Timelines for machine learning functionality switching in wireless communications

Abstract

Certain aspects of the present disclosure provide techniques for switching between ML functionalities. An example method, performed at a user equipment (UE), generally includes transmitting a first report that indicates UE capability information regarding support by the UE of multiple machine learning (ML) functionalities, receiving an indication to report first information associated with a first ML functionality of the ML functionalities, and transmitting, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.

Description

TIMELINES FOR MACHINE LEARNING FUNCTIONALITY SWITCHING IN WIRELESS COMMUNICATIONSINTRODUCTION

[0001] Aspects of the present disclosure relate to wireless communications, and more particularly, to techniques for machine learning in wireless communications.

[0002] Wireless communications systems are widely deployed to provide various telecommunication services such as telephony, video, data, messaging, broadcasts, or other similar types of services. These wireless communications systems may employ multiple-access technologies capable of supporting communications with multiple users by sharing available wireless communications system resources with those users

[0003] Although wireless communications systems have made great technological advancements over many years, challenges still exist. For example, complex and dynamic environments can still attenuate or block signals between wireless transmitters and wireless receivers. Accordingly, there is a continuous desire to improve the technical performance of wireless communications systems, including, for example: improving speed and data carrying capacity of communications, improving efficiency of the use of shared communications mediums, reducing power used by transmitters and receivers while performing communications, improving reliability of wireless communications, avoiding redundant transmissions and / or receptions and related processing, improving the coverage area of wireless communications, increasing the number and types of devices that can access wireless communications systems, increasing the ability for different types of devices to intercommunicate, increasing the number and type of wireless communications mediums available for use, and the like. Consequently, there exists a need for further improvements in wireless communications systems to overcome the aforementioned technical challenges and others.SUMMARY

[0004] One aspect provides a method for wireless communication at a user equipment (UE) . The method includes transmitting a first report that indicates UE capability information regarding support by the UE of multiple machine learning (ML) functionalities; receiving an indication to report first information associated with a first ML functionality of the ML functionalities; and transmitting, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.

[0005] Another aspect provides a method for wireless communication at a network entity. The method includes receiving a first report that indicates user equipment (UE) capability information regarding support by the UE of multiple machine learning (ML) functionalities; transmitting an indication to report first information associated with a first ML functionality of the ML functionalities; and receiving, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.

[0006] Other aspects provide: an apparatus operable, configured, or otherwise adapted to perform any one or more of the aforementioned methods and / or those described elsewhere herein; a non-transitory, computer-readable media comprising instructions that, when executed by a processor of an apparatus, cause the apparatus to perform the aforementioned methods as well as those described elsewhere herein; a computer program product embodied on a computer-readable storage medium comprising code for performing the aforementioned methods as well as those described elsewhere herein; and / or an apparatus comprising means for performing the aforementioned methods as well as those described elsewhere herein. By way of example, an apparatus may comprise a processing system, a device with a processing system, or processing systems cooperating over one or more networks.

[0007] The following description and the appended figures set forth certain features for purposes of illustration.BRIEF DESCRIPTION OF DRAWINGS

[0008] The appended figures depict certain features of the various aspects described herein and are not to be considered limiting of the scope of this disclosure.

[0009] FIG. 1 depicts an example wireless communications network.

[0010] FIG. 2 depicts an example disaggregated base station architecture.

[0011] FIG. 3 depicts aspects of an example base station and an example user equipment.

[0012] FIGS. 4A, 4B, 4C, and 4D depict various example aspects of data structures for a wireless communications network.

[0013] FIG. 5A is a timing diagram illustrating example timing constraints for aperiodic channel state information (CSI) .

[0014] FIG. 5B is a timing diagram illustrating an example timing constraint for periodic / semi-persistent CSI.

[0015] FIG. 6 illustrates an example networked environment in which a predictive model is used for determining CSI or a channel estimation.

[0016] FIG. 7 is a diagram illustrating an example wireless communication network using machine learning models.

[0017] FIG. 8 is an example call flow diagram, in accordance with aspects of the present disclosure.

[0018] FIGs. 9A, 9B, and 9C depict example timelines for ML functionality switching, in accordance with aspects of the present disclosure.

[0019] FIGs. 10A and 10B depict example timelines illustrating different cases for ML functionality switching, in accordance with aspects of the present disclosure.

[0020] FIG. 11 depicts an example timeline illustrating an example case for ML functionality switching, in accordance with aspects of the present disclosure.

[0021] FIG. 12 depicts an example timeline illustrating active states for ML functionality switching, in accordance with aspects of the present disclosure.

[0022] FIGs. 13A and 13B depict example timelines for ML functionality switching, in accordance with aspects of the present disclosure.

[0023] FIG. 14 depicts a method for wireless communications.

[0024] FIG. 15 depicts a method for wireless communications.

[0025] FIG. 16 depicts an example wireless device.DETAILED DESCRIPTION

[0026] Aspects of the present disclosure provide apparatuses, methods, processing systems, and computer-readable mediums for machine learning (ML) in wireless communications.

[0027] Wireless communication networks (e.g., 5G NR systems or other systems) may use channel state information (CSI) feedback from a user equipment (UE) for adaptive communications. The network may adjust certain communication parameters in response to CSI feedback from the UE. For example, link adaptation (such as adaptive modulation and coding) with various modulation schemes and channel coding rates may be applied to certain communication channels. For channel state estimation purposes, the UE may be configured to measure a reference signal (e.g., a CSI reference signal (CSI-RS) ) and estimate the downlink channel state based on the CSI-RS measurements. The UE may report an estimated channel state to the network in the form of CSI, which may be used in link adaptation. The CSI may indicate channel properties of a communication link between a base station (BS) and a UE. The CSI may represent the effect of, for example, scattering, fading, and pathloss of a signal across the communication link.

[0028] Machine learning (ML) generally refers to a subset of artificial intelligence (AI) that enables a machine or system to learn and improve from experience. Instead of explicit programming, machine learning uses algorithms to analyze large amounts of data, learn from the insights, and then make informed decisions. In the present disclosure, ML and AIML may be used interchangeably.

[0029] In certain cases, ML models may be used to determine various information associated with a wireless communication network. For example, ML models may be used to determine CSI at the UE, beam management, UE positioning, and / or channel estimation, for example. For beam management, a machine learning model may determine beams to use in future transmission occasions, for example, to preemptively avoid beam failure. The machine learning model may determine the channel quality associated with narrow beams based on measurements associated with wide beams. In some cases, the machine learning model may determine fine resolution measurements associated with a beam based on course resolution measurements associated with the beam. In certain cases, machine learning models may be used by the UE to perform positioning, for example, for drone localization and / or vehicular to everything (V2X) communications. Machine learning models may be used for channel estimation.

[0030] In any of these applications, machine learning models may be designed for a corresponding functionality or use cases. There may be certain scenarios, such as an urban micro cell, an urban macro cell, an indoor hotspot, payload resolution, antenna architectures, etc. For example, the UE may use a particular machine learning model for a micro cell and a different machine learning model for a macro cell. As another example, the UE may use a particular machine learning for high resolution CSI (e.g., a precoder represented by several hundred bits) and a different machine learning model for low resolution CSI (e.g., a precoder represented by two to twelve bits) . In some cases, the UE may use a particular machine learning model for UE positioning and a different machine learning model for beam management.

[0031] Due to different UE architectures, UEs may support various capabilities related to using machine learning models. For example, UEs may store a different number of models in their modems and / or memory, and the UEs may use different amounts of time to switch to using a model stored in the modem or to switch to using a model stored in memory. Thus, there may be some uncertainty on how to handle model switching for the different UE architectures in a radio access network. In addition, the status of particular ML models at the UE side at any given time may not be visible at the network side.

[0032] To help address such issues, aspects of the present disclosure propose switching between ML functionalities, rather than individual ML models. In this context, ML functionalities may include, for example, ML CSI prediction, ML CSI compression, ML beam prediction in the spatial domain, ML beam prediction in the temporal domain, and ML positioning, ML channel estimation, ML reception (e.g., including ML channel decoding, ML demapping for single or multi-layer MIMO transmission) .

[0033] Models designed for such functionalities may have different sizes and, hence, may have various memory costs. The number of active functionalities may depend on their corresponding model size. For example, a UE may be able to keep one functionality (e.g., CSI prediction or compression) in the modem, AI accelerator, AI engine, or NPU if the corresponding ML model is heavy-weighted (e.g., involves a relatively large number of weights) , or may keep more than one functionality (e.g., beam prediction in spatial and temporal domain) in the modem, AI accelerator, AI engine, or NPU if the corresponding models are light-weighted (e.g., involve relatively small numbers of weights) . Introduction to Wireless Communications Networks

[0034] The techniques and methods described herein may be used for various wireless communications networks. While aspects may be described herein using terminology commonly associated with 3G, 4G, and / or 5G wireless technologies, aspects of the present disclosure may likewise be applicable to other communications systems and standards, such as future wireless communications technologies, not explicitly mentioned herein.

[0035] FIG. 1 depicts an example of a wireless communications network 100, in which aspects described herein may be implemented.

[0036] Generally, wireless communications network 100 includes various network entities (alternatively, network elements or network nodes) . A network entity is generally a communications device and / or a communications function performed by a communications device (e.g., a user equipment (UE) , a base station (BS) , a component of a BS, a server, etc. ) . For example, various functions of a network as well as various devices associated with and interacting with a network may be considered network entities. Further, wireless communications network 100 includes terrestrial aspects, such as ground-based network entities (e.g., BSs 102) , and non-terrestrial aspects, such as satellite 140 and aircraft 145, which may include network entities on-board (e.g., one or more BSs) capable of communicating with other network elements (e.g., terrestrial BSs) and user equipment.

[0037] In the depicted example, wireless communications network 100 includes BSs 102, UEs 104, and one or more core networks, such as an Evolved Packet Core (EPC) 160 and 5G Core (5GC) network 190, which interoperate to provide communications services over various communications links, including wired and wireless links.

[0038] FIG. 1 depicts various example UEs 104, which may more generally include: a cellular phone, smart phone, session initiation protocol (SIP) phone, laptop, personal digital assistant (PDA) , satellite radio, global positioning system, multimedia device, video device, digital audio player, camera, game console, tablet, smart device, wearable device, vehicle, electric meter, gas pump, large or small kitchen appliance, healthcare device, implant, sensor / actuator, display, internet of things (IoT) devices, always on (AON) devices, edge processing devices, or other similar devices. UEs 104 may also be referred to more generally as a mobile device, a wireless device, a wireless communications device, a station, a mobile station, a subscriber station, a mobile subscriber station, a mobile unit, a subscriber unit, a wireless unit, a remote unit, a remote device, an access terminal, a mobile terminal, a wireless terminal, a remote terminal, a handset, and others.

[0039] BSs 102 wirelessly communicate with (e.g., transmit signals to or receive signals from) UEs 104 via communications links 120. The communications links 120 between BSs 102 and UEs 104 may include uplink (UL) (also referred to as reverse link) transmissions from a UE 104 to a BS 102 and / or downlink (DL) (also referred to as forward link) transmissions from a BS 102 to a UE 104. The communications links 120 may use multiple-input and multiple-output (MIMO) antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity in various aspects.

[0040] BSs 102 may generally include: a NodeB, enhanced NodeB (eNB) , next generation enhanced NodeB (ng-eNB) , next generation NodeB (gNB or gNodeB) , access point, base transceiver station, radio base station, radio transceiver, transceiver function, transmission reception point, and / or others. Each of BSs 102 may provide communications coverage for a respective geographic coverage area 110, which may sometimes be referred to as a cell, and which may overlap in some cases (e.g., small cell 102’ may have a coverage area 110’ that overlaps the coverage area 110 of a macro cell) . A BS may, for example, provide communications coverage for a macro cell (covering relatively large geographic area) , a pico cell (covering relatively smaller geographic area, such as a sports stadium) , a femto cell (relatively smaller geographic area (e.g., a home) ) , and / or other types of cells.

[0041] While BSs 102 are depicted in various aspects as unitary communications devices, BSs 102 may be implemented in various configurations. For example, one or more components of a base station may be disaggregated, including a central unit (CU) , one or more distributed units (DUs) , one or more radio units (RUs) , a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) , or a Non-Real Time (Non-RT) RIC, to name a few examples. In another example, various aspects of a base station may be virtualized. More generally, a base station (e.g., BS 102) may include components that are located at a single physical location or components located at various physical locations. In examples in which a base station includes components that are located at various physical locations, the various components may each perform functions such that, collectively, the various components achieve functionality that is similar to a base station that is located at a single physical location. In some aspects, a base station including components that are located at various physical locations may be referred to as a disaggregated radio access network architecture, such as an Open RAN (O-RAN) or Virtualized RAN (VRAN) architecture. FIG. 2 depicts and describes an example disaggregated base station architecture.

[0042] Different BSs 102 within wireless communications network 100 may also be configured to support different radio access technologies, such as 3G, 4G, and / or 5G. For example, BSs 102 configured for 4G LTE (collectively referred to as Evolved Universal Mobile Telecommunications System (UMTS) Terrestrial Radio Access Network (E-UTRAN) ) may interface with the EPC 160 through first backhaul links 132 (e.g., an S1 interface) . BSs 102 configured for 5G (e.g., 5G NR or Next Generation RAN (NG-RAN) ) may interface with 5GC 190 through second backhaul links 184. BSs 102 may communicate directly or indirectly (e.g., through the EPC 160 or 5GC 190) with each other over third backhaul links 134 (e.g., X2 interface) , which may be wired or wireless.

[0043] Wireless communications network 100 may subdivide the electromagnetic spectrum into various classes, bands, channels, or other features. In some aspects, the subdivision is provided based on wavelength and frequency, where frequency may also be referred to as a carrier, a subcarrier, a frequency channel, a tone, or a subband. The communications links 120 between BSs 102 and, for example, UEs 104, may be through one or more carriers, which may have different bandwidths (e.g., 5, 10, 15, 20, 100, 400, and / or other MHz) , and which may be aggregated in various aspects. Carriers may or may not be adjacent to each other. Allocation of carriers may be asymmetric with respect to DL and UL (e.g., more or fewer carriers may be allocated for DL than for UL) .

[0044] Communications using higher frequency bands may have higher path loss and a shorter range compared to lower frequency communications. Accordingly, certain base stations (e.g., 180 in FIG. 1) may utilize beamforming 182 with a UE 104 to improve path loss and range. For example, BS 180 and the UE 104 may each include a plurality of antennas, such as antenna elements, antenna panels, and / or antenna arrays to facilitate the beamforming. In some cases, BS 180 may transmit a beamformed signal to UE 104 in one or more transmit directions 182’ . UE 104 may receive the beamformed signal from the BS 180 in one or more receive directions 182”. UE 104 may also transmit a beamformed signal to the BS 180 in one or more transmit directions 182”. BS 180 may also receive the beamformed signal from UE 104 in one or more receive directions 182’ . BS 180 and UE 104 may then perform beam training to determine the best receive and transmit directions for each of BS 180 and UE 104. Notably, the transmit and receive directions for BS 180 may or may not be the same. Similarly, the transmit and receive directions for UE 104 may or may not be the same.

