Artificial intelligence / machine learning readiness report for idle or inactive user equipment

Abstract

Various aspects of the present disclosure generally relate to wireless communication. In some aspects, a user equipment (UE) may identify, while in a radio resource control (RRC) idle or inactive state, a readiness state for using one or more artificial intelligence / machine learning (AI / ML) functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The UE may transmit, to a network node, while in the RRC idle or inactive state, a report indicating the readiness state. Numerous other aspects are described.

Description

ARTIFICIAL INTELLIGENCE / MACHINE LEARNING READINESS REPORT FOR IDLE OR INACTIVE USER EQUIPMENTFIELD OF THE DISCLOSURE

[0001] Aspects of the present disclosure generally relate to wireless communication and specifically relate to techniques, apparatuses, and methods associated with an artificial intelligence / machine learning readiness report for an idle or inactive user equipment.BACKGROUND

[0002] Wireless communication systems are widely deployed to provide various services, which may involve carrying or supporting voice, text, other messaging, video, data, and / or other traffic. Typical wireless communication systems may employ multiple-access radio access technologies (RATs) capable of supporting communication among multiple wireless communication devices including user devices or other devices by sharing the available system resources (for example, time domain resources, frequency domain resources, spatial domain resources, and / or device transmit power, among other examples) . Such multiple-access RATs are supported by technological advancements that have been adopted in various telecommunication standards, which define common protocols that enable different wireless communication devices to communicate on a local, municipal, national, regional, or global level.

[0003] An example telecommunication standard is New Radio (NR) . NR, which may also be referred to as 5G, is part of a continuous mobile broadband evolution promulgated by the Third Generation Partnership Project (3GPP) . NR (and other RATs beyond NR) may be designed to better support enhanced mobile broadband (eMBB) access, Internet of things (IoT) networks or reduced capability device deployments, and ultra-reliable low latency communication (URLLC) applications. To support these verticals, NR systems may be designed to implement a modularized functional infrastructure, a disaggregated and service-based network architecture, network function virtualization, network slicing, multi-access edge computing, millimeter wave (mmWave) technologies including massive multiple-input multiple-output (MIMO) , licensed and unlicensed spectrum access, non-terrestrial network (NTN) deployments, sidelink and other device-to-device direct communication technologies (for example, cellular vehicle-to-everything (CV2X) communication) , multiple-subscriber implementations, high-precision positioning, and / or radio frequency (RF) sensing, among other examples. As the demand for connectivity continues to increase, further improvements in NR may be implemented, and other RATs, such as 6G and beyond, may be introduced to enable new applications and facilitate new use cases.SUMMARY

[0004] In some wireless networks, an artificial intelligence or machine learning (AI / ML) model may be deployed at or on one or more wireless nodes for use in one or more AI / ML functionalities. For example, measurement results associated with a first set of beams or reference signals may be used to predict future measurements for a second set of beams, to predict or infer measurements associated with a second set of beams, to predict or infer channel state information (CSI) parameters, and / or to predict or information associated with other wireless communication use cases. However, using an AI / ML model or an AI / ML functionality based on historical beam measurements presents challenges when considering user equipments (UEs) in a radio resource control (RRC) idle or inactive state, which may subsequently transition to an RRC connected state. For example, accurate prediction or inferencing performance generally increases as the number of historical measurements increases (e.g., accurate prediction or inferencing performance depends on having a sufficient number of historical measurements, which may be based on AI / ML model training strategies and / or methods) . However, unlike UEs operating in the RRC connected state, which are typically configured to frequently obtain and report beam measurements, UEs operating in an RRC idle or inactive state may have more flexibility and autonomy in buffering synchronization signal block (SSB) measurements. For example, before a UE can use an AI / ML functionality to generate predictions or inferences in an RRC connected mode, there may be a ramp-up period during which the UE collects sufficient historical beam measurements to satisfy accuracy requirements. However, the ramp-up period may vary depending on whether and / or how many historical measurements the UE collected before transitioning to the RRC connected state. Current systems do not provide mechanisms for a network node to know whether and / or when a UE has buffered sufficient SSB measurements to complete the AI / ML ramp-up to enable prediction and / or inference in the RRC connected state. The lack of synchronization regarding a UE measurement history can lead to delays and inefficient use of network resources, as a network node may underestimate or overestimate how prepared a UE is to activate an AI / ML functionality upon transitioning to the RRC connected state.

[0005] Various aspects relate generally to AI / ML ramp-up readiness reporting for a UE transitioning from an RRC idle or inactive state to an RRC connected state. Some aspects more specifically relate to the UE determining a readiness state associated with one or more AI / ML functionalities based on a number of buffered measurements obtained in the RRC idle or inactive state and transmitting an early report (e.g., while in the RRC idle or inactive state) indicating the readiness state to a network node. For example, in some aspects, a UE may transmit an AI / ML ramp-up readiness report to a network node during RRC connection establishment, where the readiness report may indicate whether the UE can be activated and / or triggered to perform an AI / ML functionality (e.g., prediction or inferencing using an AI / ML model) upon transitioning to the RRC connected state. In some aspects, in cases where the UE has buffered sufficient measurements and is ready to be activated and / or triggered to perform an AI / ML functionality upon transitioning to the RRC connected state, the UE may expect to be scheduled to perform UE-side prediction or inferencing upon transitioning to the RRC connected state. Alternatively, in cases where the UE has not buffered any measurements or has not buffered sufficient measurements to perform an AI / ML functionality, the readiness report may further indicate a number of measurement cycles after which the UE will be ready to perform UE-side prediction or inferencing. In some aspects, the network node may receive the readiness report from the UE and may transmit signaling to the UE that activates or triggers the AI / ML functionalities at a time that is based on the readiness state indicated by the UE.

[0006] Some aspects described herein relate to a UE for wireless communication. The user equipment may include one or more memories and one or more processors coupled to the one or more memories. The one or more processors may be configured to identify, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The one or more processors may be configured to transmit, to a network node while in the RRC idle or inactive state, a report indicating the readiness state.

[0007] Some aspects described herein relate to a network node for wireless communication. The network node may include one or more memories and one or more processors coupled to the one or more memories. The one or more processors may be configured to receive, from a UE in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The one or more processors may be configured to transmit, to the UE, signaling that indicates that the one or more AI / ML functionalities or models are to be activated for one or more inference or prediction operations in the RRC connected state.

[0008] Some aspects described herein relate to a method of wireless communication performed by a UE. The method may include identifying, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The method may include transmitting, to a network node while in the RRC idle or inactive state, a report indicating the readiness state.

[0009] Some aspects described herein relate to a method of wireless communication performed by a network node. The method may include receiving, from a UE in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The method may include transmitting, to the UE, signaling that indicates that the one or more AI / ML functionalities or models are to be activated for one or more inference or prediction operations in the RRC connected state.

[0010] Some aspects described herein relate to a non-transitory computer-readable medium that stores a set of instructions for wireless communication by a UE. The set of instructions, when executed by one or more processors of the UE, may cause the UE to identify, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The set of instructions, when executed by one or more processors of the UE, may cause the UE to transmit, to a network node while in the RRC idle or inactive state, a report indicating the readiness state.

[0011] Some aspects described herein relate to a non-transitory computer-readable medium that stores a set of instructions for wireless communication by a network node. The set of instructions, when executed by one or more processors of the network node, may cause the network node to receive, from a UE in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The set of instructions, when executed by one or more processors of the network node, may cause the network node to transmit, to the UE, signaling that indicates that the one or more AI / ML functionalities or models are to be activated for one or more inference or prediction operations in the RRC connected state.

[0012] Some aspects described herein relate to an apparatus for wireless communication. The apparatus may include means for identifying, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The apparatus may include means for transmitting, to a network node while in the RRC idle or inactive state, a report indicating the readiness state.

[0013] Some aspects described herein relate to an apparatus for wireless communication. The apparatus may include means for receiving, from a UE in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The apparatus may include means for transmitting, to the UE, signaling that indicates that the one or more AI / ML functionalities or models are to be activated for one or more inference or prediction operations in the RRC connected state.

[0014] Aspects of the present disclosure may generally be implemented by or as a method, apparatus, system, computer program product, non-transitory computer-readable medium, user equipment, base station, network node, network entity, wireless communication device, and / or processing system as substantially described with reference to, and as illustrated by, this specification and accompanying drawings.

[0015] The foregoing paragraphs of this section have broadly summarized some aspects of the present disclosure. These and additional aspects and associated advantages will be described hereinafter. The disclosed aspects may be used as a basis for modifying or designing other aspects for carrying out the same or similar purposes of the present disclosure. Such equivalent aspects do not depart from the scope of the appended claims. Characteristics of the aspects disclosed herein, both their organization and method of operation, together with associated advantages, will be better understood from the following description when considered in connection with the accompanying drawings.BRIEF DESCRIPTION OF THE DRAWINGS

[0016] The appended drawings illustrate some aspects of the present disclosure but are not limiting of the scope of the present disclosure because the description may enable other aspects. Each of the drawings is provided for purposes of illustration and description, and not as a definition of the limits of the claims. The same or similar reference numbers in different drawings may identify the same or similar elements.

[0017] Fig. 1 is a diagram illustrating an example of a wireless communication network, in accordance with the present disclosure.

[0018] Fig. 2 is a diagram illustrating an example disaggregated network node architecture, in accordance with the present disclosure.

[0019] Fig. 3 is a diagram illustrating an example artificial intelligence and / or machine learning (AI / ML) model, in accordance with the present disclosure.

[0020] Fig. 4 is a diagram illustrating an example architecture of a functional framework for radio access network intelligence enabled by data collection, in accordance with the present disclosure.

[0021] Fig. 5 is a diagram illustrating an example of AI / ML based beam management, in accordance with the present disclosure.

[0022] Fig. 6 is a diagram illustrating an example associated with an AI / ML readiness report for an idle or inactive user equipment (UE) , in accordance with the present disclosure.

[0023] Fig. 7 is a diagram illustrating an example process performed, for example, at a UE or an apparatus of a UE, in accordance with the present disclosure.

[0024] Fig. 8 is a diagram illustrating an example process performed, for example, at a network node or an apparatus of a network node, in accordance with the present disclosure.

[0025] Fig. 9 is a diagram of an example apparatus for wireless communication, in accordance with the present disclosure.

[0026] Fig. 10 is a diagram of an example apparatus for wireless communication, in accordance with the present disclosure.DETAILED DESCRIPTION

[0027] Various aspects of the present disclosure are described hereinafter with reference to the accompanying drawings. However, aspects of the present disclosure may be embodied in many different forms. The present disclosure is not to be construed as limited to any specific aspect illustrated by or described with reference to an accompanying drawing or otherwise presented in this disclosure. Rather, these aspects are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the disclosure to those skilled in the art. One skilled in the art may appreciate that the scope of the disclosure is intended to cover any aspect of the disclosure disclosed herein, whether implemented independently of or in combination with any other aspect of the disclosure. For example, an apparatus may be implemented or a method may be practiced using various combinations or quantities of the aspects set forth herein. In addition, the scope of the disclosure is intended to cover an apparatus having, or a method that is practiced using, other structures and / or functionalities in addition to or other than the structures and / or functionalities with which various aspects of the disclosure set forth herein may be practiced. Any aspect of the disclosure disclosed herein may be embodied by one or more elements of a claim.

[0028] Several aspects of telecommunication systems will now be presented with reference to various methods, operations, apparatuses, and techniques. These methods, operations, apparatuses, and techniques will be described in the following detailed description and illustrated in the accompanying drawings by various blocks, modules, components, circuits, steps, processes, or algorithms (collectively referred to as “elements” ) . These elements may be implemented using hardware, software, or a combination of hardware and software. Whether such elements are implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system.

[0029] The evolution of wireless communications has consistently involved adaptation and enhancement of radio access network (RAN) technologies to support increased data rates, reduced latency, and improved reliability for an air interface, among other examples. An important issue with these advancements includes optimizing beam management to ensure efficient and robust communication between a user equipment (UE) and a network node, particularly involving multiple input multiple output (MIMO) systems that leverage antenna arrays that may include numerous transmit antennas and / or receive antennas. Beam management is important to maintain signal quality and ensure efficient utilization of radio spectrum by selecting and activating appropriate beams that are used to focus or direct signals towards the UE. Beam management tasks become more complex with more advanced technologies and higher frequency bands, such as millimeter wave (mmWave) frequency bands (e.g., FR2 or FR4) , where beamforming is a technique used to overcome propagation challenges (e.g., path loss) . However, beam management procedures are typically dependent on a UE measuring various candidate beams, which consumes UE resources, and are based only on historical beam measurements that may become stale or inaccurate when applied to select or refine a communication beam.

[0030] Accordingly, in some wireless networks, an artificial intelligence or machine learning (AI / ML) model may be deployed at or on one or more wireless nodes (e.g., a UE and / or a network node) for use in one or more AI / ML beam management functionalities, where measurement results associated with a first set of beams may be used to predict measurements for a second set of beams to enable temporal beam prediction. For example, in a temporal beam prediction use case, the UE may collect and buffer historical beam measurements, which are then used as inputs to an AI / ML model. The AI / ML model may be used to predict channel characteristics associated with one or more target resources in future temporal occasions, without the UE actual measuring the beams in the target temporal occasions, based on the buffered (actual) measurements of certain measurement resources. The predicted channel characteristics may enable proactive and efficient beamforming, as the predicted channel characteristics may be reported to a network node and used to optimize beamforming strategies and resource allocation based on changing conditions. Furthermore, beam measurements may be used for other suitable AI / ML functionalities, such as spatial beam prediction and / or inferencing (e.g., where measurements of a first set of beams are used to predict or infer measurements associated with a second set of beams) , CSI prediction and / or inferencing, positioning prediction and / or inferencing, and / or predictive mobility or handovers, among other examples.

[0031] However, using an AI / ML model or an AI / ML functionality based on buffered beam measurements presents challenges when considering UEs in a radio resource control (RRC) idle or inactive state, which may subsequently transition to an RRC connected state. For example, accurate prediction or inferencing performance generally increases as the number of historical measurements increases (e.g., accurate prediction or inferencing performance depends on having a sufficient number of historical measurements, which may be based on AI / ML model training strategies and / or methods) . However, unlike UEs operating in the RRC connected state, which are typically configured to frequently obtain and report beam measurements, UEs operating in an RRC idle or inactive state may have more flexibility and autonomy in buffering synchronization signal block (SSB) measurements. For example, before a UE can use an AI / ML functionality to generate predictions or inferences in an RRC connected mode, there may be a ramp-up period during which the UE collects sufficient historical beam measurements to satisfy accuracy requirements. However, the ramp-up period may vary depending on whether and / or how many historical measurements the UE collected before transitioning to the RRC connected state. Current systems do not provide mechanisms for a network node to know whether and / or when a UE has buffered sufficient SSB measurements to complete the AI / ML ramp-up to enable prediction and / or inference in the RRC connected state. The lack of synchronization regarding a UE measurement history can lead to delays and inefficient use of network resources, as a network node may underestimate or overestimate how prepared a UE is to activate an AI / ML functionality upon transitioning to the RRC connected state.

