Channel state information processing with machine learning model based on transformers

Abstract

Methods, systems, and techniques are disclosed for channel state information (CSI) processing with machine learning (ML) model based encoders and decoders. In some aspects, the CSI processing may include CSI compression / decompression. In some other aspects, the CSI processing may include CSI prediction in frequency domain, spatial domain, time domain, or any combination thereof. An example method of wireless communication by a user equipment includes: receiving, from a network entity, a CSI report configuration including a plurality of channel measurement resources (CMRs) associated with an ML model for CSI processing; receiving, from the network entity, a CSI reference signal (CSI-RS) on the plurality of CMRs; and transmitting, to the network entity, a CSI report based on an output of the ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

Description

CHANNEL STATE INFORMATION PROCESSING WITH MACHINE LEARNING MODEL BASED ON TRANSFORMERSFIELD

[0001] This disclosure relates generally to wireless communications and, more particularly, to machine learning based channel state information (CSI) .BACKGROUND

[0002] This background description is provided for the purpose of generally presenting the context of the disclosure. Work of the presently named inventors, to the extent as described in this background section, as well as aspects of the description that may not otherwise qualify as prior art at the time of filing, is neither expressly nor impliedly admitted as prior art against the present disclosure.

[0003] In multiple-input multiple-output (MIMO) systems, channel state information (CSI) enables a network entity (NE) to select the digital precoder for a user equipment (UE) . Usually, the network entity configures the UE to provide a CSI report using RRC signaling, e.g., CSI-ReportConfig. The network entity configures the UE to use channel state information reference signal (CSI-RS) as channel measurement resource (CMR) for the UE to measure the downlink channel. The network entity may also configure interference measurement resource (IMR) for the UE to measure interference.

[0004] Based on the configured CMR and its associated IMR, the UE is able to identify the CSI, which may include at least one of rank indicator (RI) , precoder matrix indicator (PMI) , channel quality indicator (CQI) and layer indicator (LI) . RI and PMI are used to indicate the digital precoder, CQI is used to indicate the signal-to-interference plus noise (SINR) status in order to assist the network entity to determine the modulation and coding scheme (MCS) , and LI is used to identify the strongest layer for the reported precoder indicated by RI and PMI.

[0005] In machine learning (ML) based CSI reporting, the UE reports CSI based on ML based compression and / or prediction (e.g., with an encoder including the ML model) , including one or more ML model inputs (e.g., channel matrix, channel eigenvector, beam combining matrix, etc. ) . Using the ML based compressed CSI, the network entity performs ML based CSI reconstruction to calculate the decompressed channel (e.g., with a decoder including the ML model) . The UE may also calculate a predicted CSI based on previous measurements and transmit the predicted CSI with or without ML based compression for the network entity to reconstruct the ML based CSI. The ML based prediction and / or compression may benefit from performance monitoring to reduce or avoid related errors.SUMMARY

[0006] The present disclosure provides methods for channel state information (CSI) processing with ML model based encoders and decoders. In some aspects, the CSI processing may include CSI compression / decompression. In some other aspects, the CSI processing may include CSI prediction in frequency domain, spatial domain, time domain, or any combination thereof. When a base station (e.g., a next generation Node B (gNodeB or gNB) ) adapts downlink transmissions to the current channel conditions, the base station transmits CSI reference signals (CSI-RSs) to enable the user equipment (UE) to measure the downlink channel. The UE then reports the measured channel information to the base station. For overhead reduction, the UE may employ a machine learning model (based encoder) to compress CSI measurement information or selectively report a subset of the CSI measurement information. The base station may employ a machine learning model (based decoder) to decompress the compressed CSI report or predict channel conditions based on the subset of the CSI measurement information. The ML model may be pre-trained and used in both the encoder and decoder, achieving efficiency and accuracy.

[0007] Conventionally, a UE does not know the positions of the configured CSI resources in a global resource map, as a CSI is specific to a particular point in three-dimension (3D) (time-frequency-space) . For example, a network entity may configure the UE to measure certain CSIs corresponding to certain slots (time dimension) , subbands (frequency dimension) , and transmit (Tx) ports / transmission configuration indicators (TCIs)  / beams (spatial dimension) . Due to scheduling restriction and overhead considerations, the network entity may schedule the UE to measure the CSIs corresponding to a (small) subset of the CSIs that are available to the network entity. For example, for 2 CSI resource set configurations, each containing 6 CSI resources, a UE may not be able to tell ifthe resources correspond to the same or different spatial dimensions. The positions of the measured CSI in the global resource map contain useful information which may be fed into the CSI compression algorithms.

