Techniques for phase normalization during training of a channel state feedback compression model

Abstract

Various aspects of the present disclosure generally relate to wireless communication. In some aspects, a user equipment (UE) associated entity may identify, during a data collection phase for training a channel state feedback (CSF) compression model, channel state information (CSI) based at least in part on using a first UE-implemented phase normalization technique. The UE associated entity may transmit, to a network node, a first indication of the CSI. The UE associated entity may receive, from the network node, a second indication of a target CSI associated with the data collection phase that is based at least in part on a network-implemented phase normalization technique, with the first UE-implemented phase normalization technique and / or the network-implemented phase normalization technique being predefined at the UE associated entity. The UE associated entity may train an encoder based at least in part on the target CSI. Numerous other aspects are described.

Description

TECHNIQUES FOR PHASE NORMALIZATION DURING TRAINING OF A CHANNEL STATE FEEDBACK COMPRESSION MODELFIELD OF THE DISCLOSURE

[0001] Aspects of the present disclosure generally relate to wireless communication and specifically relate to techniques, apparatuses, and methods associated with phase normalization during training of a channel state feedback compression model. DESCRIPTION OF RELATED ART

[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.

[0004] In some wireless communication systems, trained artificial intelligence / machine learning (AI / ML) models may be used by a user equipment (UE) conveying channel state information (CSI) feedback (e.g., a precoder, a precoding matrix, and / or a rank that the UE prefers) to a network node. For example, the UE may obtain channel measurements, may estimate a channel associated with the channel measurements that is represented as a matrix with entries associated with reception parameters for different frequencies and / or times as measured from one or more CSI reference signals (CSI-RSs) or other suitable signals, and / or may calculate one or more CSI parameters (such as a precoder or precoding matrix) associated with the channel estimate. The UE may input the one or more CSI parameters to an encoder (e.g., a first neural network or other AI / ML model) or to derive compressed CSI feedback (e.g., a compressed representation of the one or more CSI parameters) , which may be transmitted to the network node. The network node may use a network-side model (e.g., a second neural network or other AI / ML model) to obtain one or more reconstructed CSI parameters and / or other suitable wireless communication parameters from the compressed CSI feedback. For the reconstruction to be accurate, the UE-side model and the network-side model should be trained in a collaborative manner such that the compressed representation of the CSI feedback that is created by the UE-side model is interpreted and decoded correctly by the network-side model. In cases where this requirement is satisfied, the pair of models are considered to be compatible.SUMMARY

[0005] Some aspects described herein relate to a method of wireless communication performed by a user equipment (UE) associated entity. The method may include identifying, during a data collection phase for training a channel state feedback (CSF) compression model, channel state information (CSI) based at least in part on using a first UE-implemented phase normalization technique. The method may include transmitting, to a network node, a first indication of the CSI. The method may include receiving, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, where the target CSI is based at least in part on a network-implemented phase normalization technique, and where at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. The method may include training an encoder associated with the CSF compression model based at least in part on the target CSI.

[0006] Some aspects described herein relate to a method of wireless communication performed by a network node. The method may include receiving, from a UE associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, where the CSI is based at least in part on a first UE-implemented phase normalization technique. The method may include training a decoder associated with the CSF compression model based at least in part on the CSI. The method may include identifying a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, where at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. The method may include transmitting, to the UE associated entity, a second indication of the target CSI.

[0007] Some aspects described herein relate to a UE associated entity for wireless communication. The UE associated entity 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 individually or collectively configured to identify, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique. The one or more processors may be individually or collectively configured to transmit, to a network node, a first indication of the CSI. The one or more processors may be individually or collectively configured to receive, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, where the target CSI is based at least in part on a network-implemented phase normalization technique, and where at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. The one or more processors may be individually or collectively configured to train an encoder associated with the CSF compression model based at least in part on the target CSI.

[0008] 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 individually or collectively configured to receive, from a UE associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, where the CSI is based at least in part on a first UE-implemented phase normalization technique. The one or more processors may be individually or collectively configured to train a decoder associated with the CSF compression model based at least in part on the CSI. The one or more processors may be individually or collectively configured to identify a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, where at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. The one or more processors may be individually or collectively configured to transmit, to the UE associated entity, a second indication of the target CSI.

[0009] Some aspects described herein relate to a non-transitory computer-readable medium that stores a set of instructions for wireless communication. The set of instructions, when executed by one or more processors of a UE associated entity, may cause the UE associated entity to identify, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique. The set of instructions, when executed by one or more processors of the UE associated entity, may cause the UE associated entity to transmit, to a network node, a first indication of the CSI. The set of instructions, when executed by one or more processors of the UE associated entity, may cause the UE associated entity to receive, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, where the target CSI is based at least in part on a network-implemented phase normalization technique, and where at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. The set of instructions, when executed by one or more processors of the UE associated entity, may cause the UE associated entity to train an encoder associated with the CSF compression model based at least in part on the target CSI.

[0010] 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 associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, where the CSI is based at least in part on a first UE-implemented phase normalization technique. The set of instructions, when executed by one or more processors of the network node, may cause the network node to training a decoder associated with the CSF compression model based at least in part on the CSI. The set of instructions, when executed by one or more processors of the network node, may cause the network node to identify a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, where at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. 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 associated entity, a second indication of the target CSI.

[0011] Some aspects described herein relate to an apparatus for wireless communication. The apparatus may include means for identifying, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique. The apparatus may include means for transmitting, to a network node, a first indication of the CSI. The apparatus may include means for receiving, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, where the target CSI is based at least in part on a network-implemented phase normalization technique, and where at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the apparatus. The apparatus may include means for training an encoder associated with the CSF compression model based at least in part on the target CSI.

[0012] Some aspects described herein relate to an apparatus for wireless communication. The apparatus may include means for receiving, from a UE associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, where the CSI is based at least in part on a first UE-implemented phase normalization technique. The apparatus may include means for training a decoder associated with the CSF compression model based at least in part on the CSI. The apparatus may include means for identifying a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, where at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. The apparatus may include means for transmitting, to the UE associated entity, a second indication of the target CSI.

[0013] 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.

[0014] 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

[0015] 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.

[0016] Fig. 1 is a diagram illustrating an example of a wireless communication network, in accordance with the present disclosure.

[0017] Fig. 2 is a diagram illustrating an example disaggregated network node architecture, in accordance with the present disclosure.

[0018] Fig. 3 is a diagram illustrating an example architecture of a functional framework for radio access network (RAN) intelligence enabled by data collection, in accordance with the present disclosure.

[0019] Figs. 4A-4B are diagrams illustrating examples associated with a user equipment (UE) and a network node using paired models to encode and decode channel state information feedback, in accordance with the present disclosure.

[0020] Fig. 5 is a diagram of an example associated with phase normalization during training of a channel state feedback compression model, in accordance with the present disclosure.

[0021] Fig. 6 is a diagram illustrating an example process performed, for example, at a UE associated entity in accordance with the present disclosure.

[0022] Fig. 7 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.

[0023] Fig. 8 is a diagram of an example apparatus for wireless communication, in accordance with the present disclosure.

[0024] Fig. 9 is a diagram of an example apparatus for wireless communication, in accordance with the present disclosure.DETAILED DESCRIPTION

[0025] 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.

[0026] 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.

[0027] In some wireless communication systems, trained artificial intelligence / machine learning (AI / ML) models may be used by a user equipment (UE) conveying channel state information (CSI) feedback (e.g., a precoder, a precoding matrix, and / or a rank that the UE prefers) to a network node. For example, the UE may obtain channel measurements, may estimate a channel associated with the channel measurements that is represented as a matrix with entries associated with reception parameters for different frequencies and / or times as measured from one or more CSI reference signals (CSI-RSs) or other suitable signals, and / or may calculate one or more CSI parameters (such as a precoder or precoding matrix) associated with the channel estimate. The UE may input the one or more CSI parameters to an encoder (e.g., a first neural network or other AI / ML model) or to derive compressed CSI feedback (e.g., a compressed representation of the one or more CSI parameters) , which may be transmitted to the network node. The network node may use a network-side model (e.g., a second neural network or other AI / ML model) to obtain one or more reconstructed CSI parameters and / or other suitable wireless communication parameters from the compressed CSI feedback. For the reconstruction to be accurate, the UE-side model and the network-side model should be trained in a collaborative manner such that the compressed representation of the CSI feedback that is created by the UE-side model is interpreted and decoded correctly by the network-side model. In cases where this requirement is satisfied, the pair of models are considered to be compatible.

