI state switches to the corresponding TX beam. For example, in association ID 2, a number of set-Abeams (64) might be reasonably higher than that of the set-B beams (16) , and the UE sweeps its 2 RX beams for the predicted TX beam. In some aspects, the UE may report that it does not know a UE RX beam based on a predicted TX beam. As a third example, for association ID 3, the UE may report that it does not know the UE RX beam of the predicted TX beam, and the UE may use a (e.g., 8) samples of a reference signal to sweep its RX beams after the TCI state switches to the corresponding TX beam. In association ID 3, a number of set-Abeams (e.g., 64) might be much greater than that of set-B beams (e.g., 8) , and the UE may sweep its RX beams for the predicted TX beam. After a TCI state switch, the network may transmit a number of reference signals before scheduling control / data transmissions for the UE, and the quantity, or number, of reference signals that are transmitted may depend on the UE’s conveyed statuses.

[0127] In some aspects, the network conveys to the UE regarding the quantity of reference signals that UE can use to measure set-B beams during inference, e.g., in a first RRC reconfiguration or a second RRC reconfiguration. The UE may convey a status regarding RX beam of a predicted TX beam from set-Abased on the measurement duration of set-B’s reference signals. The UE may use a quantity of RX beams that depends on the measurement period of set-B beams. For example, if the set-B measurement period is long, the UE may have a better understanding of its RX beams. The UE may use fewer RX beam sweeps for a predicted TX beam of set-A. In some aspects, after a TCI state switch, the network transmits a number of reference signals before schedules control / data where the quantity of reference signals depends on UE’s conveyed statuses. In some aspects, the UE initially reports one type of status regarding the knowledge of its RX beam for predicted TX beam of set-A. During LCM, the network monitors the UE’s performance after a TCI state switch timeline or time period. Based on the UE’s performance, the network may classify the UE with a different status regarding its knowledge of RX beams. For example, the UE may initially report that it uses 2 Rx beam sweeps for a predicted TX beam of set-A. Based on the UE performance during LCM, the network may realize that the UE may refine its RX beams further (e.g., based on 4 beam sweeps) . The network may monitor for, or assess UE performance based on, PDCCH mis-detection, PDSCH / PUSCH block error rate (BLER) , quantity of HARQ reTX, or the like. After a TCI state switch, the network transmits a number of reference signals before scheduling control / data transmissions to the UE, where the number depends on the network’s re-classification of the UE’s status regarding its RX beam knowledge.

[0128] In some aspects, the UE reports a capability regarding the status of its RX beams for N future instances, where N is an integer number. The switching delay of each of the N future TCI states may depend on the UE’s reported capability. For example, the UE may report “known” for the first two future instances, “partially known with a 2 Rx beam sweep” for the next four instances and “unknown” (involving 8 RX beam sweep) for the remaining instances.

[0129] In some aspects, the UE’s reported capability may depend on, or be associated with, a functionality ID (association ID, model ID, etc. ) and a measurement duration of reference signals. In some aspects, the network may re-classify the UE with a different status regarding its RX beam for each of N future instances based on UE’s performance during LCM.

[0130] FIG. 14 is a diagram 1400 illustrating example communications between at least one network node 1404 and a UE 1402, in accordance with various aspects of the present disclosure. In some aspects, the network node 1404 may transmit a capability enquiry 1412 to the UE 1402 and the UE may report capability information 1414 back. The capability information 1414 may include capability information regarding the status of its RX beams for N future instances. In some aspects, the capability enquiry 1412 may be a UECapabilityEnqiry message to initiate the procedure to a UE reporting its AI / ML supported functionalities. In some aspects, the capability information 1414 may be a UECapablityInformation message that includes supported functionalities at the UE side.

[0131] Based on the reported capability, in RRC reconfiguration 1416, the at least one network node 1404 may configure a set of RSs. The UE 1402 may perform applicability functionality reporting 1418 which may covey different statuses regarding RX beam of predicted TX beam, as described previously. In some aspects, the RRC reconfiguration 1416 may include configurations such as: (1) UE is allowed to do UAI reporting via a configuration (e.g., OtherConfig) ; (2) network may provide information on NW-side additional condition; (3) configuration (e.g. inference configuration) of supported functionalities.