[0032] Various aspects relate generally to AI / ML ramp-up readiness reporting for a UE transitioning from an RRC idle or inactive state to an RRC connected state. Some aspects more specifically relate to the UE determining a readiness state associated with one or more AI / ML functionalities based on a number of buffered measurements obtained in the RRC idle or inactive state and transmitting an early report (e.g., while in the RRC idle or inactive state) indicating the readiness state to a network node. For example, in some aspects, a UE may transmit an AI / ML ramp-up readiness report to a network node during RRC connection establishment, where the readiness report may indicate whether the UE can be activated and / or triggered to perform an AI / ML functionality (e.g., prediction or inferencing using an AI / ML model) upon transitioning to the RRC connected state. In some aspects, in cases where the UE has buffered sufficient measurements and is ready to be activated and / or triggered to perform an AI / ML functionality upon transitioning to the RRC connected state, the UE may expect to be scheduled to perform UE-side prediction or inferencing upon transitioning to the RRC connected state. Alternatively, in cases where the UE has not buffered any measurements or has not buffered sufficient measurements to perform an AI / ML functionality, the readiness report may further indicate a number of measurement cycles after which the UE will be ready to perform UE-side prediction or inferencing. In some aspects, the network node may receive the readiness report from the UE and may transmit signaling to the UE that activates or triggers the AI / ML functionalities at a time that is based on the readiness state indicated by the UE.

[0033] Particular aspects of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. In some examples, by signaling a readiness state of the UE for performing AI / ML-based predictions or inferencing in accordance with a number of buffered beam measurements obtained while the UE is in an RRC idle state, the described techniques can enable a network node to efficiently determine whether and / or when to initiate UE-side predictions or inferencing after the UE transitions to an RRC connected state. In this way, the described techniques may enable a more efficient utilization of AI / ML functionalities by reducing AI / ML activation latency, complexity, and / or power consumption by providing information to the network node about the AI / ML readiness of the UE before the UE transitions to the RRC connected state. In this way, some aspects described herein may conserve network resources and reduce a computational load on both the UE and the network node relative to techniques that may operate according to a fixed or predefined activation latency or additional negotiations and / or signaling between the UE and the network node. Additionally, some aspects described herein may conserve processing resources, memory resources, network resources, and / or the like by avoiding performance-based AI / ML activation or initialization where a UE performs additional AI / ML inferences and readiness to activate AI / ML predictions or inferencing is determined based on differences between actual and predicted beam measurements.

[0034] As described above, wireless communication systems may be deployed to provide various services, which may involve carrying or supporting voice, text, other messaging, video, data, and / or other traffic. Some wireless communications systems may employ multiple-access radio access technologies (RATs) . The multiple-access RATs may be capable of supporting communication with multiple wireless communication devices by sharing the available system resources (for example, time domain resources, frequency domain resources, spatial domain resources, and / or device transmit power, among other examples) . Examples of such multiple-access RATs 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.

[0035] Multiple-access RATs are supported by technological advancements that have been adopted in various telecommunication standards, which define common protocols that enable wireless communication devices to communicate on a local, municipal, enterprise, national, regional, or global level. For example, 5G New Radio (NR) is part of a continuous mobile broadband evolution promulgated by the Third Generation Partnership Project (3GPP) . 5G NR may support enhanced mobile broadband (eMBB) access, Internet of Things (IoT) networks or reduced capability (RedCap) device deployments, ultra-reliable low-latency communication (URLLC) applications, and / or massive machine-type communication (mMTC) , among other examples.

[0036] To support these and other target verticals, a wireless communication system may be designed to implement a modularized functional infrastructure, a disaggregated and service-based network architecture, network function virtualization, network slicing, multi-access edge computing, millimeter wave (mmWave) technologies including MIMO, beamforming, IoT device or RedCap device connectivity and management, industrial connectivity, licensed and unlicensed spectrum access, sidelink and other device-to-device direct communication (for example, cellular vehicle-to-everything (CV2X) communication) , frequency spectrum expansion, overlapping spectrum use, small cell deployments, non-terrestrial network (NTN) deployments, device aggregation, advanced duplex communication (for example, sub-band full-duplex (SBFD) ) , multiple-subscriber implementations, high-precision positioning, radio frequency (RF) sensing, network energy savings (NES) , low-power signaling and radios, and / or artificial intelligence or machine learning (AI / ML) , among other examples.

[0037] The foregoing and other technological improvements may support use cases, such as wireless fronthauls, wireless midhauls, wireless backhauls, wireless data centers, extended reality (XR) and metaverse applications, meta services for supporting vehicle connectivity, holographic and mixed reality communication, autonomous and collaborative robots, vehicle platooning and cooperative maneuvering, sensing networks, gesture monitoring, human-brain interfacing, digital twin applications, asset management, and universal coverage applications using non-terrestrial and / or aerial platforms, among other examples.

[0038] As the demand for connectivity continues to increase, further improvements in NR may be implemented, and other RATs, such as 6G and beyond, may be introduced to enable new applications and facilitate new use cases. The methods, operations, apparatuses, and techniques described herein may enable one or more of the foregoing technologies or new technologies and / or support one or more of the foregoing use cases or new use case s.

[0039] Fig. 1 is a diagram illustrating an example of a wireless communication network 100, in accordance with the present disclosure. The wireless communication network 100 may be or may include elements of a 5G (or NR) network or a 6G network, among other examples. The wireless communication network 100 may include multiple network nodes 110. For example, in Fig. 1, the wireless communication network 100 includes a network node (NN) 110a and a network node 110b. The network nodes 110 may support communications with multiple user equipments (UEs) 120. For example, in Fig. 1, the network nodes 110 support communication with a UE 120a, a UE 120b, and a UE 120c. In some examples, a UE 120 may also communicate with other UEs 120 and a network node 110 may communicate with a core network and with other network nodes 110.

[0040] The network nodes 110 and the UEs 120 of the wireless communication network 100 may communicate using the electromagnetic spectrum, which may be subdivided by frequency or wavelength into various classes, bands, carriers, and / or channels. For example, devices of the wireless communication network 100 may communicate using one or more operating bands. In some aspects, multiple wireless communication networks 100 may be deployed in a given geographic area. Each wireless communication network 100 may support a particular RAT (which may also be referred to as an air interface) and may operate on one or more carrier frequencies in one or more frequency bands or ranges. In some examples, when multiple RATs are deployed in a given geographic area, each RAT in the geographic area may operate on different frequencies to avoid interference with other RATs. Additionally or alternatively, in some examples, the wireless communication network 100 may implement dynamic spectrum sharing (DSS) , in which multiple RATs are implemented with dynamic bandwidth allocation (for example, based on user demand) in a single frequency band. In some examples, the wireless communication network 100 may support communication over unlicensed spectrum, where access to an unlicensed channel is subject to a channel access mechanism. For example, in a shared or unlicensed frequency band, a transmitting device may perform a channel access procedure, such as a listen-before-talk (LBT) procedure, to contend against other devices for channel access before transmitting on a shared or unlicensed channel.

[0041] Various operating bands have been defined as frequency range designations FR1 (410 MHz through 7.125 GHz) , FR2 (24.25 GHz through 52.6 GHz) , FR3 (7.125 GHz through 24.25 GHz) , FR4a or FR4-1 (52.6 GHz through 71 GHz) , FR4 (52.6 GHz through 114.25 GHz) , and FR5 (114.25 GHz through 300 GHz) . Although a portion of FR1 is greater than 6 GHz, FR1 is often referred to (interchangeably) as a “sub-6 GHz” band in some documents and articles. Similarly, FR2 is often referred to (interchangeably) as a “millimeter wave” band in some documents and articles, despite being different than the extremely high frequency (EHF) band (30 GHz through 300 GHz) , which is identified by the International Telecommunications Union (ITU) as a “millimeter wave” band. The frequencies between FR1 and FR2 are often referred to as mid-band frequencies, which include FR3. Frequency bands falling within FR3 may inherit FR1 characteristics or FR2 characteristics, and thus may effectively extend features of FR1 or FR2 into the mid-band frequencies. Thus, “sub-6 GHz, ” if used herein, may broadly refer to frequencies that are less than 6 GHz, that are within FR1, and / or that are included in mid-band frequencies. Similarly, the term “millimeter wave, ” if used herein, may broadly refer to mid-band frequencies or to frequencies that are within FR2, FR4, FR4-a or FR4-1, FR5, and / or the EHF band. Higher frequency bands may extend 5G NR operation, 6G operation, and / or other RATs beyond 52.6 GHz.

[0042] A network node 110 and / or a UE 120 may include one or more devices, components, or systems that enable communication with other devices, components, or systems of the wireless communication network 100. For example, a UE 120 and a network node 110 may each include one or more chips, system-on-chips (SoCs) , chipsets, packages, or devices that individually or collectively constitute or comprise a processing system, such as a processing system 140 of the UE 120 or a processing system 145 of the network node 110. A processing system (for example, the processing system 140 and / or the processing system 145) includes processor (or “processing” ) circuitry in the form of one or multiple processors, microprocessors, processing units (such as central processing units (CPUs) , graphics processing units (GPUs) , neural processing units (NPUs) (also referred to as neural network processors or deep learning processors (DLPs) ) , and / or digital signal processors (DSPs) ) , processing blocks, application-specific integrated circuits (ASICs) , programmable logic devices (PLDs) , or other discrete gate or transistor logic or circuitry (any one or more of which may be generally referred to herein individually as a “processor” or collectively as “the processor” or “the processor circuitry” ) . Such processors may be individually or collectively configurable or configured to perform various functions or operations described herein. A group of processors collectively configurable or configured to perform a set of functions may include a first processor configurable or configured to perform a first function of the set and a second processor configurable or configured to perform a second function of the set. In some other examples, each of a group of processors may be configurable or configured to perform a same set of functions.

[0043] The processing system 140 and the processing system 145 may each include memory circuitry in the form of one or multiple memory devices, memory blocks, memory elements, or other discrete gate or transistor logic or circuitry, each of which may include or implement tangible storage media such as random-access memory (RAM) or read-only memory (ROM) , or combinations thereof (any one or more of which may be generally referred to herein individually as a “memory” or collectively as “the memory” or “the memory circuitry” ) . One or more of the memories may be coupled (for example, operatively coupled, communicatively coupled, electronically coupled, or electrically coupled) with one or more of the processors and may individually or collectively store processor-executable code or instructions (such as software) that, when executed by one or more of the processors, may configure one or more of the processors to perform various functions or operations described herein. Additionally or alternatively, in some examples, one or more of the processors may be configured to perform various functions or operations described herein without requiring configuration by software. “Software” shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software modules, applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, or functions, among other examples, whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise.

[0044] The processing system 140 and the processing system 145 may each include or be coupled with one or more modems (such as a cellular (for example, a 5G or 6G compliant) modem) . In some examples, one or more processors of the processing system 140 and / or the processing system 145 include or implement one or more of the modems. The processing system 140 and the processing system 145 may also include or be coupled with multiple radios (collectively “the radio” ) , multiple RF chains, or multiple transceivers, each of which may in turn be coupled with one or more of multiple antennas. In some examples, one or more processors of the processing system 140 and / or the processing system 145 include or implement one or more of the radios, RF chains, or transceivers. An RF chain may include one or more filters, mixers, oscillators, amplifiers, analog-to-digital converters (ADCs) , and / or other devices that convert between an analog signal (such as for transmission or reception via an air interface) and a digital signal (such as for processing by the processing system 140 of the UE 120 or by the processing system 145 of the network node 110) .

[0045] A network node 110 and a UE 120 may each include one or multiple antennas or antenna arrays. Typical network nodes 110 and UEs 120 may include multiple antennas, which may be organized or structured into one or more antenna panels, one or more antenna groups, one or more sets of antenna elements, or one or more antenna arrays, among other examples. As used herein, the term “antenna” can refer to one or more antennas, one or more antenna panels, one or more antenna groups, one or more sets of antenna elements, or one or more antenna arrays. The term “antenna panel” can refer to a group of antennas (such as antenna elements) arranged in an array or panel, which may facilitate beamforming by manipulating parameters associated with the group of antennas. The term “antenna module” may refer to circuitry including one or more antennas as well as one or more other components (such as filters, amplifiers, or processors) associated with integrating the antenna module into a wireless communication device such as the network node 110 and the UE 120.

[0046] A network node 110 may be, may include, or may also be referred to as an NR network node, a 5G network node, a 6G network node, a Node B, a gNB, an access point (AP) , a transmission reception point (TRP) , a network entity, a network element, a network equipment, and / or another type of device, component, or system included in a radio access network (RAN) . In various deployments, a network node 110 may be implemented as a single physical node (for example, a single physical structure) or may be implemented as two or more physical nodes (for example, two or more distinct physical structures) . For example, a network node 110 may be a device or system that implements a part of a radio protocol stack, a device or system that implements a full radio protocol stack (such as a full gNB protocol stack) , or a collection of devices or systems that collectively implement the full radio protocol stack. For example, and as shown, a network node 110 may be an aggregated network node having an aggregated architecture, meaning that the network node 110 may implement a full radio protocol stack that is physically and logically integrated within a single physical structure in the wireless communication network 100. For example, an aggregated network node 110 may consist of a single standalone base station or a single TRP that operates with a full radio protocol stack to enable or facilitate communication between a UE 120 and a core network of the wireless communication network 100.

[0047] Alternatively, and as also shown, a network node 110 may be a disaggregated network node (sometimes referred to as a disaggregated base station) , having a disaggregated architecture, meaning that the network node 110 may operate with a radio protocol stack that is physically distributed and / or logically distributed among two or more nodes in the same geographic location or in different geographic locations. An example disaggregated network node architecture is described in more detail below with reference to Fig. 2. In some deployments, disaggregated network nodes 110 may be used in an integrated access and backhaul (IAB) network, in an open radio access network (O-RAN) (such as a network configuration in compliance with the O-RAN Alliance) , or in a virtualized radio access network (vRAN) , also known as a cloud radio access network (C-RAN) , to facilitate scaling by separating network functionality into multiple units or modules that can be individually deployed.

[0048] The network nodes 110 of the wireless communication network 100 may include one or more central units (CUs) , one or more distributed units (DUs) , and one or more radio units (RUs) . A CU may host one or more higher layers, such as a radio resource control (RRC) layer, a packet data convergence protocol (PDCP) layer, and a service data adaptation protocol (SDAP) layer, among other examples. A DU may host one or more of a radio link control (RLC) layer, a medium access control (MAC) layer, and / or one or more higher physical (PHY) layers depending, at least in part, on a functional split, such as a functional split defined by the 3GPP. In some examples, a DU also may host a lower PHY layer that is configured to perform functions, such as a fast Fourier transform (FFT) , an inverse FFT (IFFT) , beamforming, and / or physical random access channel (PRACH) extraction and filtering, among other examples. An RU may perform RF processing functions or lower PHY layer functions, such as an FFT, an IFFT, beamforming, or PRACH extraction and filtering, among other examples, according to a functional split, such as a lower layer split (LLS) . In such an architecture, each RU can be operated to handle over the air (OTA) communication with one or more UEs 120. In some examples, a single network node 110 may include a combination of one or more CUs, one or more DUs, and / or one or more RUs. In some examples, a CU, a DU, and / or an RU may be implemented as a virtual unit, such as a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) , among other examples, which may be implemented as a virtual network function, such as in a cloud deployment.