[0045] Wireless communications network 100 further includes a Wi-Fi AP 150 in communication with Wi-Fi stations (STAs) 152 via communications links 154 in, for example, a 2.4 GHz and / or 5 GHz unlicensed frequency spectrum.

[0046] Certain UEs 104 may communicate with each other using device-to-device (D2D) communications link 158. D2D communications link 158 may use one or more sidelink channels, such as a physical sidelink broadcast channel (PSBCH) , a physical sidelink discovery channel (PSDCH) , a physical sidelink shared channel (PSSCH) , a physical sidelink control channel (PSCCH) , and / or a physical sidelink feedback channel (PSFCH) .

[0047] EPC 160 may include various functional components, including: a Mobility Management Entity (MME) 162, other MMEs 164, a Serving Gateway 166, a Multimedia Broadcast Multicast Service (MBMS) Gateway 168, a Broadcast Multicast Service Center (BM-SC) 170, and / or a Packet Data Network (PDN) Gateway 172, such as in the depicted example. MME 162 may be in communication with a Home Subscriber Server (HSS) 174. MME 162 is the control node that processes the signaling between the UEs 104 and the EPC 160. Generally, MME 162 provides bearer and connection management.

[0048] Generally, user Internet protocol (IP) packets are transferred through Serving Gateway 166, which itself is connected to PDN Gateway 172. PDN Gateway 172 provides UE IP address allocation as well as other functions. PDN Gateway 172 and the BM-SC 170 are connected to IP Services 176, which may include, for example, the Internet, an intranet, an IP Multimedia Subsystem (IMS) , a Packet Switched (PS) streaming service, and / or other IP services.

[0049] BM-SC 170 may provide functions for MBMS user service provisioning and delivery. BM-SC 170 may serve as an entry point for content provider MBMS transmission, may be used to authorize and initiate MBMS Bearer Services within a public land mobile network (PLMN) , and / or may be used to schedule MBMS transmissions. MBMS Gateway 168 may be used to distribute MBMS traffic to the BSs 102 belonging to a Multicast Broadcast Single Frequency Network (MBSFN) area broadcasting a particular service, and / or may be responsible for session management (start / stop) and for collecting eMBMS related charging information.

[0050] 5GC 190 may include various functional components, including: an Access and Mobility Management Function (AMF) 192, other AMFs 193, a Session Management Function (SMF) 194, and a User Plane Function (UPF) 195. AMF 192 may be in communication with Unified Data Management (UDM) 196.

[0051] AMF 192 is a control node that processes signaling between UEs 104 and 5GC 190. AMF 192 provides, for example, quality of service (QoS) flow and session management.

[0052] Internet protocol (IP) packets are transferred through UPF 195, which is connected to the IP Services 197, and which provides UE IP address allocation as well as other functions for 5GC 190. IP Services 197 may include, for example, the Internet, an intranet, an IMS, a PS streaming service, and / or other IP services.

[0053] Wireless communication network 100 includes a machine learning component 199, which may perform the operations described herein related to machine learning timelines and / or machine learning concurrent processing. Wireless network 100 further includes a machine learning component 198, which may perform the operations described herein related to machine learning timelines and / or machine learning concurrent processing.

[0054] In various aspects, a network entity or network node can be implemented as an aggregated base station, as a disaggregated base station, a component of a base station, an integrated access and backhaul (IAB) node, a relay node, a sidelink node, to name a few examples.

[0055] FIG. 2 depicts an example disaggregated base station 200 architecture. The disaggregated base station 200 architecture may include one or more central units (CUs) 210 that can communicate directly with a core network 220 via a backhaul link, or indirectly with the core network 220 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 225 via an E2 link, or a Non-Real Time (Non-RT) RIC 215 associated with a Service Management and Orchestration (SMO) Framework 205, or both) . A CU 210 may communicate with one or more distributed units (DUs) 230 via respective midhaul links, such as an F1 interface. The DUs 230 may communicate with one or more radio units (RUs) 240 via respective fronthaul links. The RUs 240 may communicate with respective UEs 104 via one or more radio frequency (RF) access links. In some implementations, the UE 104 may be simultaneously served by multiple RUs 240.

[0056] Each of the units, e.g., the CUs 210, the DUs 230, the RUs 240, as well as the Near-RT RICs 225, the Non-RT RICs 215 and the SMO Framework 205, may include one or more interfaces or be coupled to one or more interfaces configured to receive or transmit signals, data, or information (collectively, signals) via a wired or wireless transmission medium. Each of the units, or an associated processor or controller providing instructions to the communications interfaces of the units, can be configured to communicate with one or more of the other units via the transmission medium. For example, the units can include a wired interface configured to receive or transmit signals over a wired transmission medium to one or more of the other units. Additionally or alternatively, the units can include a wireless interface, which may include a receiver, a transmitter or transceiver (such as a radio frequency (RF) transceiver) , configured to receive or transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0057] In some aspects, the CU 210 may host one or more higher layer control functions. Such control functions can include radio resource control (RRC) , packet data convergence protocol (PDCP) , service data adaptation protocol (SDAP) , or the like. Each control function can be implemented with an interface configured to communicate signals with other control functions hosted by the CU 210. The CU 210 may be configured to handle user plane functionality (e.g., Central Unit –User Plane (CU-UP) ) , control plane functionality (e.g., Central Unit –Control Plane (CU-CP) ) , or a combination thereof. In some implementations, the CU 210 can be logically split into one or more CU-UP units and one or more CU-CP units. The CU-UP unit can communicate bidirectionally with the CU-CP unit via an interface, such as the E1 interface when implemented in an O-RAN configuration. The CU 210 can be implemented to communicate with the DU 230, as necessary, for network control and signaling.

[0058] The DU 230 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 240. In some aspects, the DU 230 may host one or more of a radio link control (RLC) layer, a medium access control (MAC) layer, and one or more high physical (PHY) layers (such as modules for forward error correction (FEC) encoding and decoding, scrambling, modulation and demodulation, or the like) depending, at least in part, on a functional split, such as those defined by the 3rd Generation Partnership Project (3GPP) . In some aspects, the DU 230 may further host one or more low PHY layers. Each layer (or module) can be implemented with an interface configured to communicate signals with other layers (and modules) hosted by the DU 230, or with the control functions hosted by the CU 210.

[0059] Lower-layer functionality can be implemented by one or more RUs 240. In some deployments, an RU 240, controlled by a DU 230, may correspond to a logical node that hosts RF processing functions, or low-PHY layer functions (such as performing fast Fourier transform (FFT) , inverse FFT (iFFT) , digital beamforming, physical random access channel (PRACH) extraction and filtering, or the like) , or both, based at least in part on the functional split, such as a lower layer functional split. In such an architecture, the RU (s) 240 can be implemented to handle over the air (OTA) communications with one or more UEs 104. In some implementations, real-time and non-real-time aspects of control and user plane communications with the RU (s) 240 can be controlled by the corresponding DU 230. In some scenarios, this configuration can enable the DU (s) 230 and the CU 210 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0060] The SMO Framework 205 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 205 may be configured to support the deployment of dedicated physical resources for RAN coverage requirements which may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 205 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 290) to perform network element life cycle management (such as to instantiate virtualized network elements) via a cloud computing platform interface (such as an O2 interface) . Such virtualized network elements can include, but are not limited to, CUs 210, DUs 230, RUs 240 and Near-RT RICs 225. In some implementations, the SMO Framework 205 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 211, via an O1 interface. Additionally, in some implementations, the SMO Framework 205 can communicate directly with one or more RUs 240 via an O1 interface. The SMO Framework 205 also may include a Non-RT RIC 215 configured to support functionality of the SMO Framework 205.

[0061] The Non-RT RIC 215 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, Artificial Intelligence / Machine Learning (AI / ML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 225. The Non-RT RIC 215 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 225. The Near-RT RIC 225 may be configured to include a logical function that enables near-real-time control and optimization of RAN elements and resources via data collection and actions over an interface (such as via an E2 interface) connecting one or more CUs 210, one or more DUs 230, or both, as well as an O-eNB, with the Near-RT RIC 225.

[0062] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 225, the Non-RT RIC 215 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 225 and may be received at the SMO Framework 205 or the Non-RT RIC 215 from non-network data sources or from network functions. In some examples, the Non-RT RIC 215 or the Near-RT RIC 225 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 215 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO Framework 205 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0063] FIG. 3 depicts aspects of an example BS 102 and a UE 104.

[0064] Generally, BS 102 includes various processors (e.g., 320, 330, 338, and 340) , antennas 334a-t (collectively 334) , transceivers 332a-t (collectively 332) , which include modulators and demodulators, and other aspects, which enable wireless transmission of data (e.g., data source 312) and wireless reception of data (e.g., data sink 339) . For example, BS 102 may send and receive data between BS 102 and UE 104. BS 102 includes controller / processor 340, which may be configured to implement various functions described herein related to wireless communications.

[0065] Base station 102 includes controller / processor 340, which may be configured to implement various functions related to wireless communications. In the depicted example, controller / processor 340 includes machine learning component 241, which may be representative of the machine learning component 199 of FIG. 1. Notably, while depicted as an aspect of controller / processor 340, the machine learning component 341 may be implemented additionally or alternatively in various other aspects of base station 102 in other implementations.

[0066] Generally, UE 104 includes various processors (e.g., 358, 364, 366, and 380) , antennas 352a-r (collectively 352) , transceivers 354a-r (collectively 354) , which include modulators and demodulators, and other aspects, which enable wireless transmission of data (e.g., retrieved from data source 362) and wireless reception of data (e.g., provided to data sink 360) . UE 104 includes controller / processor 380, which may be configured to implement various functions described herein related to wireless communications.

[0067] User equipment 104 includes controller / processor 380, which may be configured to implement various functions related to wireless communications. In the depicted example, controller / processor 380 includes machine learning component 381, which may be representative of the machine learning component 198 of FIG. 1. Notably, while depicted as an aspect of controller / processor 380, the machine learning component 381 may be implemented additionally or alternatively in various other aspects of user equipment 104 in other implementations.

[0068] In regards to an example downlink transmission, BS 102 includes a transmit processor 320 that may receive data from a data source 312 and control information from a controller / processor 340. The control information may be for the physical broadcast channel (PBCH) , physical control format indicator channel (PCFICH) , physical HARQ indicator channel (PHICH) , physical downlink control channel (PDCCH) , group common PDCCH (GC PDCCH) , and / or others. The data may be for the physical downlink shared channel (PDSCH) , in some examples.

[0069] Transmit processor 320 may process (e.g., encode and symbol map) the data and control information to obtain data symbols and control symbols, respectively. Transmit processor 320 may also generate reference symbols, such as for the primary synchronization signal (PSS) , secondary synchronization signal (SSS) , PBCH demodulation reference signal (DMRS) , and channel state information reference signal (CSI-RS) .

[0070] Transmit (TX) multiple-input multiple-output (MIMO) processor 330 may perform spatial processing (e.g., precoding) on the data symbols, the control symbols, and / or the reference symbols, if applicable, and may provide output symbol streams to the modulators (MODs) in transceivers 332a-332t. Each modulator in transceivers 332a-332t may process a respective output symbol stream to obtain an output sample stream. Each modulator may further process (e.g., convert to analog, amplify, filter, and upconvert) the output sample stream to obtain a downlink signal. Downlink signals from the modulators in transceivers 332a-332t may be transmitted via the antennas 334a-334t, respectively.

[0071] In order to receive the downlink transmission, UE 104 includes antennas 352a-352r that may receive the downlink signals from the BS 102 and may provide received signals to the demodulators (DEMODs) in transceivers 354a-354r, respectively. Each demodulator in transceivers 354a-354r may condition (e.g., filter, amplify, downconvert, and digitize) a respective received signal to obtain input samples. Each demodulator may further process the input samples to obtain received symbols.

[0072] MIMO detector 356 may obtain received symbols from all the demodulators in transceivers 354a-354r, perform MIMO detection on the received symbols if applicable, and provide detected symbols. Receive processor 358 may process (e.g., demodulate, deinterleave, and decode) the detected symbols, provide decoded data for the UE 104 to a data sink 360, and provide decoded control information to a controller / processor 380.

[0073] In regards to an example uplink transmission, UE 104 further includes a transmit processor 364 that may receive and process data (e.g., for the PUSCH) from a data source 362 and control information (e.g., for the physical uplink control channel (PUCCH) ) from the controller / processor 380. Transmit processor 364 may also generate reference symbols for a reference signal (e.g., for the sounding reference signal (SRS) ) . The symbols from the transmit processor 364 may be precoded by a TX MIMO processor 366 if applicable, further processed by the modulators in transceivers 354a-354r (e.g., for SC-FDM) , and transmitted to BS 102.

[0074] At BS 102, the uplink signals from UE 104 may be received by antennas 334a-t, processed by the demodulators in transceivers 332a-332t, detected by a MIMO detector 336 if applicable, and further processed by a receive processor 338 to obtain decoded data and control information sent by UE 104. Receive processor 338 may provide the decoded data to a data sink 339 and the decoded control information to the controller / processor 340.

[0075] Memories 342 and 382 may store data and program codes for BS 102 and UE 104, respectively.

[0076] Scheduler 344 may schedule UEs for data transmission on the downlink and / or uplink.

[0077] In various aspects, BS 102 may be described as transmitting and receiving various types of data associated with the methods described herein. In these contexts, “transmitting” may refer to various mechanisms of outputting data, such as outputting data from data source 312, scheduler 344, memory 342, transmit processor 320, controller / processor 340, TX MIMO processor 330, transceivers 332a-t, antenna 334a-t, and / or other aspects described herein. Similarly, “receiving” may refer to various mechanisms of obtaining data, such as obtaining data from antennas 334a-t, transceivers 332a-t, RX MIMO detector 336, controller / processor 340, receive processor 338, scheduler 344, memory 342, and / or other aspects described herein.

[0078] In various aspects, UE 104 may likewise be described as transmitting and receiving various types of data associated with the methods described herein. In these contexts, “transmitting” may refer to various mechanisms of outputting data, such as outputting data from data source 362, memory 382, transmit processor 364, controller / processor 380, TX MIMO processor 366, transceivers 354a-t, antenna 352a-t, and / or other aspects described herein. Similarly, “receiving” may refer to various mechanisms of obtaining data, such as obtaining data from antennas 352a-t, transceivers 354a-t, RX MIMO detector 356, controller / processor 380, receive processor 358, memory 382, and / or other aspects described herein.

[0079] In some aspects, a processor may be configured to perform various operations, such as those associated with the methods described herein, and transmit (output) to or receive (obtain) data from another interface that is configured to transmit or receive, respectively, the data.

[0080] FIGS. 4A, 4B, 4C, and 4D depict aspects of data structures for a wireless communications network, such as wireless communications network 100 of FIG. 1.

[0081] In particular, FIG. 4A is a diagram 400 illustrating an example of a first subframe within a 5G (e.g., 5G NR) frame structure, FIG. 4B is a diagram 430 illustrating an example of DL channels within a 5G subframe, FIG. 4C is a diagram 450 illustrating an example of a second subframe within a 5G frame structure, and FIG. 4D is a diagram 480 illustrating an example of UL channels within a 5G subframe.