[0132] In some aspects, the applicability functionality reporting 1418 may be based on the UE 1402 deciding the applicable functionalities based on NW-side conditions (if provided) , UE-side conditions (known by UE) and model availability at the device. In some aspects, the applicability functionality reporting 1418 may be based on the following scenarios: (1) upon being configured to provide applicable functionality and upon change of applicable functionality via UAI; or (2) as response to NW-side additional condition requesting applicable functionality reporting, or another type of configuration.

[0133] In some aspects, instead of or in addition to reporting the capability in the capability information 1414, the UE 1402 may report capability with regard to different applicability functionalities in 1418. The network may then configure RSs based on the applicability functionality reporting 1418 in the RRC reconfiguration 1420. Based on the different RSs, at 1422, the UE and the network may perform activation of TCI state, deactivation, inference, and monitoring of UE performance. In some aspects, after the TCI state switch, the at least one network node 1404 may transmit a set of RSs 1426 to the UE 1402 before transmitting scheduling information 1428 of control channel or data channel. A quantity of the set of RSs 1426 may be based on the statuses, a reclassification of the UE’s status regarding knowledge of Rx beam, or a request 1424 from the UE 1402. In some aspects, the request 1424 may be a signal that indicates the requested number of RX beams for the predicted TX beam of set-A based on current channel conditions (e.g., SNR, SINR, RSRP, RSRQ, or the like) . The requested number may be dynamically changed based on the channel condition. As an example, in high SNR, picking the best RX beam for the predicted TX beam may not be too relevant because the next best RX beam may still be good enough. However, in low SNR, picking the best performing RX beam may be more important to ensure performance (e.g., avoiding beam failure or RLF) . In some aspects, a few dBs may have a higher influence on throughput for low SNR regions. In some aspects, after TCI state switch, the network transmits a number of reference signals before schedules control / data, where the number depends on UE’s recently reported requested number of RX beams for the predicted TX beam.

[0134] In some aspects, the capability regarding a status of the UE’s RX beams for N future instances may be conveyed at 1418, because this capability may be associated with an applicable functionality.

[0135] In some aspects, in the RRC reconfiguration 1420, the network may configure an inference configuration to UE after applicable functionality reporting, if inference configuration based on supported functionality is not provided previously. In some aspects, if the inference configuration based on the supported functionality is previously provided, an updated configuration may be included or not included in the RRC reconfiguration 1420 for the UE. The term “functionality” may refer to supported functionalities related to UE-capability information / parameters with regard to AI / ML, or applicable functionalities based on CSI report configuration (e.g., indicated by CSI-ReportConfig) for inference configuration or a set of inference related parameters or information / parameters indicated by UE. Activated functionalities may be enabled based on CSI framework.

[0136] FIG. 15 is a flowchart 1500 of a method of wireless communication. The method may be performed by a UE (e.g., the UE 104, the UE 1402; the apparatus 1604) . Aspects provided herein may enable the user equipment and the network to consider different scenarios with regard to the awareness status of the transmission configuration indicator (TCI) state, and act accordingly.

[0137] At 1502, the UE may receive, from at least one network node, at least one RS associated with an ID. For example, the UE 1402 may receive, from at least one network node, at least one RS (e.g., in 1416) associated with an ID. In some aspects, 1502 may be performed by prediction component 198.

[0138] At 1504, the UE may transmit, to the at least one network node, information regarding TCI switch awareness status associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one prediction target or at least one measurement resource (e.g., one or more combinations of at least one measurement resource or at least one prediction target) based on a set of assumptions associated with the ID. For example, the UE 1402 may transmit, to the at least one network node 1404, information regarding TCI switch awareness status (e.g., in 1418) associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one prediction target or at least one measurement resource (e.g., one or more combinations of at least one measurement resource or at least one prediction target) based on a set of assumptions associated with the ID. In some aspects, 1504 may be performed by prediction component 198. In some aspects, RSs, whether for measurement resource or prediction target, may be associated with the ID based on respective spatial filter associated with the RSs.

