Devices and methods of communication

Abstract

Embodiments of the present disclosure relate to devices and methods of communication. In one aspect, a network device may transmit a set of CSI report configurations for a functionality to a terminal device. The terminal device may update a CSI report corresponding to a CSI report configuration in the set of CSI report configurations based on the following: first number of processing units occupied for at least two operations of the functionality; second number of processing units available for the at least two operations of the functionality; one or more symbols occupied for the first number of processing units; and number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations. In this way, a CSI reporting related to AI / ML may be enhanced.

Description

DEVICES AND METHODS OF COMMUNICATIONTECHNICAL FIELD

[0001] Embodiments of the present disclosure generally relate to the field of telecommunication, and in particular, to methods, devices and computer storage media of communication for a channel status information (CSI) reporting related to artificial intelligence (AI)  / machine learning (ML) .BACKGROUND

[0002] Currently, an AI / ML based beam management (BM) and a CSI prediction have been identified as use cases of an AI / ML model for an air interface. However, allocation of processing units for an AI / ML related operation such as the AI / ML based BM and CSI prediction is still unclear and needs to be further developed.SUMMARY

[0003] In general, embodiments of the present disclosure provide methods, devices and computer storage media of communication for a CSI reporting related to AI / ML.

[0004] In a first aspect, there is provided a terminal device. The terminal device comprises a processor configured to cause the terminal device to: receive, from a network device, a set of CSI report configurations for a functionality; and update a CSI report corresponding to a CSI report configuration in the set of CSI report configurations based on the following: first number of processing units occupied for at least two operations of the functionality, second number of processing units available for the at least two operations of the functionality, one or more symbols occupied for the first number of processing units, and number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.

[0005] In a second aspect, there is provided a network device. The network device comprises a processor configured to cause the network device to: transmit, to a terminal device, a set of CSI report configurations for a functionality; and receive, from the terminal device, a CSI report corresponding to a CSI report configuration in the set of CSI report configurations updated based on the following: first number of processing units occupied for at least two operations of the functionality, second number of processing units available for the at least two operations of the functionality, one or more symbols occupied for the first number of processing units, and number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.

[0006] In a third aspect, there is provided a method of communication at a terminal device. The method comprises: receiving, from a network device, a set of CSI report configurations for a functionality; and updating a CSI report corresponding to a CSI report configuration in the set of CSI report configurations based on the following: first number of processing units occupied for at least two operations of the functionality, second number of processing units available for the at least two operations of the functionality, one or more symbols occupied for the first number of processing units, and number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.

[0007] In a fourth aspect, there is provided a method of communication at a network device. The method comprises: transmitting, to a terminal device, a set of CSI report configurations for a functionality, a CSI report corresponding to a CSI report configuration in the set of CSI report configurations updated based on the following: first number of processing units occupied for at least two operations of the functionality, second number of processing units available for the at least two operations of the functionality, one or more symbols occupied for the first number of processing units, or number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.

[0008] In a fifth aspect, there is provided a computer readable medium having instructions stored thereon. The instructions, when executed on at least one processor, cause the at least one processor to perform the method according to the third or fourth aspect of the present disclosure.

[0009] Other features of the present disclosure will become easily comprehensible through the following description.BRIEF DESCRIPTION OF THE DRAWINGS

[0010] Through the more detailed description of some embodiments of the present disclosure in the accompanying drawings, the above and other objects, features and advantages of the present disclosure will become more apparent, wherein:

[0011] FIG. 1 illustrates an example communication network in which some embodiments of the present disclosure can be implemented;

[0012] FIG. 2A illustrates a schematic diagram illustrating an example inference procedure for BM in which some embodiments of the present disclosure can be implemented;

[0013] FIG. 2B illustrates a schematic diagram illustrating an example inference procedure for CSI prediction in which some embodiments of the present disclosure can be implemented;

[0014] FIG. 3 illustrates a signaling chart illustrating an example process of communication for a CSI reporting related to AI / ML according to some embodiments of the present disclosure;

[0015] FIG. 4A illustrates a schematic diagram illustrating an example CSI processing unit (CPU) occupation for BM-Case 1 according to some embodiments of the present disclosure;

[0016] FIG. 4B illustrates a schematic diagram illustrating an example CPU occupation for BM-Case 2 according to some embodiments of the present disclosure;

[0017] FIG. 4C illustrates a schematic diagram illustrating an example CPU occupation for performance monitoring according to some embodiments of the present disclosure;

[0018] FIG. 5 illustrates a flowchart illustrating an example method of communication implemented at a terminal device in accordance with some embodiments of the present disclosure;

[0019] FIG. 6 illustrates a flowchart illustrating an example method of communication implemented at a network device in accordance with some embodiments of the present disclosure; and

[0020] FIG. 7 is a simplified block diagram of a device that is suitable for implementing embodiments of the present disclosure.

[0021] Throughout the drawings, the same or similar reference numerals represent the same or similar element.DETAILED DESCRIPTION

[0022] Principle of the present disclosure will now be described with reference to some embodiments. It is to be understood that these embodiments are described only for the purpose of illustration and help those skilled in the art to understand and implement the present disclosure, without suggesting any limitations as to the scope of the disclosure. The disclosure described herein can be implemented in various manners other than the ones described below.

[0023] In the following description and claims, unless defined otherwise, all technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skills in the art to which this disclosure belongs.

[0024] As used herein, the term ‘terminal device’ refers to any device having wireless or wired communication capabilities. Examples of the terminal device include, but not limited to, user equipment (UE) , personal computers, desktops, mobile phones, cellular phones, smart phones, personal digital assistants (PDAs) , portable computers, tablets, wearable devices, Internet of things (IoT) devices, ultra-reliable and low latency communications (URLLC) devices, Internet of everything (IoE) devices, machine type communication (MTC) devices, device on vehicle for V2X communication where X means pedestrian, vehicle, or infrastructure / network, devices for integrated access and backhaul (IAB) , small data transmission (SDT) , mobility, multicast and broadcast services (MBS) , positioning, dynamic / flexible duplex in commercial networks, reduced capability (RedCap) , space borne vehicles or air borne vehicles in non-terrestrial networks (NTN) including satellites and high altitude platforms (HAPs) encompassing unmanned aircraft systems (UAS) , extended reality (XR) devices including different types of realities such as augmented reality (AR) , mixed reality (MR) and virtual reality (VR) , the unmanned aerial vehicle (UAV) commonly known as a drone which is an aircraft without any human pilot, devices on high speed train (HST) , or image capture devices such as digital cameras, sensors, gaming devices, music storage and playback appliances, or Internet appliances enabling wireless or wired Internet access and browsing and the like. The ‘terminal device’ can further has ‘multicast / broadcast’ feature, to support public safety and mission critical, V2X applications, transparent IPv4 / IPv6 multicast delivery, IPTV, smart TV, radio services, software delivery over wireless, group communications and IoT applications. It may also incorporate one or multiple subscriber identity module (SIM) as known as multi-SIM. The term ‘terminal device’ can be used interchangeably with a UE, a mobile station, a subscriber station, a mobile terminal, a user terminal or a wireless device.

[0025] The term ‘network device’ refers to a device which is capable of providing or hosting a cell or coverage where terminal devices can communicate. Examples of a network device include, but not limited to, a Node B (NodeB or NB) , an evolved NodeB (eNodeB or eNB) , a next generation NodeB (gNB) , a transmission reception point (TRP) , a remote radio unit (RRU) , a radio head (RH) , a remote radio head (RRH) , an IAB node, a low power node such as a femto node, a pico node, a reconfigurable intelligent surface (RIS) , network-controlled Repeaters, and the like.

[0026] The terminal device or the network device may have AI / ML capability. It generally includes a model which has been trained from numerous collected data for a specific function, and can be used to predict some information.

[0027] The terminal or the network device may work on several frequency ranges, e.g. FR1 (410 MHz to 7125 MHz) , FR2 (24.25GHz to 71GHz) , frequency band larger than 100GHz as well as Tera Hertz (THz) . It can further work on licensed / unlicensed / shared spectrum. The terminal device may have more than one connections with the network devices under MR-DC application scenario. The terminal device or the network device can work on full duplex, flexible duplex and cross division duplex modes.

[0028] The network device may have the function of network energy saving, self-organizing networks (SON)  / minimization of drive tests (MDT) . The terminal device may have the function of power saving.

[0029] The embodiments of the present disclosure may be performed in test equipment, e.g. signal generator, signal analyzer, spectrum analyzer, network analyzer, test terminal device, test network device, channel emulator.

[0030] In one embodiment, the terminal device may be connected with a first network device and a second network device. One of the first network device and the second network device may be a master node and the other one may be a secondary node. The first network device and the second network device may use different radio access technologies (RATs) . In one embodiment, the first network device may be a first RAT device and the second network device may be a second RAT device. In one embodiment, the first RAT device is eNB and the second RAT device is gNB. Information related with different RATs may be transmitted to the terminal device from at least one of the first network device or the second network device. In one embodiment, information A may be transmitted to the terminal device from the first network device and information B may be transmitted to the terminal device from the second network device directly or via the first network device. In one embodiment, information related with configuration for the terminal device configured by the second network device may be transmitted from the second network device via the first network device. Information related with reconfiguration for the terminal device configured by the second network device may be transmitted to the terminal device from the second network device directly or via the first network device.

[0031] As used herein, the singular forms ‘a’ , ‘an’ and ‘the’ are intended to include the plural forms as well, unless the context clearly indicates otherwise. The term ‘includes’ and its variants are to be read as open terms that mean ‘includes, but is not limited to. ’ The term ‘based on’ is to be read as ‘at least in part based on. ’ The term ‘one embodiment’ and ‘an embodiment’ are to be read as ‘at least one embodiment. ’ The term ‘another embodiment’ is to be read as ‘at least one other embodiment. ’ The terms ‘first, ’ ‘second, ’ and the like may refer to different or same objects. The term ‘and / or’ indicates that there may be three relationships. For example, A and / or B may indicate cases includes ‘only A’ , ‘both A and B’ , and ‘only B’ . The term ‘at least one of the following items’ or a similar expression thereof refers to any combination of these items, including any combination of a single item or a plurality of items. For example, the term ‘at least one of A, B, or C’ may represent A, B, C, ‘A and B’ , ‘A and C’ , ‘B and C’ , or ‘A, B and C’ . The term ‘a set of’ may be interchangeably used with ‘one or more’ . Other definitions, explicit and implicit, may be included below.

[0032] In some examples, values, procedures, or apparatus are referred to as ‘best, ’ ‘lowest, ’ ‘highest, ’ ‘minimum, ’ ‘maximum, ’ or the like. It will be appreciated that such descriptions are intended to indicate that a selection among many used functional alternatives can be made, and such selections need not be better, smaller, higher, or otherwise preferable to other selections.

[0033] In an existing CPU allocation mechanism, CSI measurement is considered. However, for AI / ML BM prediction, one prediction requires channel measurement and model inference. In this case, the existing CPU allocation mechanism may need to be enhanced for a CSI reporting related to AI / ML.

[0034] In view of this, embodiments of the present disclosure provide solutions of communication for a CSI reporting related to AI / ML. In one aspect, a network device may transmit a set of CSI report configurations for a functionality to a terminal device. The terminal device may update a CSI report corresponding to a CSI report configuration in the set of CSI report configurations based on at least one of the following: first number of processing units occupied for at least two operations of the functionality; second number of processing units available for the at least two operations of the functionality; one or more symbols occupied for the first number of processing units; or number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations. In this way, allocation of processing units for an AI / ML related operation may be carried out and a CSI reporting related to AI / ML may be enhanced.