[0049] Some network nodes 110 (for example, a base station, an RU, or a TRP) may provide communication coverage for a particular geographic area. The term “cell” can refer to a coverage area of a network node 110 or to a network node 110 itself, depending on the context in which the term is used. A network node 110 may support one or more cells (for example, each cell may support communication within an angular (for example, 60 degree) range around the network node) . In some examples, a network node 110 may provide communication coverage for a macro cell, a pico cell, a femto cell, or another type of cell. A macro cell may cover a relatively large geographic area (for example, several kilometers in radius) and may allow unrestricted access by UEs 120 with associated service subscriptions. A pico cell may cover a relatively small geographic area and may also allow unrestricted access by UEs 120 with associated service subscriptions. A femto cell may cover a relatively small geographic area (for example, a home) and may allow restricted access by UEs 120 having association with the femto cell (for example, UEs 120 in a closed subscriber group (CSG) ) . In some examples, a cell may not necessarily be stationary. For example, the geographic area of the cell may move according to the location of an associated mobile network node 110 (for example, a train, a satellite, an unmanned aerial vehicle, or an NTN network node) .

[0050] The wireless communication network 100 may be a heterogeneous network that includes network nodes 110 of different types, such as macro network nodes, pico network nodes, femto network nodes, relay network nodes, aggregated network nodes, and / or disaggregated network nodes, among other examples. Various different types of network nodes 110 may generally transmit at different power levels, serve different coverage areas (for example, a cell 130a and a cell 130b) , and / or have different impacts on interference in the wireless communication network 100 than other types of network nodes 110.

[0051] The UEs 120 may be physically dispersed throughout the coverage area of the wireless communication network 100, and each UE 120 may be stationary or mobile. A UE 120 may be, may include, or may also be referred to as an access terminal, a mobile station, or a subscriber unit. A UE 120 may be, include, or be coupled with a cellular phone (for example, a smart phone) , a personal digital assistant (PDA) , a wireless modem, a wireless communication device, a handheld device, a laptop computer, a cordless phone, a wireless local loop (WLL) station, a tablet, a camera, a netbook, a smartbook, an ultrabook, a medical device, a biometric device, a wearable device (for example, a smart watch, smart clothing, smart glasses, a smart wristband, or smart jewelry) , a gaming device, an entertainment device (for example, a music device, a video device, or a satellite radio) , an XR device, a vehicular component or sensor, a smart meter or sensor, industrial manufacturing equipment, a Global Navigation Satellite System (GNSS) device (such as a Global Positioning System device or another type of positioning device) , a UE function of a network node, and / or any other suitable device or function that may communicate via a wireless medium.

[0052] Some UEs 120 may be classified according to different categories in association with different complexities and / or different capabilities. UEs 120 in a first category may facilitate massive IoT in the wireless communication network 100, and may offer low complexity and / or cost relative to UEs 120 in a second category. UEs 120 in a second category may include mission-critical IoT devices, legacy UEs, baseline UEs, high-tier UEs, advanced UEs, full-capability UEs, and / or premium UEs that are capable of URLLC, eMBB, and / or precise positioning in the wireless communication network 100, among other examples. A third category of UEs 120 may have mid-tier complexity and / or capability (for example, a capability between that of the UEs 120 of the first category and that of the UEs 120 of the second capability) . A UE 120 of the third category may be referred to as a reduced capability UE ( “RedCap UE” ) , a mid-tier UE, an NR-Light UE, and / or an NR-Lite UE, among other examples. RedCap UEs may bridge a gap between the capability and complexity of NB-IoT devices and / or eMTC UEs, and mission-critical IoT devices and / or premium UEs. RedCap UEs may include, for example, wearable devices, IoT devices, industrial sensors, or cameras that are associated with a limited bandwidth, power capacity, and / or transmission range, among other examples. RedCap UEs may support healthcare environments, building automation, electrical distribution, process automation, transport and logistics, or smart city deployments, among other examples.

[0053] In some examples, a network node 110 may be, may include, or may operate as an RU, a TRP, or a base station that communicates with one or more UEs 120 via a radio access link (which may be referred to as a “Uu” link) . The radio access link may include a downlink and an uplink. “Downlink” (or “DL” ) refers to a communication direction from a network node 110 to a UE 120, and “uplink” (or “UL” ) refers to a communication direction from a UE 120 to a network node 110. Downlink and uplink resources may include time domain resources (for example, frames, subframes, slots, and symbols) , frequency domain resources (for example, frequency bands, component carriers (CCs) , subcarriers, resource blocks, and resource elements) , and spatial domain resources (for example, particular transmit directions or beams) .

[0054] Frequency domain resources may be subdivided into bandwidth parts (BWPs) . A BWP may be a block of frequency domain resources (for example, a continuous set of resource blocks (RBs) within a full component carrier bandwidth) that may be configured at a UE-specific level. A UE 120 may be configured with both an uplink BWP and a downlink BWP (which may be the same or different) . Each BWP may be associated with its own numerology (indicating a sub-carrier spacing (SCS) and cyclic prefix (CP) ) . A BWP may be dynamically configured or activated (for example, by a network node 110 transmitting a downlink control information (DCI) configuration to the one or more UEs 120) and / or reconfigured (for example, in real-time or near-real-time) according to changing network conditions in the wireless communication network 100 and / or specific requirements of one or more UEs 120. An active BWP defines the operating bandwidth of the UE 120 within the operating bandwidth of the serving cell. The use of BWPs enables more efficient use of the available frequency domain resources in the wireless communication network 100 because fewer frequency domain resources may be allocated to a BWP for a UE 120 (which may reduce the quantity of frequency domain resources that a UE 120 is required to monitor and reduce UE power consumption by enabling the UE to monitor fewer frequency domain resources) , leaving more frequency domain resources to be spread across multiple UEs 120. Thus, BWPs may also assist in the implementation of lower-capability (for example, RedCap) UEs 120 by facilitating the configuration of smaller bandwidths for communication by such UEs 120 and / or by facilitating reduced UE power consumption.

[0055] As used herein, a downlink signal may be or include a reference signal, control information, or data. For example, downlink reference signals include a primary synchronization signal (PSS) , a secondary SS (SSS) , a synchronization signal block (SSB) (for example, that includes a PSS, an SSS, and a physical broadcast channel (PBCH) ) , a demodulation reference signal (DMRS) , a phase tracking reference signal (PTRS) , a tracking reference signal (TRS) , and a channel state information (CSI) reference signal (CSI-RS) , among other examples. A downlink signal carrying control information or data may be transmitted via a downlink channel. Downlink channels may include one or more control channels for transmitting control information and one or more data channels for transmitting data. Downlink reference signals may be transmitted in addition to, or multiplexed with, downlink control channel communications and / or downlink data channel communications. A downlink control channel may be specifically used to transmit DCI from a network node 110 to a UE 120. DCI generally contains the information the UE 120 needs to identify RBs in a subsequent subframe and how to decode them, including a modulation and coding scheme (MCS) or redundancy version parameters. Different DCI formats carry different information, such as scheduling information in the form of downlink or uplink grants, slot formal indicators (SFIs) , preemption indicators (PIs) , transmit power control (TPC) commands, hybrid automatic repeat request (HARQ) information, new data indicators (NDIs) , among other examples. A downlink data channel may be used to transmit downlink data (for example, user data associated with a UE 120) from a network node 110 to a UE 120. Downlink control channels may include physical downlink control channels (PDCCHs) , and downlink data channels may include physical downlink shared channels (PDSCHs) . Control information or data communications may be transmitted on a PDCCH and PDSCH, respectively. For example, a PDCCH can carry DCI, while a PDSCH can carry a MAC control element (MAC-CE) , an RRC message, or user data, among other examples. Each PDSCH may carry one or more transport blocks (TBs) of data.

[0056] As used herein, an uplink signal may include a reference signal, control information, or data. For example, uplink reference signals include a sounding reference signal (SRS) , a PTRS, and a DMRS, among other examples. An uplink signal carrying control information or data may be transmitted via an uplink channel. An uplink channel may include one or more control channels for transmitting control information and one or more data channels for transmitting data. Uplink reference signals may be transmitted in addition to, or multiplexed with, uplink control channel communications and / or uplink data channel communications. An uplink control channel may be specifically used to transmit uplink control information (UCI) from a UE 120 to a network node 110. An uplink data channel may be used to transmit uplink data (for example, user data associated with a UE 120) from a UE 120 to a network node 110. Uplink control channels may include physical uplink control channels (PUCCHs) , and uplink data channels may include physical uplink shared channels (PUSCHs) . Control information or data communications may be transmitted on a PUCCH and PUSCH, respectively. For example, a PUCCH can carry UCI, while a PUSCH can carry a MAC-CE, an RRC message, or user data, among other examples. UCI can include a scheduling request (SR) , HARQ feedback information (for example, a HARQ acknowledgement (ACK) indication or a HARQ negative acknowledgement (NACK) indication) , uplink power control information (for example, an uplink TPC parameter) , and / or CSI, among other examples. CSI can include a channel quality indicator (CQI) (indicative of downlink channel conditions to facilitate selection of transmission parameters, such as an MCS, by a network node 110) , a precoding matrix indicator (PMI) , a CSI-RS resource indicator (CRI) (for example, indicative of a beam used to transmit a CSI-RS) , an SS / PBCH resource block indicator (SSBRI) (for example, indicative of a beam used to transmit an SSB) , a layer indicator (LI) , a rank indicator (RI) , and / or measurement information (for example, a layer 1 (L1) -reference signal received power (RSRP) parameter, a received signal strength indicator (RSSI) parameter, a reference signal received quality (RSRQ) parameter, among other examples) which can be used for beam management, among other examples. Each PUSCH may carry one or more TBs of data.

[0057] The information (for example, data, control information, or reference signal information) transmitted by a network node 110 to a UE 120, or vice versa, may be represented as a sequence of binary bits that are mapped (for example, modulated) to an analog signal waveform (for example, a discrete Fourier transform (DFT) -spread-orthogonal frequency division multiplexing (OFDM) (DFT-s-OFDM) waveform or a CP-OFDM waveform) that is transmitted by the network node 110 or UE 120 over a wireless communication channel. In some examples, the network node 110 or the UE 120 (for example, using the processing system 145 or the processing system 140, respectively) may select an MCS (for example, an order of quadrature amplitude modulation (QAM) , such as 64-QAM, 128-QAM, or 256-QAM, among other examples) for a downlink signal or an uplink signal. For example, the network node 110 may select an MCS for a downlink signal in accordance with UCI received from the UE 120. The network node 110 may transmit, to the UE 120, an indication of the selected MCS for the downlink signal, such as via DCI that schedules the downlink signal. As another example, the network node 110 may transmit, and the UE 120 may receive, an indication of an MCS to be applied for the one or more uplink signals, such as via DCI scheduling transmission of the one or more uplink signals.

[0058] The network node 110 or the UE 120 (such as by using the processing system 145 or the processing system 140, respectively, and / or one or more coupled modems) may perform signal processing on the information (such as filtering, amplification, modulation, digital-to-analog conversion, an IFFT operation, multiplexing, interleaving, mapping, and / or encoding, among other examples) to generate a processed signal in accordance with the selected MCS. In some examples, the network node 110 or the UE 120 (for example, using the processing system 145 or the processing system 140, respectively, and / or one or more coupled encoders or modems) may perform a channel coding operation or a forward error correction (FEC) operation to control errors in transmitted information. For example, the network node 110 or the UE 120 may perform an encoding operation to generate encoded information (such as by selectively introducing redundancy into the information, typically using an error correction code (ECC) , such as a polar code or a low-density parity-check (LDPC) code) . The network node 110 or the UE 120 (for example, using the processing system 145 and / or one or more modems) may further perform spatial processing (for example, precoding) on the encoded information to generate one or more processed or precoded signals for downlink or uplink transmission, respectively. In some examples, the network node 110 or the UE 120 may perform codebook-based precoding or non-codebook-based precoding. Codebook-based precoding may involve selecting a precoder (for example, a precoding matrix) using a codebook. For example, the network node 110 may provide precoding information indicating which precoder, defined by the codebook, is to be used by the UE 120. Non-codebook-based precoding may involve selecting or deriving a precoder based on, or otherwise associated with, one or more downlink or uplink signal measurements. The network node 110 or the UE 120 may transmit the processed downlink or uplink signals, respectively, via one or more antennas.

[0059] The network node 110 or the UE 120 may receive uplink signals or downlink signals, respectively, via one or more antennas. The network node 110 or the UE 120 (for example, using the processing system 145 or the processing system 140, respectively, and / or one or more coupled modems) may perform signal processing (for example, in accordance with the MCS) on the received uplink or downlink signals, respectively (such as filtering, amplification, demodulation, analog-to-digital conversion, an FFT operation, demultiplexing, deinterleaving, de-mapping, equalization, interference cancellation, and / or decoding, among other examples) , to map the received signal (s) to a sequence of binary bits (for example, received information) that estimates the information transmitted by the network node 110 or the UE 120 via the downlink or uplink signals. The network node 110 or the UE 120 (for example, using the processing system 145 or the processing system 140, respectively, and / or a coupled decoder or one or more modems) may decode the received information (such as by using an ECC, a decoding operation, and / or an FEC operation) to detect errors and / or correct bit errors in the received information to generate decoded information. The decoded information may estimate the information transmitted via the downlink or uplink signals.

[0060] In some examples, a UE 120 and a network node 110 may perform multiple input multiple output (MIMO) communication. “MIMO” generally refers to transmitting or receiving multiple signals (such as multiple layers or multiple data streams) simultaneously over the same time and frequency resources. MIMO techniques generally exploit multipath propagation. A network node 110 and / or UE 120 may communicate using massive MIMO, multi-user MIMO, or single-user MIMO, which may involve rapid switching between beams or cells. For example, the amplitudes and / or phases of signals transmitted via antenna elements and / or sub-elements may be modulated and shifted relative to each other (such as by manipulating a phase shift, a phase offset, and / or an amplitude) to generate one or more beams, which is referred to as beamforming. For example, the network node 110b may generate one or more beams 160a, and the UE 120b may generate one or more beams 160b. The term “beam” may refer to a directional transmission of a wireless signal toward a receiving device or otherwise in a desired direction, a directional reception of a wireless signal from a transmitting device or otherwise in a desired direction, a direction associated with a directional transmission or directional reception, a set of directional resources associated with a signal transmission or signal reception (for example, an angle of arrival, a horizontal direction, and / or a vertical direction) , a set of parameters that indicate one or more aspects of a directional signal, a direction associated with the signal, and / or a set of directional resources associated with the signal, among other examples.

[0061] MIMO may be implemented using various spatial processing or spatial multiplexing operations. In some examples, MIMO may include a massive MIMO technique which may be associated with an increased (for example, “massive” ) quantity of antennas at the network node 110 and / or at the UE 120, such as in a network implementing mmWave technology. Massive MIMO may improve communication reliability by enabling a network node 110 and / or a UE 120 to communicate the same data across different propagation (or spatial) paths. In some examples, MIMO may support simultaneous transmission to multiple receivers, referred to as multi-user MIMO (MU-MIMO) . Some RATs may employ MIMO techniques, such as multi-TRP (mTRP) operation (including redundant transmission or reception on multiple TRPs) , reciprocity in the time domain or the frequency domain, single-frequency-network (SFN) transmission, or non-coherent joint transmission (NC-JT) .