[0139] In some aspects, the TCI switch awareness status for the ID indicates whether the UE is fully aware of at least one reception spatial filter associated with the at least one prediction target, partially aware of the at least one reception spatial filter associated with the at least one prediction target, or unaware of the at least one reception spatial filter associated with the at least one prediction target. In some aspects, the ID is associated with a functionality. In some aspects, the UE may receive a configuration of the functionality during a radio resource control (RRC) reconfiguration. In some aspects, the UE may receive, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, where a quantity of the set of RSs is based on the TCI switch awareness status. In some aspects, the UE may receive, from the at least one network node, a quantity of the at least one RS, where the at least one RS is for measurement during an inference stage associated with the at least one ID. In some aspects, the UE may receive, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, where a quantity of the set of RSs is based on the TCI switch awareness status and the measurement duration. In some aspects, the information regarding the measurement duration associated with the at least one RS includes the TCI switch awareness status, where the TCI switch awareness status is regarding at least one reception spatial filter associated with the at least one prediction target based on the measurement duration. In some aspects, the UE may transmit, to the at least one network node, at least one capability regarding prediction and awareness associated with a quantity of future instances. In some aspects, the at least one capability is associated with the ID and the measurement duration. In some aspects, a TCI switch delay associated with the UE is based on the at least one capability.

[0140] At 1512, the UE may transmit, to at least one network node, a type of status regarding a knowledge of at least one reception spatial filter associated with at least one prediction target. For example, the UE 1402 may transmit, to at least one network node 1502, a type of status (e.g., in 1418) regarding a knowledge of at least one reception spatial filter associated with at least one prediction target. In some aspects, 1512 may be performed by prediction component 198.

[0141] At 1514, the UE may receive, from the at least one network node after a TCI switch, at least one RS associated with an ID, a quantity of the at least one RS being based on a reclassification associated with the type. For example, the UE 1402 may receive, from the at least one network node after a TCI switch, at least one RS (e.g., in 1420) associated with an ID, a quantity of the at least one RS being based on a reclassification associated with the type. In some aspects, 1514 may be performed by prediction component 198.

[0142] In some aspects, the UE may transmit, to the at least one network node, at least one capability regarding prediction and awareness associated with a quantity of future instances. In some aspects, the at least one capability is associated with the ID and the measurement duration. In some aspects, a TCI switch delay associated with the UE is based on the at least one capability.

[0143] At 1522, the UE may transmit, to at least one network node, a requested quantity of reception spatial filters associated with at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition. For example, the UE 1402 may transmit, to at least one network node 1404, a requested quantity of reception spatial filters (e.g., 1424) associated with at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition. In some aspects, 1522 may be performed by prediction component 198.

[0144] At 1524, the UE may receive, from the at least one network node after a transmission configuration indicator (TCI) switch, a set of reference signals (RSs) that is based on the requested quantity of reception spatial filters associated with at least one prediction target. For example, the UE 1402 may receive, from the at least one network node after a TCI switch, a set of RSs (e.g., 1426) that is based on the requested quantity of reception spatial filters associated with at least one prediction target. In some aspects, 1524 may be performed by prediction component 198.

[0145] In some aspects, the UE may receive, after the TCI switch from the at least one network node and reception of the set of RSs, scheduling information of a control channel or a data channel. In some aspects, the set of RSs and the at least one prediction target is associated with a same associated identifier (ID) .