[0035] For convenience, definitions of some terms in the present disclosure may be listed as below. · AI / ML Model: a data driven algorithm that applies AI / ML techniques to  generate a set of outputs based on a set of inputs. · AI / ML model delivery: a generic term referring to delivery of an AI / ML model  from one entity to another entity in any manner. An entity may mean a network node / function (e.g., gNB, location management function (LMF) , etc. ) , UE, proprietary server, etc. · AI / ML model inference: a process of using a trained AI / ML model to produce  a set of outputs based on a set of inputs. · AI / ML model testing: a subprocess of training, to evaluate performance of a  final AI / ML model using a dataset different from one used for model training and validation. Differently from AI / ML model validation, testing does not assume subsequent tuning of the model. · AI / ML model training: a process to train an AI / ML model (e.g., by learning an  input / output relationship) in a data driven manner and obtain the trained AI / ML model for inference. · AI / ML model transfer: a delivery of an AI / ML model over an air interface in a  manner that is not transparent to the third generation partnership project (3GPP) signalling, either parameters of a model structure known at a receiving end or a new model with parameters. The delivery may contain a full model or a partial model. · AI / ML model validation: a subprocess of training, to evaluate quality of an  AI / ML model using a dataset different from one used for model training, that helps selecting model parameters that generalize beyond a dataset used for model training. · data collection: a process of collecting data by a network node, management  entity, or UE for the purpose of AI / ML model training, data analytics and inference. · federated learning  / federated training: a machine learning technique that trains  an AI / ML model across multiple decentralized edge nodes (e.g., UEs, gNBs) each performing local model training using local data samples. The technique requires multiple interactions of the model, but no exchange of local data samples. · functionality: the term ‘functionality’ may refer to UE-capability  information / parameters e.g., AI / ML-specific feature groups (FGs) . This interpretation may be suitable when ‘supported functionalities’ is used. The term ‘functionality’ may refer to an information element (IE) ‘CSI-ReportConfig’ for inference configuration or a set of inference related parameters or information / parameters indicated by UE. This interpretation may be suitable when ‘applicable functionalities’ is used. The term ‘functionality’ may refer to configurations based on CSI framework. This interpretation may be suitable when ‘activated functionalities’ is used. Therefore, meaning and granularity of the term ‘functionality’ for applicable functionalities, activated functionalities and supported functionalities may or may not be the same. · functionality identification: a process / method of identifying an AI / ML  functionality for the common understanding between the NW and the UE. Note: Information regarding the AI / ML functionality may be shared during functionality identification. Where AI / ML functionality resides depends on the specific use cases and sub use cases. · model activation: enable an AI / ML model for a specific AI / ML-enabled feature.  In some embodiments, model activation is equivalent to activation of configurations for model inference. · model deactivation: disable an AI / ML model for a specific AI / ML-enabled  feature. In some embodiments, model deactivation is equivalent to deactivation of configurations for model inference. · model download: Model transfer from the network to UE. · model identification: a process / method of identifying an AI / ML model for the  common understanding between the NW and the UE. The process / method of model identification may or may not be applicable. Information regarding the AI / ML model may be shared during model identification. · model monitoring: a procedure that monitors inference performance of an  AI / ML model. In some embodiments, model monitoring is equivalent to performance monitoring, or actions according to configurations for performance monitoring. · model parameter update: a process of updating model parameters of a model. · model selection: a process of selecting an AI / ML model for activation among  multiple models for the same AI / ML enabled feature. Model selection may or may not be carried out simultaneously with model activation. In some embodiments, model selection is equivalent to selection of configurations for model inference. · model switching: a process of deactivating a currently active AI / ML model and  activating a different AI / ML model for a specific AI / ML-enabled feature. In some embodiments, model switching is equivalent to deactivating a currently active configuration for AI / ML model and activating a different configuration for AI / ML model for a specific AI / ML-enabled feature. · model update: a process of updating model parameters and / or model structure  of a model. · model upload: model transfer from UE to the network. · NW-side (AI / ML) model: an AI / ML Model whose inference is performed  entirely at the network. · offline field data: data collected from field and used for offline training of an  AI / ML model. · offline training: an AI / ML training process where the model is trained based on  collected dataset, and where the trained model is later used or delivered for inference. Note: This definition only serves as a guidance. There may be cases that may not exactly conform to this definition but could still be categorized as offline training by commonly accepted conventions. In some embodiments, model training is equivalent to actions according to configurations for model training. · online field data: data collected from field and used for online training of the  AI / ML model. · online training: an AI / ML training process where the model being used for  inference) is (typically continuously) trained in (near) real-time with the arrival of new training samples. The notion of (near) real-time vs. non real-time is context-dependent and is relative to the inference time-scale. This definition only serves as a guidance. There may be cases that may not exactly conform to this definition but could still be categorized as online training by commonly accepted conventions. Fine-tuning / re-training may be done via online or offline training. · reinforcement learning (RL) : a process of training an AI / ML model from an  input (also known as a state) and a feedback signal (also known as a reward) resulting from the model’s output (also known as an action) in an environment the model is interacting with. · semi-supervised learning: a process of training a model with a mix of labelled  data and unlabelled data. · supervised learning: a process of training a model from input and its  corresponding labels. · two-sided (AI / ML) model: a paired AI / ML model (s) over which joint inference  is performed, where joint inference comprises AI / ML Inference whose inference is performed jointly across the UE and the network, i.e, the first part of inference is firstly performed by UE and then the remaining part is performed by gNB, or vice versa. · UE-side (AI / ML) model: an AI / ML Model whose inference is performed  entirely at the UE. · unsupervised learning: a process of training a model without labelled data. · proprietary-format models: ML models of vendor- / device-specific proprietary  format, from 3GPP perspective. They are not mutually recognizable across vendors and hide model design information from other vendors when shared. Note: An example is a device-specific binary executable format. · open-format models: ML models of specified format that are mutually  recognizable across vendors and allow interoperability, from 3GPP perspective. They are mutually recognizable between vendors and do not hide model design information from other vendors when shared.

[0036] In the context of the present disclosure, the terms ‘model’ , ‘functionality’ , ‘model / functionality’ , ‘inference configuration’ , ‘a set of inference related parameters’ and ’AI / ML related information / parameters indicated by UE’ may be used interchangeably. The terms ‘feature’ and ‘feature group’ may be used interchangeably. The terms ‘model’ and ‘model group’ may be used interchangeably. The terms ‘functionality’ , ‘functionality group’ , ‘functionality set’ may be used interchangeably. The terms ‘ID’ , ‘index’ , ‘indicator’ and ‘identifier’ may be used interchangeably.

[0037] In the context of the present disclosure, the term ‘NW’ herein may refer to ‘operations, administration and maintenance (OAM) ’ , ‘server’ , or ‘advanced mobile location (AML)  / LMF’ . The term ‘occasion’ herein may be interchangeably used with ‘report occasion’ . The term ‘quantization’ may be interchangeably used with ‘quantizer’ . The term ‘dequantization’ may be interchangeably used with ‘inverse quantizer’ .

[0038] In the context of the present disclosure, the term ‘conditions’ may refer to configurations supported indicated via UE capability reporting, related to model training, model inference, performance monitoring, validation procedure, fallback, of an AI / ML model / functionality or a group of models / functionalities. The term ‘additional conditions’ may refer to, e.g., application conditions, scenarios, sites, datasets, cell identity (ID) , timestamp, beam shape, etc. For an AI / ML-enabled feature / feature group (FG) , additional conditions refer to any aspects that are assumed for a training of a model but are not a part of UE capability for the AI / ML-enabled feature / FG. It does not imply that additional conditions are necessarily specified. Additional conditions can be divided into two categories: NW-side additional conditions and UE-side additional conditions. The term ‘applicable conditions’ may refer to signal-noise ratio (SNR) , line-of-sight (LOS)  / non-line-of-sight (NLOS) , channel conditions, etc. The term ‘UE’ internal conditions’ may refer to, e.g., memory, battery, and other hardware limitations on functionality / model operations. The term ‘complexity / processing capability’ may refer to Tera operations per second (TOPs) , floating point operations (FLOPs) , multiply accumulate operations (MACs) , or the number of parameters, and / or a size.

[0039] In the context of the present disclosure, the terms ‘beam’ , ‘precoder’ , ‘precoding’ , ‘precoding matrix’ , ‘spatial relation information’ , ‘spatial relation info’ , ‘precoding information’ , ‘precoding information and number of layers’ , ‘precoding matrix indicator (PMI) ’ , ‘precoding matrix indicator’ , ‘transmission precoding matrix indication’ , ‘precoding matrix indication’ , ‘transmission configuration indication (TCI) state’ , ‘uplink (UL) TCI state’ , ‘joint TCI state’ , ‘transmission configuration indicator’ , ‘quasi co-location (QCL) ’ , ‘quasi-co-location’ , ‘QCL parameter’ , ‘QCL assumption’ , ‘QCL relationship’ and ‘spatial relation’ can be used interchangeably. A beam may refer to a downlink (DL) beam, UL beam, transmitting (Tx) beam, receiving (Rx) beam, beam pair, reference signal (RS) resource, RS resource set, antenna port, antenna port group, antenna element (s) , antenna array (s) , or beam group.

[0040] The terms ‘reference signal received power (RSRP) ’ , ‘layer 1 (L1) -RSRP’ , ‘layer 3 (L3) -RSRP’ , ‘filtered RSRP’ herein may be used interchangeably. If ‘RSRP’ is used as a beam quality metric, methods are readily extended to other metrics like ‘signal to interference and noise ratio (SINR) ’ , ‘reference signal received quality (RSRQ) ’ , ‘received signal strength indicator (RSSI) ’ , etc. The term ‘CSI-RS for beam management’ and ‘CSI-RS configured in a resource set with higher layer parameter ‘repetition” may be used interchangeably. The term ‘CSI-RS for channel acquisition’ and ‘CSI-RS configured in a resource set without higher layer parameter ‘repetition’ and without higher layer parameter ‘trs-info” may be used interchangeably.

[0041] In the context of the present disclosure, the term ‘historical measurement result’ may refer to one of the following options: · Option 1: based on number of measurements (denoted as Pt) , number of RSs  (denoted as Mt) and prediction time (denoted as T2) . T2 means a time duration for prediction. Mt means the number of time instances for measurement as AI / ML inputs with a periodicity of Tper. Pt means the number of time instance (s) for prediction with a periodicity of Tper in T2. · Option 2: based on a periodicity (denoted as T) of required reference signals for  measurements. For every T=Y ms, reference signals for measurements are needed. · Option 3: based on times (denoted as Z) of a given minimal periodicity Tper of  reference signals for measurements. UE may measure reference signals for model inputs every Z times of Tper. · Option 4: based on an observation window (e.g., number / distance) , e.g., 5 / 5ms  (e.g., 5 times observations and 5ms between two observations, or 5 times observations in 5ms) , or 10 / 5ms (e.g., 10 times observations and 5ms between two observations, or 10 times observations in 5ms) .

[0042] It is to be noted that the term ‘periodicity of Tper’ , ‘T’ , or ‘distance’ mentioned above may be called as an interval or time interval between two historical measurements, or between two measurements for historical results. The time duration related to Mt×Tper, Y ×Tper, or ‘distance’ , or ‘observation window’ mentioned above may be called as a measurement window for historical measurement results.

[0043] In the context of the present disclosure, the term ‘future time instance’ may refer to one of the following options: · Option 1: N future time instance (s) that is based on an output of AI / ML model  inference. The future time instance may include information about a timestamp, or an interval between two joint time instances. · Option 2: based on number of measurements (denoted as Pt) , number of RSs  (denoted as Mt) and prediction time (denoted as T2) . T2 means a time duration for beam prediction. Mt means the number of time instances for measurement as AI / ML inputs with a periodicity of Tper. Pt means the number of time instance (s) for prediction with a periodicity of Tper in T2. · Option 3: based on a periodicity (denoted as T) of required reference signals for  measurements. For every T=Y ms, reference signals for measurements are needed. · Option 4: based on times (denoted as Z) of a given minimal periodicity Tper of  reference signals for measurements. UE may measure reference signals for model inputs every Z times of Tper. Prediction time is defined as the time from each measurement instance to the latest prediction instance before the next measurement instance. · Option 5: based on a prediction window (e.g., number / distance between  prediction instances / distance from the last observation instance to the first or starting prediction instance) , e.g., 1 / 5ms / 5ms.

[0044] It is to be noted that the term ‘periodicity of Tper’ or ‘distance’ mentioned above may be called as an interval or time interval between two future time instances. The time duration related to Pt×Tper, ‘Z’ , ‘distance’ , or number / distance may be called as prediction window for future time instances.

[0045] As used herein, a model may be equivalent to at least one of the following: an AI / ML model, a ML model, an AI model, a data-driven, a data processing model, an algorithm, a functionality, a procedure, a process, an entity, a function, a feature, a feature group, a model identifier (ID) , an ID, a functionality ID, a configuration ID, a scenario ID, a site ID, a dataset ID, a set of AI / ML related parameters, or an ID of a set of AI / ML related parameters. As a result, the above terms may be used interchangeably.

[0046] In some embodiments, the model may be represented by or associated with a channel, a resource, a resource set, a RS resource, a RS resource set, a RS port, a set of RS ports, a RS port ID, or a set of RS port IDs.

[0047] In some embodiments, the model may comprise a set of weights values that may be learned during training, for example for a specific architecture or configuration, where a set of weights values may also be called a parameter set.

[0048] In some embodiments, the model may be used to predict a target cell, or measurements of a set of beams of a set of candidate cells in future based on at least historical measurements (e.g., layer 1 (L1) -reference signal received power (RSRP) , or L1-signal to interference plus noise ratio (SINR) ) of a set of beams of a set of candidate cells.

[0049] In some embodiments, an input of the model (i.e., AI / ML input) may refer to the input of a model and indicate data inputted into the model, which may be equivalent to data.

[0050] In some embodiments, an output of the model (i.e., AI / ML output) may refers to the output of a model and indicate result (s) outputted by the model, which is equivalent to label / data.

[0051] In some embodiments, a ground truth label of data (or ground-truth label) for monitoring or training the model (i.e., AI / ML output) may refers to the authoritative, accepted data, or true answer or outcome for the model.

[0052] In some embodiments, ‘ground truth’ , ‘ground truth label’ , ‘ground truth label of data’ , ‘input label’ , ‘input data’ and ‘data’ can be used interchangeably.

[0053] In some embodiments, the ground truth can be interpreted as actual / factual (i.e. actual / factual measured) data / values / results / collections / parameters, which can be used as reference, compared to prediction or inference.

[0054] Principles and implementations of the present disclosure will be described in detail below with reference to the figures.EXAMPLE OF COMMUNICATION NETWORK

[0055] FIG. 1 illustrates an example communication network 100 in which embodiments of the present disclosure can be implemented. As shown in Fig. 1, the communication network 100 includes a terminal device 110 and a network device 120 served by the terminal device 110.

[0056] As shown in FIG. 1, the terminal device 110 may have a plurality of beams, and the network device 120 may have a plurality of beams. A channel (or called as a sub-channel) may be formed between one of the beams of the terminal device 110 and one of the beams of the network device 120. The terminal device 110 may transmit information to the network device 120 or receive information from the network device 120 via one or more of the sub-channels.