[0082] Wireless communications systems may utilize orthogonal frequency division multiplexing (OFDM) with a cyclic prefix (CP) on the uplink and downlink. Such systems may also support half-duplex operation using time division duplexing (TDD) . OFDM and single-carrier frequency division multiplexing (SC-FDM) partition the system bandwidth (e.g., as depicted in FIGS. 4B and 4D) into multiple orthogonal subcarriers. Each subcarrier may be modulated with data. Modulation symbols may be sent in the frequency domain with OFDM and / or in the time domain with SC-FDM.

[0083] A wireless communications frame structure may be frequency division duplex (FDD) , in which, for a particular set of subcarriers, subframes within the set of subcarriers are dedicated for either DL or UL. Wireless communications frame structures may also be time division duplex (TDD) , in which, for a particular set of subcarriers, subframes within the set of subcarriers are dedicated for both DL and UL.

[0084] In FIG. 4A and 4C, the wireless communications frame structure is TDD where D is DL, U is UL, and X is flexible for use between DL / UL. UEs may be configured with a slot format through a received slot format indicator (SFI) (dynamically through DL control information (DCI) , or semi-statically / statically through radio resource control (RRC) signaling) . In the depicted examples, a 10 ms frame is divided into 10 equally sized 1 ms subframes. Each subframe may include one or more time slots. In some examples, each slot may include 7 or 14 symbols, depending on the slot format. Subframes may also include mini-slots, which generally have fewer symbols than an entire slot. Other wireless communications technologies may have a different frame structure and / or different channels.

[0085] In certain aspects, the number of slots within a subframe is based on a slot configuration and a numerology. For example, for slot configuration 0, different numerologies (μ) 0 to 5 allow for 1, 2, 4, 8, 16, and 32 slots, respectively, per subframe. For slot configuration 1, different numerologies 0 to 2 allow for 2, 4, and 8 slots, respectively, per subframe. Accordingly, for slot configuration 0 and numerology μ, there are 14 symbols / slot and 2μ slots / subframe. The subcarrier spacing and symbol length / duration are a function of the numerology. The subcarrier spacing may be equal to 2μ×15 kHz, where μ is the numerology 0 to 5. As such, the numerology μ=0 has a subcarrier spacing of 15 kHz and the numerology μ=5 has a subcarrier spacing of 480 kHz. The symbol length / duration is inversely related to the subcarrier spacing. FIGS. 4A, 4B, 4C, and 4D provide an example of slot configuration 0 with 14 symbols per slot and numerology μ=2 with 4 slots per subframe. The slot duration is 0.25 ms, the subcarrier spacing is 60 kHz, and the symbol duration is approximately 16.67 μs.

[0086] As depicted in FIGS. 4A, 4B, 4C, and 4D, a resource grid may be used to represent the frame structure. Each time slot includes a resource block (RB) (also referred to as physical RBs (PRBs) ) that extends, for example, 12 consecutive subcarriers. The resource grid is divided into multiple resource elements (REs) . The number of bits carried by each RE depends on the modulation scheme.

[0087] As illustrated in FIG. 4A, some of the REs carry reference (pilot) signals (RS) for a UE (e.g., UE 104 of FIGS. 1 and 3) . The RS may include demodulation RS (DMRS) and / or channel state information reference signals (CSI-RS) for channel estimation at the UE. The RS may also include beam measurement RS (BRS) , beam refinement RS (BRRS) , and / or phase tracking RS (PT-RS) .

[0088] FIG. 4B illustrates an example of various DL channels within a subframe of a frame. The physical downlink control channel (PDCCH) carries DCI within one or more control channel elements (CCEs) , each CCE including, for example, nine RE groups (REGs) , each REG including, for example, four consecutive REs in an OFDM symbol.

[0089] A primary synchronization signal (PSS) may be within symbol 2 of particular subframes of a frame. The PSS is used by a UE (e.g., 104 of FIGS. 1 and 3) to determine subframe / symbol timing and a physical layer identity.

[0090] A secondary synchronization signal (SSS) may be within symbol 4 of particular subframes of a frame. The SSS is used by a UE to determine a physical layer cell identity group number and radio frame timing.

[0091] Based on the physical layer identity and the physical layer cell identity group number, the UE can determine a physical cell identifier (PCI) . Based on the PCI, the UE can determine the locations of the aforementioned DMRS. The physical broadcast channel (PBCH) , which carries a master information block (MIB) , may be logically grouped with the PSS and SSS to form a synchronization signal (SS)  / PBCH block. The MIB provides a number of RBs in the system bandwidth and a system frame number (SFN) . The physical downlink shared channel (PDSCH) carries user data, broadcast system information not transmitted through the PBCH such as system information blocks (SIBs) , and / or paging messages.

[0092] As illustrated in FIG. 4C, some of the REs carry DMRS (indicated as R for one particular configuration, but other DMRS configurations are possible) for channel estimation at the base station. The UE may transmit DMRS for the PUCCH and DMRS for the PUSCH. The PUSCH DMRS may be transmitted, for example, in the first one or two symbols of the PUSCH. The PUCCH DMRS may be transmitted in different configurations depending on whether short or long PUCCHs are transmitted and depending on the particular PUCCH format used. UE 104 may transmit sounding reference signals (SRS) . The SRS may be transmitted, for example, in the last symbol of a subframe. The SRS may have a comb structure, and a UE may transmit SRS on one of the combs. The SRS may be used by a base station for channel quality estimation to enable frequency-dependent scheduling on the UL.

[0093] FIG. 4D illustrates an example of various UL channels within a subframe of a frame. The PUCCH may be located as indicated in one configuration. The PUCCH carries uplink control information (UCI) , such as scheduling requests, a channel quality indicator (CQI) , a precoding matrix indicator (PMI) , a rank indicator (RI) , and HARQ ACK / NACK feedback. The PUSCH carries data, and may additionally be used to carry a buffer status report (BSR) , a power headroom report (PHR) , and / or UCI. Introduction to mmWave Wireless Communications

[0094] In wireless communications, an electromagnetic spectrum is often subdivided into various classes, bands, channels, or other features. The subdivision is often provided based on wavelength and frequency, where frequency may also be referred to as a carrier, a subcarrier, a frequency channel, a tone, or a subband.

[0095] In 5G NR two initial operating bands have been identified as frequency range designations FR1 (410 MHz –7.125 GHz) and FR2 (24.25 GHz –52.6 GHz) . It should be understood that although a portion of FR1 is greater than 6 GHz, FR1 is often referred to (interchangeably) as a “Sub-6 GHz” band in various documents and articles. A similar nomenclature issue sometimes occurs with regard to FR2, which is often referred to (interchangeably) as a “millimeter wave” band in documents and articles, despite being different from the extremely high frequency (EHF) band (30 GHz –300 GHz) which is identified by the International Telecommunications Union (ITU) as a “millimeter wave” band.

[0096] The frequencies between FR1 and FR2 are often referred to as mid-band frequencies. Recent 5G NR studies have identified an operating band for these mid-band frequencies as frequency range designation FR3 (7.125 GHz –24.25 GHz) . Frequency bands falling within FR3 may inherit FR1 characteristics and / or FR2 characteristics, and thus may effectively extend features of FR1 and / or FR2 into mid-band frequencies. In addition, higher frequency bands are currently being explored to extend 5G NR operation beyond 52.6 GHz. For example, three higher operating bands have been identified as frequency range designations FR4a or FR4-1 (52.6 GHz –71 GHz) , FR4 (52.6 GHz –114.25 GHz) , and FR5 (114.25 GHz –300 GHz) . Each of these higher frequency bands falls within the EHF band.

[0097] With the above aspects in mind, unless specifically stated otherwise, it should be understood that the term “sub-6 GHz” or the like if used herein may broadly represent frequencies that may be less than 6 GHz, may be within FR1, or may include mid-band frequencies. Further, unless specifically stated otherwise, it should be understood that the term “millimeter wave” or the like if used herein may broadly represent frequencies that may include mid-band frequencies, may be within FR2, FR4, FR4-aor FR4-1, and / or FR5, or may be within the EHF band.

[0098] Communications using mmWave / near mmWave radio frequency band (e.g., 3 GHz –300 GHz) may have higher path loss and a shorter range compared to lower frequency communications. As described above with respect to FIG. 1, a base station (e.g., 180) configured to communicate using mmWave / near mmWave radio frequency bands may utilize beamforming (e.g., 182) with a UE (e.g., 104) to improve path loss and range.

[0099] Further, as described herein, a UE may estimate a channel or generate channel state information in mmWave bands and / or other frequency bands using machine learning model (s) . Channel State Information

[0100] A UE may report channel state information to a radio access network. In certain cases, a CSI report configuration may indicate a codebook to use for CSI feedback. As an example, a codebook may include a precoding matrix that maps each layer (e.g., data stream) to a particular antenna port. In some cases, a codebook may include a precoding matrix that provides a linear combination of multiple input layers or beams. In certain cases, the codebook may include a set of precoding matrices, where the UE may select one of the precoding matrices for channel estimation.

[0101] For artificial intelligence (AI) -based CSI feedback, the UE may use a CSI encoder to generate the CSI using a machine learning model, for example. The encoder input may include a downlink channel matrix (H) , a downlink precoder (V) , and / or an interference covariance matrix (Rnn) . A network entity (e.g., a base station) may use a decoder to convert the AI-encoded CSI into information indicative of the channel quality, such as a precoding matrix indicator (PMI) codeword. The encoder is analogous to the PMI searching algorithm, and the decoder is analogous to the PMI codebook, which is used to translate the CSI reporting bits to a PMI codeword. The decoder output may include the downlink channel matrix (H) , a transmit covariance matrix, the downlink precoder (s) (V) , the interference covariance matrix (Rnn) , the raw versus whitened downlink channel, or any combination thereof.

[0102] In certain cases, the UE may report CSI aperiodically, for example, in response to signaling from the radio access network. When aperiodic CSI reports are triggered by the PDCCH, the UE may use certain computational resources to determine the CSI, and the UE may use a certain amount of time to perform the computation. In certain aspects, timing constraints may be used for aperiodic CSI reporting.

[0103] FIG. 5A is a timing diagram illustrating example timing constraints for aperiodic CSI. In this example, the UE may receive a PDCCH 502 indicating to report aperiodic CSI in a reporting occasion 504 (e.g., a PUSCH) . In some cases, the UE may receive a reference signal (e.g., a CSI-RS or SSB) or measure interference (e.g., an interference measurement resource (IMR) ) in a reception occasion 506, and the UE may compute the CSI based on the received reference signal and / or IMR. The UE may provide the aperiodic CSI report if the timing constraints are satisfied. A first timing constraint may be satisfied if the reporting occasion 504 starts no earlier than a first timing reference 508, where the first timing reference 508 may be positioned in time a first number of OFDM symbols 510 (Z) after the last symbol of the PDCCH 502 triggering the aperiodic CSI report. That is, there may be at least Z symbols between the last symbol of the PDCCH 502 triggering the aperiodic CSI report and the first symbol of the PUSCH (reporting occasion 504) , which carries the CSI report. During this time, the UE can decode the PDCCH, perform possible CSI-RS / IM measurements (if the UE does not already have an up-to-date previous channel / interference measurement stored in its memory) , perform possible channel estimation, calculate the CSI report, and perform UCI multiplexing with the uplink shared channel.

[0104] If the UE measures a reference signal (e.g., an aperiodic CSI-RS) and / or IMR before reporting the CSI, the first timing constraint alone may not guarantee that that the UE has enough time to compute the CSI, since the aperiodic CSI-RS could potentially be triggered close to the PUSCH transmission. A second timing constraint may be satisfied if the reporting occasion 504 starts no earlier than a second timing reference 512, where the second timing reference 512 may be positioned in time a second number of OFDM symbols 514 (Z’ ) after the end of the last symbol in time of the reception occasion 506 (e.g., the latest of: aperiodic CSI-RS resource for channel measurements, aperiodic CSI-IM used for interference measurements, and aperiodic non-zero power (NZP) CSI-RS for interference measurement) . That is, there may be at least Z’s ymbols between the last symbol of the aperiodic CSI-RS / IMR used to calculate the report and the first symbol of the PUSCH (reporting occasion 504) , which carries the CSI report. In practice, with respect to Z’ , Z may additionally encompass DCI decoding time, such that Z is typically a few symbols larger than the corresponding Z’ value.

[0105] If the Z-criterion (or Z’ -criterion) is not fulfilled (e.g., the gNB triggers the PUSCH too close to the PDCCH (or the aperiodic CSI-RS / IM) ) , the UE can simply ignore the scheduling DCI if the UE is not also scheduled with an UL-SCH or HARQ-ACK, and the UE can refrain from transmitting anything. If UL-SCH or HARQ-ACK is scheduled to be multiplexed on the PUSCH, the UE may transmit the PUSCH with the CSI report, where the CSI report may be padded with dummy bits or stale (old) information.

[0106] NR systems may support various values for Z and Z’ . For example, there may be separate values of Z and Z’ per subcarrier spacing (SCS) for high latency CSI, low latency CSI, and ultra-low latency CSI. The ultra-low latency criteria can only be applied if a single low latency CSI report is triggered, without multiplexing with either UL-SCH or HARQ-ACK, and when the UE has all of its CSI processing units unoccupied. The UE can then allocate all of its computational resources to compute the ultra-low latency CSI in a very short time.

[0107] In certain aspects, a timing constraint may be used for periodic and / or semi-persistent CSI to provide the UE with enough time to measure a periodic reference signal and report the CSI. FIG. 5B is a timing diagram illustrating an example timing constraint for periodic / semi-persistent CSI. In this example, a UE may receive a periodic reference signal (e.g., CSI-RS and / or SSB) in a reception occasion 520. In some cases, the UE may measure an interference measurement resource in the reception occasion 520. The UE may report CSI associated with the reference signal or the interference measurement resource in a reporting occasion 522 (e.g., PUCCH) . The timing constraint may be satisfied if the reception occasion 520 occurs no later than (e.g., occurs before) a third timing reference 524 (e.g., a CSI reference resource) , where the third timing reference 524 is positioned in time a third number of symbols (or slots) 526 (Y) before the reception occasion 520. That is, there may be at least Y symbols (or slots) between the reception occasion 520 and the reporting occasion 522. The UE is not expected to measure a reference signal or an interference measurement resource after the third timing reference 524. After a CSI reconfiguration, a bandwidth part switch, serving cell activation, or semi-persistent CSI activation, if there is no CSI-RS prior to the third timing reference, the UE may drop the CSI (e.g., refrain from transmitting) . Adaptive Learning

[0108] A non-adaptive algorithm is deterministic as a function of its inputs. If the algorithm is faced with exactly the same inputs at different times, then its outputs will be exactly the same. An adaptive algorithm (e.g., machine learning or artificial intelligence) is one that changes its behavior based on its past experience. This means that different devices using the adaptive algorithm may end up with different algorithms as time passes.