[0062] To support MIMO techniques, the network node 110 and the UE 120 may perform one or more beam management operations, such as an initial beam acquisition operation, one or more beam refinement operations, and / or a beam recovery operation. For example, an initial beam acquisition operation may involve the network node 110 transmitting signals (for example, SSBs, CSI-RSs, or other signals) via respective beams (for example, of the beams 160a of the network node 110) and the UE 120 receiving and measuring the signal (s) via respective beams of multiple beams (for example, from the beams 160b of the UE 120) to identify a best beam (or beam pair) for communication between the UE 120 and the network node 110. For example, the UE 120 may transmit an indication (for example, in a message associated with a random access channel (RACH) operation) of a (best) identified beam of the network node 110 (for example, by indicating an SSBRI or other identifier associated with the beam) . A beam refinement operation may involve a first device (for example, the UE 120 or the network node 110) transmitting signal (s) via a subset of beams (for example, identified based on, or otherwise associated with, measurements reported as part of one or more other beam management operations) . A second device (for example, the network node 110 or the UE 120) may receive the signal (s) via a single beam (for example, to identify the best beam for communication from the subset of beams) . The beam (s) may be identified via one or more spatial parameters, such as a transmission configuration indicator (TCI) state and / or a quasi co-location (QCL) parameter, among other examples. The network node 110 and the UE 120 may increase reliability and / or achieve efficiencies in throughput, signal strength, and / or other signal properties for massive MIMO operations by performing the beam management operations.

[0063] Some aspects and techniques as described herein may be implemented, at least in part, using an artificial intelligence (AI) program (for example, referred to herein as an “AI / ML model” ) , such as a program that includes a machine learning (ML) model and / or an artificial neural network (ANN) model. In some examples, the AI / 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 AI / ML model. The computing capabilities may be defined in terms of certain parameters of the AI / ML model, such as weights and biases. Weights may indicate relationships between certain input data and certain outputs of the AI / ML model, and biases are offsets which may indicate a starting point for outputs of the AI / ML model. An example AI / 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.

[0064] In some aspects, an AI / ML model may be configured to provide computing capabilities for wireless communications. Such an AI / ML model may be configured with weights and biases to perform one or more inferences or predictions based on a set of measurements (e.g., SSB measurements) , such as temporal beam prediction, spatial beam prediction, positioning, temporal CSI prediction, and / or predictive mobility or handover, among other examples. Accordingly, during operation of a device, the AI / ML model may receive input data (e.g., one or more SSB measurements) and make inferences (such as predicting a future beam measurement, predicting a beam measurement in a different direction, inferring a position, predicting future CSI, and / or predicting a mobility or handover event) based on the weights and biases.

[0065] The AI / ML model may be deployed at one or more devices 165 (for example, a network node 110 and / or UEs 120) . For example, the one or more devices 165 may include a UE 120 (for example, the processing system 140) , a network node 110 (for example, the processing system 145) , one or more servers, and / or one or more components of a cloud computing network, among other examples. In some examples, the AI / ML model (or an instance of the AI / ML model) may be deployed at multiple devices (for example, a first portion of the AI / ML model may be deployed at a UE 120 and a second portion of the AI / ML model may be deployed at a network node 110) . In other examples, a first AI / ML model may be deployed at a UE 120 and a second AI / ML model may be deployed at a network node 110. The AI / ML model (s) may be configured to enhance various aspects of the wireless communication network 100. For example, the AI / ML model (s) may be trained to identify patterns or relationships in data corresponding to the wireless communication network 100, a device, and / or an air interface, among other examples. The AI / ML model (s) may support operational decisions relating to one or more aspects associated with wireless communications devices, networks, or services. For example, an AI / ML model may be utilized to support or improve aspects such as signal coding or 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.

[0066] In some aspects, the UE 120 may include a communication manager 150. As described in more detail elsewhere herein, the communication manager 150 may identify, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; and transmit, to a network node 110 while in the RRC idle or inactive state, a report indicating the readiness state. Additionally, or alternatively, the communication manager 150 may perform one or more other operations described herein.

[0067] In some aspects, the network node 110 may include a communication manager 155. As described in more detail elsewhere herein, the communication manager 155 may receive, from a UE 120 in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; and transmit, to the UE 120, signaling that indicates that the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state. Additionally, or alternatively, the communication manager 155 may perform one or more other operations described herein.

[0068] Fig. 2 is a diagram illustrating an example disaggregated network node architecture 200, in accordance with the present disclosure. One or more components of the example disaggregated network node architecture 200 may be, may include, or may be included in one or more network nodes (such one or more network nodes 110) . The disaggregated network node architecture 200 may include a CU 210 that can communicate directly with a core network 220 via a backhaul link, or that can communicate indirectly with the core network 220 via one or more disaggregated control units, such as a non-real-time (Non-RT) RAN intelligent controller (RIC) 250 associated with a Service Management and Orchestration (SMO) Framework 260 and / or a near-real-time (Near-RT) RIC 270 (for example, via an E2 link) . The CU 210 may communicate with one or more DUs 230 via respective midhaul links, such as via F1 interfaces. Each of the DUs 230 may communicate with one or more RUs 240 via respective fronthaul links. Each of the RUs 240 may communicate with one or more UEs 120 via respective RF access links. In some deployments, a UE 120 may be simultaneously served by multiple RUs 240.

[0069] Each of the components of the disaggregated network node architecture 200, including the CUs 210, the DUs 230, the RUs 240, the Near-RT RICs 270, the Non-RT RICs 250, and the SMO Framework 260, may include one or more interfaces or may be coupled with one or more interfaces for receiving or transmitting signals, such as data or information, via a wired or wireless transmission medium.

[0070] In some aspects, the CU 210 may be logically split into one or more CU user plane (CU-UP) units and one or more CU control plane (CU-CP) units. A CU-UP unit may communicate bidirectionally with a CU-CP unit via an interface, such as the E1 interface when implemented in an O-RAN configuration. The CU 210 may be deployed to communicate with one or more DUs 230, as necessary, for network control and signaling. Each DU 230 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 240. For example, a DU 230 may host various layers, such as an RLC layer, a MAC layer, or one or more PHY layers, such as one or more high PHY layers or one or more low PHY layers. Each layer (which also may be referred to as a module) may be implemented with an interface for communicating signals with other layers (and modules) hosted by the DU 230, or for communicating signals with the control functions hosted by the CU 210. Each RU 240 may implement lower layer functionality. In some aspects, real-time and non-real-time aspects of control and user plane communication with the RU (s) 240 may be controlled by the corresponding DU 230.

[0071] The SMO Framework 260 may support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 260 may support the deployment of dedicated physical resources for RAN coverage requirements, which may be managed via an operations and maintenance interface, such as an O1 interface. For virtualized network elements, the SMO Framework 260 may interact with a cloud computing platform (such as an open cloud (O-Cloud) platform 290) to perform network element life cycle management (such as to instantiate virtualized network elements) via a cloud computing platform interface, such as an O2 interface. A virtualized network element may include, but is not limited to, a CU 210, a DU 230, an RU 240, a non-RT RIC 250, and / or a Near-RT RIC 270. In some aspects, the SMO Framework 260 may communicate with a hardware aspect of a 4G RAN, a 5G NR RAN, and / or a 6G RAN, such as an open eNB (O-eNB) 280, via an O1 interface. Additionally or alternatively, the SMO Framework 260 may communicate directly with each of one or more RUs 240 via a respective O1 interface. In some deployments, this configuration can enable each DU 230 and the CU 210 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0072] The Non-RT RIC 250 may include or may implement a logical function that enables non-real-time control and optimization of RAN elements and resources, AI / ML workflows including model training and updates, and / or policy-based guidance of applications and / or features in the Near-RT RIC 270. The Non-RT RIC 250 may be coupled to or may communicate with (such as via an A1 interface) the Near-RT RIC 270. The Near-RT RIC 270 may include or may implement a logical function that enables near-real-time control and optimization of RAN elements and resources via data collection and actions via an interface (such as via an E2 interface) connecting one or more CUs 210, one or more DUs 230, and / or an O-eNB 280 with the Near-RT RIC 270.

[0073] In some aspects, to generate AI / ML models to be deployed in the Near-RT RIC 270, the Non-RT RIC 250 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 270 and may be received at the SMO Framework 260 or the Non-RT RIC 250 from non-network data sources or from network functions. In some examples, the Non-RT RIC 250 or the Near-RT RIC 270 may tune RAN behavior or performance. For example, the Non-RT RIC 250 may monitor long-term trends and patterns for performance and may employ AI / ML models to perform corrective actions via the SMO Framework 260 (such as reconfiguration via an O1 interface) or via creation of RAN management policies (such as A1 interface policies) .

[0074] The network node 110, the processing system 145 of the network node 110, the UE 120, the processing system 140 of the UE 120, the CU 210, the DU 230, the RU 240, or any other component (s) of Fig. 1 and / or Fig. 2 may implement one or more techniques or perform one or more operations associated with an AI / ML readiness report for an idle or inactive UE, as described in more detail elsewhere herein. For example, the processing system 145 of the network node 110, the processing system 140 of the UE 120, the CU 210, the DU 230, or the RU 240 may perform or direct operations of, for example, process 700 of Fig. 7, process 800 of Fig. 8, or other processes as described herein (alone or in conjunction with one or more other processors) . Memory of the network node 110 may store data and program code (or instructions) for the network node 110, the CU 210, the DU 230, or the RU 240. In some examples, the memory of the network node 110 may store data relating to a UE 120, such as RRC state information or a UE context. Memory of a UE 120 may store data and program code (or instructions) for the UE 120, such as context information. In some examples, the memory of the UE 120 or the memory of the network node 110 may include a non-transitory computer-readable medium storing a set of instructions for wireless communication. For example, the set of instructions, when executed by one or more processors (for example, of the processing system 145 or the processing system 140) of the network node 110, the UE 120, the CU 210, the DU 230, or the RU 240, may cause the one or more processors to perform process 700 of Fig. 7, process 800 of Fig. 8, or other processes as described herein. In some examples, executing instructions may include running the instructions, converting the instructions, compiling the instructions, and / or interpreting the instructions, among other examples.

[0075] In some aspects, the UE 120 includes means for identifying, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; and / or means for transmitting, to a network node 110 while in the RRC idle or inactive state, a report indicating the readiness state. The means for the UE 120 to perform operations described herein may include, for example, one or more of communication manager 150, processing system 140, a radio, one or more RF chains, one or more transceivers, one or more antennas, one or more modems, a reception component (for example, reception component 902 depicted and described in connection with Fig. 9) , and / or a transmission component (for example, transmission component 904 and described in connection with Fig. 9) , among other examples.

[0076] In some aspects, the network node 110 includes means for receiving, from a UE 120 in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; and / or means for transmitting, to the UE 120, signaling that indicates that the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state. The means for the network node 110 to perform operations described herein may include, for example, one or more of communication manager 155, processing system 145, a radio, one or more RF chains, one or more transceivers, one or more antennas, one or more modems, a reception component (for example, reception component 1002 depicted and described in connection with Fig. 10) , and / or a transmission component (for example, transmission component 10004 depicted and described in connection with Fig. 10) , among other examples.

[0077] Fig. 3 is a diagram illustrating an example artificial intelligence and / or AI / ML model, represented in Fig. 3 as an artificial neural network (ANN) 300, in accordance with the present disclosure.

[0078] As shown in Fig. 3, the ANN 300 may receive input data 306, which may include one or more bits of data 302, pre-processed data output from pre-processor 304 (optional) , or some combination thereof. Here, the bits of data 302 may include training data, verification data, application-related data, or the like, based, for example, on the stage of deployment of ANN 300. In some examples, the pre-processor 304 may be included within the ANN 300. The pre-processor 304 may, for example, process all or a portion of data 302, which may result in some of data 302 being changed, replaced, and / or deleted, among other examples. In some aspects, the pre-processor 304 may add additional data to data 302. In some aspects, the pre-processor 304 may be an AI / ML model, such as an ANN.

[0079] As shown in Fig. 3, the ANN 300 includes at least one first layer 308 of artificial neurons 310 to process input data 306 and provide resulting first layer data via connections or “edges” such as edges 312 to at least a portion of at least one second layer 314. The second layer 314 processes data received via edges 312 and provides second layer output data via edges 316 to at least a portion of at least one third layer 318. The third layer 318 processes data received via edges 316 and provides third layer output data via edges 320 to at least a portion of a final layer 322 including one or more neurons to provide output data 324. All or part of output data 324 may be further processed in some manner by (optional) post-processor 326. Thus, in certain examples, the ANN 300 may provide output data 328 that is based on output data 324, post-processed data output from post-processor 326, or some combination thereof.

[0080] The post-processor 326 may be included within the ANN 300 in some examples. The post-processor 326 may, for example, process all or a portion of output data 324, which may result in output data 328 being different, at least in part, to output data 324, as result of data being changed, replaced, and / or deleted, among other examples. In some examples, post-processor 326 may be configured to add additional data to output data 324. In this example, the second layer 314 and the third layer 318 represent intermediate or hidden layers that may be arranged in a hierarchical or other like structure. Although not explicitly shown in Fig. 3, there may be one or more further intermediate layers between the second layer 314 and the third layer 318. In some examples, the post-processor 326 may be an AI / ML model, such as an ANN.

[0081] The structure and training of artificial neurons 310 in the various layers may be tailored to specific requirements of an application. Within a given layer such as first layer 308, second layer 314, or third layer 318 of the ANN 300, 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 the ANN 300. The weights and biases of the ANN 300 may be adjusted during a training process or during operation of the ANN 300. 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 an output to the next layer in response to received data.

[0082] Different activation functions may be used to model different types of non-linear relationships. By introducing non-linearity into an AI / ML model, an activation function allows the configuration for the AI / ML model to change in response to identifying or detecting complex patterns and relationships in the input data 306. 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.

[0083] Training of an AI / ML model, such as ANN 300, may be conducted using training data. Training data may include one or more datasets that the ANN 300 may use to identify patterns or relationships. Training data may represent various types of information, including written, visual, audio, environmental context, and / or operational properties, among other examples. During training, the parameters (such as the weights and biases) of artificial neurons 310 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 the ANN 300 with each iteration.

[0084] Various ANN model structures are available for consideration. For example, the ANN 300 may implement or may be implemented in a feedforward ANN structure, a convolutional ANN structure, a recurrent ANN structure, an autoencoder ANN structure, a generative adversarial ANN structure, or a transformer ANN structure. Another example ANN structure is an AI / ML model with one or more invertible layers. Models of this type may be inverted or “unwrapped” to reveal the input data that was used to generate the output of a layer. Other example types of ANN model structures include fully connected neural networks (FCNNs) and long short-term memory (LSTM) networks, among others.

[0085] The ANN 300 or other AI / 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 CPUs, one or more GPUs, or suitable combinations thereof, may be employed to implement a model. In some implementations, one or more tensor processing units (TPUs) , NPUs, or other special-purpose processors, field-programmable gate arrays (FPGAs) , ASICs, or the like may also be employed. In some implementations, the AI / ML model may be implemented by a NPU or a TPU embedded in an SoC along with other components, such as one or more CPUs, GPUs, or the like. 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 AI / ML model implemented by the NPU or TPU with weights and biases, providing certain training data to the AI / ML model to configure the AI / ML model, or providing input data to the AI / 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 AI / 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 an RF transceiver based on the outputs or inferences obtained from an AI / ML model to cause the RF transceiver to operate on a wireless network in accordance with the AI / ML model.