[0028] However, challenges may arise in training two-sided models in cases where the UE-side model and the network-side model are developed or otherwise controlled by different vendors. In such cases, the vendors may need to collaborate during training to ensure that the UE-side model and network-side model are compatible. In some examples, various approaches may be employed by UE, UE associated entities, and / or network entities to alleviate and / or resolve issues related to inter-vendor training collaboration of AI / ML-based CSI compression using a two-sided model. In some examples, a fully standardized reference model (e.g., a fully standardized structure and / or parameters of a CSF compression model) may be employed by the various entities and / or vendors. In some other examples, a standardized reference model structure may be employed by the various entities and / or vendors, and parameters to be used in connection with the reference model structure may be exchanged between the network side and the UE side. In some other examples, a standardized data and / or dataset format may be employed by the various entities and / or vendors, and a dataset (e.g., a set of data samples of CSI feedback and an associated target CSI) to be used in connection with the reference model structure may be exchanged between the network side and the UE side.

[0029] In some examples, the CSI feedback may be associated with a quantized precoder feedback (e.g., a reduced, discrete representation of the precoder) , such as an eTypeII (eT2) quantized precoder feedback. In such examples, respective singular value decomposition (SVD) techniques and / or phase normalization techniques performed at the UE side and the network side associated with the eT2 quantized precoder feedback may result in phase misalignment and thus poor performance.

[0030] More particularly, in examples involving eT2 quantized precoder feedback, calculating the precoder at the UE may include eT2 generation by using a first UE-implemented phase normalization technique, and the network node may reconstruct the eT2 using a network-implemented phase normalization technique. In such examples, implementing the first UE-implemented phase normalization technique on the UE side and network-implemented phase normalization technique on the network side may result in phase misalignment that adversely impacts CSF performance. This may result in low quality CSI feedback and / or poorly trained CSF compression models, resulting in communication errors during a CSF inference phase and thus high power, computing, and network resource consumption for correcting communication errors.

[0031] Various aspects relate generally to phase normalization techniques for training two-sided wireless communication models (e.g., UE-side and network-side models) . Some aspects more specifically relate to standardized and / or predefined phase normalization techniques for training two-sided wireless communication models. In some aspects, a UE associated entity may identify, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique. The UE associated entity may transmit, and a network node may receive, a first indication of the CSI. The network node may train a decoder associated with the CSF compression model and / or identify a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique. The network node may transmit, and the UE associated entity may receive, a second indication of the target CSI. The UE associated entity may train an encoder associated with the CSF compression model based at least in part on the target CSI. In some aspects, at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity.

[0032] 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 predefining at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique at the UE associated entity, the described techniques can be used to mitigate or eliminate phase misalignment otherwise observable at the UE side and network side during a data collection phase of a CSF compression model, resulting in a encoder and / or a decoder that is trained using improved data as compared to CSF compressions models trained using phase misaligned data. As result, the UE associated entity and network node may employ an improved encoder or decoder, respectively, during a CSF inference phase, leading to improved channel estimation and / or a reduction in communication errors and thus reduced power, computing, and / or network resource consumption otherwise required for correcting communication errors.

[0033] 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.

[0034] 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.

[0035] 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 massive multiple-input multiple-output (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 AI / ML, among other examples.

[0036] 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.

[0037] 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 cases.

[0038] 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 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.

[0039] 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.

[0040] 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.

[0041] 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.

[0042] 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.

[0043] 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) .

[0044] A processing system (e.g., the processing system 140 and / or the processing system 145) may generally be a system or a series of machines or components that receives inputs and processes the inputs to produce a set of outputs (which may be passed to other systems or components of, for example, the UE 120) . For example, the processing system 140 of the UE 120 may be a system that includes the various other components or subcomponents of the UE 120. The processing system 140 of the network node 110 may be a system that includes the various other components or subcomponents of the network node 110.

[0045] The processing system 145 of the network node 110 may interface with one or more other components of the network node 110, may process information received from one or more other components (such as inputs or signals) , or may output information to one or more other components. For example, a chip or modem of the network node 110 may include the processing system 145, a first interface to receive or obtain information, and a second interface to output, transmit, or provide information. In some examples, the first interface may be an interface between the processing system 145 of the chip or modem and a receiver, such that the network node 110 may receive information or signal inputs, and the information may be passed to the processing system 145. In some examples, the second interface may be an interface between the processing system 145 of the chip or modem and a transmitter, such that the network node 110 may transmit information output from the chip or modem. Similarly, the processing system 140 of the UE 120 may interface with one or more other components of the UE 120, may process information received from one or more other components (such as inputs or signals) , or may output information to one or more other components. For example, a chip or modem of the UE 120 may include the processing system 140, a first interface to receive or obtain information, and a second interface to output, transmit, or provide information. In some examples, the first interface may be an interface between the processing system 140 of the chip or modem and a receiver, such that the UE 120 may receive information or signal inputs, and the information may be passed to the processing system 140. In some examples, the second interface may be an interface between the processing system 140 of the chip or modem and a transmitter, such that the UE 120 may transmit information output from the chip or modem. A person having ordinary skill in the art will readily recognize that the second interface described above also may obtain or receive information or signal inputs, and the first interface described above may also output, transmit, or provide information.

[0046] 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.

[0047] 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.

[0048] 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.

[0049] 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.

[0050] 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) .

[0051] 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.

[0052] 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.

[0053] 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.

[0054] 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) .

[0055] 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.

[0056] 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) , an SS 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 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.

[0057] 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.

[0058] 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.

[0059] 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.

[0060] 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.

[0061] In some examples, a UE 120 and a network node 110 may perform 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.

[0062] 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) .

[0063] 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.

[0064] 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. The AI / ML model may be deployed at one or more devices 165 (for example, one or more network nodes 110, one or more UEs 120, and / or one or more servers, and / or one or more components of a cloud computing network, among other examples) . For example, in a deployment where AI / ML functionality is performed independently at a device 165, sometimes referred to as “overlay AI / ML” , the AI / ML model (or an instance or portion of the AI / ML model) may be deployed at a UE 120 (for example, at the processing system 140) , a network node 110 (for example, at the processing system 145) , one or more servers, and / or one or more components of a cloud computing network, among other examples. Additionally or alternatively, in a deployment where AI / ML functionality is coordinated between different devices 165, sometimes referred to as “coordinated AI / ML” , or performed at all device and network layers, sometimes referred to as “native AI / ML” , the AI / ML model (or an instance of the AI / ML model) may be deployed at multiple devices 165 (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 of coordinated AI / ML and / or native AI / ML, a first AI / ML model may be deployed at a UE 120 and / or a UE associated entity (e.g., a UE server, such as UE server 170 described in more detail below) 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, to increase privacy, reliability, and / or efficient use of network bandwidth, and / or to reduce latency, among other examples) . 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.

[0065] Accordingly, in some examples, the AI / ML model (s) may enable AI-as-a-Service (for example, an end-to-end AI / ML service via a user plane) for use cases such as a self-organizing network (SON) , minimization of drive test (MDT) , quality of experience (QoE) , positioning, sensing, predictive mobility, and / or traffic prediction, among other examples. In some examples, AI-as-a-Service use cases may include measurement collection reporting by a UE 120, device selection criteria (for example, according to a geographical area where measurements are to be collected and / or UE capabilities to be used to collected measurements) , and / or reporting configurations (for example, reporting parameters such as location, time, and / or sensor information, among other examples) . Additionally or alternatively, the AI / ML model (s) may enable AI / ML procedures (for example, RAN-triggered service establishment, configuration, inferencing using UE-side and / or network-side models, performance monitoring and / or management, and / or capability signaling, among other examples) . Additionally or alternatively, the AI / ML model (s) may enable RAN-based AI / ML services via one or more application program interfaces (APIs) and / or management interfaces for use cases such as beam management, radio resource monitoring (RRM) relaxation, mobility prediction, load prediction, network energy savings, and / or coverage and capacity improvements, among other examples.

[0066] In some examples, a UE 120a may be in communication with a UE server 170, such as over the Internet via the wireless communication network 100 and / or another wireless network (e.g., a WiFi network) . As described in more detail herein, in some examples the UE server 170 may be capable of hosting and / or training an AI / ML model to be deployed at the UE 120a, such as an AI / ML model associated with a CSF compression procedure. Additionally, or alternatively, in some examples, the UE server 170 may include one or more devices, components, or systems that enable communication with other devices, components, or systems of the wireless communication network 100, such as the UE 120a and / or other devices. For example, the UE server 170 may include one or more chips, SoCs, chipsets, packages, or devices that individually or collectively constitute or comprise a processing system 180. In such examples, and in a similar manner to the processing systems 140, 145 described above, the processing system 180 includes processor (or “processing” ) circuitry in the form of one or multiple processors, microprocessors, processing units (such as CPUs, GPUs, NPUs (e.g., neural network processors or DLPs) , and / or DSPs) , processing blocks, ASICs, PLDs, or other discrete gate or transistor logic or circuitry. Such processors may be individually or collectively configurable or configured to perform various functions or operations described herein.