[0057] It is to be understood that the number of devices and beams in FIG. 1 is given for the purpose of illustration without suggesting any limitations to the present disclosure. The communication network 100 may include any suitable number of network devices and / or terminal devices and / or beams adapted for implementing implementations of the present disclosure.

[0058] The communications in the communication network 100 may conform to any suitable standards including, but not limited to, global system for mobile communications (GSM) , long term evolution (LTE) , LTE-evolution, LTE-advanced (LTE-A) , new radio (NR) , wideband code division multiple access (WCDMA) , code division multiple access (CDMA) , GSM EDGE radio access network (GERAN) , machine type communication (MTC) and the like. The embodiments of the present disclosure may be performed according to any generation communication protocols either currently known or to be developed in the future. Examples of the communication protocols include, but not limited to, the first generation (1G) , the second generation (2G) , 2.5G, 2.75G, the third generation (3G) , the fourth generation (4G) , 4.5G, the fifth generation (5G) communication protocols, 5.5G, 5G-advanced networks, or the sixth generation (6G) networks.

[0059] Communication in a direction from the terminal device 110 towards the network device 120 is referred to as UL communication, while communication in a reverse direction from the network device 120 towards the terminal device 110 is referred to as DL communication. A wireless communication channel may comprise a physical uplink control channel (PUCCH) , a physical uplink shared channel (PUSCH) , a physical random-access channel (PRACH) , a physical downlink control channel (PDCCH) , a physical downlink shared channel (PDSCH) and a physical broadcast channel (PBCH) .

[0060] FIG. 2A illustrates a schematic diagram 200A illustrating an example inference procedure for BM in which some embodiments of the present disclosure can be implemented. As shown in FIG. 2A, for an inference procedure for BM, measurements based on a set of beams (also referred to as Set B herein) are used as a model input of an AI / ML model 210 to predict information of another set of beams (also referred to as Set A herein) . In addition, beam ID information may be also provided as an input to an AI / ML model. Based on model output (e.g., probability of each beam in Set A to be the Top-1 beam, predicted L1-RSRP) of the AI / ML model 210, Top-1 / Top-N beam (s) among Set A of beams can be predicted and / or potentially with predicted L1-RSRPs (depending on a labeling) . For BM-Case 1, the measurements of Set B are used as a model input to predict Top-1 / Top-N beams from Set A. For BM-Case 2, the measurements of Set B at historic time instance (s) are used as a model input for temporal DL beam prediction of beams from Set A. The case that Set A and Set B are different (Set B is not a subset of Set A) , and Set B is a subset of Set A for both BM-Case 1 and BM-Case 2, and the case that Set A and Set B are the same for BM-Case 2 are considered. Performance of DL Tx beam prediction and DL Tx-Rx beam pair prediction may be evaluated.

[0061] For both BM-Case 1 and BM-Case 2, a terminal device may report a prediction result to NW based on an output of a UE-sided model, or NW may predict the Top-1 / Top-N beam (s) based on the reported measurements of Set B for a NW-sided model. BM-Case 1 may also be called as a spatial-domain prediction, and BM-Case 2 may also be called as a time-domain prediction herein.

[0062] FIG. 2B illustrates a schematic diagram 200B illustrating an example inference procedure for CSI prediction in which some embodiments of the present disclosure can be implemented. In this example, a time domain CSI prediction using a UE-sided model is used. As shown in FIG. 2B, historical CSI information is used as a model input of a CSI prediction model 220, and predicted CSI is obtained as a model output of the CSI prediction model 220. For example, the model inputs may be K (K≥1) historical CSI information, which may be in following form (s) : a precoding matrix or raw channel matrix in spatial-frequency domain using angular-delay domain projection; or a rank indication (RI) , a precoding matrix indicator (PMI) , or a channel quality indicator (CQI) . The model outputs may be predicted CSI of F (F≥1) future time instances, which may be in following form (s) : a precoding matrix or raw channel matrix in spatial-frequency domain using angular-delay domain projection; or RI, PMI, or CQI. For generating the model input of the CSI prediction model 220, some further pre-processing on a measured channel may be applied. For the model output of the CSI prediction model 220, some further post-processing may also be applied.

[0063] Currently, for a UE-sided model, it is agreed that an existing CPU allocation mechanism is used as a starting point for AI / ML-based CSI processing. However, compared to legacy CSI measurement, AI / ML requires a terminal device to store an AI / ML model and historical measurement results, and to perform AI / ML model inference. It is unclear whether an overall CPU is shared or separately counted between a legacy CSI reporting and an AI / ML based CSI reporting, and among AI / ML features / functionalities. It is also unclear whether the existing CPU mechanism is fully applicable for BM-Case 1 and / or BM-Case 2.

[0064] Embodiments of the present disclosure provide solutions of allocation of processing units for a CSI reporting related to AI / ML. By considering multiple operations of a functionality, the allocation of processing units may be made from at least one of the following aspects: first number of processing units occupied for at least two operations of the functionality; second number of processing units available for the at least two operations of the functionality; one or more symbols occupied for the first number of processing units; or number of times a resource is counted among a set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations. As such, a CSI reporting related to AI / ML may be carried out. Detailed description will be given with reference to FIGs. 3 to 4C below.EXAMPLE IMPLEMENTATION OF CSI REPORTING RELATED TO AI / ML

[0065] Generally, embodiments of the present disclosure consider both overall CPU and separately counted CPUs. If a model inference and a measurement are occupying same set of CPUs (i.e., overall CPU) , the number of occupied CPUs for a CSI report related to AI / ML may be larger than the number for legacy CSI report. If a model inference and a measurement are occupying different CPUs (i.e., separately counted) , a set of first CPUs may be used for a measurement, and a set of second CPUs may be used for a model inference. It is to be noted that the set of first or second CPUs may be named in any other suitable ways. For example, type 1 CPU (for measurement) and type 2 CPU (for a model inference) . Alternatively, CPU (for measurement) and A-CPU (for a model inference) . In another example, a first subset of overall CPUs is for a model inference and a second subset of overall CPUs is for a measurement. The size of the first or second subset may be fixed or dynamic.

[0066] Embodiments of the present disclosure may also consider processing units for model storage, or buffer. For example, a terminal device may need to download / load / deploy an AI / ML model before using the AI / ML model for a model inference. Embodiments of the present disclosure may also consider processing units for data storage, or buffer. For example, a terminal device may need to download dataset (s) before using the dataset (s) for model training / update / inference. For example, a terminal device may need to store (log / buffer) historical measurement results for a model inference or performance monitoring.

[0067] In the context of the present disclosure, the term ‘for model inference’ herein may refer to ‘for the report configuration for model inference’ or ‘for the report configuration with report quantities configured with predicted results such as predicted CRI / SSBRI, predicted RSRP, predicted CSI, etc. ’ The term ‘for performance monitoring’ herein may refer to ‘for the report configuration for performance’ or ‘for the report configuration with report quantities configured with performance monitoring metric such as prediction accuracy, RSRP difference between prediction and measurement, difference between prediction and ground truth, etc. ’

[0068] FIG. 3 illustrates a signaling chart illustrating an example process 300 of communication for a CSI reporting related to AI / ML according to some embodiments of the present disclosure. For the purpose of discussion, the process 300 will be described with reference to FIG. 1. The process 300 may involve the terminal device 110 and the network device 120 as illustrated in FIG. 1. It is to be understood that the steps and the order of the steps in FIG. 3 are merely for illustration, and not for limitation. For example, the order of the steps may be changed. Some of the steps may be omitted or any other suitable additional steps may be added.

[0069] As shown in FIG. 3, at step 310, the terminal device 110 may transmit, to the network device 120, information of capability of the terminal device 110. In some embodiments, the information of capability may comprise maximum number of processing units supported by the terminal device 110 for at least two operations of a functionality. In some embodiments, the at least two operations may comprise two or more of the following: a measurement of the functionality; a model inference of the functionality; a model storage of the functionality; or a data storage of the functionality.

[0070] In some embodiments, the information of capability may comprise supported maximum number of CPUs (i.e., first CPUs) occupied for the measurement. In some embodiments, the information of capability may comprise supported maximum number of CPUs (i.e., second CPUs) occupied for the model inference. In some embodiments, the information of capability may comprise supported maximum number of processing units occupied for the model storage. In some embodiments, the information of capability may comprise supported maximum number of processing units occupied for the data storage. It is to be noted that any combinations of the above information may also be feasible.

[0071] For example, for each type of processing units (e.g., CPUs, A-CPUs, type 1 CPUs, type 2 CPUs, processing units for model storage, processing units for data storage, processing units for dataset storage, processing units for measurement results storage, etc. ) , the maximum number the terminal device 110 can support may be reported via UE capability reporting or UE assistance information (UAI) . The term ‘maximum number’ may be for ‘simultaneous maximum number’ , or within a time duration or on a same orthogonal frequency division multiplexing (OFDM) symbol.

[0072] In some embodiments, the information of capability may be reported separately or jointly per band, band combination, cell, cell group, carrier component (CC) , bandwidth part (BWP) , etc. In some embodiments, the information of capability may be reported separately or jointly per AI / ML functionality, AI / ML model, or AI / ML related configuration. In some embodiments, the information of capability may be reported separately or jointly per model training, model inference, or performance monitoring.

[0073] As such, UE capability on AI / ML related operations (e.g., AI / ML based BM or CSI prediction) may be accurately reflected.

[0074] Continuing to refer to FIG. 3, at step 320, the network device 120 may transmit, to the terminal device 110, a set of CSI report configurations for the functionality. In some embodiments, a CSI report configuration (e.g., each CSI report configuration) in the set of CSI report configurations may be associated with a set of resource configurations. In some embodiments, a resource configuration (e.g., each resource configuration) in the set of resource configurations may be associated with a set of resource settings. In some embodiments, a CSI report configuration (e.g., each CSI report configuration) in the set of CSI report configurations may be associated with a performance monitoring for the functionality, a model inference for the functionality or any other aspects of the functionality. In some embodiments, a CSI report configuration (e.g., each CSI report configuration) in the set of CSI report configurations may be associated with a set of CSI report settings.

[0075] At step 330, the terminal device 110 may update a CSI report corresponding to a CSI report configuration in the set of CSI report configurations. The terminal device 110 may transmit the CSI report to the network device 120.

[0076] In some embodiments, the terminal device 110 may update the CSI report based on at least one of the following: first number of processing units occupied for at least two operations of the functionality; second number of processing units available for the at least two operations of the functionality; one or more symbols occupied for the first number of processing units; or number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.

[0077] In some embodiments where the at least two operations comprise the measurement of the functionality and the model inference of the functionality, the first number of processing units occupied for the at least two operations may comprise a set of CPUs (i.e., first CPUs) occupied for the measurement and a set of CPUs (i.e., second CPUs) occupied for the model inference. The second number of processing units available for the at least two operations may comprise a set of CPUs (for convenience, also referred to as third CPUs) available for the measurement and a set of CPUs (for convenience, also referred to as fourth CPUs) available for the model inference. Hereinafter, number of the first CPUs may be dented as OCPU and number of the second CPUs may be denoted as OACPU.

[0078] In some embodiments, if the first number of processing units occupied for the at least two operations is smaller than or equal to the second number of processing units available (i.e., unoccupied) for the at least two operations, the terminal device 110 may update the CSI report. In other words, if there are sufficient number of unoccupied processing units, the terminal device 110 may update the CSI report.

[0079] In some embodiments, if the number of the first CPUs occupied for the measurement is smaller than or equal to the number of the third CPUs available (i.e., unoccupied) for the measurement, and the number of the second CPUs occupied for the model inference is smaller than or equal to the number of the fourth CPUs available (i.e., unoccupied) for the model inference, the terminal device 110 may update the CSI report. In other words, if there are sufficient number of unoccupied first CPUs and sufficient number of unoccupied second CPUs, the terminal device 110 may update the CSI report. That is, if there is no sufficient number of unoccupied first CPUs or sufficient number of unoccupied second CPUs, the terminal device 110 may be not required to update the CSI report.

[0080] For illustration, an example procedure may be described as below. UE only needs to update an AI / ML CSI report (or not required to update) if both  of the following conditions are satisfied (or not satisfied) : - The first condition is based on CPUs: If a UE supports NCPU  simultaneous CSI calculations it is said to have NCPU CSI processing units for processing CSI reports. If L CPUs are occupied for calculation of CSI reports in a given OFDM symbol, the UE has NCPU-L unoccupied CPUs. If N CSI reports start occupying their respective CPUs on the same OFDM symbol on which NCPU-L CPUs are unoccupied, where each CSI report n=0, …, N-1 corresponds to the UE is not required to update the N-M requested CSI reports with lowest priority, where 0≤M≤N is the largest value such that  holds. - The second condition is based on ACPUs: If a UE supports NACPU  simultaneous CSI predictions it is said to have NACPU CSI processing units for processing CSI reports for AI / ML model inference. If La ACPUs are occupied for calculation of CSI reports in a given OFDM symbol, the UE has NACPU-La unoccupied ACPUs. If Na CSI reports start occupying their respective ACPUs on the same OFDM symbol on which NACPU -La ACPUs are unoccupied, where each CSI report n=0, …, N-1 corresponds to the UE is not required to update the Na-Ma requested CSI reports with lowest priority, where 0≤Ma≤Na is the largest value such that holds.