[0086] As indicated above, Fig. 3 is provided as an example. Other examples may differ from what is described with regard to Fig. 3.

[0087] Fig. 4 is a diagram illustrating an example architecture 400 of a functional framework for RAN intelligence enabled by data collection, in accordance with the present disclosure. In some scenarios, the functional framework for RAN intelligence may be enabled by enhancement of the data collection through one or more use cases and / or examples. For example, principles or algorithms for RAN intelligence enabled by AI / ML and the associated functional framework (e.g., AI / ML functionalities, inputs and / or outputs of one or more components for AI / ML enabled optimization, or the like) may be used for one or more AI / ML air interface use cases (e.g., beam management, positioning, CSI prediction, energy saving, load balancing, mobility management, and / or coverage optimization, among other examples) . In one example, as shown by the architecture 400, a functional framework for RAN intelligence may include multiple logical entities, such as a model training host 402, a model inference host 404, one or more data sources 406, and an actor 408.

[0088] The model inference host 404 may be configured to run an AI / ML model based on inference data provided by the data sources 406, and the model inference host 404 may produce an output (e.g., a prediction or inference) associated with the inference data according to an AI / ML functionality. As further shown in Fig. 4, the output produced by the model inference host 404 may be provided to the actor 408. The actor 408 may be an element or an entity of a core network or a RAN. For example, the actor 408 may be a UE, a network node, a base station (e.g., a gNB) , a CU, a DU, and / or an RU, among other examples. In addition, the actor 408 may depend on a type of tasks performed by the model inference host 404, a type of the inference data provided to the model inference host 404, and / or a type of the output produced by the model inference host 404. For example, if the output from the model inference host 404 is associated with position determination, the actor 408 may be a UE, a network node such as a DU or an RU, or another suitable device such as a location management function (LMF) . In some examples, the model inference host 404 may be hosted on the actor 408. For example, a UE may be the actor 408 and may host the model inference host 404. In some aspects, a UE (e.g., the actor 408) may be a data source 406. For example, the UE may perform a measurement (e.g., a first set of beam measurements) , may input the measurement to the AI / ML model at the model inference host 404 (or may provide the measurement to the model inference host 404) , and may act based on an output of the AI / ML model (e.g., mapping the first set of beam measurements to a second set of beam measurements, a position, a precoder or precoding matrix, a CQI, an RI, a mobility or handover parameter, and / or a compressed representation of CSI feedback) .

[0089] After the actor 408 receives an output from the model inference host 404, the actor 408 may determine whether to act based on the output. For example, if the actor 408 is a UE and the output from the model inference host 404 is associated with position information, the actor 408 may determine whether to report the position information, reconfigure a beam, among other examples. Additionally, or alternatively, if the actor 408 is a UE and the output from the model inference host 404 is a predicted beam measurement, the actor 408 may report predicted channel characteristics associated with one or more target resources in one or more temporal occasions. If the actor 408 determines to act based on the output, in some examples, the actor 408 may indicate the action to at least one subject of action 410.

[0090] The data sources 406 may also be configured for collecting data that is used as training data for training an AI / ML model or as inference data for feeding an AI / ML model inference operation. For example, the data sources 406 may collect data from one or more core network and / or RAN entities, which may include the actor 408 or the subject of action 410, and may provide the collected data to the model training host 402 for AI / ML model training. In some aspects, the model training host 402 may be co-located with the model inference host 404 and / or the actor 408. For example, the actor 408 or the subject of action 410 may provide performance feedback associated with the action performed by the actor 408 and / or the output from the model inference host 404 to the data sources 406. In some examples, the performance feedback may be used by the model training host 402 for monitoring or evaluating the AI / ML model performance. For example, the performance feedback may be used by the model training host 402 to determine whether the output (e.g., prediction or inference) provided to the actor 408 is accurate. In some examples, the model training host 402 may monitor or evaluate AI / ML model performance using a training position value, which may be provided by a node (e.g., a UE or a network node) . In some examples, if the output provided by the model inference host 404 is inaccurate (or the accuracy is below an accuracy threshold) , then the model training host 402 may modify and / or retrain the AI / ML model used by the model inference host 404 (e.g., via an AI / ML model deployment and / or update) .

[0091] As indicated above, Fig. 4 is provided as an example. Other examples may differ from what is described with regard to Fig. 4.

[0092] Fig. 5 is a diagram illustrating an example 500 of AI / ML based beam management in accordance with the present disclosure. As shown in Fig. 5, an AI / ML model 510 may be deployed at or on a wireless node, which may correspond to the UE 120 and / or the network node 110 described elsewhere herein. For example, a model inference host may be deployed at, or on, a UE 120, for use in generating one or more UE-side predictions or inferences that may be indicated in a prediction or inference report sent to a network node 110, or the model inference host may be deployed at, or on, a network node 110, for use in generating one or more network-side predictions or inferences that may be indicated in a prediction or inference results indication sent to a UE 120. In some aspects, as described herein, the AI / ML model 510 may enable the wireless node to determine one or more inferences or predictions based on data input to the AI / ML model 510 using one or more AI / ML functionalities. As described herein, an AI / ML “functionality” may be a supported AI / ML functionality (e.g., referring to capabilities associated with a UE 120 related to one or more AI / ML-specific feature groups (FGs) ) , an applicable AI / ML functionality (e.g., referring to an inference configuration indicated by a network node 110 in a CSI report configuration or a set of inference-related parameters or information indicated by a UE 120) , and / or an activated AI / ML functionality (e.g., referring to an AI / ML functionality enabled based on a CSI framework) . Accordingly, as described herein, the meaning and granularity of an AI / ML functionality may be the same or may differ for supported AI / ML functionalities, applicable AI / ML functionalities, and activated AI / ML functionalities.

[0093] For example, as shown by reference number 520, an input to the AI / ML model 510 may include measurements associated with a first set of beams. For example, a network node 110 may transmit one or more signals using respective beams from the first set of beams. The UE 120 may perform measurements (e.g., L1-RSRP measurements, L1-SINR measurements, L3-RSRP measurements, L3-SINR measurements, or other suitable measurements) of the first set of beams to obtain a first set of measurements. For example, each beam, from the first set of beams, may be associated with one or more measurements performed by the UE 120. The UE 120 may input the first set of measurements (e.g., L1 / RSRP / L1-SINR and / or L3-RSRP / L3-SINR measurement values) into the AI / ML model 510 along with information associated with the first set of beams and / or a second set of beams, such as a beam direction (e.g., spatial direction) , beam width, beam shape, and / or other characteristics of the respective beams from the first set of beams and / or the second set of beams.

[0094] As shown by reference number 530, the AI / ML model 510 may output one or more predictions. The one or more predictions may include predicted measurement values (e.g., predicted L1-RSRP / L1-SINR and / or L3-RSRP / L3-SINR measurement values) associated with the second set of beams. In this way, predicting measurement values associated with the second set of beams without actually measuring the second set of beams may reduce a quantity of beam measurements that are performed by the UE 120, thereby conserving power of the UE 120 and / or network resources that would have otherwise been used to measure all of the beams included in the first set of beams and the second set of beams. This type of prediction may be referred to as a codebook based spatial domain selection or prediction.

[0095] As another example, an output of the AI / ML model 510 may include a point-direction, an angle of departure (AoD) , and / or an angle of arrival (AoA) of a beam included in the second set of beams. This type of prediction may be referred to as a non-codebook based spatial domain selection or prediction. As another example, multiple measurement report or values, collected at different points in time, may be input to the AI / ML model 510. This may enable the AI / ML model 510 to output codebook based and / or non-codebook based predictions for a measurement value, an AoD, and / or an AoA, among other examples, of a beam at a future time. The output (s) of the AI / ML model 510, as described herein, may facilitate initial access procedures, secondary cell group (SCG) setup procedures, beam refinement procedures (e.g., a P2 beam management procedure or a P3 beam management procedure) , link quality or interference adaptation procedure, beam failure and / or beam blockage predictions, and / or radio link failure predictions, among other examples.

[0096] In some examples, the first set of beams associated with actual measurements may be referred to as Set B beams and the second set of beams associated with predicted measurements may be referred to as Set A beams. In some examples, the first set of beams (e.g., the Set B beams) may be a subset of the second set of beams (e.g., the Set A beams) . In some other examples, the first set of beams and the second set of beams may be different beams and / or may be mutually exclusive sets. For example, the first set of beams (e.g., the Set B beams) may include wide beams (e.g., SSBs, unrefined beams, or other beams having a beam width that satisfies a first threshold) and the second set of beams (e.g., the Set A beams) may include narrow beams (e.g., CSI-RS beams, refined beams, or other beams having a beam width that satisfies a second threshold) . In one example, the AI / ML model 510 may be used to perform spatial-domain downlink beam prediction for beams included in the Set A beams based on measurement results of beams included in the Set B beams. As another example, the AI / ML model 510 may be used to perform temporal downlink beam prediction for beams included in the Set A beams based on historic measurement results of beams included in the Set B beams. In cases where the AI / ML model 510 is used to perform temporal downlink beam prediction, the Set A beams may be the same as the Set B beams (e.g., for pure temporal beam prediction) , or the Set A beams may be different from the Set B beams (e.g., with or without overlap, to enable spatial and temporal beam prediction) . In general, as described herein, the AL / ML model 510 may be used for spatial and / or temporal beam prediction at a network node 110 or a UE 120, and may be supported for single-cell scenarios.

[0097] Furthermore, in some cases, beam measurements that are predicted using AI / ML techniques may be used to enable AI / ML-assisted mobility, which may be referred to herein as predictive mobility or the like. For example, in a spatial prediction use case, a UE may obtain measurements (e.g., L1-RSRP and / or L1-SINR measurements) for a first set of cross-cell (or inter-cell) SSBs, which may then be used to predict L1-RSRP, L1-SINR, and / or other suitable measurements for a second set of cross-cell (or inter-cell) SSBs. In such cases, the predicted measurements for the second set of cross-cell (or inter-cell) SSBs may be used to make mobility decisions and thereby reduce UE power consumption and / or measurement latency in cases where there is a large number of cross-cell beams. In another example, in a temporal prediction use case, a UE may obtain measurements (e.g., L1-RSRP, L1-SINR, and / or other suitable measurements) for a first set of cross-cell (or inter-cell) SSBs, which may then be used to predict measurements for a second set of cross-cell (or inter-cell) CSI-RS beams or other narrow beams for future occasions. In such cases, the predicted measurements for the second set of cross-cell (or inter-cell) CSI-RS or other narrow beams may be used to make mobility decisions (e.g., taking into consideration one or more triggering conditions for a conditional handover based on UE-side temporal beam prediction results) and / or may reduce handover latency and / or avoid service interruptions (e.g., for inter-DU handovers and / or a non-ideal backhaul) .

[0098] In cases where a UE 120 is configured to use an AI / ML functionality or model to generate predictions or inferences based on actual beam measurements (e.g., for temporal beam prediction, spatial beam prediction, positioning, temporal CSI prediction, mobility and / or handovers, or other purposes) , the prediction or inference performance typically increases with the number of historical measurements input to the AI / ML functionality or model. Accordingly, generating accurate predictions or inferences using AI / ML functionalities and / or models may be dependent on a UE 120 obtaining a sufficient number of historical measurements, where the specific number may depend on factors such as an implementation of the UE 120 and / or training strategies or techniques used for the associated AI / ML functionalities and / or models. As a result, when a UE 120 enters an RRC connected state, a network node 110 may wait to activate or trigger an AI / ML functionality or model at the UE 120 until after the UE 120 has completed an AI / ML ramp-up process to collect the sufficient number of historical beam measurements. However, the time when the UE 120 has completed the AI / ML ramp-up process may depend on whether and / or how many historical measurements the UE 120 collected prior to the transition to the RRC connected state, which may vary from one UE 120 to another.

[0099] For example, as shown by reference number 540, a first UE 120 operating in an RRC idle or inactive state may measure SSBs (e.g., in order to receive a paging PDCCH or PDSCH and / or during a RACH procedure, among other examples) and buffer the SSB measurements such that the buffered SSB measurements can be used for AI / ML-based predictions or inferences in an RRC connected state. As described herein, the UE 120 may generally be ready to perform AI / ML-based prediction or inferencing after collecting at least N historical beam measurements, where N has a value that depends on a UE implementation and / or training strategies for the associated AI / ML functionality or model. Accordingly, because reference number 540 corresponds to an example where the first UE 120 has collected at least N historical beam measurements while in the RRC idle or inactive state, the first UE 120 has buffered enough SSB measurements in the RRC idle or inactive state to complete the AI / ML ramp-up, and is ready to be activated with AI / ML functionalities and / or models that are based on beam measurements at the time that the first UE 120 transitions to the RRC connected state.

[0100] Alternatively, as shown by reference number 550, a second UE 120 operating in the RRC idle or inactive state may buffer a number of SSB measurements that is below the minimum number of beam measurements to complete the AI / ML ramp-up process. For example, as shown by reference number 550, the second UE 120 has collected M historical beam measurements while in the RRC idle or inactive state, which is less than the N historical beam measurements to complete the AI / ML ramp-up process. Accordingly, the second UE 120 is not ready to be activated with AI / ML functionalities and / or models based on buffered beam measurements at the time that the second UE 120 transitions to the RRC connected state, and will need to collect at least N –M additional SSB measurements in the RRC connected state before being ready to be activated with AI / ML functionalities and / or models based on buffered beam measurements. Furthermore, reference number 560 corresponds to an example where a third UE 120 has not collected any historical beam measurements in the RRC idle or inactive state. The third UE 120 will therefore need to collect at least N additional SSB measurements in the RRC connected state before being ready to be activated with AI / ML functionalities and / or models based on buffered beam measurements.

[0101] Accordingly, as described herein, a network node 110 may generally activate or trigger one or more AI / ML functionalities or models at a UE 120 operating in an RRC connected state after the UE 120 has completed an AI / ML ramp-up process in which the UE 120 has collected a number of historical SSB measurements that satisfies (e.g., equals or exceeds) a threshold. However, because the threshold has a value that may vary depending on an implementation of a UE 120 and / or the training strategies used for the associated AI / ML model, and the number of historical SSB measurements obtained by a UE 120 in the RRC idle or inactive state is variable depending on the implementation of a UE 120, the network node 110 and the UE 120 may use one or more communication protocols and / or techniques to align or exchange the AI / ML readiness state before the one or more AI / ML functionalities or models are activated or triggered at the UE 120. For example, in one technique, an AI / ML functionality or model may be associated with a predefined or fixed activation latency (e.g., specified in one or more wireless communication standards) to ensure that a UE 120 has an opportunity to collect sufficient historical measurements after entering the RRC connected state. However, as described herein, some UEs 120 may collect a number of historical measurements in an RRC idle or inactive state, and may be ready to activate AI / ML functionalities or models immediately upon or soon after transitioning to the RRC connected state, whereby a predefined or fixed activation latency may unnecessarily delay prediction or inferencing operations for such UEs 120. Similarly, techniques to exchange signaling between the UE 120 and network node 110 to align the AI / ML readiness state after the UE 120 enters the RRC connected state may unnecessarily delay prediction or inferencing operations for UEs 120 that have collected historical SSB measurements in the RRC idle state. Furthermore, using performance-based techniques (e.g., where a UE 120 predicts one or more beam measurements using AI / ML inferencing, and then obtains actual beam measurements that are compared to the predicted beam measurements to assess accuracy of the AI / ML inferencing) may result in a UE 120 performing unnecessary AI / ML inferencing, consuming significant resources, and incurring significant signaling overhead if the UE 120 has to collect a large number of historical SSB measurements before completing the AI / ML ramp-up.