[0067] The processing system 180 may 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 RAM or 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.

[0068] The processing system 180 and may include or be coupled with one or more modems (such as a cellular (for example, a 5G or 6G compliant) modem, a WiFi modem, or a similar modem) . In some examples, one or more processors of the processing system 180 include or implement one or more of the modems. The processing system 180 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 180 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, 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 180) .

[0069] The processing system 180 may generally be a system or a series of machines or components that receives inputs and processes the inputs to produce a set of outputs (which may be passed to other systems or components of, for example, the UE server 170) . For example, the processing system 180 may be a system that includes the various other components or subcomponents of the UE server 170.

[0070] The processing system 180 of the UE server 170 may interface with one or more other components of the UE server 170, may process information received from one or more other components (such as inputs or signals) , or may output information to one or more other components. For example, a chip or modem of the UE server 170 may include the processing system 180, a first interface to receive or obtain information, and a second interface to output, transmit, or provide information. In some examples, the first interface may be an interface between the processing system 180 of the chip or modem and a receiver, such that the UE server 170 may receive information or signal inputs, and the information may be passed to the processing system 180. In some examples, the second interface may be an interface between the processing system 180 of the chip or modem and a transmitter, such that the UE server 170 may transmit information output from the chip or modem. A person having ordinary skill in the art will readily recognize that the second interface described above also may obtain or receive information or signal inputs, and the first interface described above may also may output, transmit, or provide information.

[0071] In some aspects, the UE 120 may correspond to the UE associated entity described herein. In such aspects, the UE 120 may include a communication manager 150. As described in more detail elsewhere herein, the communication manager 150 may identify, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique; transmit, to a network node, a first indication of the CSI; receive, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, wherein the target CSI is based at least in part on a network-implemented phase normalization technique, and wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; and train an encoder associated with the CSF compression model based at least in part on the target CSI. Additionally, or alternatively, the communication manager 150 may perform one or more other operations described herein.

[0072] 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 associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, wherein the CSI is based at least in part on a first UE-implemented phase normalization technique; train a decoder associated with the CSF compression model based at least in part on the CSI; identify a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; and transmit, to the UE associated entity, a second indication of the target CSI. Additionally, or alternatively, the communication manager 155 may perform one or more other operations described herein.

[0073] In some aspects, the UE server 170 may correspond to the UE associated entity described herein. In such aspects, the UE server 170 may include a communication manager 190. As described in more detail elsewhere herein, the communication manager 190 may identify, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique; transmit, to a network node, a first indication of the CSI; receive, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, wherein the target CSI is based at least in part on a network-implemented phase normalization technique, and wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; and train an encoder associated with the CSF compression model based at least in part on the target CSI. Additionally, or alternatively, the communication manager 190 may perform one or more other operations described herein.

[0074] 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.

[0075] 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.

[0076] 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.

[0077] 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.

[0078] 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.

[0079] 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) .

[0080] 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 UE server 170, the processing system 180 of the UE server 170, 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 phase normalization during training of a channel state feedback compression model, 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 processing system 180 of the UE server 170, the CU 210, the DU 230, or the RU 240 may perform or direct operations of, for example, process 600 of Fig. 6, process 700 of Fig. 7, or other processes as described herein (alone or in conjunction with one or more other processors) . In some aspects, the UE associated entity described herein is the UE 120, is included in the UE 120, includes one or more components of the UE 120 shown in Fig. 1, is the UE server 170, is included in the UE server 170, and / or includes one or more components of the UE server 170 shown in Fig. 1. In that regard, operations described herein as being performed by a UE associated entity may be performed by a UE alone, by a UE server alone, or both by a UE and a UE server (e.g., a first portion of operations described as being performed by a UE associated entity, such as AI / ML model training, may be performed by a UE server, and a second portion of the operations described as being performed by a UE associated entity, such as AI / ML model deployment, may be performed by a UE, among other examples) . 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. Memory of the UE server 170 may store data and program code (or instructions) for the UE server 170. In some examples, the memory of the UE 120, the memory of the UE server 170, 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, the processing system 140, or the processing system 180) of the network node 110, the UE 120, the UE server 170, the CU 210, the DU 230, or the RU 240, may cause the one or more processors to perform process 600 of Fig. 6, process 700 of Fig. 7, 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.

[0081] In some aspects, the UE 120 includes means for identifying, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique; means for transmitting, to a network node, a first indication of the CSI; means for receiving, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, wherein the target CSI is based at least in part on a network-implemented phase normalization technique, and wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; and / or means for training an encoder associated with the CSF compression model based at least in part on the target CSI. 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 802 depicted and described in connection with Fig. 8) , and / or a transmission component (for example, transmission component 804 depicted and described in connection with Fig. 8) , among other examples.

[0082] In some aspects, the network node 110 includes means for receiving, from a UE associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, wherein the CSI is based at least in part on a first UE-implemented phase normalization technique; means for training a decoder associated with the CSF compression model based at least in part on the CSI; means for identifying a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; and / or means for transmitting, to the UE associated entity, a second indication of the target CSI. The means for the network node 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 902 depicted and described in connection with Fig. 9) , and / or a transmission component (for example, transmission component 904 depicted and described in connection with Fig. 9) , among other examples.

[0083] In some aspects, the UE server 170 includes means for identifying, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique; means for transmitting, to a network node, a first indication of the CSI; means for receiving, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, wherein the target CSI is based at least in part on a network-implemented phase normalization technique, and wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; and / or means for training an encoder associated with the CSF compression model based at least in part on the target CSI. The means for the UE server 170 to perform operations described herein may include, for example, one or more of communication manager 190, processing system 180, 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 802 depicted and described in connection with Fig. 8) , and / or a transmission component (for example, transmission component 804 depicted and described in connection with Fig. 8) , among other examples.

[0084] Fig. 3 is a diagram illustrating an example architecture 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 further enhancement of data collection through use cases and / or examples. For example, principles or algorithms for RAN intelligence enabled by AI / ML and the associated functional framework (e.g., the AI functionality and / or the input / output of the component for AI enabled optimization) have been utilized or studied to identify the benefits of AI enabled RAN through possible use cases (e.g., beam management, energy saving, load balancing, mobility management, and / or coverage optimization, among other examples) . In one example, as shown by the architecture 300, a functional framework for RAN intelligence may include multiple logical entities, such as a model training host 302, a model inference host 304, data sources 306, and an actor 308. In some examples, one or more of the entities and / or components described in connection with Fig. 3 may be implemented at a UE associated entity, such as at UE 120, at a server associated with a UE (e.g., a cloud-based server in communication with a UE, such as UE server 170) , and / or at a similar UE associated entity, which is described in more detail below.

[0085] The model inference host 304 may be configured to run an AI / ML model based on inference data provided by the data sources 306, and the model inference host 304 may produce an output (e.g., a prediction) with the inference data input to the actor 308. The actor 308 may be an element or an entity of a core network or a RAN. For example, the actor 308 may be a UE, a network node, base station (e.g., a gNB) , a CU, a DU, and / or an RU, among other examples. In addition, the actor 308 may also depend on the type of tasks performed by the model inference host 304, type of inference data provided to the model inference host 304, and / or type of output produced by the model inference host 304. For example, if the output from the model inference host 304 is associated with position determination, the actor 308 may be a UE, a DU or an RU. In some examples, the model inference host 304 may be hosted on the actor 308. For example, a UE may be the actor 308 and may host the model inference host 304. In some aspects, a UE (e.g., the actor 308) may be a data source 306. For example, the UE may perform a measurement (e.g., an NR measurement) , may input the measurement to the AI / ML model at the model inference host 304 (or may provide the measurement to the model inference host 304) , and may act based on an output of the AI / ML model (e.g., mapping the NR measurement to a precoder or precoding matrix and / or deriving a compressed representation of the precoder or precoding matrix to be provided in CSI feedback to a network node) .

[0086] After the actor 308 receives an output from the model inference host 304, the actor 308 may determine whether to act based on the output. For example, if the actor 308 is a UE and the output from the model inference host 304 is associated with position information, the actor 308 may determine whether to report the position information, reconfigure a beam, among other examples. If the actor 308 determines to act based on the output, in some examples, the actor 308 may indicate the action to at least one subject of action 310.