[0081] In this example procedure,  corresponds to the number of occupied first CPUs, and NCPU-L corresponds to the number of unoccupied first CPUs,  corresponds to the number of occupied second CPUs, and NACPU-La corresponds to the number of unoccupied second CPUs.

[0082] In some embodiments, the terminal device 110 may first check whether the second condition is satisfied, then check whether the first condition is satisfied. Such checking may be suitable if an AI / ML based report has a higher priority than a non-AI / ML based report. It means that the terminal device 110 may first check if unoccupied ACPUs (i.e., second CPUs) are sufficient for model inference, and then check if unoccupied CPUs (i.e., first CPUs) are sufficient for measurement for model inputs.

[0083] In some alternative embodiments, the terminal device 110 may first check whether the first condition is satisfied, then check whether the second condition is satisfied. Such checking may be suitable if an AI / ML based report has a lower priority than a non-AI / ML based report. It means that the terminal device 110 may first check if unoccupied CPUs (i.e., first CPUs) are sufficient for measurement for model inputs, and then check if unoccupied ACPUs (i.e., second CPUs) are sufficient for model inference.

[0084] In some embodiments, conditions that the terminal device 110 needs to update (or not required to update) an AI / ML CSI report may include sufficient (or insufficient) unoccupied processing units for model storage, and / or sufficient (or insufficient) unoccupied processing units for data storage. It is to be noted that the order of the conditions is not limited.

[0085] Some example implementations for calculation of number of processing units will be described below.

[0086] In some embodiments, a CSI report corresponding to a CSI report configuration for the functionality may occupy one or more CPUs for AI / ML related operations and one or more additional CPUs for associated measurement. Some example embodiments will be described below.

[0087] In some embodiments, the CSI report configuration may be associated with a performance monitoring for the functionality. In this case, the terminal device 110 may determine the first number of processing units occupied for the performance monitoring based on number (denoted as O1 herein) of processing units for a model monitoring and number (denoted as O2 herein) of processing units for a model inference associated with the model monitoring.

[0088] The performance monitoring requires a measurement of one or more monitoring resources in a monitoring resource set and associated model inference. Compared to a legacy CSI report, the model inference is supplementary, which may cost extra processing units. Thus, the CSI report associated with the performance monitoring may occupy at least two sets of CPUs, e.g., O1 CPUs for performance monitoring and O2 CPUs for associated model inference.

[0089] In some embodiments, based on the measurement of the one or more monitoring resources in the monitoring resource set, the terminal device 110 may need to calculate a monitoring metric such as prediction accuracy, L1-RSRP difference between predicted values and measured values, etc. This may also cost extra processing units compared to a legacy beam report, and thus the O1 CPUs for the performance monitoring may comprise a first subset of CPUs for the measurement of the one or more monitoring resources and a second subset of CPUs for the calculation of the monitoring metric.

[0090] In some embodiments, O1 value may depend on a report quantity, i.e., the monitoring metric. If the report quantity of performance monitoring is not related to the measurement, e.g., probability information of predicted beam (s) to be the Top 1 or Top K beam, then O1=0.

[0091] In some embodiments, the associated model inference may correspond to an associated CSI report configuration ID which is configured in a performance monitoring configuration. Determination of the O2 CPUs for associated model inference will be described later.

[0092] In some embodiments, if ACPU is separately counted, a certain number (denoted as A1) of ACPUs may be occupied for the associated model inference, e.g., used to perform the model inference.

[0093] In some embodiments, the associated model inference may be separately considered. and the CSI report for performance monitoring may occupy O1 CPUs, e.g., used to measure the one or more monitoring resources and to calculate the monitoring metric.

[0094] In some embodiments, since the performance monitoring requires stored historical measurement results, the occupied CPUs may be scaled with the number (denoted as N_m herein) of samples needed to obtain the monitoring metric. For example, the occupied CPUs may be scaled based on equation (1) below. O1 = OCPU = N_m × X1 × K_m          (1) where X1 denotes number of CPUs for beam measurement (e.g., 1) , K_m denotes an  additional scaling factor, N_m denotes the number of samples needed to obtain the monitoring metric, and OCPU denotes number of first CPUs occupied for the measurement. A value of K_m may be larger than 1, smaller than 1, or equal to 1, e.g., {0.5, 1, 2, …} .

[0095] To summarize, the number of occupied CPUs may be O1, O1+O2, or O1+O2+A1. Alternatively, the number of occupied CPUs may be O1+O2 CPUs (or O1 CPUs) and A1 ACPUs.

[0096] In some embodiments, the CSI report associated with the performance monitoring may occupy one or more of the following: a certain number of processing units for model / data storage for performance monitoring, e.g., mainly for data storage, for the terminal device 110 to store multiple measurement results based on the one or more monitoring resources; or a certain number of processing units for model / data storage for associated model inference, e.g., model storage for the terminal device 110 to execute the model inference, and / or data storage for the terminal device 110 to store multiple measurement / prediction results based on Set B / Set A.

[0097] In some embodiments, the CSI report configuration may be associated with a model inference for the functionality. In this case, the terminal device 110 may determine the first number of processing units occupied for the model inference based on number of processing units for a measurement and number of processing units for a prediction.

[0098] In some embodiments, the model inference requires a measurement of one or more resources for Set B and a prediction based on Set B and Set A. Compared to a legacy CSI report, the prediction is supplementary, which may cost extra processing units. Thus, model inference may require two sets of CPUs, e.g., a certain number of CPUs for the measurement and a certain number of CPUs or ACPUs for the prediction.

[0099] In some embodiments, the CSI report associated with the model inference may occupy the O2 CPUs, or (O2 + A1) CPUs. In some embodiments, the CSI report associated with the model inference may occupy O2 CPUs and A1 ACPUs.

[0100] For example, the O2 CPUs for measurement may be used to obtain model inputs for the model inference, e.g., to measure resources for Set B to get model inputs, CPUs are occupied. The number of occupied CPUs is O2 = OCPU, where OCPU = X1, for example, X1 = 1 for beam measurement.

[0101] For example, the A1 ACPUs for the prediction may be used to perform model inference, e.g., to generate prediction results based on model inference, ACPUs are occupied. The number of occupied ACPUs is A1 = OACPU, where OACPU = X2, for example, X2 = 1 for beam prediction.

[0102] In some embodiments, the CSI report associated with the model inference may occupy one or more of the following: a certain number of processing units for model storage for performance monitoring, e.g., model storage for the terminal device 110 to execute the model inference; or a certain number of processing units for data storage for performance monitoring, e.g., data storage for the terminal device 110 to store multiple measurement / prediction results based on Set B / Set A.

[0103] In some embodiments, the terminal device 110 may determine the number of processing units for the measurement based on number of historical time instance measurements required for the model inference and number of processing units required for a historical time instance measurement. In some embodiments, the terminal device 110 may determine the number of processing units for the prediction based on number of future time instance measurements required for the model inference and number of processing units required for a future time instance measurement.

[0104] In some embodiments, such as BM-Case 2, the model inference may require Y historical measurement results and the prediction results for F future time instances. Compared to a legacy CSI report or BM-Case 1 prediction, measurement complexity is increasing, e.g., each of y-th historical time instance measurement may be treated as one (or scaled) measurement, then extra processing units may be costed. Compared to BM-Case 1 prediction, prediction complexity is increasing, e.g., each of f-th time instance prediction may be treated as one (or scaled) prediction, then extra processing units may also be costed.

[0105] Thus, for BM-Case 2, the model inference may also require two sets of CPUs, a scaled number of CPUs for the measurement, and a scaled number of CPUs or ACPUs for the prediction. The term ‘scaled’ is used here to be compared with the BM-Case 1 with the same / similar size of inputs / outputs.

[0106] In some embodiments, the CSI report associated with the model inference for BM-Case 2 may occupy the O2 CPUs, or (O2 + A1) CPUs. Alternatively, the CSI report associated with the model inference for BM-Case 2 may occupy O2 CPUs and A1 ACPUs. In some embodiments, for BM-Case 2, the scaled number of CPUs (O2 = OCPU) for the measurement may be determined based on equation (2) or (3) or (4) below. OCPU = Y×X1×K                   (2) OCPU = (Y -1) ×X1×K               (3) OCPU = (Y + X1) ×K                  (4) where OCPU denotes number of first CPUs occupied for the measurement, Y denotes the  number of historical time instance measurements required, X1 denotes number of CPUs occupied for a historical time instance measurement, and K denotes a scaling factor. A value of K may be larger than 1, smaller than 1, or equal to 1, e.g., {0.5, 1, 2, …} .

[0107] In some embodiments, for BM-Case 2, the scaled number of ACPUs (A1= OACPU) for the prediction may be determined based on equation (5) or (6) or (7) below. OACPU = F×X2×K                  (5) OACPU = (F-1) ×X2×K               (6) OACPU = (F + X2) ×K                 (7) where OACPU denotes number of second CPUs occupied for the prediction, F denotes the  number of future time instance measurements required, X2 denotes number of CPUs occupied for a future time instance measurement, and K denotes a scaling factor. A value of K may be larger than 1, smaller than 1, or equal to 1, e.g., {0.5, 1, 2, …} .

[0108] In some embodiments, for BM-Case 2, the CSI report associated with the model inference may occupy one or more of the following: a scaled number of processing units for model storage for model inference, or a scaled number of processing units for data storage for model inference.

[0109] In some embodiments, the scaled number of processing units for model storage may be used for a model storage for the terminal device 110 to execute the model inference. The model size for BM-Case 1 and BM-Case 2 may be the same or different. In some examples, BM-Case 2 may require more model storage than that of BM-Case 1.

[0110] In some embodiments, the scaled number of processing units for data storage may be used for a data storage for the terminal device 110 to store multiple measurement / prediction results based on Set B / Set A. The data size for BM-Case 1 and BM-Case 2 may be the same or different. In some examples, BM-Case 2 may require more data storage than that of BM-Case 1.

[0111] It is to be noted that variables herein, e.g., X1, X2, Y, K, M, F, etc., may be based on a UE report, NW configuration, or pre-defined values.

[0112] As such, CPUs used for AI / ML beam prediction may be correctly estimated, and reasonable arrangement of multiple CSI reports may be achieved.

[0113] In some embodiments, for multiple CSI reports based on same measurements, the occupied CPUs or ACPUs may be shared. In some embodiments, the terminal device 110 may determine the first number of processing units occupied for the at least two operations of the functionality or the second number of processing units available for the at least two operations of the functionality based on at least one of the following: sharing of one or more processing units among multiple CSI reports associated with a same measurement; or sharing of one or more processing units among multiple CSI reports associated with a same prediction.

[0114] In some embodiments, the multiple CSI reports may comprise a CSI report for a performance monitoring and a CSI report for a model inference. In some embodiments, the multiple CSI reports may comprise a CSI report for a model inference and a CSI report for a measurement. In some embodiments, the multiple CSI reports may comprise CSI reports for model inferences for a same functionality. In some embodiments, the multiple CSI reports may comprise CSI reports for model inferences for different functionalities. In some embodiments, the multiple CSI reports may comprise CSI reports occupying CPUs over the same or overlapping OFDM symbols.

[0115] In some embodiments, when a CSI report occupies a certain number of ACPUs for AI / ML related operations and additional CPUs for associated measurement, the sharing of processing units among multiple CSI reports may be more suitable for CPUs because the measurement may be used for multiple purposes.

[0116] In some embodiments where a CSI report for a performance monitoring and a CSI report for a model inference co-exist, if the number of occupied CPUs for the report of performance monitoring already takes into consideration the CPUs needs for associated model inference, it is not needed to consider CPUs for the report of model inference separately. If the monitoring resource set for performance monitoring is the same as Set B or Set A configured in model inference, it is not needed to consider CPUs for the report of model inference separately.

[0117] In some embodiments where an AI / ML based BM / CSI report and a legacy BM / CSI report co-exist, they may be based on measurement on overlapping resources (same set, subset, etc. ) , and number of CPUs may be overestimated if both reports occupies a certain number of CPUs.

[0118] In some embodiments where CSI reports for model inferences for the same AI / ML functionality co-exist, the same Set B may be used to predicted different Set A. In some embodiments where CSI reports for model inferences for different AI / ML functionalities co-exist, BM-Case 1 and BM-Case 2 may be with the same set B, even the same set A.

[0119] Thus, the sharing of processing units among these CSI reports associated with the same measurement is beneficial to avoid the overestimation of CPUs used for AI / ML beam prediction.

[0120] In some embodiments, the sharing of processing units among multiple CSI reports may also be suitable for ACPU because the prediction may be used for multiple purposes. In some embodiments where CSI reports for model inferences for the same AI / ML functionality co-exist, with the same Set B, the prediction of a smaller Set A may be used as one part of a larger Set A prediction results. In some embodiments where CSI reports for model inferences for different AI / ML functionalities, with the same Set B, BM-Case 1 prediction results may be used as one part of BM-Case 2 prediction results.

[0121] Thus, the sharing of processing units among these CSI reports associated with the same prediction is also beneficial to avoid the overestimation of CPUs used for AI / ML beam prediction.

[0122] In some embodiments, a CPU may be shared among an AI / ML CSI report and a legacy CSI report. For example, resources in Set B may also be the sources for legacy beam measurement and report. Number of occupied CPUs for a first CSI report configuration is O_1 = 1. A second CSI report configuration is configured with a report quantity of a legacy beam report, and with a resource setting of Set B. Number of occupied CPUs for the second CSI report configuration is O_2 = 1. The two CSI report configurations occupy OCPU=max (O_1, O_2) = 1, e.g., the same O_1 CPU and O_2 CPU for model inference.