[0008] This disclosure provides solutions for these identified issues by having the UE distinguish different CSI configurations using class tokens in ML based CSI processing. The network entity may indicate the class token for each CSI configuration. In addition, the UE may use positional encoder to distinguish the location of different CSIs in the global resource mapping. Furthermore, the network entity may indicate the positional encoding or information to determine the positional encoding (e.g., indices of the measured CSI in different dimensions in the global resource mapping) for each measured CSI. This disclosure presents methods and techniques for processing CSI (e.g., measurement and reporting) with ML model based encoders and decoders.

[0009] Aspects of this disclosure include a wireless communication method by a UE. The example method includes receiving, from a network entity, a CSI report configuration including a plurality of channel measurement resources (CMRs) associated with an ML model for CSI processing; receiving, from the network entity, a CSI-RS on the plurality of CMRs; and transmitting, to the network entity, a CSI report based on an output of the ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0010] Complimentary aspects of the disclosure include an example method by a network entity. The example method includes transmitting, to a UE, a CSI report configuration including a plurality of CMRs associated with an ML model for CSI processing; transmitting, to the UE, a CSI-RS, on the plurality of CMRs; and receiving, from the UE, a CSI report based on an output of ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.BRIEF DESCRIPTION OF THE DRAWINGS

[0011] Fig. 1 illustrates a diagram of a wireless communications system that includes multiple user equipments (UEs) and network entities in communication over one or more cells, according to aspects of this disclosure.

[0012] Fig. 2A illustrates an example diagram of artificial intelligence or machine learning (AI / ML) based channel state information (CSI) compression, in accordance with aspects of this disclosure.

[0013] Fig. 2B illustrates an example diagram of AI / ML based CSI prediction, in accordance with aspects of this disclosure.

[0014] Fig. 2C illustrates an example for AI / ML based joint CSI compression and prediction based on one AI / ML model, in accordance with aspects of this disclosure.

[0015] Fig. 2D illustrates an example for AI / ML based joint CSI compression and prediction based on separate AI / ML models, in accordance with aspects of this disclosure.

[0016] Fig. 3 illustrates an example of CSI processing using an auto-encoder architecture, in accordance with aspects of this disclosure.

[0017] Fig. 4 illustrates an example signaling diagram of CSI processing with ML model based encoders and decoders, in accordance with aspects of this disclosure.

[0018] Fig. 5 illustrates an example workflow in a machine learning model with tokenization and transformer processing, in accordance with aspects of this disclosure.

[0019] Fig. 6 illustrates an example of reconstruction training of channel measurement resource (CMR) measurements in a CSI report using trained ML model of Fig. 5, in accordance with aspects of this disclosure.

[0020] Fig. 7 illustrates an example mapping of configured CMRs to the resources in the global pool, in accordance with aspects of this disclosure.

[0021] Fig. 8 illustrates an example diagram ofprepending class tokens for reference signals, in accordance with aspects of this disclosure.

[0022] Fig. 9 illustrates an example diagram of prompt tnning with soft prompt, in accordance with aspects of this disclosure.

[0023] Fig. 10 illustrates an example flowchart of a method performed by a UE, in accordance with aspects of this disclosure.

[0024] Fig. 11 illustrates an example flowchart of a method performed by a network entity, in accordance with aspects of this disclosure.

[0025] Fig. 12 is a diagram illustrating a hardware implementation for an example UE apparatus.

[0026] Fig. 13 is a diagram illustrating a hardware implementation for one or more example network entities.DETAILED DESCRIPTION

[0027] The present disclosure provides methods, systems, and techniques for channel state information (CSI) processing with ML model based encoders and decoders. In some aspects, the CSI processing may include CSI compression / decompression. In some other aspects, the CSI processing may include CSI prediction in frequency domain, spatial domain, time domain, or any combination thereof.

[0028] When a base station (e.g., a next generation Node B (gNodeB or gNB) ) adapts downlink transmissions to the current channel conditions, the base station transmits CSI-RSs to enable the user equipment (UE) to measure the downlink channel. The UE then reports the measured channel information to the base station. For overhead reduction, the UE may employ a machine learning model (based encoder) to compress CSI measurement information or selectively report a subset of the CSI measurement information. The base station may employ a machine learning model (based decoder) to decompress the compressed CSI report or predict channel conditions based on the subset of the CSI measurement information. The ML model may be pre-trained and used in both the encoder and decoder, achieving efficiency and accuracy.