[0109] According to certain aspects, channel estimation and CSI feedback procedures may be performed using an adaptive learning-based algorithm (e.g., machine learning module 712) . Thus, over the time, the channel estimation and CSI feedback algorithm changes (e.g., adapts or updates) based on new learning. The channel estimation and CSI feedback procedures may be used for adapting various characteristics of the communication link between a UE and a network entity, such as transmit power control, modulation and coding scheme (s) , code rate, subcarrier spacing, etc. For example, the adaptive learning can be used to determine a channel estimation and / or CSI feedback.

[0110] In some examples, the adaptive learning-based CSI / channel estimation involves training a model, such as a predictive model. The model may be used to determine the CSI / channel estimation associated with reference signals. The model may be trained based on training data (e.g., training information) , which may include feedback, such as feedback associated with the CSI / channel estimation (e.g., measurements of reference signals) .

[0111] FIG. 6 illustrates an example networked environment 600 in which a predictive model 624 is used for determining CSI / channel estimation. As shown in FIG. 6, networked environment 600 includes a node 620, a training system 630, and a training repository 615, communicatively connected via network 605. The node 620 may be a UE (e.g., such as the UE 104 in the wireless communication network 100) or a BS (e.g., such as the BS 102 in the wireless communication network 100) . The network 605 may be a wireless network such as the wireless communication network 100, which may be a 5G NR wireless network, for example. While the training system 630, node 620, and training repository 615 are illustrated as separate components in FIG. 6, it should be recognized by one of ordinary skill in the art that the training system 630, node 620, and training repository 615 may be implemented on any number of computing systems, either as one or more standalone systems or in a distributed environment.

[0112] The training system 630 generally includes a predictive model training manager 632 that uses training data to generate a predictive model 624 for determining CSI and / or a channel estimation based on signal measurements. The predictive model 624 may be determined based on the information in the training repository 615.

[0113] The training repository 615 may include training data obtained before and / or after deployment of the node 620. The node 620 may be trained in a simulated communication environment (e.g., in field testing, drive testing, etc. ) prior to deployment of the node 620. For example, various CSI and / or channel estimations (e.g., channel quality indicator (CQI) , precoding matrix indicator (PMI) , reference signal received power (RSRP) , a signal-to-interference plus noise ratio SINR, etc. ) can be tested in various scenarios, to obtain training information related to the CSI / channel estimation procedure. This information can be stored in the training repository 615. After deployment, the training repository 615 can be updated to include feedback associated with CSI / channel estimation procedures performed by the node 620. The training repository can also be updated with information from other BSs and / or other UEs, for example, based on learned experience by those BSs and UEs, which may be associated with CSI / channel estimation procedures performed by those BSs and / or UEs.

[0114] The predictive model training manager 632 may use the information in the training repository 615 to determine the predictive model 624 (e.g., algorithm) used for CSI / channel estimation, such as to determine CQI, PMI, RSRP, SINR, etc. As discussed in more detail herein, the predictive model training manager 632 may use various different types of adaptive learning to form the predictive model 624, such as machine learning, deep learning, reinforcement learning, etc. The training system 630 may adapt (e.g., update / refine) the predictive model 624 over time. For example, as the training repository is updated with new training information (e.g., feedback) , the predictive model 624 is updated based on the new learning / experience.

[0115] The training system 630 may be located on the node 620, on a BS in the network 605, or on a different entity that determines the predictive model 624. If located on a different entity, then the predictive model 624 is provided to the node 620.

[0116] The training repository 615 may be a storage device, such as a memory. The training repository 615 may be located on the node 620, the training system 630, or another entity in the network 605. The training repository 615 may be in cloud storage, for example. The training repository 615 may receive training information from the node 620, entities in the network 605 (e.g., BSs or UEs in the network 605) , the cloud, or other sources.

[0117] As described above, the node 620 is provided with (or generates, e.g., if the training system 630 is implemented in the node 620) the predictive model 624. As illustrated, the node 620 may include a CSI / channel estimation manager 622 configured to use the predictive model 624 for CSI / channel estimation described herein. In some examples, the node 620 uses the predictive model 624 to generate CSI and / or determine channel estimation based on received signal measurements. The predictive model 624 is updated as the training system 630 adapts the predictive model 624 with new learning.

[0118] Thus, the CSI / channel estimation algorithm, using the predictive model 624, of the node 620 is adaptive learning-based, as the algorithm used by the node 620 changes over time, even after deployment, based on experience / feedback the node 620 obtains in deployment scenarios (and / or with training information provided by other entities as well) .

[0119] According to certain aspects, the adaptive learning may use any appropriate learning algorithm. As mentioned above, the learning algorithm may be used by a training system (e.g., such as the training system 630) to train a predictive model (e.g., such as the predictive model 624) for an adaptive-learning based CSI / channel estimation algorithm used by a device (e.g., such as the node 620) for determining CSI / channel estimation based on received signal measurements as further described herein. In some examples, the adaptive learning algorithm is an adaptive machine learning algorithm, an adaptive reinforcement learning algorithm, an adaptive deep learning algorithm, an adaptive continuous infinite learning algorithm, or an adaptive policy optimization reinforcement learning algorithm (e.g., a proximal policy optimization (PPO) algorithm, a policy gradient, a trust region policy optimization (TRPO) algorithm, or the like) . In some examples, the adaptive learning algorithm is modeled as a partially observable Markov Decision Process (POMDP) . In some examples, the adaptive learning algorithm is implemented by an artificial neural network (e.g., a deep Q network (DQN) including one or more deep neural networks (DNNs) ) .

[0120] In some examples, the adaptive learning (e.g., used by the training system 630) is performed using a neural network. Neural networks may be designed with a variety of connectivity patterns. In feed-forward networks, information is passed from lower to higher layers, with each neuron in a given layer communicating to neurons in higher layers. A hierarchical representation may be built up in successive layers of a feed-forward network. Neural networks may also have recurrent or feedback (also called top-down) connections. In a recurrent connection, the output from a neuron in a given layer may be communicated to another neuron in the same layer. A recurrent architecture may be helpful in recognizing patterns that span more than one of the input data chunks that are delivered to the neural network in a sequence. A connection from a neuron in a given layer to a neuron in a lower layer is called a feedback (or top-down) connection. A network with many feedback connections may be helpful when the recognition of a high-level concept may aid in discriminating the particular low-level features of an input.

[0121] In some examples, the adaptive learning (e.g., used by the training system 630) is performed using a deep belief network (DBN) . DBNs are probabilistic models comprising multiple layers of hidden nodes. DBNs may be used to extract a hierarchical representation of training data sets. A DBN may be obtained by stacking up layers of Restricted Boltzmann Machines (RBMs) . An RBM is a type of artificial neural network that can learn a probability distribution over a set of inputs. Because RBMs can learn a probability distribution in the absence of information about the class to which each input could be categorized, RBMs are often used in unsupervised learning. Using a hybrid unsupervised and supervised paradigm, the bottom RBMs of a DBN may be trained in an unsupervised manner and may serve as feature extractors, and the top RBM may be trained in a supervised manner (on a joint distribution of inputs from the previous layer and target classes) and may serve as a classifier.

[0122] In some examples, the adaptive learning (e.g., used by the training system 630) is performed using a deep convolutional network (DCN) . DCNs are networks of convolutional networks, configured with additional pooling and normalization layers. DCNs have achieved state-of-the-art performance on many tasks. DCNs can be trained using supervised learning in which both the input and output targets are known for many exemplars and are used to modify the weights of the network by use of gradient descent methods. DCNs may be feed-forward networks. In addition, as described above, the connections from a neuron in a first layer of a DCN to a group of neurons in the next higher layer are shared across the neurons in the first layer. The feed-forward and shared connections of DCNs may be exploited for fast processing. The computational burden of a DCN may be much less, for example, than that of a similarly sized neural network that comprises recurrent or feedback connections.

[0123] An artificial neural network, which may be composed of an interconnected group of artificial neurons (e.g., neuron models) , is a computational device or represents a method performed by a computational device. These neural networks may be used for various applications and / or devices, such as Internet Protocol (IP) cameras, Internet of Things (IoT) devices, autonomous vehicles, and / or service robots. Individual nodes in the artificial neural network may emulate biological neurons by taking input data and performing simple operations on the data. The results of the simple operations performed on the input data are selectively passed on to other neurons. Weight values are associated with each vector and node in the network, and these values constrain how input data is related to output data. For example, the input data of each node may be multiplied by a corresponding weight value, and the products may be summed. The sum of the products may be adjusted by an optional bias, and an activation function may be applied to the result, yielding the node’s output signal or “output activation. ” The weight values may initially be determined by an iterative flow of training data through the network (e.g., weight values are established during a training phase in which the network learns how to identify particular classes by their typical input data characteristics) .

[0124] Different types of artificial neural networks can be used to implement adaptive learning (e.g., used by the training system 630) , such as recurrent neural networks (RNNs) , multilayer perceptron (MLP) neural networks, convolutional neural networks (CNNs) , and the like. RNNs work on the principle of saving the output of a layer and feeding this output back to the input to help in predicting an outcome of the layer. In MLP neural networks, data may be fed into an input layer, and one or more hidden layers provide levels of abstraction to the data. Predictions may then be made on an output layer based on the abstracted data. MLPs may be particularly suitable for classification prediction problems where inputs are assigned a class or label. Convolutional neural networks (CNNs) are a type of feed-forward artificial neural network. Convolutional neural networks may include collections of artificial neurons that each has a receptive field (e.g., a spatially localized region of an input space) and that collectively tile an input space. Convolutional neural networks have numerous applications. In particular, CNNs have broadly been used in the area of pattern recognition and classification. In layered neural network architectures, the output of a first layer of artificial neurons becomes an input to a second layer of artificial neurons, the output of a second layer of artificial neurons becomes an input to a third layer of artificial neurons, and so on. Convolutional neural networks may be trained to recognize a hierarchy of features. Computation in convolutional neural network architectures may be distributed over a population of processing nodes, which may be configured in one or more computational chains. These multi-layered architectures may be trained one layer at a time and may be fine-tuned using back propagation.

[0125] In some examples, when using an adaptive machine learning algorithm, the training system 630 generates vectors from the information in the training repository 615. In some examples, the training repository 615 stores vectors. In some examples, the vectors map one or more features to a label. For example, the features may correspond to various deployment scenario patterns discussed herein, such as frequency, subcarrier spacing, bandwidth, code rate, modulation and coding scheme, etc. The label may correspond to the CSI / channel estimation (e.g., CQI, PMI, RSRP, SINR, etc. ) associated with the features for performing CSI / channel estimation. The predictive model training manager 632 may use the vectors to train the predictive model 624 for the node 620. As discussed above, the vectors may be associated with weights in the adaptive learning algorithm. As the learning algorithm adapts (e.g., updates) , the weights applied to the vectors can also be changed. Thus, when the CSI / channel estimation procedure is performed again, under the same features (e.g., under the same set of conditions including frequency, subcarrier spacing, code rate, modulation and coding scheme, etc. ) , the model may give the node 620 a different result (e.g., different CQI, PMI, RSRP, SINR, etc. ) .

[0126] According to certain aspects, the adaptive learning based-CSI / channel estimation allows for continuous infinite learning. In some examples, the learning may be augmented with federated learning. For example, while some machine learning approaches use a centralized training data on a single machine or in a data center; with federated learning, the learning may be collaborative involving multiple devices to form the predictive model. With federated learning, training of the model can be done on the device, with collaborative learning from multiple devices. For example, referring back to FIG. 6, the node 620 can receive training information and / or updated trained models, from various different devices.

[0127] In certain aspects, the UE and / or the radio access network may train a set of machine learning models, where each model may be designed and / or developed for a certain scenario, such as an urban micro cell, an urban macro cell, or an indoor hotspot. The models may be associated with various bandwidth configurations. The models may be associated with various CSI payloads to fit different UE locations or wireless conditions. For example, if the UE is located near the cell center, the UE can report a CSI payload with greater resolution, and the UE may use a machine learning model associated with the particular CSI payload. If the UE is located on a cell edge, the UE may report a CSI payload with low resolution due to the cell coverage, and the UE may use a different machine learning associated with the low resolution CSI payload. In some cases, the models may be associated with various antenna architectures at the UE and / or base station. In certain aspects, the UE may use models to support beam management. For example, the UE may use a model to determine beams to use in future transmission occasions or determine finer beams based on coarse beam, and the UE may report the determined beam (s) with the RSRP associated with the beam (s) to the radio access network. In certain aspects, the UE may use models to perform positioning, where the UE may use the model to determine the distance and / or angle of the UE position relative to a base station, for example.

[0128] After training the models, the models may be registered with the radio access network. A model server (e.g., the training system 630 and / or training repository 615) may test the models, compile the models to run-time images, and store the run-time images. The model server may indicate to the radio access network to register the models. When the radio access network deploys a model, the radio access network may configure the UE to use the model (e.g., indicating a model identifier associated with the model) , and the UE may download the run-time image of the model from the model server (e.g., the training repository 615) . Due to different UE architectures, UEs may support storing a different number of models in their modems and / or memory (e.g., non-volatile memory and / or random access memory) , and the UEs may use different amounts of time to switch to using a model stored in the modem or to switch to using a model stored in memory.

[0129] While the examples depicted in FIG. 6 are described herein with respect to AI-based CSI or channel estimation to facilitate understanding, aspects of the present disclosure may also be applied to other AI generated information, including beam management information and / or UE positioning information, for example.

[0130] As UEs may have different architectures, machine learning capabilities may be divided into different categories. As an example, a machine learning capability may represent the maximum number of active machine learning models that a UE is capable of processing or storing (e.g., via the UE’s modem) , the maximum number of inactive machine learning models that the UE is capable of storing (e.g., in memory) , the minimum amount of time used to switch to using an inactive machine learning model, or combinations of machine learning models the UE is capable of processing or storing concurrently. The UE may indicate, to a radio access network, the specific machine learning capabilities that the UE is capable of performing (e.g., the maximum number of machine learning models that the UE is capable of processing or storing in its modem) , and the radio access network may configure the UE with machine learning model (s) according to the machine learning capabilities. For example, if the UE can only support storing and processing a single machine learning model in its modem, the radio access network may configure or schedule the UE with processing using only a single machine learning model at any time.

[0131] Different timelines may be supported for processing CSI using machine learning models. For example, a faster timeline may be used if the UE is switching between active machine learning models (e.g., stored in the UE’s modem) , and a slower timeline may be used if the UE is activating a new machine learning model. To activate a new machine learning model, the UE may download the machine learning model from the radio access network or load the machine learning model from memory (e.g., non-volatile memory or random access memory) .

[0132] Certain criteria for concurrent processing of machine learning models may be supported. For example, a machine learning model may occupy a number of processing units. A UE may support a maximum number of processing units associated with machine learning models, such that the UE is capable of processing multiple machine learning models concurrently up to the maximum number of processing units. In another aspect, the criteria of concurrent processing may be supported by reporting machine learning model combinations and the number of concurrent processing tasks or inference tasks associated with a combination configured / scheduled concurrently. In this case, the UE may report one or more model combinations, e.g., a first combination including {model 1, 2, 3} and second combination including {model 1 and 2} . The UE may report a total number inference tasks the combinations can process or report a number of inference tasks associated with each model in a combination. For example, the UE may report a total three tasks for the combination of {model 1 and 2} and a total of four tasks for the combination of {model 1, 2, 3} .