[0123] In some embodiments, a CPU may be shared among different models for a same AI / ML functionality. For example, there are multiple model inference configurations for BM-Case 1. A first CSI report configuration is for BM-Case 1 is configured with resource setting of Set B1 and with resource setting of Set A1. Numbers of occupied CPUs and ACPUs for the first CSI report configuration are O_1 = 1, A_1 = 1. A second CSI report configuration is for BM-Case1, and is configured with resource setting of Set B2 and with resource setting of Set A2. Numbers of occupied CPUs and ACPUs for the second CSI report configuration are O_2 = 1, A_2 = 1.

[0124] If Set B1 = Set B2, (or at least overlapping) , and Set A1 ≠ Set A2, then the measurement is the same but the prediction is different. In this case, the two CSI report configurations occupy the same OCPU= max (O_1, O_2) = 1 CPUs for Set B measurement, but occupy the OACPU= sum (A_1, A_2) = 2, e.g., different A_1 ACPU and A_2 ACPU for model inference.

[0125] If Set B1 ≠ Set B2, and Set A1 = Set A2, then the measurement is different but the prediction is the same. In this case, the two CSI report configurations occupy the same O_CPU= max (O_1, O_2) CPUs for Set B measurement, but they occupy the different A_1 ACPU and A_2 ACPU for model inference. Alternatively, the two CSI report configurations occupy OCPU= sum (O_1, O_2) , e.g., different O_1 CPU and O_2 CPU for Set B1 and Set B2 measurement respectively, and they occupy different ACPUs for model inference respectively.

[0126] If Set B1 ≠ Set B2, and Set A1 ≠ Set A2, then the measurement and prediction are both different. In this case, the two CSI report configurations occupy OCPU= sum (O_1, O_2) , e.g., different O_1 CPU and O_2 CPU for Set B1 and Set B2 measurement respectively, and they occupy OACPU= sum (A_1, A_2) = 2, e.g., different A_1 ACPU and A_2 ACPU for model inference respectively.

[0127] In some embodiments, a CPU may be shared among different AI / ML functionalities / models. For example, there are multiple model inference configurations for BM-Case 1, and BM-Case 2. A first CSI report configuration is for BM-Case1, and is configured with resource setting of Set B1. Numbers of occupied CPUs and ACPUs for the first CSI report configuration are O_1 = 1, A_1 = 1. A second CSI report configuration is for BM-Case2, and is configured with resource setting of Set B2. Numbers of occupied CPUs and ACPUs for the second CSI report configuration are O_2 = 1*2, A_2 = 1*2.

[0128] If Set B1 = Set B2, (or at least overlapping) , and Set A1 ≠ Set A2, then the measurement is the same, but the prediction is different. In this case, the two CSI report configurations occupy the OCPU= max (O_1, O_2) = 2 for Set B measurement, and they occupy the OACPU= sum (A_1, A_2) = 3, e.g., different A_1 ACPU and A_2 ACPU for model inference respectively.

[0129] As such, overestimation of CPUs used for AI / ML beam prediction may be avoided.

[0130] In some embodiments, the terminal device 110 may determine the first number of processing units occupied for the at least two operations of the functionality based on number of resources in one or more resource sets associated with the CSI report. In other words, the number of occupied CPUs or ACPUs for a CSI report may be based on the number of resources in the resource set (s) associated with the CSI report.

[0131] The determination of the number of occupied CPUs or ACPUs based on the number of resources is at least suitable for a UE-sided model. In some examples, it may be used for NW-sided model, or two-sided model. The determination of the number of occupied CPUs or ACPUs based on the number of resources is at least suitable for a CSI report of performance monitoring. In some examples, it may be used for a CSI report for model training.

[0132] Conventionally, a beam report occupies 1 CPU, but the number of resources in one resource set associated with a CSI report is limited, e.g., up to 64 resources within each set. For AI / ML based BM, Set A may be configured with more beams. For AI / ML model training, Set A may be measured. For performance monitoring, a monitoring resource set may be a full set or a subset of Set A. If an associated resource set is configured with more resources (larger number than 64) , the occupied CPUs may be more.

[0133] In some embodiments, the monitoring resource set may be configured as one resource set, with a larger size, e.g., more than 64. In some embodiments, the monitoring resource set may be configured as two or more resource sets, and each resource set complies with the currently supported size, e.g., less than or equal to 64.

[0134] In some embodiments, the number of occupied CPUs for a CSI report may be based on the number of resources in the resource set (s) associated with the CSI report. In some embodiments, the number of occupied CPUs for a CSI report may be dependent on a size of a resource set. For example, if the size of the resource set is larger than a threshold value (e.g., more than 64 resources in a resource set) , k×OCPU or k + OCPU may be occupied, where k denotes a scaling factor. In some embodiments, the number of occupied CPUs for a CSI report may be dependent on the number of resource sets. For example, if the number of resource sets is larger than a threshold value (e.g., more than 1 resource set) , k×OCPU or k + OCPU may be occupied, where k denotes a scaling factor. The results of k×OCPU or k + OCPU may need to round up or round down to an integer value. In some embodiments, the resource set (s) may be for measurement, e.g., Set A in model training, or a monitoring resource set.

[0135] Similarly, the number of occupied ACPUs for a CSI report is based on the number of resources in the resource set (s) associated with the CSI report. The resource set (s) may be for prediction, e.g., Set A in model inference.

[0136] In some embodiments, the terminal device 110 may determine the number of resources in a resource set for a measurement among the one or more resource sets based on number of resources at a historical time instance and number of historical time instances. In some embodiments, the terminal device 110 may determine the number of resources in a resource set for an inference among the one or more resource sets based on number of resources at a future time instance and number of future time instances. For example, for BM-Case 2, the number of occupied CPUs (or ACPUs) for a CSI report may be based on a product of the number of resources in the resource set (s) and the number (i.e., Y) of historical time instances (or the number (i.e., F) of future time instances) .

[0137] For example, the number of occupied CPUs may be based on a product of Y and the number of resources in the resource set (s) associated with the CSI report. In addition, K as the scaling factor may be multiplied, K = {0.5, 1, 2, …} . For example, the number of occupied ACPUs may be based on a product of F and the number of resources in the resource set(s) associated with the CSI report. In addition, K as the scaling factor may be multiplied, K = {0.5, 1, 2, …} .

[0138] As such, overestimation of CPUs used for AI / ML beam prediction may also be avoided.

[0139] In some embodiments, the terminal device 110 may determine the first number of processing units occupied for the at least two operations of the functionality based on number of resource settings associated with the CSI report. In other words, the number of occupied CPUs (or ACPUs) for a CSI report may be based on the number of resource settings associated with the CSI report.

[0140] In some embodiments, for model training or data collection, if L1 model training report is supported, the determination of the number of occupied CPUs or ACPUs based on the number of resource settings may be at least suitable for UE-sided model. In some examples, it may be used for NW-sided model, or two-sided model.

[0141] In some embodiments, the determination of the number of occupied CPUs or ACPUs based on the number of resource settings may be at least suitable for the case that L1 model training report is supported. In some examples, it may be used when a higher layer model training report is used.

[0142] For example, for a CSI report for model training configured with two resource settings, the terminal device 110 may occupy the following CPUs: a certain number of CPUs for a first resource setting, e.g., OCPU1 for Set B; and a certain number of CPUs for a second resource setting, e.g., OCPU2 for Set A. For example, the first resource setting may be used to measure set B to obtain the beam information, e.g., with L1-RSRPs as model inputs. The first resource setting may be configured with a higher or lower CSI resource configuration ID (e.g., CSI-ResourceConfigId) . The second resource setting may be used to measure set A to obtain the beam information, e.g., with L1-RSRPs, or Top beams in Set A as model outputs. The second resource setting may be configured with a lower or higher CSI resource configuration ID (e.g., CSI-ResourceConfigId) .

[0143] In some embodiments, the report content / quantity of this CSI report may be L1-RSRP based on the first resource setting and beam information based on the second resource setting.

[0144] In some embodiments, OCPU = OCPU1 + OCPU2. In some examples, both OCPU1 and OCPU2 may be 1.

[0145] In some embodiments, for model training, the terminal device 110 may also occupy ACPUs, e.g., OCPU = OCPU1 + OCPU2 + OACPU , or OCPU = OCPU1 + OCPU2 and OACPU = OACPU.

[0146] As such, overestimation of CPUs used for AI / ML beam prediction may also be avoided.

[0147] Some example implementations for occupation time of processing units will be described below.

[0148] In some embodiments, the first number of processing units may be occupied on one or more symbols (e.g., OFDM symbols) . The one or more symbols may comprise a first set of symbols occupied for the set of first CPUs and a second set of symbols occupied for the set of second CPUs.

[0149] In some embodiments, the first set of symbols may be between an earliest resource for the measurement and a beginning of a model inference of the functionality, and the second set of symbols may be between the beginning of the model inference and the CSI report.

[0150] In some embodiments, if the CSI report is for the model inference, resources in Set A may be not considered for occupied symbols.

[0151] In some embodiments, the CSI report may occupy O2 CPUs. For BM-Case 1, one or more CPUs may be occupied from the first symbol of the earliest one of each CSI-RS resource of Set B, until the beginning of the model inference. If Set A is configured, Set A is not considered for occupied symbols, e.g., no matter if there is any overlapping among Set B and Set A.

[0152] In some embodiments, the beginning of the model inference may be the same as the end of the measurement, e.g., the last symbol of the latest one of each CSI-RS resource of Set B.

[0153] In some embodiments, a periodic or semi-persistent CSI report may occupy CPU (s) from the first symbol of the earliest one of each CSI-RS resource of Set B, until the last symbol of the latest one of each CSI-RS resource of Set B.

[0154] In some embodiments, an aperiodic CSI report may occupy CPU (s) from the first symbol of the earliest one of each CSI-RS resource of Set B until the last symbol of the latest one of each CSI-RS resource of Set B. For example, an aperiodic CSI report may occupy CPU(s) from the first symbol after the PDCCH triggering the CSI report until the last symbol of the latest one of each CSI-RS resource of Set B.

[0155] In some embodiments, an initial semi-persistent CSI report on a PUSCH after the PDCCH trigger may occupy CPU (s) from the first symbol of the earliest one of each CSI-RS resource of Set B until the last symbol of the latest one of each CSI-RS resource of Set B. For example, an initial semi-persistent CSI report on PUSCH after the PDCCH trigger may occupy CPU (s) from the first symbol after the PDCCH until the last symbol of the latest one of each CSI-RS resource of Set B.

[0156] In some embodiments, there may be a time gap between the beginning of the model inference and the end of the measurement. In this case, the first set of symbols may be between the earliest resource for the measurement and the end of the measurement.

[0157] In some embodiments, the CSI report may occupy A1 ACPUs. For BM-Case 1, one or more CPUs may be occupied from the beginning of the model inference until the CSI report. For ACPU, Set B may be not considered for occupied symbols.

[0158] In some embodiments, there may be a time gap between the beginning of the model inference and the end of the measurement. In some embodiments, the beginning of model inference may be the same as the end of the measurement, e.g., the last symbol of the latest one of each CSI-RS resource of Set B. In this case, the second set of symbols may be between the end of the measurement and the CSI report.

[0159] In some embodiments, a periodic or semi-persistent CSI report may occupy ACPU (s) from the last symbol of the latest one of each CSI-RS resource of Set B, until the last symbol of the CSI report.

[0160] In some embodiments, an aperiodic CSI report may occupy ACPU (s) from the last symbol of the latest one of each CSI-RS resource of Set B until the last symbol of the CSI report. For example, an aperiodic CSI report may occupy ACPU (s) from the first symbol after the PDCCH triggering the CSI report until the last symbol of the CSI report.

[0161] In some embodiments, an initial semi-persistent CSI report on a PUSCH after the PDCCH trigger may occupy CPU (s) from the last symbol of the latest one of each CSI-RS resource of Set B until the last symbol of the CSI report. For example, an initial semi-persistent CSI report on PUSCH after the PDCCH trigger may occupy CPU (s) from the first symbol after the PDCCH until the last symbol of the CSI report. For illustration, an example will be described in FIG. 4A.

[0162] FIG. 4A illustrates a schematic diagram 400A illustrating an example CPU occupation for BM-Case 1 according to some embodiments of the present disclosure. As shown in a scenario 410 of FIG. 4A, Set B is a subset of Set A, and there is a time gap between the beginning of the model inference and the end of the measurement. With consideration of Set B, one or more OFDM symbols 411 are occupied for O2 CPUs from the first symbol of the earliest CSI-RS resource of Set B, until the last symbol of the last CSI-RS resource of Set B. Set A is not considered for occupied OFDM symbols. In addition, one or more OFDM symbols 412 are occupied for A1 ACPUs from the beginning of the model inference until the CSI report for the model inference.

[0163] As shown in a scenario 420 of FIG. 4A, Set B is different from Set A, and the beginning of the model inference is the same as the end of the measurement. With consideration of Set B, one or more OFDM symbols 421 are occupied for O2 CPUs from the first symbol of the earliest CSI-RS resource of Set B, until the last symbol of the last CSI-RS resource of Set B. Set A is still not considered for occupied OFDM symbols. In addition, one or more OFDM symbols 422 are occupied for A1 ACPUs from the beginning of the model inference until the CSI report for the model inference.