[0146] FIG. 16 is a diagram 1600 illustrating an example of a hardware implementation for an apparatus 1604. The apparatus 1604 may be a UE, a component of a UE, or may implement UE functionality. In some aspects, the apparatus1604 may include at least one cellular baseband processor 1624 (also referred to as a modem) coupled to one or more transceivers 1622 (e.g., cellular RF transceiver) . The cellular baseband processor (s) 1624 may include at least one on-chip memory 1624'. In some aspects, the apparatus 1604 may further include one or more subscriber identity modules (SIM) cards 1620 and at least one application processor 1606 coupled to a secure digital (SD) card 1608 and a screen 1610. The application processor (s) 1606 may include on-chip memory 1606'. In some aspects, the apparatus 1604 may further include a Bluetooth module 1612, a WLAN module 1614, an SPS module 1616 (e.g., GNSS module) , one or more sensor modules 1618 (e.g., barometric pressure sensor  / altimeter; motion sensor such as inertial measurement unit (IMU) , gyroscope, and / or accelerometer (s) ; light detection and ranging (LIDAR) , radio assisted detection and ranging (RADAR) , sound navigation and ranging (SONAR) , magnetometer, audio and / or other technologies used for positioning) , additional memory modules 1626, a power supply 1630, and / or a camera 1632. The Bluetooth module 1612, the WLAN module 1614, and the SPS module 1616 may include an on-chip transceiver (TRX) (or in some cases, just a receiver (RX) ) . The Bluetooth module 1612, the WLAN module 1614, and the SPS module 1616 may include their own dedicated antennas and / or utilize the antennas 1680 for communication. The cellular baseband processor (s) 1624 communicates through the transceiver (s) 1622 via one or more antennas 1680 with the UE 104 and / or with an RU associated with a network entity 1602. The cellular baseband processor (s) 1624 and the application processor (s) 1606 may each include a computer-readable medium  / memory 1624', 1606', respectively. The additional memory modules 1626 may also be considered a computer-readable medium  / memory. Each computer-readable medium  / memory 1624', 1606', 1626 may be non-transitory. The cellular baseband processor (s) 1624 and the application processor (s) 1606 are each responsible for general processing, including the execution of software stored on the computer-readable medium  / memory. The software, when executed by the cellular baseband processor (s) 1624  / application processor (s) 1606, causes the cellular baseband processor (s) 1624  / application processor (s) 1606 to perform the various functions described supra. The computer-readable medium  / memory may also be used for storing data that is manipulated by the cellular baseband processor (s) 1624  / application processor (s) 1606 when executing software. The cellular baseband processor (s) 1624  / application processor (s) 1606 may be a component of the UE 350 and may include the at least one memory 360 and / or at least one of the TX processor 368, the RX processor 356, and the controller / processor 359. In one configuration, the apparatus 1604 may be at least one processor chip (modem and / or application) and include just the cellular baseband processor (s) 1624 and / or the application processor (s) 1606, and in another configuration, the apparatus 1604 may be the entire UE (e.g., see UE 350 of FIG. 3) and include the additional modules of the apparatus 1604.