[0133] The machine learning model procedures described herein may enable improved wireless communication performance (e.g., higher throughputs, lower latencies, and / or spectral efficiencies) . For example, different UE architectures may support different timelines for processing CSI (and / or other information) using machine learning models. The different categories for machine learning capabilities may allow the radio access network to dynamically configure a UE with machine learning models in response to the UE’s particular machine learning capabilities. Such dynamic configurations may allow a UE to process CSI (and / or beam management information, UE positioning information, channel estimation, etc. ) using machine learning models under various conditions, such as high latency, low latency, ultra-low latency, high resolution CSI, low resolution CSI, wide beam, narrow beam, etc.

[0134] FIG. 7 is a diagram illustrating an example wireless communication network 700 using machine learning models, in accordance with certain aspects of the present disclosure. In this example, a model server 704 may perform model training, model testing, and / or compiling of runtime images for machine learning models, for example, as described herein with respect to FIG. 6. The model server 704 may include the training system 630 and / or training repository 615. In some cases, the model server 704 may be integrated or co-located with the BS 102. In certain cases, the model server 704 may be in communication with the BS 102 and accessed via network communications, such as the internet. For example, the model server 704 may be representative of a cloud computing system operated by the UE vendor, chipset vendor, and / or a third party. The model server 704 may include an over-the-top (OTT) server. In certain aspects, the model server 704 may be accessible to the UE 104 via multiple radio access technologies, such as WiFi and 5G NR.

[0135] The BS 102 may configure the UE 104 with reference signals used for data collection for machine learning training at a model server 704. For example, the BS 102 may configure the UE 104 to measure a reference signals (or an interference measurement resource) for data-collection and configure meta-information associated with the reference signals. In this example, the reference signals (e.g., a CSI-RS and / or SSB) may be associated with analog / digital beams 706, or a particular antenna layout equipped at the BS. The meta-information for data-collection may include a precoder, beamforming, antenna setup information associated with the reference signal, for example. In some cases, the meta-information may be an identifier (ID) which is a regarded as particular representative of those configurations. The UE may measure the reference signal and transmit the measurements to the model server 704 along with the meta-information, Doppler information, delay spread information, channel quality information, and / or a time-stamp.

[0136] The model server 704 may perform model training based on the measurements associated with the reference signals taken by the UE 104. After model training, the model server 704 may test the trained model and compile the trained model to run-time image (s) . After the model is trained or developed, the model server 704 may register a model identifier associated with the model with the radio access network. In the model deployment phase, the BS 102 may configure the UE with model identifiers associated with the models to use for AI-based processing. The UE may download the run-time image from the model server 704 per the model identifiers. In the inference phase, the BS 102 may transmit reference signals associated with the beams 706 for AI-based reporting, such as CSI, beam management, UE positioning.

[0137] In this example, the BS 102 may transmit (e.g., send, output, or provide) machine learning functionality information 702 to the UE 104. The machine learning functionality information 702 may include various information associated with AI-based reporting. In some cases, the machine learning functionality information 702 may include the configuration for AI-based reporting. For example, the machine learning functionality information 702 may include the training data for one or more machine learning models, run-time images associated with the machine learning model (s) , and / or setup parameter (s) associated with the machine learning model (s) . The machine learning functionality information 702 may be conveyed in machine learning model configurations (e.g., CSI reporting configurations associated with machine learning models) , configuration / reconfiguration of periodic / aperiodic CSI associated with a machine learning model, activation / deactivation of semi-persistent CSI associated with a machine learning model, and / or a trigger for reporting aperiodic CSI associated with a machine learning model.

[0138] As an example, the UE 104 may monitor for downlink reference signals (or interference measurement resources) from the BS 102, such as a CSI-RS and / or SSB associated with beam (s) 706. The UE 104 may determine AI-based information 708 (e.g., channel estimation) and / or AI-base report 710 (e.g., CSI) associated with the beams 706 based at least in part on the received reference signals corresponding to the beams 706. The UE 104 may report the AI-based report 710 to the BS 102. The AI-based report 710 may include various information, such as CSI, beam management information (e.g., preferred beams) , UE positioning information, and / or channel estimation. In some cases, the UE 104 may use the channel estimation for transmit and / or receive beamforming, for example.

[0139] In certain cases, the BS 102 may transmit the reference signals (e.g., CSI-RS and / or SSB) using beams, which may be obtained by artificial intelligence and / or machine learning (AI / ML) at the BS 102 and / or UE 104. The UE 104 may use a CSI encoder to compress the channel estimate to a small dimension and report the CSI to the BS 102. The BS 102 may employ a CSI decoder to recover the full channel. In certain cases, the CSI encoder and decoder are matched AI / ML modules, e.g., jointly trained AI / ML modules.

[0140] In certain cases, the UE 104 may perform artificial intelligence (e.g., a neural network and / or machine learning) and / or regression analysis (e.g., a linear minimum mean square error (LMMSE) operation) to determine the AI-based information 708 and / or the AI-based report 710. For example, the UE 104 may use a machine learning module 712 to determine the AI-based information 708 and / or the AI-based report 710. The machine learning module 712 may include one or more active machine learning functionalities 718, and in some cases, the machine learning module may include one or more inactive machine learning functionalities 720. The UE 104 may select a machine learning model functionality (and an associated ML Model) among the active machine learning functionalities 718 and / or the inactive machine learning functionalities 720 (and an associated ML Model) to use for determining the AI-based information 708 and / or the AI-based report 710. The UE 104 may select the machine learning functionality in response to a configuration from the BS 102, such as a periodic or semi-persistent CSI configuration or a trigger for aperiodic CSI. The CSI encoder / decoder or the AI-based channel estimator is analogous to a CSI codebooks, e.g., Type-1 codebook, Type-2 codebook, or eType-2 codebook. The model identifier may be associated / configured in a CSI report configuration like a codebook. In response to the BS 102 triggering or activating a particular CSI report, the UE may use the corresponding model indicated in the CSI report configuration.

[0141] An active machine learning model may be a machine learning model loaded in memory (e.g., random-access memory) and available for processing, whereas an inactive machine learning model may be a machine learning model stored in a data storage device (e.g., non-volatile memory) , for example, due to the size of the modem memory. The inactive models are available for processing, where a certain amount of time may or may not be used to load the inactive machine learning model into the memory. The time to load (e.g., switch to using) an inactive machine learning model may depend on the UE architecture, such that some UEs may support a short loading time, and other UEs may support a long loading time.

[0142] A processing system may execute the machine learning module 712, such as the processing system described herein with respect to FIG. 13. The input 714 of the machine learning module 712 may include measurements of the received reference signal (s) (e.g., a CSI-RS and / or SSB) from the BS 102 or interference measurements. For example, the input 714 may include the received reference signal and / or interference measurements represented in the frequency domain. The output 716 of the machine learning module 712 may include the AI-based information 708 and / or the AI-based report 710.

[0143] In certain aspects, timing criteria may be applied to loading or configuring new machine learning models at the UE. Assuming a UE is capable of having a first number of active machine learning models (M) and having a second number of inactive machine learning models (N) , the radio access network may configure (or deploy) the UE with machine learning models totaling up to the sum of the first number and the second number (M + N) from the set of registered machine learning models. The M+N models are ready-to-use for periodic, semi-persistent, or dynamic triggering, but with a certain processing timeline criteria and / or concurrent processing criteria, as further described herein. In some cases, after the UE receives the machine learning model configuration (e.g., a radio resource control (RRC) configuration) , the UE may download the model (s)  / run-time image (s) associated with the configuration from the model server (e.g., the model server 704) and load M of the models to the modem, for example. In certain cases, assuming the UE has already downloaded all of the model (s)  / run-time image (s) to a storage device, the UE may load the active model (s)  / run-time image (s) associated with the configuration to the modem, for example. The UE may transmit, to the radio access network, an acknowledgement that the model (s) have been successfully loaded. Example Timelines for ML Functionality Switching

[0144] As noted above, ML models may be used to determine various types of information associated with a wireless communication network. For example, ML models may be used to determine CSI at the UE, beam management, UE positioning, and / or channel estimation, for example. In any of these applications, machine learning models may be designed for a corresponding functionality or use cases.

[0145] Due to different UE architectures, UEs may support various capabilities related to using machine learning models. For example, UEs may store a different number of models in their modems and / or memory, and the UEs may use different amounts of time to switch to using a model stored in the modem or to switch to using a model stored in memory. Thus, there may be some uncertainty on how to handle model switching for the different UE architectures in a radio access network. In addition, the status of particular ML models at the UE side at any given time may not be visible at the network side.

[0146] To help address such issues, aspects of the present disclosure propose switching between ML functionalities, rather than individual ML models. In this context, ML functionalities may include, for example, ML CSI prediction, ML compression, ML beam prediction in the spatial domain, ML beam prediction in the temporal domain, and ML positioning.

[0147] Models designed for such functionalities may have different sizes and, hence, may have various memory costs. The number of active functionalities may depend on their corresponding model size. For example, a UE may be able to keep one functionality (e.g., CSI prediction or compression) if the corresponding ML model is heavy-weighted (e.g., involves a relatively large number of weights) , or may keep more than one functionality (e.g., beam prediction in spatial and temporal domain) if the corresponding models are light-weighted (e.g., involve relatively small numbers of weights) .

[0148] FIG. 8 is an example call flow diagram signaling flow 800 illustrating an example of a timeline for ML functionality switching, in accordance with aspects of the present disclosure. In this example, the UE 104 may be in communication with a network entity (e.g., the BS 102) .

[0149] In some cases, as indicated at 804, the UE may obtain one or more machine learning models from a model server 704. In some cases, the UE 104 may communicate with the model server 704 via the BS 102. In certain cases, the UE 104 may communicate with the model server 704 via another radio access technology, such as WiFi. For example, the UE 104 may download run-time images associated with the machine learning models from the model server 704 (e.g., the training system 630 and / or training repository 615) . That is, the UE 104 may pre-download the machine learning models available from the model server 704.

[0150] As illustrated, at 802, the UE 104 may report UE capability information regarding support by the UE of multiple machine learning (ML) functionalities. At 802, applicability of AI / ML functionality may be also reported to the network entity. For example, in one step, the UE indicates UE capability for supporting AI / ML based CSI prediction, CSI compression, or beam management with spatial domain prediction or temporal domain prediction. Then, the network may configure one or more CSI reports or inference parameters to check if these reports configuration (s) or inference parameters are applicable at UE side. In a third step, the UE may report the applicability of the configuration (s) or inference parameters. In some aspects, the configuration (s) or inference parameters may be based on data collection in training. For example, if an associated ID, model ID, or pairing ID (e.g., for two-sided CSI feedback) is assigned to a data collection procedure or configuration, then the UE may be able to have an AI / ML model trained with a dataset represented by the associated ID, model ID, or pairing ID. When the network enquires about the applicability of the associated ID, model ID, or pairing ID, UE may report applicability of / to these IDs.

[0151] As indicated at 806, the UE may receive a CSI request. The CSI request may be for the UE to send a CSI report associated with an ML functionality (e.g., that the UE indicated support for in the UE capability information) .

[0152] As indicated at 808, the UE may then transmit a CSI report. As indicated, the CSI report may include information generated using an ML model associated with the ML functionality indicated in the CSI request.

[0153] The CSI report may be generated and transmitted according to a timeline 810 based on the (ML functionality indicated in the CSI request) and the indicated UE capability.

[0154] As noted above, particular ML models at the UE side may not be visible to the network side. Thus, there may be some uncertainty in timelines associated with switching between models.

[0155] Aspects of the present disclosure propose switching between ML functionalities, with associated timelines based on active / inactive status of ML functionalities.

[0156] In this context, timeline may refer to various time periods, such as the timeline 810 shown in FIG. 8 between receiving a CSI request and transmitting a CSI report. The timeline allows for using an ML model to generate the requested information. If there is functionality switching (e.g., between an active ML functionality to a currently inactive functionality) , a longer or slower timeline may be used (e.g., to account for addition time to load an ML model associated with an inactive functionality) . Otherwise (e.g., if there is no functionality switching) , a faster timeline (e.g., nominal timeline) may be assumed. In some cases, the faster timeline (e.g., nominal timeline) may be reported as a UE capability, as the timeline is typically highly dependent on the model choice and hardware architecture. In one example, a UE may report the timeline requirement (Z, Z’) for an AIML use case as capability, where the Z value is the gap between the last symbol of A-CSI request and the first symbol of the report (e.g., PUSCH) and Z’ value is the gap between the last symbol of a last measurement resource / occasion and the first symbol of the report (e.g., PUSCH) . In another example, the Z’ value is reported by UE as a capability, while the Z value is determined by or formulated as adding a time offset to Z’, (e.g., Z=Z’+k) . Such additional time offset k may not be related to AIML based on operation but, instead, it may be related to DCI decoding and channel estimation for the measurement resource. Hence, it may be reasonable to consider legacy difference between Z and Z’ values as the additional offset. More specifically, for CSI prediction use case, since multiple measurement occasions are needed, the gap between DCI and the report may be relaxed considering the number of measurement occasions. With such, using a parameter Z′alml-csi-pred, being the timing between measurement resource and the report as UE capability, then the timing between the DCI and the report is Z′alml-csi-pred+Z2-Z′2+w (in other words, k=Z2-Z′2+w) or Z′alml-csi-pred+Z2+w (in other words, k=Z2+w) , where (Z2, Z′2) may be specified in a standard specification, w=14 (K-1) m if measurement resource is aperiodic; w=56 (Kp-1) if measurement resource is periodic or semi-persistent. For the CSI compression use case, using parameter Z′alml-csi-compr being the timing between measurement resource and the report as UE capability, then the timing between the DCI and the report is Z′alml-csi-compr+Z2-Z′2 (in other words, k=Z2-Z′2) where (Z2, Z′2) may be specified in a standard specification. In some other cases, the slower time may also be reported by UE in the same manner above. In some other case, the slower time may be determined by adding an offset t for model preemption and loading (switching) and the offset t may be reported by the UE as a capability (or may be defined in a standard specification) .

[0157] There are various options for representing a ML functionality, for example, based on an association between a configuration ID (e.g., a CSI report ID) and the ML functionality. In some cases, each ML functionality may be represented by one or more identifiers (IDs) . In such cases, switching between a first (e.g., active) ML functionality and a second (e.g., inactive) ML functionality may be accomplished by indicating one or more IDs associated with the second ML functionality. The one or more IDs may include one or a combination of: a channel state information (CSI) report ID, associated IDs, pairing IDs, or model IDs. A functionality may be represented by such IDs jointly with other CSI report configurations.

[0158] In some cases, switching between functionalities may be accomplished by switching between any of the IDs (or combinations of IDs) representing the ML functionalities. Thus, a different model may be used for different report IDs, associated IDs, pairing IDs, model IDs.

[0159] In some other cases, CSI prediction may be represented by a report ID, a beam management (BM) functionality may be represented by a report ID and an associated ID, while CSI compression may be represented by a report ID and pairing / model ID. Switching from CSI prediction functionality to BM functionality may involve switching from CSI report 1 to CSI report 2 with an associated ID1. Switching from a BM functionality to CSI compression may involve switching from a CSI report 2 with an associated ID1 to a CSI report 3 with pairing / model 1.