[0087] The data sources 306 may also be configured for collecting data that is used as training data for training an ML model or as inference data for feeding an ML model inference operation. For example, the data sources 306 may collect data from one or more core network and / or RAN entities, which may include the actor 308 or the subject of action 310, and provide the collected data to the model training host 302 for ML model training. In some aspects, the model training host 302 may be co-located with the model inference host 304 and / or the actor 308. For example, the actor 308 or the subject of action 310 may provide performance feedback associated with the beam configuration to the data sources 306, where the performance feedback may be used by the model training host 302 for monitoring or evaluating the ML model performance, such as whether the output (e.g., prediction) provided to the actor 308 is accurate. In some examples, the model training host 302 may monitor or evaluate ML model performance using a training position value, which may be provided by a node (e.g., a UE 120 or a network node 110) , as described elsewhere herein. In some examples, if the output provided by the actor 308 is inaccurate (or the accuracy is below an accuracy threshold) , then the model training host 302 may determine to modify or retrain the ML model used by the model inference host, such as via an ML model deployment / update.

[0088] As indicated above, Fig. 3 is provided as an example. Other examples may differ from what is described with regard to Fig. 3.

[0089] Figs. 4A-4B are diagrams illustrating examples associated with a UE and a network node using paired models to encode and decode CSI feedback, in accordance with the present disclosure. In example 400, shown in Fig. 4A, the UE may communicate with the network node via a wireless network (e.g., wireless communication network 100) .

[0090] As described herein, ML models may be deployed on one or more devices in a wireless network (e.g., a network node and / or a UE) and may be configured to enhance various aspects of a wireless communication system. For example, an ML model may be trained to identify patterns or relationships in data corresponding to a network, a device, an air interface, or the like. An ML model may support operational decisions relating to one or more aspects associated with wireless communication devices, networks, or services. For example, an ML model may be utilized for supporting or improving aspects such as mobility management, signal coding / decoding, network routing, energy conservation, transceiver circuitry controls, frequency synchronization, timing synchronization, channel state estimation, channel equalization, channel state feedback, modulation, demodulation, device positioning, beamforming, load balancing, OAM functions, and / or security, among other examples.

[0091] Accordingly, as described herein, a RAN may support an AI / ML-based air interface, where a UE and a network node use trained AI / ML models to implement a function. For example, Fig. 4A illustrates a use case where trained AI / ML models are used when a UE conveys CSI feedback (e.g., CSF, such as a precoder, a precoding matrix, and / or a rank that the UE prefers, based on an observed channel, a CQI, and / or a channel matrix) to a network node. For example, as shown in Fig. 4A, the UE may obtain channel measurements 405 (e.g., based on measurements associated with one or more CSI-RSs or other suitable signals) . As shown by reference number 410, the UE may then estimate a channel associated with the channel measurements 405. For example, the UE may obtain a channel estimate 415 that is represented as a matrix with entries associated with reception parameters for different frequencies and / or times as measured from one or more CSI-RSs or other suitable signals. As shown by reference number 420, the UE may calculate one or more CSI parameters 425 such as a precoder (or precoding matrix) associated with the channel estimate 415. For example, the UE may perform singular value decomposition (SVD) using the channel estimate to calculate the one or more CSI parameters 425. In some aspects, the UE may input the one or more CSI parameters 425 to an encoder. For example, the UE may use a UE-side model 430 (e.g., a first neural network or other AI / ML model) or to derive compressed CSI feedback 435 (e.g., a compressed representation of the one or more CSI parameters 425) . As shown in Fig. 4, the compressed CSI feedback 435 may be transmitted to the network node, and the network node may use a network-side model 440 (e.g., a second neural network or other AI / ML model) to obtain one or more reconstructed CSI parameters 445 and / or other suitable wireless communication parameters from the compressed CSI feedback 435. For the reconstruction to be accurate, the UE-side model 430 and the network-side model 440 should be trained in a collaborative manner such that the compressed representation of the CSI feedback 435 that is created by the UE-side model 430 is interpreted and decoded correctly by the network-side model 440. In cases where this requirement is satisfied, the pair of models are considered to be compatible.

[0092] However, challenges may arise in training two-sided models in cases where the UE-side model 430 and the network-side model 440 are developed or otherwise controlled by different vendors. In such cases, the vendors may need to collaborate during training to ensure that the UE-side model 430 and network-side model 440 are compatible (e.g., the UE-side model 430 and network-side model 440 must both be implemented in accordance with a mapping (or codebook) between a UE payload, such as the compressed CSI feedback 435, and one or more wireless communication parameters that are mapped to the UE payload, such as a preferred precoding matrix, rank indicator, CQI, and / or channel matrix that the CSI feedback 435 represents) . For example, when the wireless communication parameter is a preferred precoding matrix, the UE payload corresponding to the preferred precoding matrix may be referred to as a precoding matrix indicator (PMI) , and the mapping between the UE payload and the precoding matrix represented by the UE payload may be referred to as a PMI mapping.

[0093] In some examples, various approaches may be employed by UEs, UE associated entities, and / or network entities to alleviate and / or resolve issues related to inter-vendor training collaboration of AI / ML-based CSI compression using a two-sided model. In some examples, a fully standardized reference model (e.g., a fully standardized structure and / or parameters of a CSF compression model) may be employed by the various entities and / or vendors. In some other examples, a standardized reference model structure may be employed by the various entities and / or vendors, and parameters to be used in connection with the reference model structure may be exchanged between the network side and the UE side. In some other examples, a standardized data and / or dataset format may be employed by the various entities and / or vendors, and a dataset (e.g., a set of data samples of CSI feedback and an associated target CSI) to be used in connection with the reference model structure may be exchanged between the network side and the UE side.

[0094] In some examples, such as examples associated with one or more of the approaches described above in which a standardized reference model structure and / or data / dataset format is employed at the various entities coupled with model parameters exchange and / or dataset exchange between the entities, the model parameters exchange and / or the dataset exchange may originate from the network side and may end at the UE side. Additionally, or alternatively, in some examples the model parameters exchange and / or the dataset exchange may include parameters and / or datasets associated with a CSI generation part, a CSI reconstruction part, or both a CSI generation part and a CSI reconstruction part. In some examples, some additional information (if necessary) may be shared from the network side to the UE side, such as for purposes of enabling UE-side offline engineering and / or providing performance guidance (e.g., a performance target and / or a dataset or information related to collecting a dataset) , among other examples. Additionally, or alternatively, in some examples, the method of exchanging information may be associated with using over-the-air interface. Moreover, in examples involving a dataset exchange, the dataset may include a target CSI (e.g., the desired and / or reconstructed version of the CSI at the network) , which may correspond to the reconstructed CSI parameter 445 described above, and / or CSI feedback, which may correspond to the CSI feedback 435 described above. In examples involving a model parameters exchange (e.g., exchange of encoder parameters, among other examples) , the target CSI may optionally be included along the with parameters.

[0095] In some examples, the CSI feedback 435 may include an indication of a precoding matrix (e.g., a precoder) identified and / or calculated by the UE based at least in part on the CSI measurement 405 and / or channel estimate 415. In such examples, a type of CSI feedback 435 provided by the UE to the network node may be associated with a raw precoder dataset (e.g., unprocessed data representing the precoding matrix or vector derived from the CSI measurements 405 and / or channel estimate 415) or else a quantized precoder feedback (e.g., a reduced, discrete representation of the precoder, which may reduce an amount of data transmitted while preserving sufficient information for accurate reconstruction and / or efficient precoding at the network side) . For example, in instances in which the type of CSI feedback 435 is associated with a quantized precoder feedback, the CSI feedback 435 may be associated with an eT2 quantized precoder feedback. In such examples, respective SVD techniques and / or phase normalization techniques performed at the UE side and the network side associated with the eT2 quantized precoder feedback may result in phase misalignment and thus poor performance.

[0096] More particularly, reference number 450 indicates certain processes and / or techniques implemented at the UE side and network side during a data collection phase for training a CSF compression model (e.g., a phase during which datasets, parameters, and / or models are exchanged between the UE side and the network side, such as for purposes of training an encoder and / or decoder associated with the CSF compression model) . As indicated by reference number 455, in examples involving eT2 quantized precoder feedback, calculating the precoder at the UE may include eT2 generation by, among other steps or techniques, using an SVD technique and / or a first UE-implemented phase normalization technique (sometimes referred to herein as “method 1” for ease of description) . As indicated by reference number 460, the eT2 quantized precoder feedback may be compressed (e.g., via the UE-side model 430) and transmitted to the network node (e.g., the CSI feedback 435 may include, or may be, the compressed eT2 quantized precoder feedback) . On the network side, and as indicated by reference number 465, the network node may reconstruct the eT2, such as by decompressing the compressed eT2 quantized precoder feedback using the network-side model 440. In some examples, and as further shown by reference number 465, as part of the eT2 quantized precoder feedback reconstruction, the network node may use a network-implemented phase normalization technique (sometimes referred to herein as “method 2” for ease of description) . In such examples, implementing method 1 on the UE side and method 2 on the network side may result in phase misalignment that adversely impacts CSF performance.