[0164] In some embodiments, the first set of symbols may be between the first symbol of the earliest occasion among a set of historical time instances, no later than a CSI reference resource, and the beginning of the model inference. The second set of symbols may be between the beginning of the model inference and the CSI report.

[0165] In some embodiments, the CSI report may occupy O2 CPUs. For BM-Case 2, one or more CPUs may be occupied from the first symbol of Y-th latest periodic / semi-persistent CSI-RS occasion no later than CSI reference resource, until the beginning of model inference. For example, the one or more CPUs may be occupied from Y-th latest consecutive periodic / semi-persistent CSI-RS occasion, no later than CSI reference resource, until the beginning of model inference. In some examples, the one or more CPUs may be occupied in a discontinuous way. For illustration, an example will be described in FIG. 4B.

[0166] FIG. 4B illustrates a schematic diagram 400B illustrating an example CPU occupation for BM-Case 2 according to some embodiments of the present disclosure. As shown in FIG. 4B, Set B is a subset of Set A, and there is a time gap between the beginning of the model inference and the end of the measurement. With consideration of Set B, one or more OFDM symbols 430 are occupied for O2 CPUs from the first symbol of Y-th latest consecutive periodic / semi-persistent CSI-RS occasion, until the last symbol of the last CSI-RS resource of Set B. Set A is not considered for occupied OFDM symbols. Alternatively, multiple sets of OFDM symbols 440 are occupied for O2 CPUs from the first symbol of each periodic / semi-persistent CSI-RS occasion to the last symbol of the periodic / semi-persistent CSI-RS occasion. In addition, one or more OFDM symbols 450 are occupied for A1 ACPUs from the beginning of the model inference until the CSI report for the model inference.

[0167] As known, a legacy CSI report occupies CPU (s) from the first symbol of the earliest one of each CSI-RS resource of monitoring resource set, until the last symbol of the configured PUSCH / PUCCH carrying the legacy CSI report. It may overestimate the need of performance monitoring and cause trouble prohibiting processing of other CSI reports.

[0168] In view of this, embodiments of the present disclosure provide a solution of CPU occupation for performance monitoring. In the solution, if the CSI report is for performance monitoring, one or more CPUs may be occupied discontinuously. In some embodiments, if the CSI report is for performance monitoring, a monitoring resource set may be not considered for occupied symbols.

[0169] In some embodiments, one or more CPUs may be occupied only during the measurement of a measurement resource set for performance monitoring. In some embodiments, one or more CPUs may be occupied from a time point before the first symbol of the earliest resource in the measurement resource set to a time point after the last symbol of the latest resource in the measurement resource set.

[0170] In some embodiments, a periodic or semi-persistent CSI report may occupy CPU (s) from the first symbol of the earliest one of each CSI-RS resource of monitoring resource set, until the last symbol of the latest one of each CSI-RS resource of monitoring resource set. In some examples, the periodic or semi-persistent CSI report may occupy CPU (s) from the first symbol of the earliest one of each CSI-RS resource of Set B / Aof the associated model inference.

[0171] In some embodiments, an aperiodic CSI report may occupy CPU (s) from the first symbol after the PDCCH triggering the CSI report until the last symbol of the latest one of each CSI-RS resource of monitoring resource set.

[0172] In some embodiments, a CSI report for performance monitoring may occupy 0 ACPU.

[0173] FIG. 4C illustrates a schematic diagram 400C illustrating an example CPU occupation for performance monitoring according to some embodiments of the present disclosure. As shown in FIG. 4C, Set B is different from Set A, and the beginning of the model inference is the same as the end of the measurement. As shown by a reference sign 460, a legacy CSI report occupies CPU (s) from the first symbol of the earliest one of each CSI-RS resource of monitoring resource set, until the last symbol of the configured PUSCH / PUCCH carrying the legacy CSI report.

[0174] According to embodiments of the present disclosure, with consideration of Set B, one or more OFDM symbols 470 are occupied for O2 CPUs from the first symbol to the last symbol of each CSI-RS resource of Set B. One or more OFDM symbols 471 are occupied for A1 ACPUs from a beginning of a model inference until a CSI report of the model inference. Multiple sets of OFDM symbols 480 are occupied for O1 CPUs from the first symbol to the last symbol of each resource of a monitoring resource set.

[0175] As such, long occupation of CPUs may be avoided.

[0176] Some example implementations for resource counting will be described below.

[0177] In some embodiments, if a resource is referred by a third number of CSI report settings, the terminal device 110 may count the resource and ports within the resource for a fourth number of times. The fourth number is smaller than the third number.

[0178] In some embodiments, the third number of CSI report setting may comprise at least one reporting setting for a first purpose and a fifth number of CSI report setting for a second purpose. In this case, the fourth number may be determined based on a difference of the third number and the fifth number. The first purpose is different from the second purpose.

[0179] In some embodiments, the first or second purpose may comprise one of the following: a CSI report for a model inference; a CSI report for a measurement (e.g., a legacy CSI report) ; a CSI report for a performance monitoring; a CSI report for a model training; CSI reports for model inferences for a same functionality; CSI reports for model inferences for different functionalities; or a CSI report for a functionality at the network device 120 (e.g., NW-sided model) .

[0180] For example, a CSI-RS resource may be referred by one or more of CSI report configurations, the measurement results, e.g., L1-RSRP of the resource is used for multiple purpose, but processing power and complexity to obtain measurement results are not needed to be counted multiple times. The CSI report configurations may comprise: a CSI report for a CSI measurement, e.g., CRI / SSBRI-RSRP report based on same (or overlapping) Set B, no AI / ML involved; a CSI report for model inference, e.g., Set B, and / or Set A; a CSI report for performance monitoring, e.g., full Set A, or a subset of Set A; a CSI report for model training, e.g., Set B and / or Set A; a CSI report for model inference for the same AI / ML functionality, e.g., same (or overlapping) Set B, different Set A, for BM-Case 1; a CSI report for model inference for different AI / ML functionalities, e.g., same (or overlapping) Set B, for BM-Case 1 and for BM-Case 2; and / or a CSI report for UE sided model and for NW sided model, e.g., same (or overlapping) Set B, for UE sided model and for NW sided model.

[0181] For example, there are N CSI report settings for the first purpose and N’ CSI report settings for the second purpose, where N≥1, and N’ ≥0. If a CSI-RS resource is referred by the N CSI report settings, the CSI-RS resource and CSI-RS ports within the CSI-RS resource are counted N-N’ times.

[0182] It is to be noted that the first or second purpose may not be configured explicitly. In some embodiments, the first or second purpose may be reflected as report content, report quantity, or report behavior.

[0183] For example, at least one report setting is for the first purpose, e.g., for model inference with UE-sided model. Each of the N’ CSI report settings may be configured for one of the following purposes: a CSI report for model inference (not available if the at least 1 report setting is for model inference for the same model for the same AI / ML functionality) ; a CSI report for a CSI measurement (e.g., supported CSI / BM report, e.g., CRI / SSBRI-RSRP / SINR report, with no AI / ML involved) ; a CSI report for performance monitoring; a CSI report for model training; a CSI report for model inference for the same AI / ML functionality; a CSI report for model inference for different AI / ML functionalities; and a CSI report for NW-sided model.

[0184] In some embodiments, if a resource is configured for a measurement of the functionality, the terminal device 110 may count the resource and ports within the resource for the set of first CPUs occupied for the measurement. In some embodiments, if the resource is configured for the measurement of the functionality, the terminal device 110 may skip counting the resource and ports within the resource for the set of second CPUs occupied for the model inference. In other words, a resource in Set A in a model inference configuration may be not counted for CPU occupation.

[0185] In some embodiments, if the resource is configured for a model inference of the functionality, the terminal device 110 may count the resource and ports within the resource for the set of second CPUs occupied for the model inference. In some embodiments, if the resource is configured for the model inference of the functionality, the terminal device 110 may skip counting the resource and ports within the resource for the set of first CPUs occupied for the measurement. In other words, a resource in a monitoring resource set for a performance monitoring configuration may be not counted for ACPU occupation.

[0186] For example, if a CSI-RS resource for AI / ML model inference and CSI RS measurement are occupying different CPUs, the CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted X1 times in CPU occupation, e.g., Set A in model inference configuration is not counted for CPU calculation. The CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted X2 times in ACPU occupation, e.g., a resource in the monitoring resource set for performance monitoring configuration is not counted for ACPU calculation.

[0187] In some embodiments, the number of resource settings may be considered. For M resource settings, a CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted M-M’ times, where M resource settings are associated with the N CSI report settings, and M’ resource settings are associated with the N’ CSI report settings.

[0188] In some embodiments, two resource settings are configured for one report, e.g., 1st resource setting (Set B) in 1st CSI report configuration for model inference, and 2nd resource setting (Set A) in 1st CSI report configuration for model inference. If a resource is referred 2 times by the two resource settings (e.g., Set B and Set A have overlapping resources) , the resource is counted as 1 time.

[0189] For illustration, some example embodiments will be described for the case that a resource in Set A in a model inference configuration is not counted for CPU occupation.

[0190] In some embodiments, the terminal device 110 may not measure resources for Set A during model inference, thus the resources for Set A should not be counted for CPU calculation. In some embodiments, the network device 120 may not transmit RSs according to the resources for Set A.

[0191] In some embodiments, if a CSI-RS resource is referred by a resource setting for Set A associated with a CSI report setting for model inference, the CSI-RS resource may be not counted for CPU calculation. In some embodiments, Set B in model inference configuration may be counted for CPU calculation.

[0192] In some embodiments, if a CSI-RS resource is referred by the N CSI report settings (or M resource settings) , the CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted N-N’ times, (or M-M’ times) , where the N CSI report settings (or M resource settings) including N’ CSI report settings, and each of the N’ CSI report settings is configured with a resource setting for Set A.

[0193] It is to be noted that the term ‘resource setting for Set A’ , ‘CSI report setting for model inference’ may be interchangeably used with ‘2nd resource setting’ if the following two resource settings are configured for one report: 1st resource setting (Set B) in 1st CSI report configuration for model inference, and 2nd resource setting (Set A) in 1st CSI report configuration for model inference.

[0194] In some embodiments, N’ may be 1, and M’ may be 1. In some embodiments, the N or N’ CSI report settings (or M or M’ resource settings) may be for model inference.

[0195] In some embodiments, there are 1st Resource setting (Set B) in 1st CSI report configuration for model inference and 2nd Resource setting (Set A) in 1st CSI report configuration for model inference. A CSI-RS resource may be referred by both Set B and Set A. If the CSI-RS resource is referred by N (N=2) resource settings in 1 CSI report settings for model inference, the CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted X times, where X=1.

[0196] For illustration, some example embodiments will be described below for the case that a resource in a monitoring resource set for performance monitoring configuration is not counted for ACPU occupation.

[0197] In some embodiments, the terminal device 110 may perform model inference during performance monitoring, thus the resource should not be counted for ACPU. In some embodiments, the terminal device 110 may only measure monitoring resources to get ground truth and to compare with prediction results.

[0198] In some embodiments, if a CSI-RS resource is referred by a resource setting associated with a CSI report setting for performance monitoring, the CSI-RS resource may be not counted for ACPU calculation. If a CSI-RS resource is referred by the N CSI report settings (or M resource settings) , the CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted N-N’ times (or M-M’ times) for ACPU calculation, where the N CSI report settings (or M resource settings) including N’ CSI report setting, and each of the N’ CSI report settings is configured with a resource setting for performance monitoring (e.g., 1st resource setting in 1st CSI report configuration for performance monitoring) . In some embodiments, N’ may be 1, and M’ may be 1.

[0199] Additionally or alternatively, if AI / ML model inference and CSI RS measurement are occupying different CPUs (separately counted) , Set A in model inference configuration is counted for ACPU calculation. In some examples, Set B in model inference configuration is not counted for ACPU calculation. In addition, Set A in model inference configuration is not counted for CPU calculation. In some examples, Set B in model inference configuration is counted for CPU calculation.

[0200] In some embodiments, N (N=2) CSI report settings and M (M=3) resource settings are configured as below: 1st resource setting (Set B) in 1st CSI report configuration for model inference, 2nd resource setting (Set A) in 1st CSI report configuration for model inference, and 1st Resource setting (monitoring set) in 2nd CSI report configuration for performance monitoring. For example, 1st and 2nd report configurations are linked, e.g., the ID 1st CSI report configuration is provided in the 2nd CSI report configuration. If a CSI-RS resource is referred by the N (N=2) CSI report settings and M (M=3) resource settings, the CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted X times, where X=1.

[0201] For illustration, some example embodiments will be described below for the case that model inference and performance monitoring are configured. It is assumed that a CSI-RS resource may be referred by a resource setting associated with CSI report setting for model inference, and by a resource setting for monitoring resources associated with CSI report setting for performance monitoring.

[0202] In some embodiments, if Set B = Set A = monitoring resource set, for a CSI-RS resource in Set B, it is naturally in Set A and in monitoring resource set, it is counted 1 time during model inference, and it is not counted during performance monitoring. In total, the CSI-RS resource is referred 1 or 2 or 3 times, and is counted X times, where X=1.