[0147] As discussed supra, the prediction component 198 may be configured to receive, from at least one network node, at least one reference signal (RS) associated with an identifier (ID) . In some aspects, the prediction component 198 may be further configured to transmit, to the at least one network node, information regarding transmission configuration indicator (TCI) switch awareness status associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one prediction target based on a set of assumptions associated with the ID. In some aspects, the prediction component 198 may be configured to transmit, to at least one network node, a type of status regarding a knowledge of at least one reception spatial filter associated with at least one prediction target. In some aspects, the prediction component 198 may be further configured to receive, from the at least one network node after a transmission configuration indicator (TCI) switch, at least one reference signal (RS) associated with an identifier (ID) , a quantity of the at least one RS being based on a reclassification associated with the type. In some aspects, the prediction component 198 may be configured to transmit, to at least one network node, a requested quantity of reception spatial filters associated with at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition. In some aspects, the prediction component 198 may be configured to receive, from the at least one network node after a transmission configuration indicator (TCI) switch, a set of reference signals (RSs) that is based on the requested quantity of reception spatial filters associated with at least one prediction target. The prediction component 198 may be within the cellular baseband processor (s) 1624, the application processor (s) 1606, or both the cellular baseband processor (s) 1624 and the application processor (s) 1606. The component 198 may be one or more hardware components specifically configured to carry out the stated processes / algorithm, implemented by one or more processors configured to perform the stated processes / algorithm, stored within a computer-readable medium for implementation by one or more processors, or some combination thereof. When multiple processors are implemented, the multiple processors may perform the stated processes / algorithm individually or in combination. As shown, the apparatus 1604 may include a variety of components configured for various functions. In one configuration, the apparatus 1604, and in particular the cellular baseband processor (s) 1624 and / or the application processor (s) 1606, may include means for receiving, from at least one network node, at least one RS associated with an ID. In some aspects, the apparatus 1604 may include means for transmitting, to the at least one network node, information regarding TCI switch awareness status associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one prediction target or at least one measurement resource (e.g., one or more combinations of at least one measurement resource or at least one prediction target) based on a set of assumptions associated with the ID. In some aspects, the apparatus 1604 may include means for receiving a configuration of the functionality during a radio resource control (RRC) reconfiguration. In some aspects, the apparatus 1604 may include means for receiving, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, where a quantity of the set of RSs is based on the TCI switch awareness status. In some aspects, the apparatus 1604 may include means for receiving, from the at least one network node, a quantity of the at least one RS, where the at least one RS is for measurement during an inference stage associated with the at least one ID. In some aspects, the apparatus 1604 may include means for receiving, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, where a quantity of the set of RSs is based on the TCI switch awareness status and the measurement duration. In some aspects, the apparatus 1604 may include means for transmitting, to the at least one network node, at least one capability regarding prediction and awareness associated with a quantity of future instances. In some aspects, the apparatus 1604 may include means for transmitting, to at least one network node, a type of status regarding a knowledge of at least one reception spatial filter associated with at least one prediction target. In some aspects, the apparatus 1604 may include means for receiving, from the at least one network node after a TCI switch, at least one RS associated with an ID, a quantity of the at least one RS being based on a reclassification associated with the type. In some aspects, the apparatus 1604 may include means for transmitting, to at least one network node, a requested quantity of reception spatial filters associated with at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition. In some aspects, the apparatus 1604 may include means for receiving, from the at least one network node after a transmission configuration indicator (TCI) switch, a set of reference signals (RSs) that is based on the requested quantity of reception spatial filters associated with the at least one prediction target. The means may be the component 198 of the apparatus 1604 configured to perform the functions recited by the means. As described supra, the apparatus 1604 may include the TX processor 368, the RX processor 356, and the controller / processor 359. As such, in one configuration, the means may be the TX processor 368, the RX processor 356, and / or the controller / processor 359 configured to perform the functions recited by the means.

[0148] It is understood that the specific order or hierarchy of blocks in the processes  / flowcharts disclosed is an illustration of example approaches. Based upon design preferences, it is understood that the specific order or hierarchy of blocks in the processes  / flowcharts may be rearranged. Further, some blocks may be combined or omitted. The accompanying method claims present elements of the various blocks in a sample order, and are not limited to the specific order or hierarchy presented.