[0029] A CSI is specific to a particular point in a three-dimensional (3D, such as time-frequency-space) space. For example, the network entity may configure the UE to measure certain CSIs corresponding to certain slots (time dimension) , subbands (frequency dimension) , and transmission (Tx) ports / TCIs / beams (spatial dimension) . Due to scheduling restriction and overhead considerations, network entity may schedule UE to measure the CSIs corresponding to a (small) subset of the CSIs that are available to the base stations.

[0030] According to aspects of this disclosure, in the frequency and spatial domain, for example, a base station may have 5 by 6 global resources that can be potentially used for scheduling. Each UE may be scheduled to measure the CSIs for a subset of the global resources, compress the measured CSIs using a CSI encoder, and send the compressed CSI to network entity. On the network entity side, after receiving the compressed CSI, the network entity may use the CSI decoder to recover the CSI. The decoder CSI may correspond to the dimension of the measured CSI or more likely to a dimension larger than that of the measured CSI, e.g., a dimension corresponding to the global resources. When there are two or more UEs, the measured CSIs at the UEs may correspond to different frequency and Tx ports, different UEs, or different UE configurations for the same UE in different time periods.

[0031] For example, example methods herein use class tokens (e.g., tokens prepended to a CSI token sequence) to distinguish different CSI configurations. Furthermore, positional encoding is employed to distinguish the location of different CSIs in the global resource mapping. In some cases, the network entity may indicate the positional encoding or information to determine the positional encoding (indices of the measured CSI in different dimensions in the global resource mapping) for each measured CSI. A combination of the techniques herein is feasible. For example, a method may employ both a class token to indicate the UE distance and the positional encoding selected based on the Tx port and frequency location in the global resource map.

[0032] Methods herein may apply to other scenarios, such as in a four-dimensional (4D) space. For example, as base stations may deploy large aperture antenna arrays, the far field planar wave assumption need not hold for UEs in tens of meters away from the base station (as the boundary of near and far field is proportional to the diameter of the base station antenna aperture. ) When a UE is in the near field of the base station antenna, not only the UE-BS direction but also the UE-BS distance may affect the selection of optimal Tx ports. Therefore, in this case, the CSI may correspond to a point in a 4D space: time, frequency, space, and distance (which may be represented by path loss, the round trip time, or the UE location) . The information of the distance dimension may be known on the UE side, or on the network entity side. The ML models for compression and prediction may be trained under such conditions and perform methods herein based on similar tokenization and positional encoding techniques.

[0033] Aspects of this disclosure include a wireless communication method by a UE. The example method includes receiving, from a network entity, a CSI report configuration including a plurality of channel measurement resources (CMRs) associated with an ML model for CSI processing; receiving, from the network entity, a CSI-RS on the plurality of CMRs; and transmitting, to the network entity, a CSI report based on an output of the ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model. Complimentary aspects of the disclosure include an example method by a network entity. The example method includes transmitting, to a UE, a CSI report configuration including a plurality of CMRs associated with an ML model for CSI processing; transmitting, to the UE, a CSI-RS, on the plurality of CMRs; and receiving, from the UE, a CSI report based on an output of ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0034] Fig. 1 illustrates a diagram 100 of a wireless communications system associated with multiple cells 190. The wireless communications system includes user equipments (UEs) 102 and base stations / network entities 104. Some base stations may include an aggregated base station architecture and other base stations may include a disaggregated base station architecture. The aggregated base station architecture utilizes a radio protocol stack that is physically or logically integrated within a single radio access network (RAN) node. A disaggregated base station architecture utilizes a protocol stack that is physically or logically distributed among two or more units (e.g., radio unit (RU) 106, distributed unit (DU) 108, central unit (CU) 110) . For example, a CU 110 is implemented within a RAN node, and one or more DUs 108 may be co-located with the CU 110, or alternatively, may be geographically or virtually distributed throughout one or multiple other RAN nodes. The DUs 108 may be implemented to communicate with one or more RUs 106. Any of the RU 106, the DU 108 and the CU 110 may be implemented as virtual units, such as a virtual radio unit (VRU) , a virtual distributed unit (VDU) , or a virtual central unit (VCU) . The base station / network entity 104 (e.g., an aggregated base station or disaggregated units of the base station, such as the RU 106 or the DU 108) , may be referred to as a transmission reception point (TRP) .