[0102] Accordingly, various aspects described herein generally relate to AI / ML ramp-up readiness reporting for a UE 120 transitioning from an RRC idle or inactive state to an RRC connected state. Some aspects more specifically relate to the UE 120 determining a readiness state associated with one or more AI / ML functionalities or models based on a number of buffered measurements obtained in the RRC idle or inactive state and transmitting an early report (e.g., while in the RRC idle or inactive state) indicating the readiness state to a network node 110. For example, in some aspects, a UE 120 may transmit an AI / ML ramp-up readiness report to a network node 110 during RRC connection establishment, where the readiness report may indicate whether the UE 120 can be activated and / or triggered to perform an AI / ML functionality or use an AI / ML model upon transitioning to the RRC connected state. In cases where the UE 120 has buffered sufficient measurements and is ready to be activated and / or triggered to perform an AI / ML functionality or use an AI / ML model upon transitioning to the RRC connected state, the UE 120 may expect to be scheduled to perform UE-side prediction or inferencing upon transitioning to the RRC connected state. Alternatively, in cases where the UE 120 has not buffered any measurements or has not buffered sufficient measurements to perform an AI / ML functionality or use an AI / ML model, the readiness report may further indicate a number of measurement cycles after which the UE 120 will be ready to perform UE-side prediction or inferencing. The network node 110 may receive the readiness report from the UE 120 and may transmit signaling to the UE 120 that activates or triggers the AI / ML functionalities or models at a time based on the readiness state indicated by the UE 120.

[0103] As indicated above, Fig. 5 is provided as an example. Other examples may differ from what is described with regard to Fig. 5.

[0104] Fig. 6 is a diagram illustrating an example 600 associated with an AI / ML readiness report for an idle or inactive UE 120, in accordance with the present disclosure. As shown in Fig. 6, example 600 includes communication between a network node 110 and a UE 120. In some aspects, the network node 110 and the UE 120 may communicate in a wireless network, such as wireless network 100. In some aspects, the network node 110 and the UE 120 may communicate via a wireless access link, which may include an uplink and a downlink.

[0105] In some aspects, as described herein, the UE 120 may support a connected communication mode (e.g., an RRC connected state) , an idle communication mode (e.g., an RRC idle state) , and an inactive communication mode (e.g., an RRC inactive state) . The RRC inactive state may functionally reside between the RRC connected state and the RRC idle state. The UE 120 may transition between different RRC states in accordance with one or more commands and / or communications that are transmitted by the network node 110 and received at the UE 120. For example, the UE 120 may transition from the RRC connected state or the RRC inactive state to the RRC idle state in accordance with an RRC release communication (e.g., releasing a connection and associated context for the UE 120) . As another example, the UE 120 may transition from the RRC connected state to the RRC inactive state in accordance with an RRC release communication associated with a suspended configuration (e.g., suspendConfig) parameter. As another example, the UE 120 may transition from the RRC idle state to the RRC connected state in accordance with an RRC setup request communication. As another example, the UE 120 may transition from the RRC inactive state to the RRC connected state in accordance with an RRC resume request communication. When transitioning to the RRC inactive state, the UE 120 and / or the network node 110 may store a UE context (e.g., an access stratum (AS) context and / or higher-layer configurations associated with the UE 120) . The UE context permits the UE 120 and / or the network node 110 to apply the stored UE context when the UE 120 transitions from the RRC inactive state to the RRC connected state to resume communications with the network node 110, which reduces latency of transitioning to the RRC connected state relative to transitioning to the RRC connected state from the RRC idle state.

[0106] As shown in Fig. 6, and by reference number 605, the UE 120 may identify one or more AI / ML functionalities to be activated in an RRC connected state (e.g., one or more AI / ML functionalities supported by the UE 120 and / or one or more applicable AI / ML functionalities associated with an inferencing or prediction configuration or related parameters) . In some aspects, the UE 120 may identify the one or more AI / ML functionalities to be activated in the RRC connected state before the UE 120 enters or otherwise transitions to the RRC connected state. In some aspects, the UE 120 may identify the one or more AI / ML functionalities to be activated in the RRC connected state while the UE 120 is operating in an RRC idle state or an RRC inactive state. In some aspects, the one or more AI / ML functionalities to be activated in the RRC connected state may generally relate to UE-side inferencing or predictive operations that the UE 120 expects the network node 110 to configure, activate, and / or trigger at the UE 120 after transitioning to the RRC connected state.

[0107] For example, in some aspects, the one or more AI / ML functionalities to be activated in the RRC connected state may be defined or otherwise specified in one or more wireless communication standards or other configuration information stored at the UE 120. Additionally, or alternatively, as shown by reference number 610, the network node 110 may transmit, and the UE 120 may receive, signaling that indicates the one or more AI / ML functionalities to be activated in the RRC connected state. For example, in some aspects, the one or more AI / ML functionalities to be activated in the RRC connected state may be signaled or otherwise indicated in information associated with a paging payload, a PSS sequence and / or an SSS sequence, a PBCH or master information block (MIB) , a system information block (SIB) that carries remaining minimum system information (RMSI) (also known as SIB1) or other system information (OSI) , and / or one or more downlink messages associated with a RACH procedure (e.g., msg2 and / or msg4 in a four-step RACH procedure, or msgB in a two-step RACH procedure) , among other examples. In some aspects, in cases where the network node 110 signals the one or more AI / ML functionalities to be activated in the RRC connected state, the network node 110 may further indicate one or more SSBs that the UE 120 is to measure to obtain inputs for the one or more AI / ML functionalities and / or may indicate other suitable parameters associated with the one or more AI / ML functionalities (e.g., target temporal occasions associated with one or more inferences or predictions) .

[0108] In some aspects, as described herein, the one or more AI / ML functionalities to be activated in the RRC connected state may each be associated with a respective identifier (e.g., an associated ID parameter) that corresponds to a UE-side inferencing or predictive operation that may be configured, activated, and / or triggered at the UE 120. Furthermore, in some aspects, the one or more AI / ML functionalities to be activated in the RRC connected state may each use actual measurements associated with one or more beams (e.g., Set B beams) as inputs to generate inferences or predictions. For example, because the UE 120 may have a capability to optionally measure SSBs and buffer SSB measurement results while operating in an RRC idle state or an RRC inactive state (e.g., according to an implementation of the UE 120, in order to receive a paging PDCCH or a paging PDSCH and / or during a RACH procedure) , candidate AI / ML functionalities to be activated in the RRC connected state may be associated with measurement resources that correspond to SSBs associated with a serving cell. For example, in some aspects, the candidate AI / ML functionalities to be activated in the RRC connected state may relate to temporal beam prediction, where the UE 120 is configured to predict and report predicted channel characteristics (e.g., predicted L1-RSRP or L1-SINR measurements, the top K resources with respect to predicted L1-RSRP or L1-SINR measurements, the top K resources with respect to probabilities of being included in the top K resources, or the like) associated with one or more target resources (e.g., one or more SSB beams, one or more CSI-RS beams, and / or one or more virtual resources) . Furthermore, in a temporal beam prediction use case, the UE 120 may be configured to report predicted channel characteristics associated with certain (e.g., future) temporal occasions based on actual measurements of one or more measurement resources (e.g., SSB or CSI-RS resources) without actually measuring the resources in the target temporal occasions.

[0109] Additionally, or alternatively, for an AI / ML functionality associated with temporal beam prediction, the target temporal occasions associated with the predicted channel characteristics may be identified relative to one or more measurement occasions in which the UE 120 obtained actual measurements associated with one or more measurement resources. For example, in some aspects, the target temporal occasions associated with the predicted channel characteristics may occur a number of slots, subframes, milliseconds, seconds, or other time periods after the one or more measurement occasions in which the UE 120 obtained actual measurements associated with one or more measurement resources. Additionally, or alternatively, the target temporal occasions associated with the predicted channel characteristics may occur after a slot, subframe, or other time when the UE 120 reports the predicted channel characteristics or a time associated with a CSI reference resource corresponding to the report associated with the predicted channel characteristics. Furthermore, in some aspects, the temporal beam prediction use case may generally use actual measurements from one or more historical measurement occasions to carry out the prediction. In some aspects, although some aspects described herein relate to AI / ML functionalities that relate to temporal beam prediction, the candidate AI / ML functionalities to be activated in the RRC connected state may include any suitable AI / ML functionalities that may use buffered SSB measurements obtained over one or more historical measurement occasions, such as AI / ML functionalities that relate to spatial domain beam prediction, positioning (e.g., inferring a current position or predicting a future position) , temporal future CSI prediction (e.g., a CQI or RI) , and / or predictive mobility or handover with respect to one or more candidate or target cells.

[0110] Accordingly, as shown by example 630, the UE 120 may optionally measure and buffer one or more SSB measurements while the UE 120 is operating in an RRC idle or RRC inactive state, in order to perform an AI / ML ramp-up associated with the one or more AI / ML functionalities to be activated in the RRC connected state. For example, before the UE 120 is ready to use the one or more AI / ML functionalities to perform UE-side inferencing or prediction, the UE 120 may obtain at least a minimum number of actual SSB measurements to perform the AI / ML ramp-up such that the UE-side inferencing or prediction will satisfy one or more performance criteria when the one or more AI / ML functionalities are activated. In some aspects, as described herein, the minimum number of actual SSB measurements to perform the AI / ML ramp-up may depend on an implementation of the UE 120 and / or strategies or techniques used to train the associated AI / ML functionalities. Furthermore, as described herein, the UE 120 may determine whether and / or when to start buffering SSB measurements while operating in the RRC idle or RRC inactive state according to an implementation of the UE 120. For example, the UE 120 may start to buffer SSB measurements prior to receiving paging messages or initiating a RACH procedure, or after or upon receiving paging messages or initiating a RACH procedure, such that the UE 120 will be ready to perform UE-side inferencing or prediction immediately or soon after transitioning to the RRC connected state (e.g., to reduce an activation latency associated with the one or more AI / ML functionalities) . Alternatively, in some examples, the UE 120 may refrain from measuring SSBs while operating in the RRC idle or RRC inactive state (e.g., to conserve power or other resources) .

[0111] Accordingly, as shown by reference number 615 and example 630, the UE 120 may transmit, and the network node 110 may receive, a report that indicates a readiness state of the UE 120 for activating the one or more AI / ML functionalities in the RRC connected state based on a number of SSB measurements that the UE 120 has buffered in the RRC idle or inactive state. For example, in some aspects, the report indicating the readiness state of the UE 120 may be an early report that is transmitted while the UE 120 is in an RRC idle or inactive state (e.g., during RRC connection establishment) , before the UE 120 has entered or transitioned to the RRC connected state. In some aspects, the readiness state of the UE 120 for activating the one or more AI / ML functionalities in the RRC connected state may be indicated according to a preamble sequence, a RACH occasion in which in the readiness state is reported, a msgA PUSCH occasion for a two-step RACH procedure, a msgA / msg3 PUSCH payload, and / or any other suitable uplink message that the UE 120 is configured to transmit to the network node 110 before entering the RRC connected state.

[0112] In some aspects, because the number of SSB measurements that the UE 120 obtains and buffers in the RRC idle or inactive state may be anywhere in a range from zero SSB measurements (e.g., the UE 120 has yet to begin an AI / ML ramp-up) to a number of SSB measurements that is sufficient to activate the associated AI / ML functionalities (e.g., the UE 120 has already completed the AI / ML ramp-up) , the early report transmitted by the UE 120 may allow the network node 110 to determine the appropriate timing for activating or triggering one or more AI / ML functionalities at the UE 120. For example, based on the readiness state indicated in the report transmitted by the UE 120, the network node 110 may be aware of whether the UE 120 has already obtained and buffered a sufficient number of SSB measurements to be ready to be scheduled with UE-side inferencing or prediction operations, or when the UE 120 will be ready to be scheduled with UE-side inferencing or prediction operations.

[0113] More particularly, as shown by reference number 620 and example 630, the network node 110 may transmit, and the UE 120 may receive, a signal that activates or triggers the AI / ML functionalities at the UE 120. For example, when the readiness state reported by the UE 120 indicates that the UE 120 has buffered a sufficient number of SSB measurements to perform UE-side inferencing or prediction operations, the network node 110 may activate or trigger the AI / ML functionalities as early as L slots after a slot when the early report is transmitted by the UE 120, where L is a positive integer having a value that the network node 110 signals to the UE 120 or a value that is defined in one or more wireless communication standards. Alternatively, when the UE 120 has not buffered a sufficient number of SSB measurements to perform UE-side inferencing or prediction operations state, the report may indicate a duration until the UE 120 will be ready to be scheduled with UE-side inferencing or prediction operations after entering the RRC connected state. For example, in some aspects, the duration may be indicated according to a number of SSB cycles (e.g., a number of SSB cycles after which the UE 120 will have obtained a sufficient number of SSB measurements to be ready to be scheduled with UE-side inferencing or prediction operations) , where the UE 120 may identify an SSB cycle length associated with a cell from a MIB, RMSI, and / or OSI associated with the cell. Alternatively, when the SSB cycle length cannot be identified from a MIB, RMSI, and / or OSI associated with a cell, the SSB cycle length may have a default value, such as 20 milliseconds. In such cases, as shown by reference number 625, the UE 120 may obtain the remaining number of SSB measurements to complete the AI / ML ramp-up, and the message that the network node 110 transmits to activate or trigger the AI / ML functionalities may occur N SSB cycles after a slot when the early report is transmitted by the UE 120, where N corresponds to the number of SSB cycles reported by the UE 120. Furthermore, in some aspects, the UE 120 may transmit additional reports that indicate the readiness state of the UE 120 with respect to activating one or more AI / ML functionalities after entering the RRC connected state (e.g., via a dedicated RRC message or MAC-CE, via signaling reporting capabilities of the UE 120, or the like) , which may assist the network node 110 with efficiently activating and / or triggering UE-side inferencing and / or prediction operations while the UE 120 is in an RRC connected state.

[0114] As indicated above, Fig. 6 is provided as an example. Other examples may differ from what is described with respect to Fig. 6.

[0115] Fig. 7 is a diagram illustrating an example process 700 performed, for example, at a UE or an apparatus of a UE, in accordance with the present disclosure. Example process 700 is an example where the apparatus or the UE (e.g., UE 120) performs operations associated with AI / ML readiness report for an idle or inactive UE.

[0116] As shown in Fig. 7, in some aspects, process 700 may include identifying, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources (block 710) . For example, the UE (e.g., using communication manager 906, depicted in Fig. 9) may identify, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources, as described above.