[0149] The previous description is provided to enable any person skilled in the art to practice the various aspects described herein. Various modifications to these aspects will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other aspects. Thus, the claims are not limited to the aspects described herein, but are to be accorded the full scope consistent with the language claims. Reference to an element in the singular does not mean “one and only one” unless specifically so stated, but rather “one or more. ” Terms such as “if, ” “when, ” and “while” do not imply an immediate temporal relationship or reaction. That is, these phrases, e.g., “when, ” do not imply an immediate action in response to or during the occurrence of an action, but simply imply that if a condition is met then an action will occur, but without requiring a specific or immediate time constraint for the action to occur. The word “exemplary” is used herein to mean “serving as an example, instance, or illustration. ” Any aspect described herein as “exemplary” is not necessarily to be construed as preferred or advantageous over other aspects. Unless specifically stated otherwise, the term “some” refers to one or more. Combinations such as “at least one of A, B, or C, ” “one or more of A, B, or C, ” “at least one of A, B, and C, ” “one or more of A, B, and C, ” and “A, B, C, or any combination thereof” include any combination of A, B, and / or C, and may include multiples of A, multiples of B, or multiples of C. Specifically, combinations such as “at least one of A, B, or C, ” “one or more of A, B, or C, ” “at least one of A, B, and C, ” “one or more of A, B, and C, ” and “A, B, C, or any combination thereof” may be A only, B only, C only, A and B, A and C, B and C, or A and B and C, where any such combinations may contain one or more member or members of A, B, or C. Sets should be interpreted as a set of elements where the elements number one or more. Accordingly, for a set of X, X would include one or more elements. When at least one processor (i.e., a set of one or more processors P) is configured to perform a set of functions F, each processor of P may be configured to perform a subset S of F, where  Accordingly, each processor of the at least one processor may be configured to perform a particular subset of the set of functions, where the subset is the full set, a proper subset of the set, or an empty subset of the set. A processor may be referred to as processor circuitry. A memory  / memory module may be referred to as memory circuitry. If a first apparatus receives data from or transmits data to a second apparatus, the data may be received / transmitted directly between the first and second apparatuses, or indirectly between the first and second apparatuses through a set of apparatuses. A device configured to “output” data or “provide” data, such as a transmission, signal, or message, may transmit the data, for example with a transceiver, or may send the data to a device that transmits the data. A device configured to “obtain” data, such as a transmission, signal, or message, may receive, for example with a transceiver, or may obtain the data from a device that receives the data. Information stored in a memory includes instructions and / or data. 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 encompassed by the claims. Moreover, nothing disclosed herein is dedicated to the public regardless of whether such disclosure is explicitly recited in the claims. The words “module, ” “mechanism, ” “element, ” “device, ” and the like may not be a substitute for the word “means. ” As such, no claim element is to be construed as a means plus function unless the element is expressly recited using the phrase “means for. ”

[0150] As used herein, the phrase “based on” shall not be construed as a reference to a closed set of information, one or more conditions, one or more factors, or the like. In other words, the phrase “based on A” (where “A” may be information, a condition, a factor, or the like) shall be construed as “based at least on A” unless specifically recited differently.

[0151] The following aspects are illustrative only and may be combined with other aspects or teachings described herein, without limitation.

[0152] Aspect 1 is an apparatus for wireless communication at a user equipment (UE) , including: at least one memory; and at least one processor coupled to the at least one memory, and based at least in part on information stored in the at least one memory, the at least one processor is configured to cause the UE to: receive, from at least one network node, at least one reference signal (RS) associated with an identifier (ID) ; and transmit, to the at least one network node, information regarding transmission configuration indicator (TCI) switch awareness status associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one measurement resource or at least one prediction target based on a set of assumptions associated with the ID.

[0153] Aspect 2 is the apparatus of aspect 1, where the TCI switch awareness status for the ID indicates whether the UE is fully aware of at least one reception spatial filter associated with the at least one prediction target, partially aware of the at least one reception spatial filter associated with the at least one prediction target, or unaware of the at least one reception spatial filter associated with the at least one prediction target.

[0154] Aspect 3 is the apparatus of aspect 2, where the ID is associated with a functionality, and where the at least one processor is further configured to cause the UE to: receive a configuration of the functionality during a radio resource control (RRC) reconfiguration.

[0155] Aspect 4 is the apparatus of any of aspects 2-3, where the at least one processor is further configured to cause the UE to: receive, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, where a quantity of the set of RSs is based on the TCI switch awareness status.

[0156] Aspect 5 is the apparatus of any of aspects 1-4, where the at least one processor is further configured to cause the UE to: receive, from the at least one network node, a quantity of the at least one RS, where the at least one RS is for measurement during an inference stage associated with the at least one ID.

[0157] Aspect 6 is the apparatus of any of aspects 1-5, where the information regarding the measurement duration associated with the at least one RS includes the TCI switch awareness status, where the TCI switch awareness status is regarding at least one reception spatial filter associated with the at least one prediction target based on the measurement duration.

[0158] Aspect 7 is the apparatus of aspect 6, where the at least one processor is further configured to cause the UE to: receive, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, where a quantity of the set of RSs is based on the TCI switch awareness status and the measurement duration.

[0159] Aspect 8 is the apparatus of aspect 7, where the at least one processor is further configured to cause the UE to: transmit, to the at least one network node, a requested quantity of reception spatial filters associated with the at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition; and where the quantity of the set of RSs is further based on the requested quantity of reception spatial filters associated with the at least one prediction target.