[0203] In some embodiments, if Set B is a subset of Set A, for a CSI-RS resource in Set B (it is naturally in Set A) and also in monitoring resource set, it is counted 1 time during model inference, and it is counted 1 time during performance monitoring. In total, the CSI-RS resource is referred 3 times, and is counted X times, where X=2

[0204] In some embodiments, if Set B is different set from Set A, for a CSI-RS resource in Set B and also in monitoring resource set, it is counted 1 time during model inference, and it is counted 1 time during performance monitoring. In total, the CSI-RS resource is referred 2 times, and is counted X times, where X=2.

[0205] In some embodiments, if Set B is a subset of Set A, or Set B is a different set from Set A, for a CSI-RS resource in Set A (not in Set B) and also in monitoring resource set, it is not counted during model inference, and it is counted 1 time during performance monitoring. In total, the CSI-RS resource is referred 2 times, and is counted X times, where X=1.

[0206] In some embodiments, the CSI-RS resource is referred 3 times (e.g., by 2 resource settings for model inference, and by 1 resource setting for performance monitoring) , and the CSI-RS resource is counted X times, where X=3.

[0207] In some embodiments, N (N=2) CSI report settings comprise 1st CSI report configuration for model inference and 2nd CSI report configuration for performance monitoring. The 1st and 2nd report configurations are linked, e.g., the ID 1st CSI report configuration is provided in the 2nd CSI report configuration. If a CSI-RS resource is referred by the N (N=2) CSI report settings, the CSI-RS resource and the CSI-RS ports within the CSI-RS resource are counted X times.

[0208] For example, if the CSI-RS resource is referred by the resource setting for Set B (e.g., 1st resource setting) , X=2. If the CSI-RS resource is referred by the resource setting for Set A (e.g., 2nd resource setting) , X=1. If the CSI-RS resource is referred by both resource settings for Set B and Set A (e.g., 2nd resource setting) , X=2.

[0209] For illustration, some example embodiments will be described below for the case of time-domain prediction. In some embodiments, if a resource is referred by a sixth number of CSI report settings for time-domain prediction, the terminal device 110 may count the resource and ports within the resource for a seventh number of times. The seventh number may be associated with the sixth number and number of historical time instances.

[0210] For example, if a CSI-RS resource is referred by the n CSI report settings (each of n CSI report settings is for time domain CSI / BM prediction) , the CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted n×Y×K times, where n denotes number of CSI report settings, Y denotes the number of historical measurements required, and K denotes a scaling factor. A value of K may be larger than 1, smaller than 1, or equal to 1, e.g., {0.5, 1, 2, …} . For time domain BM prediction (BM-case 2) , the CSI-RS resource needs to be referred in 1st resource setting configuration for model inference (Set B) .

[0211] In some embodiments, a CSI-RS resource may be shared among multiple models for Set B for BM-Case 1. For example, N (N=2) CSI report settings comprise 1st CSI report configuration for model inference with a first model and 2nd CSI report configuration for model inference with a second model. The 1st and 2nd CSI report configurations are both for spatial-domain prediction. If the CSI-RS resource is referred by the N (N=2) CSI report settings, the CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted X times, where X=1.

[0212] In some embodiments, a CSI-RS resource may be shared among Set B1 for BM-Case1 and Set B2 for BM-Case 2. For example, N (N=2) CSI report settings comprise 1st CSI report configuration for model inference of spatial domain beam prediction (BM-Case 1, Set B1) and 2nd CSI report configuration for model inference of time domain beam prediction (BM-Case 2, Set B2) . If the CSI-RS resource is referred by the N (N=2) CSI report settings, the CSI-RS resource and the CSI-RS ports within the CSI-RS resource may be counted X times, where X=max (1, n×Y×K) .

[0213] As such, the sharing of processing units among multiple CSI reports may also be achieved by defining how to count a resource referred by multiple CSI report configurations. Accordingly, overestimation of CPUs used for AI / ML beam prediction may be avoided.

[0214] So far, a solution of a CSI reporting related to AI / ML is described in connection with the process 300. It is to be noted that operations or steps described in the process 300 may be carried out separately or in any suitable combinations.EXAMPLE IMPLEMENTATION OF METHODS

[0215] Corresponding to the above process, embodiments of the present disclosure provide methods of communication implemented at a terminal device and a network device. These methods will be described below with reference to FIGs. 5 and 6.

[0216] FIG. 5 illustrates a flowchart illustrating an example method 500 of communication implemented at a terminal device in accordance with some embodiments of the present disclosure. For example, the method 500 may be performed at the terminal device 110 as shown in FIG. 1. For the purpose of discussion, in the following, the method 500 will be described with reference to FIG. 1. It is to be understood that the method 500 may include additional blocks not shown and / or may omit some blocks as shown, and the scope of the present disclosure is not limited in this regard.

[0217] At block 510, the terminal device 110 may receive, from the network device 120, a set of CSI report configurations for a functionality.

[0218] At block 520, the terminal device 110 may update a CSI report corresponding to a CSI report configuration in the set of CSI report configurations. In some embodiments, the terminal device 110 may update the CSI report based on the following: first number of processing units occupied for at least two operations of the functionality; second number of processing units available for the at least two operations of the functionality; one or more symbols occupied for the first number of processing units; and number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.

[0219] In some embodiments, the terminal device 110 may transmit, to the network device 120, information of capability of the terminal device 110 comprising maximum number of processing units for the at least two operations supported by the terminal device 110.

[0220] In some embodiments, the at least two operations may comprise two or more of the following: a measurement of the functionality; a model inference of the functionality; a model storage of the functionality; or a data storage of the functionality.

[0221] In some embodiments, the terminal device 110 may update the CSI report by: in accordance with a determination that the first number of processing units is smaller than or equal to the second number of processing units, updating the CSI report.

[0222] In some embodiments, a CSI report configuration in the set of CSI report configurations is associated with a performance monitoring for the functionality. The terminal device 110 may determine the first number of processing units based on number of processing units for a model monitoring and number of processing units for a model inference associated with the model monitoring.

[0223] In some embodiments, a CSI report configuration in the set of CSI report configurations is associated with a model inference for the functionality. The terminal device 110 may determine the first number of processing units based on number of processing units for the measurement and number of processing units for the prediction.

[0224] In some embodiments, the terminal device 110 may determine the number of processing units for the measurement based on number of historical time instance measurements required for the model inference and number of processing units required for a historical time instance measurement; and determine the number of processing units for the prediction based on number of future time instance measurements required for the model inference and number of processing units required for a future time instance measurement.

[0225] In some embodiments, the terminal device 110 may determine the first or second number of processing units based on at least one of the following: sharing of one or more processing units among multiple CSI reports associated with a same measurement; or sharing of one or more processing units among multiple CSI reports associated with a same prediction.

[0226] In some embodiments, the multiple CSI reports may comprise at least one of the following: a CSI report for a performance monitoring and a CSI report for a model inference; a CSI report for a model inference and a CSI report for a measurement; CSI reports for model inferences for a same functionality; or CSI reports for model inferences for different functionalities.

[0227] In some embodiments, the terminal device 110 may determine the first number of processing units based on at least one of the following: number of resources in one or more resource sets associated with the CSI report; or number of resource settings associated with the CSI report.

[0228] In some embodiments, the terminal device 110 may determine the number of resources in a resource set for a measurement among the one or more resource sets based on number of resources at a historical time instance and number of historical time instances; and determine the number of resources in a resource set for an inference among the one or more resource sets based on number of resources at a future time instance and number of future time instances.

[0229] In some embodiments, the at least two operations may comprise a measurement of the functionality and a model inference of the functionality. The first number of processing units may comprise a set of first CPUs occupied for the measurement and a set of second CPUs occupied for the model inference. The second number of processing units may comprise a set of third CPUs available for the measurement and a set of fourth CPUs available for the model inference.

[0230] In some embodiments, the one or more symbols occupied for the first number of processing units may comprise a first set of symbols occupied for the set of first CPUs and a second set of symbols occupied for the set of second CPUs. The first set of symbols may be between an earliest resource for the measurement and a beginning of a model inference of the functionality, or between a first symbol of an earliest occasion among a set of historical time instances, no later than a CSI reference resource, and the beginning of the model inference. The second set of symbols may be between the beginning of the model inference and the CSI report.

[0231] In some embodiments, in accordance with a determination that a resource is referred by a third number of CSI report settings, the terminal device 110 may count the resource and ports within the resource for a fourth number of times, the fourth number being smaller than the third number.

[0232] In some embodiments, the third number of CSI report setting may comprise at least one reporting setting for a first purpose and a fifth number of CSI report setting for a second purpose. The fourth number may be determined based on a difference of the third number and the fifth number.

[0233] In some embodiments, the first or second purpose may comprise one of the following: a CSI report for a model inference, a CSI report for a measurement, a CSI report for a performance monitoring, a CSI report for a model training, CSI reports for model inferences for a same functionality, CSI reports for model inferences for different functionalities, or a CSI report for a functionality at the network device 120.

[0234] In some embodiments, the terminal device 110 may count the resource and ports within the resource by at least one of the following: in accordance with a determination that the resource is configured for a measurement of the functionality, counting the resource and ports within the resource for a set of first CPUs occupied for the measurement; in accordance with a determination that the resource is configured for a model inference of the functionality, counting the resource and ports within the resource for a set of second CPUs occupied for the model inference; in accordance with a determination that the resource is configured for the measurement of the functionality, skipping counting the resource and ports within the resource for the set of second CPUs occupied for the model inference; or in accordance with a determination that the resource is configured for the model inference of the functionality, skipping counting the resource and ports within the resource for the set of first CPUs occupied for the measurement.

[0235] In some embodiments, in accordance with a determination that a resource is referred by a sixth number of CSI report settings for time-domain prediction, the terminal device 110 may count the resource and ports within the resource for a seventh number of times, the seventh number being associated with the sixth number and number of historical time instances.

[0236] With the method 500, a CSI reporting related to AI / ML may be carried out.

[0237] FIG. 6 illustrates a flowchart illustrating an example method 600 of communication implemented at a network device in accordance with some embodiments of the present disclosure. For example, the method 600 may be performed at the network device 120 as shown in FIG. 1. For the purpose of discussion, in the following, the method 600 will be described with reference to FIG. 1. It is to be understood that the method 600 may include additional blocks not shown and / or may omit some blocks as shown, and the scope of the present disclosure is not limited in this regard.

[0238] At block 610, the network device 120 may transmit, to the terminal device 110, a set of CSI report configurations for a functionality.

[0239] At block 620, the network device 120 may receive, from the terminal device 110, a CSI report corresponding to a CSI report configuration in the set of CSI report configurations. In some embodiments, the CSI report may be updated based on the following: first number of processing units occupied for at least two operations of the functionality; second number of processing units available for the at least two operations of the functionality; one or more symbols occupied for the first number of processing units; and number of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.

[0240] In some embodiments, the network device 120 may receive, from the terminal device 110, information of capability of the terminal device comprising maximum number of processing units for the at least two operations supported by the terminal device 110.

[0241] In some embodiments, the at least two operations may comprise two or more of the following: a measurement of the functionality; a model inference of the functionality; a model storage of the functionality; or a data storage of the functionality.

[0242] With the method 600, a CSI reporting related to AI / ML may be facilitated.

[0243] It is to be understood that operations of the methods 500 and 600 correspond to that described in connection with FIGs. 1 to 4C, and other details are omitted here for conciseness.EXAMPLE IMPLEMENTATION OF DEVICES

[0244] FIG. 7 is a simplified block diagram of a device 700 that is suitable for implementing embodiments of the present disclosure. The device 700 can be considered as a further example implementation of the terminal device 110 or the network device 120 as shown in FIG. 1. Accordingly, the device 700 can be implemented at or as at least a part of the terminal device 110 or the network device 120.

[0245] As shown, the device 700 includes a processor 710, a memory 720 coupled to the processor 710, a suitable transceiver 740 coupled to the processor 710, and a communication interface coupled to the transceiver 740. The memory 710 stores at least a part of a program 730. The transceiver 740 may be for bidirectional communications or a unidirectional communication based on requirements. The transceiver 740 may include at least one of a transmitter 742 or a receiver 744. The transmitter 742 and the receiver 744 may be functional modules or physical entities. The transceiver 740 has at least one antenna to facilitate communication, though in practice an Access Node mentioned in this application may have several ones. The communication interface may represent any interface that is necessary for communication with other network elements, such as X2 / Xn interface for bidirectional communications between eNBs / gNBs, S1 / NG interface for communication between a mobility management entity (MME)  / access and mobility management function (AMF)  / SGW / UPF and the eNB / gNB, Un interface for communication between the eNB / gNB and a relay node (RN) , or Uu interface for communication between the eNB / gNB and a terminal device.

[0246] The program 730 is assumed to include program instructions that, when executed by the associated processor 710, enable the device 700 to operate in accordance with the embodiments of the present disclosure, as discussed herein with reference to FIGs. 1 to 6. The embodiments herein may be implemented by computer software executable by the processor 710 of the device 700, or by hardware, or by a combination of software and hardware. The processor 710 may be configured to implement various embodiments of the present disclosure. Furthermore, a combination of the processor 710 and memory 720 may form processing means 750 adapted to implement various embodiments of the present disclosure.