[0117] As further shown in Fig. 7, in some aspects, process 700 may include transmitting, to a network node while in the RRC idle or inactive state, a report indicating the readiness state (block 720) . For example, the UE (e.g., using transmission component 904 and / or communication manager 906, depicted in Fig. 9) may transmit, to a network node while in the RRC idle or inactive state, a report indicating the readiness state, as described above.

[0118] Process 700 may include additional aspects, such as any single aspect or any combination of aspects described below and / or in connection with one or more other processes described elsewhere herein.

[0119] In a first aspect, process 700 includes receiving, from the network node, signaling that indicates that one or more of the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.

[0120] In a second aspect, alone or in combination with the first aspect, process 700 includes receiving, from the network node, signaling that indicates the one or more measurement resources.

[0121] In a third aspect, alone or in combination with one or more of the first and second aspects, the one or more AI / ML functionalities are identified according to configuration information indicating that one or more of the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.

[0122] In a fourth aspect, alone or in combination with one or more of the first through third aspects, the one or more measurement resources are associated with one or more SSBs in a cell associated with the network node.

[0123] In a fifth aspect, alone or in combination with one or more of the first through fourth aspects, the readiness state indicates that one or more of the one or more AI / ML functionalities are ready to be activated upon transitioning from the RRC idle or inactive state to the RRC connected state in accordance with a number of the buffered measurements satisfying a threshold.

[0124] In a sixth aspect, alone or in combination with one or more of the first through fifth aspects, process 700 includes receiving, from the network node, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of slots after a slot in which the report indicating the readiness state is transmitted.

[0125] In a seventh aspect, alone or in combination with one or more of the first through sixth aspects, the readiness state indicates that additional measurements of the one or more measurement resources are needed before one or more of the one or more AI / ML functionalities are ready to be activated.

[0126] In an eighth aspect, alone or in combination with one or more of the first through seventh aspects, the readiness state indicates a number of SSB cycles until one or more of the one or more AI / ML functionalities are ready to be activated.

[0127] In a ninth aspect, alone or in combination with one or more of the first through eighth aspects, process 700 includes receiving, from the network node, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of SSB cycles after a slot in which the report indicating the readiness state is transmitted.

[0128] In a tenth aspect, alone or in combination with one or more of the first through ninth aspects, transmitting the report comprises transmitting the report during an RRC connection setup procedure.

[0129] In an eleventh aspect, alone or in combination with one or more of the first through tenth aspects, one or more of the one or more AI / ML functionalities are associated with temporal beam prediction.

[0130] In a twelfth aspect, alone or in combination with one or more of the first through eleventh aspects, one or more of the one or more AI / ML functionalities are associated with one or more wireless communication use cases that relate to the buffered measurements associated with the one or more measurement resources.

[0131] In a thirteenth aspect, alone or in combination with one or more of the first through twelfth aspects, transmitting the report comprises transmitting the report in an uplink message prior to entering the RRC connected state.

[0132] In a fourteenth aspect, alone or in combination with one or more of the first through thirteenth aspects, process 700 includes retransmitting the report to the network node after transitioning from the RRC idle or inactive state to the RRC connected state.

[0133] In a fifteenth aspect, alone or in combination with one or more of the first through fourteenth aspects, the one or more AI / ML functionalities are represented according to one or more associated IDs.

[0134] Although Fig. 7 shows example blocks of process 700, in some aspects, process 700 may include additional blocks, fewer blocks, different blocks, or differently arranged blocks than those depicted in Fig. 7. Additionally, or alternatively, two or more of the blocks of process 700 may be performed in parallel.

[0135] Fig. 8 is a diagram illustrating an example process 800 performed, for example, at a network node or an apparatus of a network node, in accordance with the present disclosure. Example process 800 is an example where the apparatus or the network node (e.g., network node 110) performs operations associated with associated with AI / ML readiness report for an idle or inactive UE.

[0136] As shown in Fig. 8, in some aspects, process 800 may include receiving, from a UE in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources (block 810) . For example, the network node (e.g., using reception component 1002 and / or communication manager 1006, depicted in Fig. 10) may receive, from a UE in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources, as described above.

[0137] As further shown in Fig. 8, in some aspects, process 800 may include transmitting, to the UE, signaling that indicates that the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state (block 820) . For example, the network node (e.g., using transmission component 1004 and / or communication manager 1006, depicted in Fig. 10) may transmit, to the UE, signaling that indicates that the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state, as described above.

[0138] Process 800 may include additional aspects, such as any single aspect or any combination of aspects described below and / or in connection with one or more other processes described elsewhere herein.

[0139] In a first aspect, process 700 includes storing UE context information, wherein the stored UE context information indicates that the UE is in the RRC idle state in accordance with the stored UE context information lacking a context associated with the UE, or that the UE is in the RRC inactive state in accordance with the stored UE context information including a suspended context associated with the UE.

[0140] In a second aspect, alone or in combination with the first aspect, process 800 includes transmitting, to the UE, signaling that indicates the one or more measurement resources.

[0141] In a third aspect, alone or in combination with one or more of the first and second aspects, the one or more measurement resources are associated with one or more SSBs.

[0142] In a fourth aspect, alone or in combination with one or more of the first through third aspects, the readiness state indicates that one or more of the one or more AI / ML functionalities are ready to be activated upon the UE transitioning from the RRC idle or inactive state to the RRC connected state in accordance with a number of the buffered measurements satisfying a threshold.

[0143] In a fifth aspect, alone or in combination with one or more of the first through fourth aspects, process 800 includes transmitting, to the UE, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of slots after a slot in which the report indicating the readiness state is transmitted.

[0144] In a sixth aspect, alone or in combination with one or more of the first through fifth aspects, the readiness state indicates that additional measurements of the one or more measurement resources are needed before one or more of the one or more AI / ML functionalities are ready to be activated at the UE.

[0145] In a seventh aspect, alone or in combination with one or more of the first through sixth aspects, the readiness state indicates a number of SSB cycles until one or more of the one or more AI / ML functionalities are ready to be activated at the UE.

[0146] In an eighth aspect, alone or in combination with one or more of the first through seventh aspects, process 800 includes transmitting, to the UE, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of SSB cycles after a slot in which the report indicating the readiness state is transmitted.

[0147] In a ninth aspect, alone or in combination with one or more of the first through eighth aspects, receiving the report comprises receiving the report during an RRC connection setup procedure.

[0148] In a tenth aspect, alone or in combination with one or more of the first through ninth aspects, one or more of the one or more AI / ML functionalities are associated with temporal beam prediction.

[0149] In an eleventh aspect, alone or in combination with one or more of the first through tenth aspects, one or more of the one or more AI / ML functionalities are associated with one or more wireless communication use cases that relate to the buffered measurements associated with the one or more measurement resources.

[0150] In a twelfth aspect, alone or in combination with one or more of the first through eleventh aspects, receiving the report comprises receiving the report in an uplink message prior to the UE entering the RRC connected state.

[0151] In a thirteenth aspect, alone or in combination with one or more of the first through twelfth aspects, process 800 includes receiving a retransmission of the report after the UE has transitioned from the RRC idle or inactive state to the RRC connected state.

[0152] In a fourteenth aspect, alone or in combination with one or more of the first through thirteenth aspects, the one or more AI / ML functionalities are represented according to one or more associated IDs.

[0153] Although Fig. 8 shows example blocks of process 800, in some aspects, process 800 may include additional blocks, fewer blocks, different blocks, or differently arranged blocks than those depicted in Fig. 8. Additionally, or alternatively, two or more of the blocks of process 800 may be performed in parallel.

[0154] Fig. 9 is a diagram of an example apparatus 900 for wireless communication, in accordance with the present disclosure. The apparatus 900 may be a UE, or a UE may include the apparatus 900. In some aspects, the apparatus 900 includes a reception component 902, a transmission component 904, and / or a communication manager 906, which may be in communication with one another (for example, via one or more buses and / or one or more other components) . In some aspects, the communication manager 906 is the communication manager 150 described in connection with Fig. 1. As shown, the apparatus 900 may communicate with another apparatus 908, such as a UE or a network node (such as a CU, a DU, an RU, or a base station) , using the reception component 902 and the transmission component 904. The communication manager 906 may be included in, or implemented via, a processing system (for example, the processing system 140 described in connection with Fig. 1) of the UE.

[0155] In some aspects, the apparatus 900 may be configured to perform one or more operations described herein in connection with Fig. 6. Additionally, or alternatively, the apparatus 900 may be configured to perform one or more processes described herein, such as process 700 of Fig. 7. In some aspects, the apparatus 900 and / or one or more components shown in Fig. 9 may include one or more components of the UE 120 described in connection with Fig. 1. Additionally, or alternatively, one or more components shown in Fig. 9 may be implemented within one or more components described in connection with Fig. 1. Additionally, or alternatively, one or more components of the set of components may be implemented at least in part as software stored in one or more memories. For example, a component (or a portion of a component) may be implemented as instructions or code stored in a non-transitory computer-readable medium and executable by one or more controllers or one or more processors to perform the functions or operations of the component.

[0156] The reception component 902 may receive communications, such as reference signals, control information, data communications, or a combination thereof, from the apparatus 908. The reception component 902 may provide received communications to one or more other components of the apparatus 900. In some aspects, the reception component 902 may perform signal processing on the received communications, and may provide the processed signals to the one or more other components of the apparatus 900. In some aspects, the reception component 902 may include one or more components of the UE 120 described above in connection with Fig. 1, such as a radio, one or more RF chains, one or more transceivers, or one or more modems, each of which may in turn be coupled with one or more antennas of the UE 120.

[0157] The transmission component 904 may transmit communications, such as reference signals, control information, data communications, or a combination thereof, to the apparatus 908. In some aspects, one or more other components of the apparatus 900 may generate communications and may provide the generated communications to the transmission component 904 for transmission to the apparatus 908. In some aspects, the transmission component 904 may perform signal processing on the generated communications, and may transmit the processed signals to the apparatus 908. In some aspects, the transmission component 904 may include one or more components of the UE described above in connection with Fig. 1, such as a radio, one or more RF chains, one or more transceivers, or one or more modems, each of which may in turn be coupled with one or more antennas of the UE described in connection with Fig. 1. In some aspects, the transmission component 904 may be co-located with the reception component 902.

[0158] The communication manager 906 may support operations of the reception component 902 and / or the transmission component 904. For example, the communication manager 906 may receive information associated with configuring reception of communications by the reception component 902 and / or transmission of communications by the transmission component 904. Additionally, or alternatively, the communication manager 906 may generate and / or provide control information to the reception component 902 and / or the transmission component 904 to control reception and / or transmission of communications.

[0159] The communication manager 906 may identify, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The transmission component 904 may transmit, to a network node while in the RRC idle or inactive state, a report indicating the readiness state.

[0160] The reception component 902 may receive, from the network node, signaling that indicates that one or more of the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.

[0161] The reception component 902 may receive, from the network node, signaling that indicates the one or more measurement resources.

[0162] The reception component 902 may receive, from the network node, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of slots after a slot in which the report indicating the readiness state is transmitted.

[0163] The reception component 902 may receive, from the network node, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of SSB cycles after a slot in which the report indicating the readiness state is transmitted.

[0164] The transmission component 904 may retransmit the report to the network node after transitioning from the RRC idle or inactive state to the RRC connected state.

[0165] The number and arrangement of components shown in Fig. 9 are provided as an example. In practice, there may be additional components, fewer components, different components, or differently arranged components than those shown in Fig. 9. Furthermore, two or more components shown in Fig. 9 may be implemented within a single component, or a single component shown in Fig. 9 may be implemented as multiple, distributed components. Additionally, or alternatively, a set of (one or more) components shown in Fig. 9 may perform one or more functions described as being performed by another set of components shown in Fig. 9.

[0166] Fig. 10 is a diagram of an example apparatus 1000 for wireless communication, in accordance with the present disclosure. The apparatus 1000 may be a network node, or a network node may include the apparatus 1000. In some aspects, the apparatus 1000 includes a reception component 1002, a transmission component 1004, and / or a communication manager 1006, which may be in communication with one another (for example, via one or more buses and / or one or more other components) . In some aspects, the communication manager 1006 is the communication manager 155 described in connection with Fig. 1. As shown, the apparatus 1000 may communicate with another apparatus 1008, such as a UE or a network node (such as a CU, a DU, an RU, or a base station) , using the reception component 1002 and the transmission component 1004. The communication manager 1006 may be included in, or implemented via, a processing system (for example, the processing system 145 described in connection with Fig. 1) of the network node.

[0167] In some aspects, the apparatus 1000 may be configured to perform one or more operations described herein in connection with Fig. 6. Additionally, or alternatively, the apparatus 1000 may be configured to perform one or more processes described herein, such as process 700 of Fig. 8. In some aspects, the apparatus 1000 and / or one or more components shown in Fig. 10 may include one or more components of the network node 110 described in connection with Fig. 1. Additionally, or alternatively, one or more components shown in Fig. 10 may be implemented within one or more components described in connection with Fig. 1. Additionally, or alternatively, one or more components of the set of components may be implemented at least in part as software stored in one or more memories. For example, a component (or a portion of a component) may be implemented as instructions or code stored in a non-transitory computer-readable medium and executable by one or more controllers or one or more processors to perform the functions or operations of the component.

[0168] The reception component 1002 may receive communications, such as reference signals, control information, data communications, or a combination thereof, from the apparatus 1008. The reception component 1002 may provide received communications to one or more other components of the apparatus 1000. In some aspects, the reception component 1002 may perform signal processing on the received communications, and may provide the processed signals to the one or more other components of the apparatus 1000. In some aspects, the reception component 1002 may include one or more components of the network node 110 described above in connection with Fig. 1, such as a radio, one or more RF chains, one or more transceivers, or one or more modems, each of which may in turn be coupled with one or more antennas of the network node 110. In some aspects, the reception component 1002 and / or the transmission component 1004 may include or may be included in a network interface. The network interface may be configured to obtain and / or output signals for the apparatus 1000 via one or more communications links, such as a backhaul link, a midhaul link, and / or a fronthaul link.

[0169] The transmission component 1004 may transmit communications, such as reference signals, control information, data communications, or a combination thereof, to the apparatus 1008. In some aspects, one or more other components of the apparatus 1000 may generate communications and may provide the generated communications to the transmission component 1004 for transmission to the apparatus 1008. In some aspects, the transmission component 1004 may perform signal processing on the generated communications, and may transmit the processed signals to the apparatus 1008. In some aspects, the transmission component 1004 may include one or more components of the network node 110 described above in connection with Fig. 1, such as a radio, one or more RF chains, one or more transceivers, or one or more modems, each of which may in turn be coupled with one or more antennas of the network node 110 described in connection with Fig. 1. In some aspects, the transmission component 1004 may be co-located with the reception component 1002.

[0170] The communication manager 1006 may support operations of the reception component 1002 and / or the transmission component 1004. For example, the communication manager 1006 may receive information associated with configuring reception of communications by the reception component 1002 and / or transmission of communications by the transmission component 1004. Additionally, or alternatively, the communication manager 1006 may generate and / or provide control information to the reception component 1002 and / or the transmission component 1004 to control reception and / or transmission of communications.