[0097] More particularly, Fig. 4B shows an example 470 associated with phase misalignment caused by different phase normalization techniques being performed at the UE side and the network side. As shown in Fig. 4B, example 470 includes a first table 475 and a second table 480, each depicting an amplitude of an eT2 representation in an angle-delay domain for respective SVD phase normalization techniques. More particularly, the first table 475 may correspond to a first phase normalization technique (e.g., method 1) , and the second table 480 may correspond to a second phase normalization technique (e.g., method 2) . As shown by comparing the relative amplitudes (depicted using varying intensities of shading) in the first table 475 to the relative amplitudes in the second table 480, application of different phase normalization techniques may result in different amplitude distributions in the phase-delay domain.

[0098] Returning to the above example, because the UE phase normalization applied during the eT2 precoder generation (e.g., method 1) will not be observed in the reconstructed eT2 precoder at the network, the network may apply its own phase normalization technique (e.g., method 2) . In such cases, when method 1 is not the same phase normalization technique as method 2, the eT2 accuracy may be affected due to the differences in amplitude in the phase-delay domain (as seen by comparing the first table 475 to the second table 480) . This may result in low quality CSI feedback and / or poorly trained CSF compression models, resulting in communication errors during a CSF inference phase (e.g., a phase in which CSF is exchanged between a UE and a network node using an encoder and decoder, respectively, trained during the data collection phase described above) and thus high power, computing, and network resource consumption for correcting communication errors.

[0099] Various aspects described herein relate generally to phase normalization techniques for training two-sided wireless communication models (e.g., UE-side and network-side models) . Some aspects more specifically relate to standardized and / or predefined phase normalization techniques for training two-sided wireless communication models. In some aspects, a UE associated entity may identify, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique. The UE associated entity may transmit, and a network node may receive, a first indication of the CSI. The network node may identify a target CSI associated with the data collection phase based at least in part on using a network-implemented phase normalization technique. The network node may transmit, and the UE associated entity may receive, a second indication of the target CSI. In some aspects, at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. As a result, phase misalignment otherwise observable at the UE side and network side during a data collection phase of a CSF compression model may be mitigated or eliminated, resulting in high-quality CSI feedback and thus improved CSF compression models, leading to a reduction in communication errors and thus reduced power, computing, and / or network resource consumption otherwise required for correcting communication errors.

[0100] As indicated above, Figs. 4A-4B are provided as examples. Other examples may differ from what is described with regard to Figs. 4A-4B.

[0101] Fig. 5 is a diagram of an example 500 associated with phase normalization during training of a CSF compression model, in accordance with the present disclosure. As shown in Fig. 5, a UE associated entity 505 (e.g., a UE 120 and / or a UE server 170) may communicate with a network node 510 (e.g., a network node 110, a CU, a DU, and / or an RU) . In some aspects, the UE associated entity 505 and the network node 510 may be part of a wireless network (e.g., wireless communication network 100) . The UE associated entity 505 and the network node 510 may have established a wired and / or wireless connection prior to operations shown in Fig. 5. In some aspects, the UE associated entity 505 and the network node 510 may be capable of communicating using paired models to encode and decode CSI feedback, such as one or more of the models described above in connection with Figs. 3-4B. In that regard, the UE associated entity 505 and the network node 510 may be capable of communicating during a data collection phase 515 and an inference phase 520. The data collection phase 515 may be a phase associated with exchanging datasets, parameters, models, and / or similar information for training the paired models to encode and decode CSI feedback. The inference phase 520 may include the UE associated entity 505 providing CSI feedback (e.g., CSF) using a trained encoder and / or the network node 510 decoding the CSI feedback using a trained decoder.

[0102] As shown by reference number 525, the UE associated entity 505 may identify, during the data collection phase 515, CSI based at least in part on using a first UE-implemented phase normalization technique (e.g., based on using method 1 described above in connection with Figs. 4A-4B) . For example, the UE associated entity 505 may identify a precoder based at least in part on channel estimates performed on a wireless communication channel and / or by using SVD and / or a phase normalization technique, as described above in connection with Figs. 4A-4B. In some aspects, such as in aspects in which the CSI includes a precoder, the precoder may be associated with a raw precoder dataset, while, in some other aspects, the precoder may be associated with a quantized precoder dataset, such as an eT2 quantized precoder feedback, among other examples. As shown by reference number 530, the UE associated entity 505 may transmit, and the network node 510 may receive, an indication of the CSI (e.g., an indicator of the precoder) .

[0103] As shown by reference number 535, the network node 510 may train a decoder associated with the CSF compression model based at least in part on the received CSI and / or may identify a target CSI associated with the data collection phase 515 based at least in part on using a the decoder and a network-implemented phase normalization technique (e.g., the network node 510 may train the decoder to reconstruct the target CSI using the CSI described above in connection with reference numbers 525 and 530) . For example, in aspects in which the UE associated entity 505 signaled a precoder to the network node 510 (e.g., via the communication described above in connection with reference number 530) using an eT2 quantized precoder feedback, the network node 510 may reconstruct the eT2 indication and / or apply a network-implemented phase normalization technique to arrive at the reconstructed (e.g., target) CSI.

[0104] As shown by reference number 540, the network node 510 may transmit, and the UE associated entity 505 may receive, an indication of the target CSI associated with the data collection phase 515. For example, in aspects in which the network node 510 shares a dataset associated with training the CSF compression model, the communication shown in connection with reference number 540 may include a dataset that includes the target CSI and CSI feedback. In aspects in which the network node 510 shares one or more model parameters associated with training the CSF compression model, the communication shown in connection with reference number 540 may include the target CSI together with the one or more parameters.

[0105] In some aspects, in order to reduce or eliminate phase misalignment between the CSI generated by the UE associated entity 505 (e.g., the CSI described above in connection with reference numbers 525 and 530) and the CSI reconstructed by the network node 510 (e.g., the target CSI described above in connection with reference numbers 535 and 540) , at least one of the first UE-implemented phase normalization technique (e.g., method 1) or the network-implemented phase normalization technique (e.g., method 2) may be predefined at the UE associated entity 505. For example, at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique may be specified by a relevant wireless communication standard, such as a standard promulgated by the 3GPP. In such aspects, the at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique may be hard-coded, preconfigured, or otherwise predefined at the UE associated entity 505, such as for a purpose of utilizing knowledge of the at least one predefined phase normalization technique during training of an encoder associated with a CSF compression model (which is described in more detail below in connection with reference number 545) .

[0106] For example, in some aspects, the network-implemented phase normalization technique (e.g., method 2) may be predefined at the UE associated entity 505 (e.g., the network-implemented phase normalization technique may be specified and / or defined as part of the data collection procedure for training a CSF compression model) . That is, because the network-implemented phase normalization technique may impact a target CSI dataset shared with the UE associated entity (e.g., via the dataset shared via the communication indicated by reference number 540 and / or via a target CSI included with one or more parameters exchanged via the communication indicated by reference number 540) , the network-implemented phase normalization technique may be specified such that the UE associated entity 505 may undo, reverse, and / or otherwise account for the network-implemented phase normalization technique when utilizing the target CSI for training an encoder for the UE associated entity 505. In such aspects, the network node 510 may apply the specified phase normalization technique for training a decoder associated with the CSF compression process and / or the network node 510 may share a dataset (e.g., target CSI) that is based on the specified phase normalization technique with the UE associated entity 505.

[0107] In some other aspects, in addition to, or instead of, the network-implemented phase normalization technique being specified, the first UE-implemented phase normalization technique (e.g., method 1) may be predefined at the UE associated entity 505 (e.g., the first UE-implemented phase normalization technique may be specified and / or defined as part of the data collection procedure for training a CSF compression model) . Moreover, in aspects in which both the first UE-implemented phase normalization technique and the network-implemented phase normalization technique are predefined at the UE associated entity 505 (e.g., in aspects in which both the method 1 and method 2 are specified by a wireless communication standard) , the first UE-implemented phase normalization technique and the network-implemented phase normalization technique may be the same or different. More particularly, in some aspects, the network-implemented phase normalization technique may be the same phase normalization technique as the first UE-implemented phase normalization technique, while, in some other aspects, the network-implemented phase normalization technique may be a different phase normalization technique than the first UE-implemented phase normalization technique.