[0160] Aspect 9 is the apparatus of any of aspects 1-8, where the at least one processor is further configured to cause the UE to: transmit, to the at least one network node, at least one capability regarding prediction and awareness associated with a quantity of future instances.

[0161] Aspect 10 is the apparatus of aspect 9, where the at least one capability is associated with one or more combinations of the ID and the measurement duration.

[0162] Aspect 11 is the apparatus of any of aspects 9-10, where a TCI switch delay associated with the UE is based on the at least one capability.

[0163] Aspect 12 is an apparatus for wireless communication at a user equipment (UE) , including: at least one memory; and at least one processor coupled to the at least one memory, and based at least in part on information stored in the at least one memory, the at least one processor is configured to cause the UE to: transmit, to at least one network node, a type of status regarding a knowledge of at least one reception spatial filter associated with at least one prediction target; and receive, from the at least one network node after a transmission configuration indicator (TCI) switch, at least one reference signal (RS) associated with an identifier (ID) , a quantity of the at least one RS being based on a reclassification associated with the type.

[0164] Aspect 13 is the apparatus of aspect 12, where the at least one processor is further configured to cause the UE to: transmit, to the at least one network node, at least one capability regarding prediction and awareness associated with a quantity of future instances.

[0165] Aspect 14 is the apparatus of aspect 13, where the at least one capability is associated with the ID and a measurement duration.

[0166] Aspect 15 is the apparatus of aspect 14, where a TCI switch delay associated with the UE is based on the at least one capability.

[0167] Aspect 16 is the apparatus of any of aspects 12-15, where the at least one processor is further configured to cause the UE to: receive, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, where a quantity of the set of RSs is based on the reclassification.

[0168] Aspect 17 is the apparatus of aspect 16, where the at least one processor is further configured to cause the UE to: transmit, to at least one network node, a requested quantity of reception spatial filters associated with the at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition; and where the quantity of the set of RSs is further based on the requested quantity of reception spatial filters associated with at least one prediction target.

[0169] Aspect 18 is an apparatus for wireless communication at a user equipment (UE) , including: at least one memory; and at least one processor coupled to the at least one memory, and based at least in part on information stored in the at least one memory, the at least one processor is configured to cause the UE to: transmit, to at least one network node, a requested quantity of reception spatial filters associated with at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition; and receive, from the at least one network node after a transmission configuration indicator (TCI) switch, a set of reference signals (RSs) that is based on the requested quantity of reception spatial filters associated with the at least one prediction target.

[0170] Aspect 19 is the apparatus of any of aspects 1-18, where the at least one processor is further configured to cause the UE to: receive, after the TCI switch from the at least one network node and reception of the set of RSs, scheduling information of a control channel or a data channel.

[0171] Aspect 20 is the apparatus of any of aspects 1-19, where the set of RSs and the at least one prediction target is associated with a same associated identifier (ID) .

[0172] Aspect 21 is a method of wireless communication for implementing any of aspects 1 to 20.

[0173] Aspect 22 is a computer-readable medium (e.g., a non-transitory computer-readable medium) storing computer executable code, the code when executed by at least one processor causes the at least one processor to implement any of aspects 1 to 20.

[0174] Aspect 23 is an apparatus comprising means for implementing any of aspects 1 to 20.