[0160] In some cases, switching from CSI prediction with CSI report 1 to CSI prediction with CSI report 2 may incur no additional switching time, while switching from BM functionality with CSI report 1 and associated ID1 to BM functionality with CSI report 2 and associated ID2 may or may not incur additional switching time depending on whether the UE uses the same or a different model for associated ID1 and ID2, and / or depending on whether the UE is able to keep both models for associated ID1 and ID2 in the modem / AI engine / AI accelerator at the same time. Switching from CSI compression with CSI report 1 and model pairing 1 to CSI report 2 and model pairing 2 may or may not incur additional time, depending on whether the UE uses the same or a different model for pairing ID1 and ID2, and / or depending on whether the UE is able to keep both models for pairing ID1 and ID2 in the modem / AI engine / AI accelerator at the same time.

[0161] In certain cases, switching between functionalities may involve switching from a CSI report 1 and a codebook configuration (e.g., that indicates CSI prediction) to CSI report 2 and AIML compression with model pairing 2 (e.g., that indicates a CSI report) . In certain cases, switching between functionalities may involve switching from CSI report 1 and a codebook configuration and a report quantity of PMI reporting to CSI report 2 and a report quantity of L1-RSRP prediction (e.g., for AIML BM) .

[0162] According to certain aspects, a UE may report UE capability and an applicable condition for each functionality. The network entity (e.g., gNB) may then configure CSI report IDs for each functionality based on the capability and applicable condition.

[0163] According to certain aspects, multiple CSI reports may be associated to a single functionality. For example, if CSI report 1 and 2 are both associated to functionality 1, if CSI report 1 is triggered for inference first and CSI report 2 is triggered afterwards, a fast (shorter) timeline may be used.

[0164] In some cases, a UE may further report that longer time is selectively applied among functionalities. For example, switching among two BM functionalities (e.g., BMcase1 and BMcase2) may involve a longer timeline, while switching between BM functionalities to CSI functionalities may not involve a longer timeline. This may mean, for example, that there is common AI engine for BMcase1 and BMcase2 (if the UE can only keep one functionality in the AI engine) , but another AI engine for CSI prediction and CSI compression. In another example, as illustrated in diagram 900 of FIG. 9A, the UE may not need a longer timeline for BM case 1 and BM case 2 switching. However, as illustrated at 902, the UE may need a longer timeline for switching from BM cases to CSI cases (e.g., CSI compression or prediction) and may also need a longer time for switching among CSI use cases.

[0165] This may mean, for example, that the UE has a common AI engine for both BM use cases and CSI cases, and that the UE can (e.g., always) keep models for BM case 1 and case 2 in the AI engine at the same time, but can only keep one model for CSI use cases (e.g., either CSI compression or CSI prediction) at a particular time. Alternatively, this may be understood as the UE supporting two active states, one for a CSI use case (e.g., models for either prediction or compression) and another for BM cases (e.g., models for BM case 1 and BM case 2 can be kept in the AI engine at the same time) . If the CSI use case is in the active state, then triggering the BM use case may need a longer timeline. Similarly, if the BM cases are in the active state, then triggering CSI prediction or compression may need a longer timeline. In some cases, the UE may indicate the two supported active states as a UE capability or an applicable condition to the NW side.

[0166] If a UE can keep multiple ML functionalities in an AI engine, then switching between some functionalities may not need a longer timeline. To this end, functionality active states may be defined. If a functionality is in the active state, its inference may be processed with a shorter timeline. If a functionality is outside the active state, its inference may be processed with a longer timeline.

[0167] Diagram 920 in FIG. 9B depicts an example where Functionality 1 is active. As indicated at 922, a slower timeline may be used when switching from Functionality 1 (e.g., CSI prediction) to Functionality 2 (e.g., BM case 1) or Functionality 3 (e.g., BM case 2) .

[0168] Diagram 940 in FIG. 9C depicts an example where Functionalities 2 and 3 are active. As indicated at 942, a faster timeline (e.g., nominal timeline) may be used when switching between BM case 1 and BM case 2. On the other hand, as illustrated at 944, a slower timeline may be used when switching to Functionality 1 from Functionality 2 or Functionality 3. There are various options for when to update the active / inactive status of a functionality. In some cases, for example, an active status may be updated when an inference is triggered / performed. If the associated functionality of the inference is in the active state, there may be no update. If the associated functionality of the inference is not in the active state, the active state may be updated. In some cases, a new functionality may move into the active state, while an existing functionality in the active state may be moved out if the active state is full.

[0169] There are various options for when the timing of the update occurs. For example, for an aperiodic (L1) report or dynamic scheduled report on MACCE / PUSCH (L2 / L3) triggered by DCI, the update may occur at the time of receiving the triggering.

[0170] For a configured report (e.g., periodic / semi-persistent report or configured grant for L3 reporting) there are various options.

[0171] According to a first option, an updated may be used. Such updates may be based on a per-report instance, e.g., occurs at certain time instance (e.g., CSI reference resource) prior to each report instance. In such cases, certain time instance can refer to the time of CSI reference resource. That is, the first or last symbol of the last CSI-RS / SSB transmission which is Z’ time prior to the report instance. Alternatively, it can be the first or last symbol of the Kp-th last CSI-RS / SSB transmission which is Z’ time prior to the report instance, where Kp is based on (e.g., dependent on) UE capability. Z’ value may depend on the use case.

[0172] According to a second option, the update may occur when receiving the RRC configuration of the configured report (e.g., periodic CSI report, configured uplink grant) or its triggering (e.g., DCI / MACCE that triggers a semi-persistent CSI report) . In such cases, the functionality may remain in the active state until RRC reconfiguration or after receiving a deactivation command.

[0173] When a new functionality is loaded and another functionality is to be moved out (of the active state) , there are various options for which functionality should be moved out.

[0174] According to a first option, which functionality is to be moved out may be based on a functionality priority. In such cases, each functionality may be granted a priority value which may be standardized. For example, the functionality with the lowest priority in the active state may be moved out.

[0175] According to a second option, which functionality to move out may be based on a functionality ID. For example, the functionality with the lowest ID may be moved out. The ID could be a CSI report configuration ID, an associated ID, a pairing ID, a model ID, or a combination thereof.

[0176] According to a third option (Option 3) , which functionality to move out may be based on the age or order of the functionalities in the active state. For example, the functionality with the longest age (or the largest order) in the active state may be moved out. According to certain aspects, the initial status may be explicitly reported by UE or assumed to be an empty status.

[0177] As illustrated in FIGs. 10A, 10B, and 10C, there are a number of scenarios / cases associated with functionality switching, in accordance with aspects of the present disclosure. These cases may assume that an additional time for switching is non-negligible.

[0178] A first case (Case 1) , illustrated in diagram 1000 of FIG. 10A, may be characterized by a same CSI trigger triggering two functionalities together (as illustrated at 1002) . In Case 1, the total time may be defined by the sum of their individual nominal (faster) timelines and an additional time offset for functionality switching. An existing rule defining a time requirement may be defined by the following equation: {Z, Z’} = {max (Z (n) ) , max (Z’ (n) ) } .

[0179] Case 1 may include an additional requirement that model switching (e.g., including model preemption and model loading) time t is added, considering that the two models may be processed sequentially. In another example, considering that the UE may not be able to perform the two CSI measurement / reporting in parallel given their timeline, the applied timeline may be a summation of the timeline of each individual use case or feature. For example, if CSI and BM are triggered together, the timeline may be Z2+Z3 for the gap between A-CSI trigger and PUSCH carrying the report, and the timeline may be Z2’+Z3’ for the gap between A-CSI-RS and PUSCH carrying the report. In this context, {Z2, Z2’} and {Z3 Z3’} are the timelines for CSI use case and BM use case individually. In some cases, an additional switching time t may be added so the total timeline would be Z2+Z3+t and Z2’+Z3’+t. In some case, the model switching time may be negligible, such that the timeline would be Z2+Z3+t and Z2’+Z3’. In some other case, the model switching time may be absorbed into the timeline of each individual use case considering the case that there would be switching between specified use cases and / or features and proprietary AIML features which also run in the same AI engine. In this case, even when triggering two CSI reports sharing the same model, there may be model preemption for the proprietary feature (as it may be running using he AI engine all the time as long as no specified features take the AI engine) and loading the model for the specified use case and / or feature. In this case, the timeline for the specified feature may be Z2+Z3+t and Z2’+Z3’.

[0180] A second case (Case 2) , illustrated in diagram 1050 of FIG. 10B, may be characterized by two functionalities being triggered / operated in a sequential manner. As illustrated at 1052, a first A-CSI trigger may trigger a first functionality, and a second A-CSI trigger may trigger a second functionality (as shown at 1054) . In Case 2, the second (e.g., later triggered) functionality may have a longer time, defined by its individual nominal time summed with an additional time offset for functionality switching. As illustrated, model switching time t is added.

[0181] A third case (Case 3) , illustrated in diagram 1100 of FIG. 11, may be characterized by one functionality that is aperiodic (e.g., A-CSI) illustrated in timeline 1110 and another functionality that is periodic / semi-persistent (P / SP) (e.g., P / SP CSI) illustrated in timeline 1120. The aperiodic (e.g., A-CSI) functionality case may apply a longer timeline with an additional offset for switching considering the P / SP CSI is running in the AI engine, thus switching to the A-CSI may need an additional offset for functionality switching. Further, if the processing time or the duration (e.g., from the trigger to the report) where the A-CSI functionality occupies the active state is overlapping with a report instance of a P / SP report, then the overlapped P / SP report instance may be dropped / ignored / not updated / discarded (as shown at 1122) . In other words, Some periodic / semi-persistent report occasion maybe ignored if the models used A-CSI and the model used P-CSI cannot be active (in the AI accelerator) at the same time.

[0182] Additionally, the next P / SP instance after the A-CSI functionality may be associated with a longer time duration. In other words, the CSI reference resource may be further moved backwards by an additional time offset used for switching. As illustrated, for example, the CSI reference resource for P / SP CSI reporting may be extended by the model switching time, t.

[0183] There are various options for how to determine the functionalities that can coexist in the active state.

[0184] According to a first option, the UE may report a total budget of memory cost Ctot which is shared by all functionalities. In this case, the UE may also reports a weight of memory cost Ci for each functionality (e.g., C1 for BMcase1, C2 for BMcase2, C3 for CSI prediction, C4 for CSI compression, C5 for positioning) .

[0185] The actual functionalities can coexist in the active status satisfy For example, if Ctot=2, C1=1, C2=1, C3=2, C4=2, and C5=1 for BM case1, BM case 2, CSI prediction, CSI compression, and positioning, respectively, then a UE may be able to keep up to any two of BMcase1, BMcase2 and Positioning in the active state, but can only keep either CSI prediction or CSI compression in the active state. In another example, as illustrated in diagram 1200 of FIG. 12, if Ctot=3, C_prd=2, C_BM1=1, C_BM2=1, then it has 6 possible active states as shown: CSI prediction only (1202) , BMcase1 only (1204) , BM case2 only (1206) , CSI prediction + BMcase1 (1208) , CSI prediction + BMcase2 (1210) , and BMcase1 + BM case2 (1212) .

[0186] According to a second option, the UE may explicitly report the possible active states allowed (e.g., or known as the functionality combinations that can be kept concurrently in the AI engine) . In the example described above with respect to FIG. 12, Ctot=2, C1=1, C2=1, C3=2, C4=2, and C5=1 for BM case1, BM case 2, CSI prediction, CSI compression, and positioning, respectively, the UE may report positive active states as {BMcase1} , {BMcase2} , {pos} , {BMcase1, BMcase2} , {BMcase2, pos} , {BMcase1, pos} , {CSI prediction} , {CSI compression} . In some cases, the UE may further report that a functionality is always in the active state. In another example, the UE may only report two active states available (e.g., 1) CSI prediction only, and 2) BMcase 1+ BMcase 2 (e.g., as illustrated and described above with respect to FIG. 9A) ) .

[0187] There may be more than one active state if a UE has multiple AI engines. For example, one AI engine may be shared by BMcase1 and BMcase2, while another (2nd) AI engine may be dedicated for positioning. Another (e.g., 3rd) AI engine may be shared for CSI prediction and CSI compression and other use cases such as channel estimation. A fourth AI engine may be used dedicated for use as an AI receiver.

[0188] According to certain aspects, different use cases might be tied with multiple functionalities. For example, spatial beam prediction (e.g., functionality 2) might be tied with functionalities 2_a, 2_b, 2_c, etc. Each individual functionality may be associated with a different network configuration (e.g., the number of beams to measure and predict may vary among 2_a, 2_b, …) .

[0189] CSI prediction (functionality 4) may be tied with functionalities 4_a, 4_b, 4_c, etc. Each individual CSI prediction related functionality may be associated with a different functionality (e.g., prediction window, number of measurement instances, etc. ) . On some occasions, a network may configure a UE to run multiple functionalities simultaneously.

[0190] In general, a UE’s inference latency of one active functionality may depend on the set of other active functionalities.

[0191] For example, diagram 1300 of FIG. 13A illustrates an example case (Case 1) where inference latency of both BMCase1_a and CSI prediction_b are small, since the UE can store these models simultaneously in its modem.

[0192] Diagram 1350 of FIG. 13B illustrates how a UE may have to predict spatial beams (functionality 2) and CSI (functionality 4) simultaneously. In this example case (Case 2) , inference latency of both of BMCase1_c and CSI prediction_a may be relatively long, for example, since the UE cannot store these models in its modem simultaneously. The UE could alternatively perform loads and reloads these models from OTT server to modem. Example Operations

[0193] FIG. 14 shows an example of a method 1400 of wireless communication at a user equipment (UE) , such as a UE 104 of FIGS. 1 and 3.

[0194] Method 1400 begins at step 1405 with transmitting a first report that indicates UE capability information regarding support by the UE of multiple machine learning (ML) functionalities. In some cases, the operations of this step refer to, or may be performed by, circuitry for transmitting and / or code for transmitting as described with reference to FIG. 16.

[0195] Method 1400 then proceeds to step 1410 with receiving an indication to report first information associated with a first ML functionality of the ML functionalities. In some cases, the operations of this step refer to, or may be performed by, circuitry for receiving and / or code for receiving as described with reference to FIG. 16.

[0196] Method 1400 then proceeds to step 1415 with transmitting, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality. In some cases, the operations of this step refer to, or may be performed by, circuitry for transmitting and / or code for transmitting as described with reference to FIG. 16.

[0197] In some aspects, the ML functionalities involve at least one of: channel state information (CSI) prediction, compression, beam prediction, or positioning.

[0198] In some aspects, the first report also indicates one or more applicable conditions under which the UE supports the multiple ML functionalities.

[0199] In some aspects, the method 1400 further includes receiving configuration information indicating report identifiers (IDs) for each functionality based on the UE capability information and applicable conditions. In some cases, the operations of this step refer to, or may be performed by, circuitry for receiving and / or code for receiving as described with reference to FIG. 16.