[0108] For example, in aspects in which CSI feedback (e.g., an indication of a precoder) is provided by the UE associated entity 505 to the network node 510 using a raw precoder dataset, the network node 510 may not need to perform phase normalization on the received CSI feedback. That is, the network node 510 may forgo use of the network-implemented phase normalization technique (e.g., method 2) and / or the first UE-implemented phase normalization (e.g., method 1) may be the phase normalization technique that is predefined at the UE associated entity 505 (e.g., specified by a relevant wireless communication standard) . On the other hand, in aspects in which CSI feedback (e.g., an indication of a precoder) is provided by the UE associated entity 505 to the network node 510 using a quantized precoder feedback indication (e.g., using eT2-like feedback) , the network node 510 may need to perform phase normalization on the received CSI feedback, as described above (e.g., the network node 510 may need to employ the network-implemented phase normalization technique) . In such aspects, any phase normalization implemented by the UE associated entity 505 may impact the quality of the data collected by the network node 510 (as described above in connection with Fig. 4B) . Accordingly, both the first-UE implemented phase normalization technique (e.g., method 1) and the network-implemented phase normalization technique (e.g., method 2) may be specified or otherwise predefined at the UE associated entity 505, with the first-UE implemented phase normalization technique and the network-implemented phase normalization technique being the same or different, as described. In some other aspects, the first-UE implemented phase normalization technique may be left to UE implementation, such as in aspects in which CSI feedback (e.g., an indication of a precoder) is provided by the UE associated entity 505 to the network node 510 using a quantized precoder feedback indication (e.g., using eT2-like feedback) .

[0109] As indicated by reference number 545, upon receiving the target CSI (e.g., as part of a dataset transmitted as part of the data collection phase 515 and / or together with one or more model parameters transmitted as part of the data collection phase 515) , the UE associated entity 505 may process the target CSI and / or may use the target CSI for training an encoder associated with the CSF compression model (e.g., for training an encoder associated with the UE associated entity 505) . In some aspects, processing the target CSI may include reversing the network-implemented phase normalization technique and / or applying a second UE-implemented phase normalization technique to the target CSI (sometimes referred to herein as “method 3” for ease of description, which may be the same as method 1 or different than method 1, which is described in more detail below) . For example, in some aspects a UE may apply the second UE-implemented phase normalization technique (e.g., method 3) during the inference phase 520 (e.g., when using the trained encoder for providing compressed CSF to the network node 510) . In such aspects, the UE associated entity 505 may process the target CSI by reversing the network-implemented phase normalization technique (e.g., method 2) and applying the second UE-implemented phase normalization technique (e.g., method 3) , resulting in UE-processed target CSI. Then the UE associated entity 505 may train the CSF compression model (e.g., an encoder associated with the CSF compression model) using the UE-processed target CSI.

[0110] Put another way, in the operations shown in connection with reference numbers 540 and 545, the network node 510 may share the network-side target CSI (sometimes referred to as vector {v} ) to the UE associated entity 505, the UE associated entity 505 may apply a phase adjustment (e.g., may reverse the network-implemented phase normalization technique (e.g., method 2) and may apply the second UE-implemented phase normalization technique (e.g., method 3) ) to derive a new dataset (sometimes referred to herein as vector {v’} ) , and / or the UE associated entity 505 may use the new dataset (e.g., {v’} ) for the UE-side encoder training. In some aspects, the second UE-implemented phase normalization technique (e.g., method 3) may be up to UE implementation, while, in some other aspects, the second UE-implemented phase normalization technique may be specified or otherwise predefined at the UE associated entity 505, as described in more detail below.

[0111] As indicated by reference number 550, during the inference phase 520, the UE associated entity 505 may generate CSF to be shared with the network node 510. In some aspects, such as in aspects in which the UE associated entity 505 uses a second UE-implemented phase normalization techniques (e.g., method 3) as described above, the UE associated entity 505 may generate the CSF based at least in part on using the second UE-implemented phase normalization technique. In some aspects, the second UE-implemented phase normalization technique may be specified or otherwise predefined at the UE associated entity 505, such as to ensure compatibility with one or more parameters, models, or datasets shared between the UE associated entity 505 and the network node 510. For example, in some aspects, the second UE-implemented phase normalization technique (e.g., method 3) may be specified and / or predefined to be the same phase normalization technique as the first UE-implemented phase normalization technique (e.g., method 1) and / or the network-implemented phase normalization technique (e.g., method 2) .

[0112] As indicated by reference number 555, the UE associated entity 505 may transmit, and the network node 510 may receive, an indication of the CSF. For example, the UE associated entity 505 may compress the CSF using a CSF compression model (e.g., using an encoder trained as described above in connection with reference number 545) , and may transmit the compressed CSF to the network node 510. Upon receipt, the network node 510 may decompress and / or otherwise reconstruct the CSF, such as by using a decoder trained at the network side via one or more of the operations described above.

[0113] Based at least in part on the UE associated entity 505 and / or network node 510 implementing a predefined (e.g., specified) phase normalization technique during the data collection phase 515 for training a CSF compression model, the UE associated entity 505 and / or the network node 510 may conserve computing, power, network, and / or communication resources that may have otherwise been consumed traditional CSF compression model training and / or reporting procedures. For example, based at least in part on the UE associated entity 505 and / or network node 510 implementing a predefined (e.g., specified) phase normalization technique during the data collection phase 515 for training a CSF compression model, the UE associated entity 505 and the network node 510 may train an encoder and decoder, respectively, associated with the CSF compression model using phase aligned CSI, and thus the UE associated entity 505 and the network node 510 may communicate with a reduced error rate when using the trained encoder and decoder (e.g., during the inference phase 520) , which may conserve computing, power, network, and / or communication resources that may have otherwise been consumed to detect and / or correct communication errors.

[0114] As indicated above, Fig. 5 is provided as an example. Other examples may differ from what is described with respect to Fig. 5.

[0115] Fig. 6 is a diagram illustrating an example process 600 performed, for example, at a UE associated entity (e.g., a UE, an apparatus of a UE, a UE server, and / or an apparatus of a UE server) in accordance with the present disclosure. Example process 600 is an example where the UE associated entity (e.g., UE associated entity 505) performs operations associated with phase normalization during training of a CSF compression model.

[0116] As shown in Fig. 6, in some aspects, process 600 may include identifying, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique (block 610) . For example, the UE associated entity (e.g., using communication manager 806, depicted in Fig. 8) may identify, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique, as described above.

[0117] As further shown in Fig. 6, in some aspects, process 600 may include transmitting, to a network node, a first indication of the CSI (block 620) . For example, the UE associated entity (e.g., using transmission component 804 and / or communication manager 806, depicted in Fig. 8) may transmit, to a network node, a first indication of the CSI, as described above.

[0118] As further shown in Fig. 6, in some aspects, process 600 may include receiving, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, wherein the target CSI is based at least in part on a network-implemented phase normalization technique, and wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity (block 630) . For example, the UE associated entity (e.g., using reception component 802 and / or communication manager 806, depicted in Fig. 8) may receive, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, wherein the target CSI is based at least in part on a network-implemented phase normalization technique, and wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity, as described above.

[0119] As further shown in Fig. 6, in some aspects, process 600 may include training an encoder associated with the CSF compression model based at least in part on the target CSI (block 640) . For example, the UE associated entity (e.g., using communication manager 806, depicted in Fig. 8) may train an encoder associated with the CSF compression model based at least in part on the target CSI, as described above.

[0120] Process 600 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.

[0121] In a first aspect, the network-implemented phase normalization technique is predefined at the UE associated entity.

[0122] In a second aspect, alone or in combination with the first aspect, process 600 includes generating CSF based at least in part on using the encoder and a second UE-implemented phase normalization technique, and transmitting, to the network node, a third indication of the CSF.

[0123] In a third aspect, alone or in combination with one or more of the first and second aspects, the second UE-implemented phase normalization technique is a same phase normalization technique as at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique.

[0124] In a fourth aspect, alone or in combination with one or more of the first through third aspects, process 600 includes processing the target CSI by reversing the network-implemented phase normalization technique and applying the second UE-implemented phase normalization technique, resulting in UE-processed target CSI, wherein training the encoder includes training the encoder using the UE-processed target CSI.

[0125] In a fifth aspect, alone or in combination with one or more of the first through fourth aspects, the network-implemented phase normalization technique is a same phase normalization technique as the first UE-implemented phase normalization technique.

[0126] In a sixth aspect, alone or in combination with one or more of the first through fifth aspects, the network-implemented phase normalization technique is a different phase normalization technique than the first UE-implemented phase normalization technique.

[0127] In a seventh aspect, alone or in combination with one or more of the first through sixth aspects, the first UE-implemented phase normalization technique is predefined at the UE associated entity.