Claims

1.An apparatus for wireless communication at a user equipment (UE) , comprising:at least one memory; andat least one processor coupled to the at least one memory, and based at least in part on information stored in the at least one memory, the at least one processor is configured to cause the UE to:receive, from at least one network node, at least one reference signal (RS) associated with an identifier (ID) ; andtransmit, to the at least one network node, information regarding transmission configuration indicator (TCI) switch awareness status associated with the ID or a measurement duration associated with the at least one RS, the ID being associated with at least one measurement resource or at least one prediction target based on a set of assumptions associated with the ID.2.The apparatus of claim 1, wherein the TCI switch awareness status for the ID indicates whether the UE is fully aware of at least one reception spatial filter associated with the at least one prediction target, partially aware of the at least one reception spatial filter associated with the at least one prediction target, or unaware of the at least one reception spatial filter associated with the at least one prediction target.3.The apparatus of claim 2, wherein the ID is associated with a functionality, and wherein the at least one processor is further configured to cause the UE to:receive a configuration of the functionality during a radio resource control (RRC) reconfiguration.4.The apparatus of claim 2, wherein the at least one processor is further configured to cause the UE to:receive, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, wherein a quantity of the set of RSs is based on the TCI switch awareness status.5.The apparatus of claim 1, wherein the at least one processor is further configured to cause the UE to:receive, from the at least one network node, a quantity of the at least one RS, wherein the at least one RS is for measurement during an inference stage associated with the at least one ID.6.The apparatus of claim 1, wherein the information regarding the measurement duration associated with the at least one RS comprises the TCI switch awareness status, wherein the TCI switch awareness status is regarding at least one reception spatial filter associated with the at least one prediction target based on the measurement duration.7.The apparatus of claim 6, wherein the at least one processor is further configured to cause the UE to:receive, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, wherein a quantity of the set of RSs is based on the TCI switch awareness status and the measurement duration.8.The apparatus of claim 7, wherein the at least one processor is further configured to cause the UE to:transmit, to the at least one network node, a requested quantity of reception spatial filters associated with the at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition; andwherein the quantity of the set of RSs is further based on the requested quantity of reception spatial filters associated with the at least one prediction target.9.The apparatus of claim 1, wherein the at least one processor is further configured to cause the UE to:transmit, to the at least one network node, at least one capability regarding prediction and awareness associated with a quantity of future instances.10.The apparatus of claim 9, wherein the at least one capability is associated with one or more combinations of the ID and the measurement duration.11.The apparatus of claim 9, wherein a TCI switch delay associated with the UE is based on the at least one capability.12.An apparatus for wireless communication at a user equipment (UE) , comprising:at least one memory; andat least one processor coupled to the at least one memory, and based at least in part on information stored in the at least one memory, the at least one processor is configured to cause the UE to:transmit, to at least one network node, a type of status regarding a knowledge of at least one reception spatial filter associated with at least one prediction target; andreceive, from the at least one network node after a transmission configuration indicator (TCI) switch, at least one reference signal (RS) associated with an identifier (ID) , a quantity of the at least one RS being based on a reclassification associated with the type.13.The apparatus of claim 12, wherein the at least one processor is further configured to cause the UE to:transmit, to the at least one network node, at least one capability regarding prediction and awareness associated with a quantity of future instances.14.The apparatus of claim 13, wherein the at least one capability is associated with the ID and a measurement duration.15.The apparatus of claim 14, wherein a TCI switch delay associated with the UE is based on the at least one capability.16.The apparatus of claim 12, wherein the at least one processor is further configured to cause the UE to:receive, after a TCI switch from the at least one network node, a set of RSs before scheduling information of a control channel or a data channel, wherein a quantity of the set of RSs is based on the reclassification.17.The apparatus of claim 16, wherein the at least one processor is further configured to cause the UE to:transmit, to the at least one network node, a requested quantity of reception spatial filters associated with the at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition; andwherein the quantity of the set of RSs is further based on the requested quantity of reception spatial filters associated with the at least one prediction target.18.An apparatus for wireless communication at a user equipment (UE) , comprising:at least one memory; andat least one processor coupled to the at least one memory, and based at least in part on information stored in the at least one memory, the at least one processor is configured to cause the UE to:transmit, to at least one network node, a requested quantity of reception spatial filters associated with at least one prediction target, the requested quantity of reception spatial filters being based on a channel condition; andreceive, from the at least one network node after a transmission configuration indicator (TCI) switch, a set of reference signals (RSs) that is based on the requested quantity of reception spatial filters associated with the at least one prediction target.19.The apparatus of claim 18, wherein the at least one processor is further configured to cause the UE to:receive, after the TCI switch from the at least one network node and reception of the set of RSs, scheduling information of a control channel or a data channel.20.The apparatus of claim 18, wherein the set of RSs and the at least one prediction target is associated with a same associated identifier (ID) .

Images