[0035] Operations of the base station (BS) 104 and / or network designs may be based on aggregation characteristics of base station functionality. For example, disaggregated base station architectures are utilized in an integrated access backhaul (IAB) network, an open-radio access network (O-RAN) network, or a virtualized radio access network (vRAN) , which may also be referred to a cloud radio access network (C-RAN) . Disaggregation may include distributing functionality across the two or more units at various physical locations, as well as distributing functionality for at least one unit virtually, which may enable flexibility in network designs. The various units of the disaggregated base station architecture, or the disaggregated RAN architecture, may be configured for wired or wireless communication with at least one other unit. For example, the base stations (BSs) 104d, 104e and / or the RUs 106a, 106b, 106c, 106d may communicate with the UEs 102a, 102b, 102c, 102d, and / or 102s via one or more radio frequency (RF) access links based on a Uu interface. In examples, multiple RUs 106 and / or BSs 104 may simultaneously serve the UEs 102, such as by intra-cell and / or inter-cell access links between the UEs 102 and the RUs 106 / BSs 104.

[0036] The RU 106, the DU 108, and the CU 110 may include (or may be coupled to) one or more interfaces configured to transmit or receive information / signals via a wired or wireless transmission medium. For example, a wired interface may be configured to transmit or receive the information / signals over a wired transmission medium, such as via the fronthaul link 160 between the RU 106d and the baseband unit (BBU) 112 of the BS 104d associated with the cell 190d. The BBU 112 includes a DU 108 and a CU 110, which may also have a wired interface (e.g., midhaul link) configured between the DU 108 and the CU 110 to transmit or receive the information / signals between the DU 108 and the CU 110. In further examples, a wireless interface, which may include a receiver, a transmitter, or a transceiver, such as an RF transceiver, configured to transmit and / or receive the information / signals via the wireless transmission medium, such as for information communicated between the RU 106a of the cell 190a and the BS 104e of the cell 190e via cross-cell communication beams 136-138 of the RU 106a and the BS 104e.

[0037] The RUs 106 may be configured to implement lower layer functionality. For example, the RU 106 is controlled by the DU 108 and may correspond to a logical node that hosts RF processing functions, or lower layer PHY functionality, such as execution of fast Fourier transform (FFT) , inverse FFT (iFFT) , digital beamforming, physical random access channel (PRACH) extraction and filtering, etc. The functionality of the RU 106 may be based on the functional split, such as a functional split of lower layers.

[0038] The RUs 106 may transmit or receive over-the-air (OTA) communication with one or more UEs 102. For example, the RU 106b of the cell 190b communicates with the UE 102b of the cell 190b via a first set of communication beams 132 of the RU 106b and a second set of communication beams 134b of the UE 102b, which may correspond to inter-cell communication beams or, in some examples, cross-cell communication beams. For instance, the UE 102b of the cell 190b may communicate with the RU 106a of the cell 190a via a third set of communication beams 134a of the UE 102b and a fourth set of communication beams 136 of the RU 106a. DUs 108 may control both real-time and non-real-time features of control plane and user plane communications of the RUs 106.

[0039] Any combination of the RU 106, the DU 108, and the CU 110, or reference thereto individually, may correspond to a BS 104. Thus, the BS 104 may include at least one of the RU 106, the DU 108, or the CU 110. The BSs 104 provide the UEs 102 with access to a core network. The BSs 104 may relay communications between the UEs 102 and the core network (not shown) . The BSs 104 may be associated with macrocells for higher-power cellular base stations and / or small cells for lower-power cellular base stations. For example, the cell 190e may correspond to a macrocell, whereas the cells 190a-190d may correspond to small cells. Small cells include femtocells, picocells, microcells, etc. A network that includes at least one macrocell and at least one small cell may be referred to as a “heterogeneous network. ”

[0040] Transmissions from a UE 102 to a BS 104 / RU 106 are referred to as uplink (UL) transmissions, whereas transmissions from the BS 104 / RU 106 to the UE 102 are referred to as downlink (DL) transmissions. Uplink transmissions may also be referred to as reverse link transmissions and downlink transmissions may also be referred to as forward link transmissions. For example, the RU 106d utilizes antennas of the BS 104d of cell 190d to transmit a downlink / forward link communication to the UE 102d or receive an uplink / reverse link communication from the UE 102d based on the Uu interface associated with the access link between the UE 102d and the BS 104d / RU 106d.