[0128] In an eighth aspect, alone or in combination with one or more of the first through seventh aspects, the CSI includes a precoder, and the first indication is associated with a raw precoder dataset.

[0129] In a ninth aspect, alone or in combination with one or more of the first through eighth aspects, the CSI includes a precoder, and the first indication is associated with a quantized precoder feedback indication.

[0130] Although Fig. 6 shows example blocks of process 600, in some aspects, process 600 may include additional blocks, fewer blocks, different blocks, or differently arranged blocks than those depicted in Fig. 6. Additionally, or alternatively, two or more of the blocks of process 600 may be performed in parallel.

[0131] Fig. 7 is a diagram illustrating an example process 700 performed, for example, at a network node or an apparatus of a network node, in accordance with the present disclosure. Example process 700 is an example where the apparatus or the network node (e.g., network node 510) performs operations associated with phase normalization during training of a CSF compression model.

[0132] As shown in Fig. 7, in some aspects, process 700 may include receiving, from a UE associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, wherein the CSI is based at least in part on a first UE-implemented phase normalization technique (block 710) . For example, the network node (e.g., using reception component 902 and / or communication manager 906, depicted in Fig. 9) may receive, from a UE associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, wherein the CSI is based at least in part on a first UE-implemented phase normalization technique, as described above.

[0133] As further shown in Fig. 7, in some aspects, process 700 may include training a decoder associated with the CSF compression model based at least in part on the CSI (block 715) . For example, the network node (e.g., using the communication manager 906, depicted in Fig. 9) may train a decoder associated with the CSF compression model based at least in part on the CSI, as described above.

[0134] As further shown in Fig. 7, in some aspects, process 700 may include identifying a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity (block 720) . For example, the network node (e.g., using communication manager 906, depicted in Fig. 9) may identify a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity, as described above.

[0135] As further shown in Fig. 7, in some aspects, process 700 may include transmitting, to the UE associated entity, a second indication of the target CSI (block 730) . For example, the network node (e.g., using transmission component 904 and / or communication manager 906, depicted in Fig. 9) may transmit, to the UE associated entity, a second indication of the target CSI, as described above.

[0136] 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.

[0137] In a first aspect, the network-implemented phase normalization technique is predefined at the UE associated entity.

[0138] In a second aspect, alone or in combination with the first aspect, process 700 includes receiving, from the UE associated entity, a third indication of the CSF, wherein the CSF is generated by the UE associated entity based at least in part on using an encoder trained using the target CSI and a second UE-implemented phase normalization technique.

[0139] In a third aspect, alone or in combination with one or more of the first and second aspects, the second UE-implemented phase normalization technique is a same phase normalization technique as at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique.

[0140] In a fourth aspect, alone or in combination with one or more of the first through third aspects, the network-implemented phase normalization technique is a same phase normalization technique as the first UE-implemented phase normalization technique.

[0141] In a fifth aspect, alone or in combination with one or more of the first through fourth aspects, the network-implemented phase normalization technique is a different phase normalization technique than the first UE-implemented phase normalization technique.

[0142] In a sixth aspect, alone or in combination with one or more of the first through fifth aspects, the first UE-implemented phase normalization technique is predefined at the UE associated entity.

[0143] In a seventh aspect, alone or in combination with one or more of the first through sixth aspects, the CSI includes a precoder, and the first indication is associated with a raw precoder dataset.

[0144] In an eighth aspect, alone or in combination with one or more of the first through seventh aspects, the CSI includes a precoder, and the first indication is associated with a quantized precoder feedback indication.

[0145] 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.

[0146] Fig. 8 is a diagram of an example apparatus 800 for wireless communication, in accordance with the present disclosure. The apparatus 800 may be a UE associated entity, or a UE associated entity may include the apparatus 800. In some aspects, the apparatus 800 includes a reception component 802, a transmission component 804, and / or a communication manager 806, 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 806 is the communication manager 150 and / or communication manager 190 described in connection with Fig. 1. As shown, the apparatus 800 may communicate with another apparatus 808, such as a UE or a network node (such as a CU, a DU, an RU, or a base station) , using the reception component 802 and the transmission component 804. The communication manager 806 may be included in, or implemented via, a processing system (for example, the processing system 140 and / or processing system 180 described in connection with Fig. 1) of the UE associated entity.

[0147] In some aspects, the apparatus 800 may be configured to perform one or more operations described herein in connection with Fig. 5. Additionally, or alternatively, the apparatus 800 may be configured to perform one or more processes described herein, such as process 600 of Fig. 6 In some aspects, the apparatus 800 and / or one or more components shown in Fig. 8 may include one or more components of the UE 120 and / or UE server 170 described in connection with Fig. 1. Additionally, or alternatively, one or more components shown in Fig. 8 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.

[0148] The reception component 802 may receive communications, such as reference signals, control information, data communications, or a combination thereof, from the apparatus 808. The reception component 802 may provide received communications to one or more other components of the apparatus 800. In some aspects, the reception component 802 may perform signal processing on the received communications, and may provide the processed signals to the one or more other components of the apparatus 800. In some aspects, the reception component 802 may include one or more components of the UE 120 and / or UE server 170 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 and / or UE server 170.

[0149] The transmission component 804 may transmit communications, such as reference signals, control information, data communications, or a combination thereof, to the apparatus 808. In some aspects, one or more other components of the apparatus 800 may generate communications and may provide the generated communications to the transmission component 804 for transmission to the apparatus 808. In some aspects, the transmission component 804 may perform signal processing on the generated communications, and may transmit the processed signals to the apparatus 808. In some aspects, the transmission component 804 may include one or more components of the UE 120 and / or UE server 170 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 and / or UE server 170 described in connection with Fig. 1. In some aspects, the transmission component 804 may be co-located with the reception component 802.

[0150] The communication manager 806 may support operations of the reception component 802 and / or the transmission component 804. For example, the communication manager 806 may receive information associated with configuring reception of communications by the reception component 802 and / or transmission of communications by the transmission component 804. Additionally, or alternatively, the communication manager 806 may generate and / or provide control information to the reception component 802 and / or the transmission component 804 to control reception and / or transmission of communications.

[0151] The communication manager 806 may identify, during a data collection phase for training a CSF compression model, CSI based at least in part on using a first UE-implemented phase normalization technique. The transmission component 804 may transmit, to a network node, a first indication of the CSI. The reception component 802 may receive, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase wherein the target CSI is based at least in part on a network-implemented phase normalization technique, and wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. The communication manager 806 may train an encoder associated with the CSF compression model based at least in part on the target CSI.

[0152] The communication manager 806 may generate CSF based at least in part on using the encoder and a second UE-implemented phase normalization technique. The communication manager 806 may transmit, to the network node, a third indication of the CSF.

[0153] The communication manager 806 may process the target CSI by reversing the network-implemented phase normalization technique and applying the second UE-implemented phase normalization technique, resulting in UE-processed target CSI. The communication manager 806 may train the encoder using the UE-processed target CSI.

[0154] The number and arrangement of components shown in Fig. 8 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. 8. Furthermore, two or more components shown in Fig. 8 may be implemented within a single component, or a single component shown in Fig. 8 may be implemented as multiple, distributed components. Additionally, or alternatively, a set of (one or more) components shown in Fig. 8 may perform one or more functions described as being performed by another set of components shown in Fig. 8.

[0155] 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 network node, or a network node 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 155 described in connection with Fig. 1. As shown, the apparatus 900 may communicate with another apparatus 908, such as a UE, a UE server, 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 145 described in connection with Fig. 1) of the network node.

[0156] In some aspects, the apparatus 900 may be configured to perform one or more operations described herein in connection with Fig. 5. 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 network node 110 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.

[0157] 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 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. In some aspects, the reception component 902 and / or the transmission component 904 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 900 via one or more communications links, such as a backhaul link, a midhaul link, and / or a fronthaul link.

[0158] 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 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 described in connection with Fig. 1. In some aspects, the transmission component 904 may be co-located with the reception component 902.

[0159] 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.

[0160] The reception component 902 may receive, from a UE associated entity and during a data collection phase for training a CSF compression model, a first indication of CSI, wherein the CSI is based at least in part on a first UE-implemented phase normalization technique. The communication manager 906 may train a decoder associated with the CSF compression model based at least in part on the CSI. The communication manager 906 may identify a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity. The transmission component 904 may transmit, to the UE associated entity, a second indication of the target CSI.

[0161] The reception component 902 may receive, from the UE associated entity, a third indication of the CSF, wherein the CSF is generated by the UE associated entity based at least in part on using an encoder trained using the target CSI and a second UE-implemented phase normalization technique.