[0171] The reception component 1002 may receive, from a UE in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources. The transmission component 1004 may transmit, to the UE, signaling that indicates that the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.

[0172] The transmission component 1004 may transmit, to the UE, signaling that indicates the one or more measurement resources.

[0173] The transmission component 1004 may transmit, to the UE, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of slots after a slot in which the report indicating the readiness state is transmitted.

[0174] The transmission component 1004 may transmit, to the UE, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of SSB cycles after a slot in which the report indicating the readiness state is transmitted.

[0175] The reception component 1002 may receive a retransmission of the report after the UE has transitioned from the RRC idle or inactive state to the RRC connected state.

[0176] The number and arrangement of components shown in Fig. 10 are provided as an example. In practice, there may be additional components, fewer components, different components, or differently arranged components than those shown in Fig. 10. Furthermore, two or more components shown in Fig. 10 may be implemented within a single component, or a single component shown in Fig. 10 may be implemented as multiple, distributed components. Additionally, or alternatively, a set of (one or more) components shown in Fig. 10 may perform one or more functions described as being performed by another set of components shown in Fig. 10.

[0177] The following provides an overview of some Aspects of the present disclosure:

[0178] Aspect 1: A method of wireless communication performed by a UE, comprising: identifying, while in an RRC idle or inactive state, a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; and transmitting, to a network node while in the RRC idle or inactive state, a report indicating the readiness state.

[0179] Aspect 2: The method of Aspect 1, further comprising: receiving, from the network node, signaling that indicates that one or more of the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.

[0180] Aspect 3: The method of any of Aspects 1-2, further comprising: receiving, from the network node, signaling that indicates the one or more measurement resources.

[0181] Aspect 4: The method of any of Aspects 1-3, wherein the one or more AI / ML functionalities are identified according to configuration information indicating that one or more of the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.

[0182] Aspect 5: The method of any of Aspects 1-4, wherein the one or more measurement resources are associated with one or more SSBs in a cell associated with the network node.

[0183] Aspect 6: The method of any of Aspects 1-5, wherein the readiness state indicates that one or more of the one or more AI / ML functionalities are ready to be activated upon transitioning from the RRC idle or inactive state to the RRC connected state in accordance with a number of the buffered measurements satisfying a threshold.

[0184] Aspect 7: The method of any of Aspects 1-6, further comprising: receiving, from the network node, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of slots after a slot in which the report indicating the readiness state is transmitted.

[0185] Aspect 8: The method of any of Aspects 1-7, wherein the readiness state indicates that additional measurements of the one or more measurement resources are needed before one or more of the one or more AI / ML functionalities are ready to be activated.

[0186] Aspect 9: The method of any of Aspects 1-8, wherein the readiness state indicates a number of SSB cycles until one or more of the one or more AI / ML functionalities are ready to be activated.

[0187] Aspect 10: The method of any of Aspects 1-9, further comprising: receiving, from the network node, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of SSB cycles after a slot in which the report indicating the readiness state is transmitted.

[0188] Aspect 11: The method of any of Aspects 1-10, wherein transmitting the report comprises: transmitting the report during an RRC connection setup procedure.

[0189] Aspect 12: The method of any of Aspects 1-11, wherein one or more of the one or more AI / ML functionalities are associated with temporal beam prediction.

[0190] Aspect 13: The method of any of Aspects 1-12, wherein one or more of the one or more AI / ML functionalities are associated with one or more wireless communication use cases that relate to the buffered measurements associated with the one or more measurement resources.

[0191] Aspect 14: The method of any of Aspects 1-13, wherein transmitting the report comprises: transmitting the report in an uplink message prior to entering the RRC connected state.

[0192] Aspect 15: The method of any of Aspects 1-14, further comprising: retransmitting the report to the network node after transitioning from the RRC idle or inactive state to the RRC connected state.

[0193] Aspect 16: The method of any of Aspects 1-15, wherein the one or more AI / ML functionalities are represented according to one or more associated IDs.

[0194] Aspect 17: A method of wireless communication performed by a network node, comprising: receiving, from a UE in an RRC idle or inactive state, a report indicating a readiness state for using one or more AI / ML functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; and transmitting, to the UE, signaling that indicates that the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.

[0195] Aspect 18: The method of Aspect 17, further comprising: storing UE context information, wherein the stored UE context information indicates that the UE is in the RRC idle state in accordance with the stored UE context information lacking a context associated with the UE, or that the UE is in the RRC inactive state in accordance with the stored UE context information including a suspended context associated with the UE.

[0196] Aspect 19: The method of any of Aspects 17-18, further comprising: transmitting, to the UE, signaling that indicates the one or more measurement resources.

[0197] Aspect 20: The method of any of Aspects 17-19, wherein the one or more measurement resources are associated with one or more SSBs.

[0198] Aspect 21: The method of any of Aspects 17-20, wherein the readiness state indicates that one or more of the one or more AI / ML functionalities are ready to be activated upon the UE transitioning from the RRC idle or inactive state to the RRC connected state in accordance with a number of the buffered measurements satisfying a threshold.

[0199] Aspect 22: The method of any of Aspects 17-21, further comprising: transmitting, to the UE, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of slots after a slot in which the report indicating the readiness state is transmitted.

[0200] Aspect 23: The method of any of Aspects 17-22, wherein the readiness state indicates that additional measurements of the one or more measurement resources are needed before one or more of the one or more AI / ML functionalities are ready to be activated at the UE.

[0201] Aspect 24: The method of any of Aspects 17-23, wherein the readiness state indicates a number of SSB cycles until one or more of the one or more AI / ML functionalities are ready to be activated at the UE.

[0202] Aspect 25: The method of any of Aspects 17-24, further comprising: transmitting, to the UE, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of SSB cycles after a slot in which the report indicating the readiness state is transmitted.

[0203] Aspect 26: The method of any of Aspects 17-25, wherein receiving the report comprises: receiving the report during an RRC connection setup procedure.

[0204] Aspect 27: The method of any of Aspects 17-26, wherein one or more of the one or more AI / ML functionalities are associated with temporal beam prediction.

[0205] Aspect 28: The method of any of Aspects 17-27, wherein one or more of the one or more AI / ML functionalities are associated with one or more wireless communication use cases that relate to the buffered measurements associated with the one or more measurement resources.

[0206] Aspect 29: The method of any of Aspects 17-28, wherein receiving the report comprises: receiving the report in an uplink message prior to the UE entering the RRC connected state.

[0207] Aspect 30: The method of any of Aspects 17-29, further comprising: receiving a retransmission of the report after the UE has transitioned from the RRC idle or inactive state to the RRC connected state.

[0208] Aspect 31: The method of any of Aspects 17-30, wherein the one or more AI / ML functionalities are represented according to one or more associated IDs.

[0209] Aspect 32: An apparatus for wireless communication at a device, the apparatus comprising one or more processors; one or more memories coupled with the one or more processors; and instructions stored in the one or more memories and executable by the one or more processors to cause the apparatus to perform the method of one or more of Aspects 1-31.

[0210] Aspect 33: An apparatus for wireless communication at a device, the apparatus comprising one or more memories and one or more processors coupled to the one or more memories, the one or more processors configured to cause the device to perform the method of one or more of Aspects 1-31.

[0211] Aspect 34: An apparatus for wireless communication, the apparatus comprising at least one means for performing the method of one or more of Aspects 1-31.

[0212] Aspect 35: A non-transitory computer-readable medium storing code for wireless communication, the code comprising instructions executable by one or more processors to perform the method of one or more of Aspects 1-31.

[0213] Aspect 36: A non-transitory computer-readable medium storing a set of instructions for wireless communication, the set of instructions comprising one or more instructions that, when executed by one or more processors of a device, cause the device to perform the method of one or more of Aspects 1-31.

[0214] Aspect 37: A device for wireless communication, the device comprising a processing system that includes one or more processors and one or more memories coupled with the one or more processors, the processing system configured to cause the device to perform the method of one or more of Aspects 1-31.

[0215] Aspect 38: An apparatus for wireless communication at a device, the apparatus comprising one or more memories and one or more processors coupled to the one or more memories, the one or more processors individually or collectively configured to cause the device to perform the method of one or more of Aspects 1-31.

[0216] The foregoing disclosure provides illustration and description but is not intended to be exhaustive or to limit the aspects to the precise forms disclosed. Modifications and variations may be made in light of the above disclosure or may be acquired from practice of the aspects. No element, act, or instruction described herein should be construed as critical or essential unless explicitly described as such.

[0217] It will be apparent that systems or methods described herein may be implemented in different forms of hardware or a combination of hardware and software. The actual specialized control hardware or software used to implement these systems or methods is not limiting of the aspects. Thus, the operation and behavior of the systems or methods are described herein without reference to specific software code, because those skilled in the art will understand that software and hardware can be designed to implement the systems or methods based, at least in part, on the description herein. A component being configured to perform a function means that the component has a capability to perform the function, and does not require the function to be actually performed by the component, unless noted otherwise.

[0218] As used herein, the articles “a” and “an” are intended to refer to one or more items and may be used interchangeably with “one or more” or “at least one. ” Further, as used herein, the article “the” is intended to include one or more items referenced in connection with the article “the” and may be used interchangeably with “the one or more. ” Furthermore, as used herein, the terms “set” and “group” are intended to include one or more items and may be used interchangeably with “one or more. ” Where only one item is intended, the phrase “only one” or “a single one” or similar language is used. Also, as used herein, the terms “has, ” “have, ” “having, ” “comprise, ” “comprising, ” “include” and “including, ” and derivatives thereof or similar terms are intended to be open-ended terms that do not limit an element that they modify (for example, an element “having” A may also have B) . Also, as used herein, the term “or” is intended to be inclusive when used in a series and may be used interchangeably with “and / or, ” unless explicitly stated otherwise (for example, if used in combination with “either” or “only one of” ) . As used herein, a phrase referring to “at least one of” a list of items refers to any combination of those items, including single members. As an example, “at least one of: a, b, or c” is intended to cover a, b, c, a + b, a + c, b + c, and a + b + c, as well as any combination with multiples of the same element (for example, a + a, a + a + a, a + a + b, a + a + c, a + b + b, a + c + c, b + b, b + b + b, b + b + c, c + c, and c + c + c, or any other ordering of a, b, and c) .

[0219] As used herein, the term “determine” or “determining” encompasses a wide variety of actions and, therefore, “determining” can include calculating, computing, processing, deriving, estimating, investigating, looking up (such as via looking up in a table, a database, or another data structure) , searching, inferring, ascertaining, and / or measuring, among other possibilities. Also, “determining” can include receiving (such as receiving information) , accessing (such as accessing data stored in memory) or transmitting (such as transmitting information) , among other possibilities. Additionally, “determining” can include resolving, selecting, obtaining, choosing, establishing, and / or other such similar actions.

[0220] As used herein, the phrase “based on” is intended to mean “based at least in part on” or “based on or otherwise in association with” unless explicitly stated otherwise. As used herein, “satisfying a threshold” may, depending on the context, refer to a value being greater than the threshold, greater than or equal to the threshold, less than the threshold, less than or equal to the threshold, equal to the threshold, or not equal to the threshold, among other examples.

[0221] Even though particular combinations of features are recited in the claims or disclosed in the specification, these combinations are not intended to limit the scope of all aspects described herein. Many of these features may be combined in ways not specifically recited in the claims or disclosed in the specification. The disclosure of various aspects includes each dependent claim in combination with every other claim in the claim set.

Claims

1.A user equipment (UE) for wireless communication, comprising:one or more memories; andone or more processors, coupled to the one or more memories, configured to cause the UE to:identify, while in a radio resource control (RRC) idle or inactive state, a readiness state for using one or more artificial intelligence / machine learning (AI / ML) functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; andtransmit, to a network node while in the RRC idle or inactive state, a report indicating the readiness state.2.The UE of claim 1, wherein the one or more processors are further configured to cause the UE to:receive, from the network node, signaling that indicates that one or more of the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.3.The UE of claim 1, wherein the one or more processors are further configured to cause the UE to:receive, from the network node, signaling that indicates the one or more measurement resources.4.The UE of claim 1, wherein the one or more AI / ML functionalities are identified according to configuration information indicating that one or more of the one or more AI / ML functionalities are to be activated for one or more inference or prediction operations in the RRC connected state.5.The UE of claim 1, wherein the one or more measurement resources are associated with one or more synchronization signal blocks (SSBs) in a cell associated with the network node.6.The UE of claim 1, wherein the readiness state indicates that one or more of the one or more AI / ML functionalities are ready to be activated upon transitioning from the RRC idle or inactive state to the RRC connected state in accordance with a number of the buffered measurements satisfying a threshold.7.The UE of claim 1, wherein the one or more processors are further configured to cause the UE to:receive, from the network node, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of slots after a slot in which the report indicating the readiness state is transmitted.8.The UE of claim 1, wherein the readiness state indicates that additional measurements of the one or more measurement resources are needed before one or more of the one or more AI / ML functionalities are ready to be activated.9.The UE of claim 1, wherein the readiness state indicates a number of synchronization signal block (SSB) cycles until one or more of the one or more AI / ML functionalities are ready to be activated.10.The UE of claim 1, wherein the one or more processors are further configured to cause the UE to:receive, from the network node, a message to activate one or more of the one or more AI / ML functionalities at least a threshold number of synchronization signal block (SSB) cycles after a slot in which the report indicating the readiness state is transmitted.11.The UE of claim 1, wherein to transmit the report, the one or more processors are further configured to cause the UE to:transmit the report during an RRC connection setup procedure.12.The UE of claim 1, wherein one or more of the one or more AI / ML functionalities are associated with temporal beam prediction.13.The UE of claim 1, wherein one or more of the one or more AI / ML functionalities are associated with one or more wireless communication use cases that relate to the buffered measurements associated with the one or more measurement resources.14.The UE of claim 1, wherein to transmit the report, the one or more processors are further configured to cause the UE to:transmit the report in an uplink message prior to entering the RRC connected state.15.The UE of claim 1, wherein the one or more processors are further configured to cause the UE to:retransmit the report to the network node after transitioning from the RRC idle or inactive state to the RRC connected state.16.The UE of claim 1, wherein the one or more AI / ML functionalities are represented according to one or more associated identifiers (IDs) .17.A method for wireless communication by a user equipment (UE) , comprising:identifying, while in a radio resource control (RRC) idle or inactive state, a readiness state for using one or more artificial intelligence / machine learning (AI / ML) functionalities in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; andtransmitting, to a network node while in the RRC idle or inactive state, a report indicating the readiness state.18.The method of claim 17, wherein transmitting the report comprises:transmitting the report during an RRC connection setup procedure.19.The method of claim 17, wherein the one or more AI / ML functionalities are represented according to one or more associated identifiers (IDs) .20.A network node for wireless communication, comprising:one or more memories; andone or more processors, coupled to the one or more memories, configured to cause the UE to:receive, from a user equipment (UE) in a radio resource control (RRC) idle or inactive state, a report indicating a readiness state for using one or more artificial intelligence / machine learning (AI / ML) functionalities or models in an RRC connected state in accordance with buffered measurements associated with one or more measurement resources; andtransmit, to the UE, signaling that indicates that the one or more AI / ML functionalities or models are to be activated for one or more inference or prediction operations in the RRC connected state.

Images