[0247] The memory 720 may be of any type suitable to the local technical network and may be implemented using any suitable data storage technology, such as a non-transitory computer readable storage medium, semiconductor based memory devices, magnetic memory devices and systems, optical memory devices and systems, fixed memory and removable memory, as non-limiting examples. While only one memory 720 is shown in the device 700, there may be several physically distinct memory modules in the device 700. The processor 710 may be of any type suitable to the local technical network, and may include one or more of general purpose computers, special purpose computers, microprocessors, digital signal processors (DSPs) and processors based on multicore processor architecture, as non-limiting examples. The device 700 may have multiple processors, such as an application specific integrated circuit chip that is slaved in time to a clock which synchronizes the main processor.

[0248] In some embodiments, a terminal device comprises a circuitry configured to: receive, from a network device, a first configuration indicating a transmission of first information related to a functionality, the first information being associated with a first inference related to the functionality using historical information; transmit the first information to the network device from a first occasion that is an earliest occasion after a first number of time units since first reference time, the first number of time units being based on at least time required for collecting the historical information for the first inference; and perform, before the first occasion, a first operation comprising one of the following: transmitting second information related to the functionality to the network device, the second information being associated with a measurement related to the functionality or a second inference related to the functionality without using the historical information, or skipping the transmission of the first information.

[0249] In some embodiments, a terminal device comprises a circuitry configured to: receive, from a network device, a first configuration indicating a transmission of first information related to a functionality, the first information being associated with a first inference related to the functionality using historical information; and in accordance with a determination that a third configuration indicating an activation of the first inference is received, transmit, to the network device, the first information based on the third configuration before a first occasion that is an earliest occasion after a first number of time units since first reference time, the first number of time units being based on at least time required for collecting the historical information for the first inference.

[0250] In some embodiments, a network device comprises a circuitry configured to: transmit, to a terminal device, a first configuration indicating a transmission of first information related to a functionality, the first information being associated with a first inference related to the functionality using historical information; receive the first information from the terminal device from a first occasion that is an earliest occasion after a first number of time units since first reference time, the first number of time units being based on at least time required for collecting the historical information for the first inference; and perform, before the first occasion, a second operation comprising one of the following: receiving second information related to the functionality from the terminal device, the second information being associated with a measurement related to the functionality or a second inference related to the functionality without using the historical information, or skipping reception of the first information.

[0251] In some embodiments, a network device comprises a circuitry configured to: transmit, to a terminal device, a first configuration indicating a transmission of first information related to a functionality, the first information being associated with a first inference related to the functionality using historical information; and in accordance with a determination that a third configuration indicating an activation of the first inference is transmitted, receive the first information from the terminal device based on the third configuration before a first occasion that is an earliest occasion after a first number of time units since first reference time, the first number of time units being based on at least time required for collecting the historical information for the first inference.

[0252] The term ‘circuitry’ used herein may refer to hardware circuits and / or combinations of hardware circuits and software. For example, the circuitry may be a combination of analog and / or digital hardware circuits with software / firmware. As a further example, the circuitry may be any portions of hardware processors with software including digital signal processor (s) , software, and memory (ies) that work together to cause an apparatus, such as a terminal device or a network device, to perform various functions. In a still further example, the circuitry may be hardware circuits and or processors, such as a microprocessor or a portion of a microprocessor, that requires software / firmware for operation, but the software may not be present when it is not needed for operation. As used herein, the term circuitry also covers an implementation of merely a hardware circuit or processor (s) or a portion of a hardware circuit or processor (s) and its (or their) accompanying software and / or firmware.

[0253] Generally, various embodiments of the present disclosure may be implemented in hardware or special purpose circuits, software, logic or any combination thereof. Some aspects may be implemented in hardware, while other aspects may be implemented in firmware or software which may be executed by a controller, microprocessor or other computing device. While various aspects of embodiments of the present disclosure are illustrated and described as block diagrams, flowcharts, or using some other pictorial representation, it will be appreciated that the blocks, apparatus, systems, techniques or methods described herein may be implemented in, as non-limiting examples, hardware, software, firmware, special purpose circuits or logic, general purpose hardware or controller or other computing devices, or some combination thereof.

[0254] The present disclosure also provides at least one computer program product tangibly stored on a non-transitory computer readable storage medium. The computer program product includes computer-executable instructions, such as those included in program modules, being executed in a device on a target real or virtual processor, to carry out the process or method as described above with reference to FIGs. 1 to 6. Generally, program modules include routines, programs, libraries, objects, classes, components, data structures, or the like that perform particular tasks or implement particular abstract data types. The functionality of the program modules may be combined or split between program modules as desired in various embodiments. Machine-executable instructions for program modules may be executed within a local or distributed device. In a distributed device, program modules may be located in both local and remote storage media.

[0255] Program code for carrying out methods of the present disclosure may be written in any combination of one or more programming languages. These program codes may be provided to a processor or controller of a general purpose computer, special purpose computer, or other programmable data processing apparatus, such that the program codes, when executed by the processor or controller, cause the functions / operations specified in the flowcharts and / or block diagrams to be implemented. The program code may execute entirely on a machine, partly on the machine, as a stand-alone software package, partly on the machine and partly on a remote machine or entirely on the remote machine or server.

[0256] The above program code may be embodied on a machine readable medium, which may be any tangible medium that may contain, or store a program for use by or in connection with an instruction execution system, apparatus, or device. The machine readable medium may be a machine readable signal medium or a machine readable storage medium. A machine readable medium may include but not limited to an electronic, magnetic, optical, electromagnetic, infrared, or semiconductor system, apparatus, or device, or any suitable combination of the foregoing. More specific examples of the machine readable storage medium would include an electrical connection having one or more wires, a portable computer diskette, a hard disk, a random access memory (RAM) , a read-only memory (ROM) , an erasable programmable read-only memory (EPROM or Flash memory) , an optical fiber, a portable compact disc read-only memory (CD-ROM) , an optical storage device, a magnetic storage device, or any suitable combination of the foregoing.

[0257] Further, while operations are depicted in a particular order, this should not be understood as requiring that such operations be performed in the particular order shown or in sequential order, or that all illustrated operations be performed, to achieve desirable results. In certain circumstances, multitasking and parallel processing may be advantageous. Likewise, while several specific implementation details are contained in the above discussions, these should not be construed as limitations on the scope of the present disclosure, but rather as descriptions of features that may be specific to particular embodiments. Certain features that are described in the context of separate embodiments may also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment may also be implemented in multiple embodiments separately or in any suitable sub-combination.

[0258] Although the present disclosure has been described in language specific to structural features and / or methodological acts, it is to be understood that the present disclosure defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the specific features and acts described above are disclosed as example forms of implementing the claims.

Claims

1.A terminal device, comprising:a processor configured to cause the terminal device to:receive, from a network device, a set of channel status information (CSI) report configurations for a functionality; andupdate a CSI report corresponding to a CSI report configuration in the set of CSI report configurations based on the following:first number of processing units occupied for at least two operations of the functionality,second number of processing units available for the at least two operations of the functionality,one or more symbols occupied for the first number of processing units, andnumber of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.2.The terminal device of claim 1, wherein the terminal device is further caused to:transmit, to the network device, information of capability of the terminal device comprising maximum number of processing units for the at least two operations supported by the terminal device.3.The terminal device of claim 1, wherein the at least two operations comprise two or more of the following:a measurement of the functionality;a model inference of the functionality;a model storage of the functionality; ora data storage of the functionality.4.The terminal device of claim 1, wherein the terminal device is caused to update the CSI report by:in accordance with a determination that the first number of processing units is smaller than or equal to the second number of processing units, updating the CSI report.5.The terminal device of claim 1, wherein a CSI report configuration in the set of CSI report configurations is associated with a performance monitoring for the functionality, and wherein the terminal device is further caused to determine the first number of processing units based on number of processing units for a model monitoring and number of processing units for a model inference associated with the model monitoring.6.The terminal device of claim 1, wherein a CSI report configuration in the set of CSI report configurations is associated with a model inference for the functionality, and wherein the terminal device is further caused to determine the first number of processing units based on number of processing units for the measurement and number of processing units for the prediction.7.The terminal device of claim 6, wherein the terminal device is further caused to:determine the number of processing units for the measurement based on number of historical time instance measurements required for the model inference and number of processing units required for a historical time instance measurement; anddetermine the number of processing units for the prediction based on number of future time instance measurements required for the model inference and number of processing units required for a future time instance measurement.8.The terminal device of claim 1, wherein the terminal device is further caused to:determine the first or second number of processing units based on at least one of the following:sharing of one or more processing units among multiple CSI reports associated with a same measurement; orsharing of one or more processing units among multiple CSI reports associated with a same prediction.9.The terminal device of claim 8, wherein the multiple CSI reports comprise at least one of the following:a CSI report for a performance monitoring and a CSI report for a model inference;a CSI report for a model inference and a CSI report for a measurement;CSI reports for model inferences for a same functionality; orCSI reports for model inferences for different functionalities.10.The terminal device of claim 1, wherein the terminal device is further caused to:determine the first number of processing units based on at least one of the following:number of resources in one or more resource sets associated with the CSI report; ornumber of resource settings associated with the CSI report.11.The terminal device of claim 10, wherein the terminal device is further caused to:determine the number of resources in a resource set for a measurement among the one or more resource sets based on number of resources at a historical time instance and number of historical time instances; anddetermine the number of resources in a resource set for an inference among the one or more resource sets based on number of resources at a future time instance and number of future time instances.12.The terminal device of claim 1, wherein the at least two operations comprise a measurement of the functionality and a model inference of the functionality,wherein the first number of processing units comprise a set of first CSI processing units (CPUs) occupied for the measurement and a set of second CPUs occupied for the model inference, andwherein the second number of processing units comprise a set of third CPUs available for the measurement and a set of fourth CPUs available for the model inference.13.The terminal device of claim 12, wherein the one or more symbols occupied for the first number of processing units comprise a first set of symbols occupied for the set of first CPUs and a second set of symbols occupied for the set of second CPUs,wherein the first set of symbols is between an earliest resource for the measurement and a beginning of a model inference of the functionality, or between a first symbol of an earliest occasion among a set of historical time instances, no later than a CSI reference resource, and the beginning of the model inference, andwherein the second set of symbols is between the beginning of the model inference and the CSI report.14.The terminal device of claim 1, wherein the terminal device is further caused to:in accordance with a determination that a resource is referred by a third number of CSI report settings, count the resource and ports within the resource for a fourth number of times, the fourth number being smaller than the third number.15.The terminal device of claim 14, wherein the third number of CSI report setting comprises at least one reporting setting for a first purpose and a fifth number of CSI report setting for a second purpose, and the fourth number is determined based on a difference of the third number and the fifth number, andwherein the first or second purpose comprises one of the following:a CSI report for a model inference,a CSI report for a measurement,a CSI report for a performance monitoring,a CSI report for a model training,CSI reports for model inferences for a same functionality,CSI reports for model inferences for different functionalities, ora CSI report for a functionality at the network device.16.The terminal device of claim 14, wherein the terminal device is caused to count the resource and ports within the resource by at least one of the following:in accordance with a determination that the resource is configured for a measurement of the functionality, counting the resource and ports within the resource for a set of first CSI processing units (CPUs) occupied for the measurement;in accordance with a determination that the resource is configured for a model inference of the functionality, counting the resource and ports within the resource for a set of second CPUs occupied for the model inference;in accordance with a determination that the resource is configured for the measurement of the functionality, skipping counting the resource and ports within the resource for the set of second CPUs occupied for the model inference; orin accordance with a determination that the resource is configured for the model inference of the functionality, skipping counting the resource and ports within the resource for the set of first CPUs occupied for the measurement.17.The terminal device of claim 1, wherein the terminal device is further caused to:in accordance with a determination that a resource is referred by a sixth number of CSI report settings for time-domain prediction, count the resource and ports within the resource for a seventh number of times, the seventh number being associated with the sixth number and number of historical time instances.18.A network device, comprising:a processor configured to cause the network device to:transmit, to a terminal device, a set of channel status information (CSI) report configurations for a functionality; andreceive, from the terminal device, a CSI report corresponding to a CSI report configuration in the set of CSI report configurations updated based on the following:first number of processing units occupied for at least two operations of the functionality,second number of processing units available for the at least two operations of the functionality,one or more symbols occupied for the first number of processing units, ornumber of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.19.The network device of claim 18, wherein the network device is further caused to:receive, from the terminal device, information of capability of the terminal device comprising maximum number of processing units for the at least two operations supported by the terminal device.20.The network device of claim 18, wherein the at least two operations comprise two or more of the following:a measurement of the functionality;a model inference of the functionality;a model storage of the functionality; ora data storage of the functionality.21.A method of communication at a terminal device, comprising:receiving, from a network device, a set of channel status information (CSI) report configurations for a functionality; andupdating a CSI report corresponding to a CSI report configuration in the set of CSI report configurations based on the following:first number of processing units occupied for at least two operations of the functionality,second number of processing units available for the at least two operations of the functionality,one or more symbols occupied for the first number of processing units, andnumber of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.22.A method of communication at a network device, comprising:transmitting, to a terminal device, a set of channel status information (CSI) report configurations for a functionality, the set of CSI report configurations being associated with a set of resource configurations; andreceiving, from the terminal device, a CSI report corresponding to a CSI report configuration in the set of CSI report configurations updated based on at least one of the following:first number of processing units occupied for at least two operations of the functionality,second number of processing units available for the at least two operations of the functionality,one or more symbols occupied for the first number of processing units, ornumber of times a resource is counted among the set of CSI report configurations when the resource is referred multiple times by the set of CSI report configurations.

Images