[0200] In some aspects, the configuration indicates a first ID and a second ID that are both associated with the first ML functionality.

[0201] In some aspects, the ML functionalities are each represented by one or more identifiers (IDs) ; and switching between the first ML functionality and a second ML functionality is accomplished by indicating one or more IDs associated with the second ML functionality.

[0202] In some aspects, the one or more IDs comprise at least one of: a channel state information (CSI) report ID, associated IDs, pairing IDs, or model IDs.

[0203] In some aspects, the timeline the second report is transmitted according to is selected from a set of at least a first timeline and a second timeline that has a longer duration than the first timeline; and the UE applies the first timeline or the second timeline depending on a state of the first ML functionality.

[0204] In some aspects, the UE indicates at least one of: a first set of ML functionalities for which the first timeline is applicable when switching between ML functionalities of the first set; or a second set of ML functionalities for which the second timeline is applicable when switching between ML functionalities of the second set.

[0205] In some aspects, the first timeline is applied if the first ML functionality is in an active state; or the second timeline is applied if the first ML functionality is in an inactive state.

[0206] In some aspects, the method 1400 further includes updating the first ML functionality to the active state if the first ML functionality was in the inactive state. In some cases, the operations of this step refer to, or may be performed by, circuitry for updating and / or code for updating as described with reference to FIG. 16.

[0207] In some aspects, the update occurs when the indication to report the first information was received.

[0208] In some aspects, the update occurs: a certain time period prior to each report instance; or when receiving signaling configuring reporting, activating reporting, or deactivating reporting.

[0209] In some aspects, the method 1400 further includes moving one or more second ML functionalities in the active state to the inactive state based on one or more criteria. In some cases, the operations of this step refer to, or may be performed by, circuitry for moving and / or code for moving as described with reference to FIG. 16.

[0210] In some aspects, the one or more criteria involves at least one of: priority assigned to an ML functionality, an ID of an ML functionality, a duration an ML functionality has been in an active state, or an order in which an ML functionality entered the active state.

[0211] In some aspects, the method 1400 further includes reporting an active state or inactive state of one or more ML functionalities. In some cases, the operations of this step refer to, or may be performed by, circuitry for reporting and / or code for reporting as described with reference to FIG. 16.

[0212] In some aspects, the method 1400 further includes determining a set of ML functionalities that can coexist in the active state based on one or more criteria. In some cases, the operations of this step refer to, or may be performed by, circuitry for determining and / or code for determining as described with reference to FIG. 16.

[0213] In some aspects, the one or more criteria involves at least one of: a memory cost of each ML functionality in the set; or a budget of memory cost shared by all ML functionalities in the set.

[0214] In some aspects, the method 1400 further includes reporting the set of ML functionalities that can coexist in the active state. In some cases, the operations of this step refer to, or may be performed by, circuitry for reporting and / or code for reporting as described with reference to FIG. 16.

[0215] In some aspects, the set includes ML functionalities that run on different engines.

[0216] In one aspect, method 1400, or any aspect related to it, may be performed by an apparatus, such as communications device 1600 of FIG. 16, which includes various components operable, configured, or adapted to perform the method 1400. Communications device 1600 is described below in further detail.

[0217] Note that FIG. 14 is just one example of a method, and other methods including fewer, additional, or alternative steps are possible consistent with this disclosure.

[0218] FIG. 15 shows an example of a method 1500 of wireless communication at a network entity, such as a BS 102 of FIGS. 1 and 3, or a disaggregated base station as discussed with respect to FIG. 2.

[0219] Method 1500 begins at step 1505 with receiving a first report that indicates user equipment (UE) capability information regarding support by the UE of multiple machine learning (ML) functionalities. In some cases, the operations of this step refer to, or may be performed by, circuitry for receiving and / or code for receiving as described with reference to FIG. 16.

[0220] Method 1500 then proceeds to step 1510 with transmitting an indication to report first information associated with a first ML functionality of the ML functionalities. In some cases, the operations of this step refer to, or may be performed by, circuitry for transmitting and / or code for transmitting as described with reference to FIG. 16.

[0221] Method 1500 then proceeds to step 1515 with receiving, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality. In some cases, the operations of this step refer to, or may be performed by, circuitry for receiving and / or code for receiving as described with reference to FIG. 16.

[0222] In some aspects, the ML functionalities involve at least one of: channel state information (CSI) prediction, compression, beam prediction, or positioning.

[0223] In some aspects, the first report also indicates one or more applicable conditions under which the UE supports the multiple ML functionalities.

[0224] In some aspects, the method 1500 further includes transmitting configuration information indicating report identifiers (IDs) for each functionality based on the indicated UE capability information and applicable conditions. In some cases, the operations of this step refer to, or may be performed by, circuitry for transmitting and / or code for transmitting as described with reference to FIG. 16.

[0225] In some aspects, the configuration indicates a first ID and a second ID that are both associated with the first ML functionality.

[0226] In some aspects, the ML functionalities are each represented by one or more identifiers (IDs) ; and switching between the first ML functionality and a second ML functionality is accomplished by indicating one or more IDs associated with the second ML functionality.

[0227] In some aspects, the one or more IDs comprise at least one of: a channel state information (CSI) report ID, associated IDs, pairing IDs, or model IDs.

[0228] In some aspects, the timeline the second report is transmitted according to is selected from a set of at least a first timeline and a second timeline that has a longer duration than the first timeline; and the network entity applies the first timeline or the second timeline depending on a state of the first ML functionality.

[0229] In some aspects, the network entity receives, from the UE, an indication of at least one of: a first set of ML functionalities for which the first timeline is applicable when switching between ML functionalities of the first set; or a second set of ML functionalities for which the second timeline is applicable when switching between ML functionalities of the second set.

[0230] In some aspects, the first timeline is applied if the first ML functionality is in an active state; or the second timeline is applied if the first ML functionality is in an inactive state.

[0231] In some aspects, the method 1500 further includes updating the first ML functionality to the active state if the first ML functionality was in the inactive state. In some cases, the operations of this step refer to, or may be performed by, circuitry for updating and / or code for updating as described with reference to FIG. 16.

[0232] In some aspects, the update occurs when the indication to report the first information was transmitted.

[0233] In some aspects, the update occurs: a certain time period prior to each report instance; or when transmitting signaling configuring reporting, activating reporting, or deactivating reporting.

[0234] In some aspects, the method 1500 further includes moving one or more second ML functionalities in the active state to the inactive state based on one or more criteria. In some cases, the operations of this step refer to, or may be performed by, circuitry for moving and / or code for moving as described with reference to FIG. 16.

[0235] In some aspects, the one or more criteria involves at least one of: priority assigned to an ML functionality, an ID of an ML functionality, a duration an ML functionality has been in an active state, or an order in which an ML functionality entered the active state.

[0236] In some aspects, the method 1500 further includes reporting an active state or inactive state of one or more ML functionalities. In some cases, the operations of this step refer to, or may be performed by, circuitry for reporting and / or code for reporting as described with reference to FIG. 16.

[0237] In some aspects, the method 1500 further includes determining a set of ML functionalities that can coexist in the active state based on one or more criteria. In some cases, the operations of this step refer to, or may be performed by, circuitry for determining and / or code for determining as described with reference to FIG. 16.

[0238] In some aspects, the one or more criteria involves at least one of: a memory cost of each ML functionality in the set; or a budget of memory cost shared by all ML functionalities in the set.

[0239] In some aspects, the determination is based on a report, from the UE, indicating the set of ML functionalities that can coexist in the active state.

[0240] In one aspect, method 1500, or any aspect related to it, may be performed by an apparatus, such as communications device 1600 of FIG. 16, which includes various components operable, configured, or adapted to perform the method 1500. Communications device 1600 is described below in further detail.

[0241] Note that FIG. 15 is just one example of a method, and other methods including fewer, additional, or alternative steps are possible consistent with this disclosure. Example Communications Device (s)

[0242] FIG. 16 depicts aspects of an example communications device 1600. In some aspects, communications device 1600 is a user equipment, such as UE 104 described above with respect to FIGS. 1 and 3. In some aspects, communications device 1600 is a network entity, such as BS 102 of FIGS. 1 and 3, or a disaggregated base station as discussed with respect to FIG. 2.

[0243] The communications device 1600 includes a processing system 1605 coupled to the transceiver 1685 (e.g., a transmitter and / or a receiver) . In some aspects (e.g., when communications device 1600 is a network entity) , processing system 1605 may be coupled to a network interface 1695 that is configured to obtain and send signals for the communications device 1600 via communication link (s) , such as a backhaul link, midhaul link, and / or fronthaul link as described herein, such as with respect to FIG. 2. The transceiver 1685 is configured to transmit and receive signals for the communications device 1600 via the antenna 1690, such as the various signals as described herein. The processing system 1605 may be configured to perform processing functions for the communications device 1600, including processing signals received and / or to be transmitted by the communications device 1600.

[0244] The processing system 1605 includes one or more processors 1610. In various aspects, the one or more processors 1610 may be representative of one or more of receive processor 358, transmit processor 364, TX MIMO processor 366, and / or controller / processor 380, as described with respect to FIG. 3. In various aspects, one or more processors 1610 may be representative of one or more of receive processor 338, transmit processor 320, TX MIMO processor 330, and / or controller / processor 340, as described with respect to FIG. 3. The one or more processors 1610 are coupled to a computer-readable medium / memory 1645 via a bus 1680. In certain aspects, the computer-readable medium / memory 1645 is configured to store instructions (e.g., computer-executable code) that when executed by the one or more processors 1610, cause the one or more processors 1610 to perform the method 1400 described with respect to FIG. 14, or any aspect related to it; and the method 1500 described with respect to FIG. 15, or any aspect related to it. Note that reference to a processor performing a function of communications device 1600 may include one or more processors 1610 performing that function of communications device 1600.

[0245] In the depicted example, computer-readable medium / memory 1645 stores code (e.g., executable instructions) , such as code for transmitting 1650, code for receiving 1655, code for updating 1660, code for moving 1665, code for reporting 1670, and code for determining 1675. Processing of the code for transmitting 1650, code for receiving 1655, code for updating 1660, code for moving 1665, code for reporting 1670, and code for determining 1675 may cause the communications device 1600 to perform the method 1400 described with respect to FIG. 14, or any aspect related to it; and the method 1500 described with respect to FIG. 15, or any aspect related to it.

[0246] The one or more processors 1610 include circuitry configured to implement (e.g., execute) the code stored in the computer-readable medium / memory 1645, including circuitry for transmitting 1615, circuitry for receiving 1620, circuitry for updating 1625, circuitry for moving 1630, circuitry for reporting 1635, and circuitry for determining 1640. Processing with circuitry for transmitting 1615, circuitry for receiving 1620, circuitry for updating 1625, circuitry for moving 1630, circuitry for reporting 1635, and circuitry for determining 1640 may cause the communications device 1600 to perform the method 1400 described with respect to FIG. 14, or any aspect related to it; and the method 1500 described with respect to FIG. 15, or any aspect related to it.

[0247] Various components of the communications device 1600 may provide means for performing the method 1400 described with respect to FIG. 14, or any aspect related to it; and the method 1500 described with respect to FIG. 15, or any aspect related to it. For example, means for transmitting, sending or outputting for transmission may include transceivers 354 and / or antenna (s) 352 of the UE 104 illustrated in FIG. 3, transceivers 332 and / or antenna (s) 334 of the BS 102 illustrated in FIG. 3, and / or the transceiver 1685 and the antenna 1690 of the communications device 1600 in FIG. 16. Means for receiving or obtaining may include transceivers 354 and / or antenna (s) 352 of the UE 104 illustrated in FIG. 3, transceivers 332 and / or antenna (s) 334 of the BS 102 illustrated in FIG. 3, and / or the transceiver 1685 and the antenna 1690 of the communications device 1600 in FIG. 16. Example Clauses

[0248] Implementation examples are described in the following numbered clauses:

[0249] Clause 1: A method for wireless communication at a user equipment (UE) , comprising: transmitting a first report that indicates UE capability information regarding support by the UE of multiple machine learning (ML) functionalities; receiving an indication to report first information associated with a first ML functionality of the ML functionalities; and transmitting, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.

[0250] Clause 2: The method of Clause 1, wherein the ML functionalities involve at least one of: channel state information (CSI) prediction, compression, beam prediction, or positioning.

[0251] Clause 3: The method of any one of Clauses 1-2, wherein the first report also indicates one or more applicable conditions under which the UE supports the multiple ML functionalities.

[0252] Clause 4: The method of Clause 3, further comprising receiving configuration information indicating report identifiers (IDs) for each functionality based on the UE capability information and applicable conditions.

[0253] Clause 5: The method of Clause 4, wherein the configuration indicates a first ID and a second ID that are both associated with the first ML functionality.

[0254] Clause 6: The method of any one of Clauses 1-5, wherein: the ML functionalities are each represented by one or more identifiers (IDs) ; and switching between the first ML functionality and a second ML functionality is accomplished by indicating one or more IDs associated with the second ML functionality.

[0255] Clause 7: The method of Clause 6, wherein the one or more IDs comprise at least one of: a channel state information (CSI) report ID, associated IDs, pairing IDs, or model IDs.

[0256] Clause 8: The method of any one of Clauses 1-7, wherein: the timeline the second report is transmitted according to is selected from a set of at least a first timeline and a second timeline that has a longer duration than the first timeline; and the UE applies the first timeline or the second timeline depending on a state of the first ML functionality.

[0257] Clause 9: The method of Clause 8, wherein the UE indicates at least one of: a first set of ML functionalities for which the first timeline is applicable when switching between ML functionalities of the first set; or a second set of ML functionalities for which the second timeline is applicable when switching between ML functionalities of the second set.

[0258] Clause 10: The method of Clause 8, wherein: the first timeline is applied if the first ML functionality is in an active state; or the second timeline is applied if the first ML functionality is in an inactive state.

[0259] Clause 11: The method of Clause 10, further comprising updating the first ML functionality to the active state if the first ML functionality was in the inactive state.

[0260] Clause 12: The method of Clause 11, wherein the update occurs when the indication to report the first information was received.

[0261] Clause 13: The method of Clause 11, wherein the update occurs: a certain time period prior to each report instance; or when receiving signaling configuring reporting, activating reporting, or deactivating reporting.

[0262] Clause 14: The method of Clause 11, further comprising moving one or more second ML functionalities in the active state to the inactive state based on one or more criteria.

[0263] Clause 15: The method of Clause 14, wherein the one or more criteria involves at least one of: priority assigned to an ML functionality, an ID of an ML functionality, a duration an ML functionality has been in an active state, or an order in which an ML functionality entered the active state.

[0264] Clause 16: The method of Clause 11, further comprising reporting an active state or inactive state of one or more ML functionalities.

[0265] Clause 17: The method of Clause 11, further comprising determining a set of ML functionalities that can coexist in the active state based on one or more criteria.

[0266] Clause 18: The method of Clause 17, wherein the one or more criteria involves at least one of: a memory cost of each ML functionality in the set; or a budget of memory cost shared by all ML functionalities in the set.