[0162] 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.

[0163] The following provides an overview of some Aspects of the present disclosure:

[0164] Aspect 1: A method of wireless communication performed by a user equipment (UE) associated entity, comprising: identifying, during a data collection phase for training a channel state feedback (CSF) compression model, channel state information (CSI) based at least in part on using a first UE-implemented phase normalization technique; transmitting, to a network node, a first indication of the CSI; receiving, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase, wherein the target CSI is based at least in part on a network-implemented phase normalization technique, and wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; and training an encoder associated with the CSF compression model based at least in part on the target CSI.

[0165] Aspect 2: The method of Aspect 1, wherein the network-implemented phase normalization technique is predefined at the UE associated entity.

[0166] Aspect 3: The method of any of Aspects 1-2, further comprising generating CSF based at least in part on using the encoder and a second UE-implemented phase normalization technique, and transmitting, to the network node, a third indication of the CSF.

[0167] Aspect 4: The method of Aspect 3, wherein the second UE-implemented phase normalization technique is a same phase normalization technique as at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique.

[0168] Aspect 5: The method of Aspect 3, further comprising: processing the target CSI by reversing the network-implemented phase normalization technique and applying the second UE-implemented phase normalization technique, resulting in UE-processed target CSI, wherein training the encoder includes training the encoder using the UE-processed target CSI.

[0169] Aspect 6: The method of any of Aspects 1-5, wherein the network-implemented phase normalization technique is a same phase normalization technique as the first UE-implemented phase normalization technique.

[0170] Aspect 7: The method of any of Aspects 1-6, wherein the network-implemented phase normalization technique is a different phase normalization technique than the first UE-implemented phase normalization technique.

[0171] Aspect 8: The method of any of Aspects 1-7, wherein the first UE-implemented phase normalization technique is predefined at the UE associated entity.

[0172] Aspect 9: The method of Aspect 8, wherein the CSI includes a precoder, and wherein the first indication is associated with a raw precoder dataset.

[0173] Aspect 10: The method of Aspect 8, wherein the CSI includes a precoder, and wherein the first indication is associated with a quantized precoder feedback indication.

[0174] Aspect 11: A method of wireless communication performed by a network node, comprising: receiving, from a user equipment (UE) associated entity and during a data collection phase for training a channel state feedback (CSF) compression model, a first indication of channel state information (CSI) , wherein the CSI is based at least in part on a first UE-implemented phase normalization technique; training a decoder associated with the CSF compression model based at least in part on the CSI; identifying a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique, wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; and transmitting, to the UE associated entity, a second indication of the target CSI.

[0175] Aspect 12: The method of Aspect 11, wherein the network-implemented phase normalization technique is predefined at the UE associated entity.

[0176] Aspect 13: The method of any of Aspects 11-12, further comprising receiving, from the UE associated entity, a third indication of the CSF, wherein the CSF is generated by the UE associated entity based at least in part on using an encoder trained using the target CSI and a second UE-implemented phase normalization technique.

[0177] Aspect 14: The method of Aspect 13, wherein the second UE-implemented phase normalization technique is a same phase normalization technique as at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique.

[0178] Aspect 15: The method of any of Aspects 11-14, wherein the network-implemented phase normalization technique is a same phase normalization technique as the first UE-implemented phase normalization technique.

[0179] Aspect 16: The method of any of Aspects 11-15, wherein the network-implemented phase normalization technique is a different phase normalization technique than the first UE-implemented phase normalization technique.

[0180] Aspect 17: The method of any of Aspects 11-16, wherein the first UE-implemented phase normalization technique is predefined at the UE associated entity.

[0181] Aspect 18: The method of Aspect 17, wherein the CSI includes a precoder, and wherein the first indication is associated with a raw precoder dataset.

[0182] Aspect 19: The method of Aspect 17, wherein the CSI includes a precoder, and wherein the first indication is associated with a quantized precoder feedback indication.

[0183] Aspect 20: 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 1-19.

[0184] Aspect 21: 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 1-19.

[0185] Aspect 22: An apparatus for wireless communication, the apparatus comprising at least one means for performing the method of one or more of Aspects 1-19.

[0186] Aspect 23: 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 1-19.

[0187] Aspect 24: 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 1-19.

[0188] Aspect 25: 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 1-19.

[0189] Aspect 26: 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 1-19.

[0190] 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.

[0191] 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.

[0192] 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) .

[0193] 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.

[0194] 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.

[0195] 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) associated entity for wireless communication, comprising:one or more memories; andone or more processors coupled to the one or more memories, the one or more processors individually or collectively configured to:identify, during a data collection phase for training a channel state feedback (CSF) compression model, channel state information (CSI) based at least in part on using a first UE-implemented phase normalization technique;transmit, to a network node, a first indication of the CSI;receive, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase,wherein the target CSI is based at least in part on a network-implemented phase normalization technique, andwherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; andtrain an encoder associated with the CSF compression model based at least in part on the target CSI.2.The UE associated entity of claim 1, wherein the network-implemented phase normalization technique is predefined at the UE associated entity.3.The UE associated entity of claim 1, wherein the one or more processors are further individually or collectively configured to:generate CSF based at least in part on using the encoder and a second UE-implemented phase normalization technique, andtransmit, to the network node, a third indication of the CSF.4.The UE associated entity of claim 3, wherein the second UE-implemented phase normalization technique is a same phase normalization technique as at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique.5.The UE associated entity of claim 3, wherein the one or more processors are further individually or collectively configured to:process the target CSI by reversing the network-implemented phase normalization technique and applying the second UE-implemented phase normalization technique, resulting in UE-processed target CSI,wherein the one or more processors, to train the encoder, are individually or collectively configured to train the encoder using the UE-processed target CSI.6.The UE associated entity of claim 1, wherein the network-implemented phase normalization technique is a same phase normalization technique as the first UE-implemented phase normalization technique.7.The UE associated entity of claim 1, wherein the network-implemented phase normalization technique is a different phase normalization technique than the first UE-implemented phase normalization technique.8.The UE associated entity of claim 1, wherein the first UE-implemented phase normalization technique is predefined at the UE associated entity.9.The UE associated entity of claim 8, wherein the CSI includes a precoder, and wherein the first indication is associated with a raw precoder dataset.10.The UE associated entity of claim 8, wherein the CSI includes a precoder, and wherein the first indication is associated with a quantized precoder feedback indication.11.A method of wireless communication performed by a user equipment (UE) associated entity, comprising:identifying, during a data collection phase for training a channel state feedback (CSF) compression model, channel state information (CSI) based at least in part on using a first UE-implemented phase normalization technique;transmitting, to a network node, a first indication of the CSI;receiving, from the network node and based at least in part on transmitting the first indication, a second indication of a target CSI associated with the data collection phase,wherein the target CSI is based at least in part on a network-implemented phase normalization technique, andwherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; andtraining an encoder associated with the CSF compression model based at least in part on the target CSI.12.The method of claim 11, wherein the network-implemented phase normalization technique is predefined at the UE associated entity.13.The method of claim 11, further comprising generating CSF based at least in part on using the encoder and a second UE-implemented phase normalization technique, and transmitting, to the network node, a third indication of the CSF.14.The method of claim 13, wherein the second UE-implemented phase normalization technique is a same phase normalization technique as at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique.15.The method of claim 13, further comprising:processing the target CSI by reversing the network-implemented phase normalization technique and applying the second UE-implemented phase normalization technique, resulting in UE-processed target CSI,wherein training the encoder includes training the encoder using the UE-processed target CSI.16.The method of claim 11, wherein the network-implemented phase normalization technique is a same phase normalization technique as the first UE-implemented phase normalization technique.17.The method of claim 11, wherein the network-implemented phase normalization technique is a different phase normalization technique than the first UE-implemented phase normalization technique.18.The method of claim 11, wherein the first UE-implemented phase normalization technique is predefined at the UE associated entity.19.The method of claim 18, wherein the CSI includes a precoder, andwherein the first indication is associated with one of a raw precoder dataset or a quantized precoder feedback indication.20.A method of wireless communication performed by a network node, comprising:receiving, from a user equipment (UE) associated entity and during a data collection phase for training a channel state feedback (CSF) compression model, a first indication of channel state information (CSI) ,wherein the CSI is based at least in part on a first UE-implemented phase normalization technique;training a decoder associated with the CSF compression model based at least in part on the CSI;identifying a target CSI associated with the data collection phase based at least in part on using the decoder and a network-implemented phase normalization technique,wherein at least one of the first UE-implemented phase normalization technique or the network-implemented phase normalization technique is predefined at the UE associated entity; andtransmitting, to the UE associated entity, a second indication of the target CSI.

Images