[0267] Clause 19: The method of Clause 17, further comprising reporting the set of ML functionalities that can coexist in the active state.

[0268] Clause 20: The method of Clause 17, wherein the set includes ML functionalities that run on different engines.

[0269] Clause 21: A method for wireless communication at a network entity, comprising: receiving a first report that indicates user equipment (UE) capability information regarding support by the UE of multiple machine learning (ML) functionalities; transmitting an indication to report first information associated with a first ML functionality of the ML functionalities; and receiving, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.

[0270] Clause 22: The method of Clause 21, wherein the ML functionalities involve at least one of: channel state information (CSI) prediction, compression, beam prediction, or positioning.

[0271] Clause 23: The method of any one of Clauses 21-22, wherein the first report also indicates one or more applicable conditions under which the UE supports the multiple ML functionalities.

[0272] Clause 24: The method of Clause 23, further comprising transmitting configuration information indicating report identifiers (IDs) for each functionality based on the indicated UE capability information and applicable conditions.

[0273] Clause 25: The method of Clause 24, wherein the configuration indicates a first ID and a second ID that are both associated with the first ML functionality.

[0274] Clause 26: The method of any one of Clauses 21-25, wherein: the ML functionalities are each represented by one or more identifiers (IDs) ; and switching between the first ML functionality and a second ML functionality is accomplished by indicating one or more IDs associated with the second ML functionality.

[0275] Clause 27: The method of Clause 26, wherein the one or more IDs comprise at least one of: a channel state information (CSI) report ID, associated IDs, pairing IDs, or model IDs.

[0276] Clause 28: The method of any one of Clauses 21-27, wherein: the timeline the second report is transmitted according to is selected from a set of at least a first timeline and a second timeline that has a longer duration than the first timeline; and the network entity applies the first timeline or the second timeline depending on a state of the first ML functionality.

[0277] Clause 29: The method of Clause 28, wherein the network entity receives, from the UE, an indication of at least one of: a first set of ML functionalities for which the first timeline is applicable when switching between ML functionalities of the first set; or a second set of ML functionalities for which the second timeline is applicable when switching between ML functionalities of the second set.

[0278] Clause 30: The method of Clause 28, wherein: the first timeline is applied if the first ML functionality is in an active state; or the second timeline is applied if the first ML functionality is in an inactive state.

[0279] Clause 31: The method of Clause 30, further comprising updating the first ML functionality to the active state if the first ML functionality was in the inactive state.

[0280] Clause 32: The method of Clause 31, wherein the update occurs when the indication to report the first information was transmitted.

[0281] Clause 33: The method of Clause 31, wherein the update occurs: a certain time period prior to each report instance; or when transmitting signaling configuring reporting, activating reporting, or deactivating reporting.

[0282] Clause 34: The method of Clause 31, further comprising moving one or more second ML functionalities in the active state to the inactive state based on one or more criteria.

[0283] Clause 35: The method of Clause 34, wherein the one or more criteria involves at least one of: priority assigned to an ML functionality, an ID of an ML functionality, a duration an ML functionality has been in an active state, or an order in which an ML functionality entered the active state.

[0284] Clause 36: The method of Clause 31, further comprising reporting an active state or inactive state of one or more ML functionalities.

[0285] Clause 37: The method of Clause 31, further comprising determining a set of ML functionalities that can coexist in the active state based on one or more criteria.

[0286] Clause 38: The method of Clause 37, wherein the one or more criteria involves at least one of: a memory cost of each ML functionality in the set; or a budget of memory cost shared by all ML functionalities in the set.

[0287] Clause 39: The method of Clause 37, wherein the determination is based on a report, from the UE, indicating the set of ML functionalities that can coexist in the active state.

[0288] Clause 40: An apparatus, comprising: at least one memory comprising executable instructions; and at least one processor configured to execute the executable instructions and cause the apparatus to perform a method in accordance with any combination of Clauses 1-39.

[0289] Clause 41: An apparatus, comprising means for performing a method in accordance with any combination of Clauses 1-39.

[0290] Clause 42: A non-transitory computer-readable medium comprising executable instructions that, when executed by at least one processor of an apparatus, cause the apparatus to perform a method in accordance with any combination of Clauses 1-39.

[0291] Clause 43: A computer program product embodied on a computer-readable storage medium comprising code for performing a method in accordance with any combination of Clauses 1-39. Additional Considerations

[0292] The preceding description is provided to enable any person skilled in the art to practice the various aspects described herein. The examples discussed herein are not limiting of the scope, applicability, or aspects set forth in the claims. Various modifications to these aspects will be readily apparent to those skilled in the art, and the general principles defined herein may be applied to other aspects. For example, changes may be made in the function and arrangement of elements discussed without departing from the scope of the disclosure. Various examples may omit, substitute, or add various procedures or components as appropriate. For instance, the methods described may be performed in an order different from that described, and various actions may be added, omitted, or combined. Also, features described with respect to some examples may be combined in some other examples. For example, an apparatus may be implemented or a method may be practiced using any number of the aspects set forth herein. In addition, the scope of the disclosure is intended to cover such an apparatus or method that is practiced using other structure, functionality, or structure and functionality in addition to, or other than, the various aspects of the disclosure set forth herein. It should be understood that any aspect of the disclosure disclosed herein may be embodied by one or more elements of a claim.

[0293] The various illustrative logical blocks, modules and circuits described in connection with the present disclosure may be implemented or performed with a general purpose processor, a digital signal processor (DSP) , an ASIC, a field programmable gate array (FPGA) or other programmable logic device (PLD) , discrete gate or transistor logic, discrete hardware components, or any combination thereof designed to perform the functions described herein. A general-purpose processor may be a microprocessor, but in the alternative, the processor may be any commercially available processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices, e.g., a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, a system on a chip (SoC) , or any other such configuration.

[0294] Means for transmitting, means for receiving, means for reporting, means for determining, means for moving, and means for updating may comprise one or more processors, such as one or more of the processors described above with reference to FIG. 14.

[0295] As used herein, a phrase referring to “at least one of” a list of items refers to any combination of those items, including single members. As an example, “at least one of: a, b, or c” is intended to cover a, b, c, a-b, a-c, b-c, and a-b-c, as well as any combination with multiples of the same element (e.g., a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, and c-c-c or any other ordering of a, b, and c) .

[0296] As used herein, the term “determining” encompasses a wide variety of actions. For example, “determining” may include calculating, computing, processing, deriving, investigating, looking up (e.g., looking up in a table, a database or another data structure) , ascertaining and the like. Also, “determining” may include receiving (e.g., receiving information) , accessing (e.g., accessing data in a memory) and the like. Also, “determining” may include resolving, selecting, choosing, establishing and the like.

[0297] The methods disclosed herein comprise one or more actions for achieving the methods. The method actions may be interchanged with one another without departing from the scope of the claims. In other words, unless a specific order of actions is specified, the order and / or use of specific actions may be modified without departing from the scope of the claims. Further, the various operations of methods described above may be performed by any suitable means capable of performing the corresponding functions. The means may include various hardware and / or software component (s) and / or module (s) , including, but not limited to a circuit, an application specific integrated circuit (ASIC) , or processor.

[0298] The following claims are not intended to be limited to the aspects shown herein, but are to be accorded the full scope consistent with the language of the claims. Within a claim, reference to an element in the singular is not intended to mean “one and only one” unless specifically so stated, but rather “one or more. ” Unless specifically stated otherwise, the term “some” refers to one or more. No claim element is to be construed under the provisions of 35 U.S.C. §112 (f) unless the element is expressly recited using the phrase “means for” . All structural and functional equivalents to the elements of the various aspects described throughout this disclosure that are known or later come to be known to those of ordinary skill in the art are expressly incorporated herein by reference and are intended to be encompassed by the claims. Moreover, nothing disclosed herein is intended to be dedicated to the public regardless of whether such disclosure is explicitly recited in the claims.

Claims

1.An apparatus for wireless communication at a user equipment (UE) , comprising:at least one memory comprising computer-executable instructions; andone or more processors configured to execute the computer-executable instructions and cause the apparatus to:transmit a first report that indicates UE capability information regarding support, by the UE, of multiple machine learning (ML) functionalities;receive an indication to report first information associated with a first ML functionality of the ML functionalities; andtransmit, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.2.The apparatus of claim 1, wherein the ML functionalities involve at least one of: channel state information (CSI) prediction, compression, beam prediction, or positioning.3.The apparatus of claim 1, wherein the first report also indicates one or more applicable conditions under which the UE supports the multiple ML functionalities.4.The apparatus of claim 3, wherein the one or more processors are further configured to cause the apparatus to:receive configuration information indicating report identifiers (IDs) for each functionality based on the UE capability information and applicable conditions.5.The apparatus of claim 4, wherein the configuration indicates a first ID and a second ID that are both associated with the first ML functionality.6.The apparatus of claim 1, wherein the ML functionalities are each represented by one or more identifiers (IDs) ; and switching between the first ML functionality and a second ML functionality is accomplished by indicating one or more IDs associated with the second ML functionality.7.The apparatus of claim 6, wherein the one or more IDs comprise at least one of: a channel state information (CSI) report ID, associated IDs, pairing IDs, or model IDs.8.The apparatus of claim 1, wherein the timeline the second report is transmitted according to is selected from a set of at least a first timeline and a second timeline that has a longer duration than the first timeline; and the UE applies the first timeline or the second timeline depending on a state of the first ML functionality.9.The apparatus of claim 8, wherein the UE indicates at least one of: a first set of ML functionalities for which the first timeline is applicable when switching between ML functionalities of the first set; or a second set of ML functionalities for which the second timeline is applicable when switching between ML functionalities of the second set.10.The apparatus of claim 8, wherein the first timeline is applied if the first ML functionality is in an active state; or the second timeline is applied if the first ML functionality is in an inactive state.11.The apparatus of claim 10, wherein the one or more processors are further configured to cause the apparatus to:update the first ML functionality to the active state if the first ML functionality was in the inactive state.12.The apparatus of claim 11, wherein the update occurs when the indication to report the first information was received.13.The apparatus of claim 11, wherein the update occurs: a certain time period prior to each report instance; or when receiving signaling configuring reporting, activating reporting, or deactivating reporting.14.The apparatus of claim 11, wherein the one or more processors are further configured to cause the apparatus to:move one or more second ML functionalities in the active state to the inactive state based on one or more criteria.15.The apparatus of claim 14, wherein the one or more criteria involves at least one of:priority assigned to an ML functionality, an ID of an ML functionality, a duration an ML functionality has been in an active state, or an order in which an ML functionality entered the active state.16.The apparatus of claim 11, wherein the one or more processors are further configured to cause the apparatus to:report an active state or inactive state of one or more ML functionalities.17.The apparatus of claim 11, wherein the one or more processors are further configured to cause the apparatus to:determine a set of ML functionalities that can coexist in the active state based on one or more criteria.18.The apparatus of claim 17, wherein the one or more criteria involves at least one of: a memory cost of each ML functionality in the set; or a budget of memory cost shared by all ML functionalities in the set.19.The apparatus of claim 17, wherein the one or more processors are further configured to cause the apparatus to:report the set of ML functionalities that can coexist in the active state.20.The apparatus of claim 17, wherein the set includes ML functionalities that run on different engines.21.An apparatus for wireless communication at a network entity, comprising:at least one memory comprising computer-executable instructions; andone or more processors configured to execute the computer-executable instructions and cause the apparatus to:receive a first report that indicates user equipment (UE) capability information regarding support, by the UE, of multiple machine learning (ML) functionalities;transmit an indication to report first information associated with a first ML functionality of the ML functionalities; andreceive, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.22.The apparatus of claim 21, wherein the ML functionalities involve at least one of: channel state information (CSI) prediction, compression, beam prediction, or positioning.23.The apparatus of claim 21, wherein the first report also indicates one or more applicable conditions under which the UE supports the multiple ML functionalities.24.The apparatus of claim 23, wherein the one or more processors are further configured to cause the apparatus to:transmit configuration information indicating report identifiers (IDs) for each functionality based on the indicated UE capability information and applicable conditions.25.The apparatus of claim 24, wherein the configuration indicates a first ID and a second ID that are both associated with the first ML functionality.26.The apparatus of claim 21, wherein the ML functionalities are each represented by one or more identifiers (IDs) ; and switching between the first ML functionality and a second ML functionality is accomplished by indicating one or more IDs associated with the second ML functionality.27.The apparatus of claim 26, wherein the one or more IDs comprise at least one of: a channel state information (CSI) report ID, associated IDs, pairing IDs, or model IDs.28.The apparatus of claim 21, wherein the timeline the second report is transmitted according to is selected from a set of at least a first timeline and a second timeline that has a longer duration than the first timeline; and the network entity applies the first timeline or the second timeline depending on a state of the first ML functionality.29.The apparatus of claim 28, wherein the network entity receives, from the UE, an indication of at least one of: a first set of ML functionalities for which the first timeline is applicable when switching between ML functionalities of the first set; or a second set of ML functionalities for which the second timeline is applicable when switching between ML functionalities of the second set.30.The apparatus of claim 28, wherein the first timeline is applied if the first ML functionality is in an active state; or the second timeline is applied if the first ML functionality is in an inactive state.31.The apparatus of claim 30, wherein the one or more processors are further configured to cause the apparatus to:update the first ML functionality to the active state if the first ML functionality was in the inactive state.32.The apparatus of claim 31, wherein the update occurs when the indication to report the first information was transmitted.33.The apparatus of claim 31, wherein the update occurs: a certain time period prior to each report instance; or when transmitting signaling configuring reporting, activating reporting, or deactivating reporting.34.The apparatus of claim 31, wherein the one or more processors are further configured to cause the apparatus to:move one or more second ML functionalities in the active state to the inactive state based on one or more criteria.35.The apparatus of claim 34, wherein the one or more criteria involves at least one of: priority assigned to an ML functionality, an ID of an ML functionality, a duration an ML functionality has been in an active state, or an order in which an ML functionality entered the active state.36.The apparatus of claim 31, wherein the one or more processors are further configured to cause the apparatus to:report an active state or inactive state of one or more ML functionalities.37.The apparatus of claim 31, wherein the one or more processors are further configured to cause the apparatus to:determine a set of ML functionalities that can coexist in the active state based on one or more criteria.38.The apparatus of claim 37, wherein the one or more criteria involves at least one of: a memory cost of each ML functionality in the set; or a budget of memory cost shared by all ML functionalities in the set.39.The apparatus of claim 37, wherein the determination is based on a report, from the UE, indicating the set of ML functionalities that can coexist in the active state.40.A method for wireless communication at a user equipment (UE) , comprising:transmitting a first report that indicates UE capability information regarding support, by the UE, of multiple machine learning (ML) functionalities;receiving an indication to report first information associated with a first ML functionality of the ML functionalities; andtransmitting, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.41.A method for wireless communication at a network entity, comprising:receiving a first report that indicates user equipment (UE) capability information regarding support, by the UE, of multiple machine learning (ML) functionalities;transmitting an indication to report first information associated with a first ML functionality of the ML functionalities; andreceiving, according to a timeline based on the indicated UE capability information, a second report indicating the first information obtained using an ML model designed for the first ML functionality.

Images