[0041] Communication links between the UEs 102 and the BSs 104 / RUs 106 may be based on multiple-input and multiple-output (MIMO) antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity. The communication links may be associated with one or more carriers. The UEs 102 and the BSs 104 / RUs 106 may utilize a spectrum bandwidth of Y MHz (e.g., 5, 10, 15, 20, 100, 400, 800, 1600, 2000, etc. MHz) per carrier allocated in a carrier aggregation of up to a total of Yx MHz, where x component carriers (CCs) are used for communication in each of the uplink and downlink directions. The carriers may or may not be adjacent to each other along a frequency spectrum. In examples, uplink and downlink carriers may be allocated in an asymmetric manner, with more or fewer carriers allocated to either the uplink or the downlink. A primary component carrier and one or more secondary component carriers may be included in the component carriers. The primary component carrier may be associated with a primary cell (Pcell) and a secondary component carrier may be associated with a secondary cell (Scell) .

[0042] Some UEs 102, such as the UEs 102a and 102s, may perform device-to-device (D2D) communications over sidelink. For example, a sidelink communication / D2D link utilizes a spectrum for a wireless wide area network (WWAN) associated with uplink and downlink communications. Such sidelink / D2D communication may be performed through various wireless communications systems, such as wireless fidelity (Wi-Fi) systems, Bluetooth systems, Long Term Evolution (LTE) systems, New Radio (NR) systems, etc.

[0043] The UEs 102 and the BSs 104 / RUs 106 may each include multiple antennas. The multiple antennas may correspond to antenna elements, antenna panels, and / or antenna arrays that may facilitate beamforming operations. For example, the RU 106b transmits a downlink beamformed signal based on a first set of communication beams 132 to the UE 102b in one or more transmit directions of the RU 106b. The UE 102b may receive the downlink beamformed signal based on a second set of communication beams 134b from the RU 106b in one or more receive directions of the UE 102b. In a further example, the UE 102b may also transmit an uplink beamformed signal (e.g., sounding reference signal (SRS) ) to the RU 106b based on the second set of communication beams 134b in one or more transmit directions of the UE 102b. The RU 106b may receive the uplink beamformed signal from the UE 102b in one or more receive directions of the RU 106b. The UE 102b may perform beam training to determine the best receive and transmit directions for the beamformed signals. The transmit and receive directions for the UEs 102 and the BSs 104 / RUs 106 may or may not be the same.

[0044] In further examples, beamformed signals may be communicated between a first base station / RU 106a and a second BS 104e. For instance, the BS 104e of the cell 190e may transmit a beamformed signal to the RU 106a based on the communication beams 138 in one or more transmit directions of the BS 104e. The RU 106a may receive the beamformed signal from the BS 104e of the cell 190e based on the RU communication beams 136 in one or more receive directions of the RU 106a. In further examples, the BS 104e transmits a downlink beamformed signal to the UE 102e based on the communication beams 138 in one or more transmit directions of the BS 104e. The UE 102e receives the downlink beamformed signal from the BS 104e based on UE communication beams 130 in one or more receive directions of the UE 102e. The UE 102e may also transmit an uplink beamformed signal to the BS 104e based on the UE communication beams 130 in one or more transmit directions of the UE 102e, such that the BS 104e may receive the uplink beamformed signal from the UE 102e in one or more receive directions of the BS 104e.

[0045] The BS 104 may include and / or be referred to as a network entity. That is, “network entity” may refer to the BS 104 or at least one unit of the BS 104, such as the RU 106, the DU 108, and / or the CU 110. The BS 104 may also include and / or be referred to as a next generation evolved Node B (ng-eNB) , a next generation NB (gNB) , an evolved NB (eNB) , an access point, a base transceiver station, a radio base station, a radio transceiver, a transceiver function, a basic service set (BSS) , an extended service set (ESS) , a TRP, a network node, network equipment, or other related terminology. The BS 104 or an entity at the BS 104 may be implemented as an IAB node, a relay node, a sidelink node, an aggregated (monolithic) base station, or a disaggregated base station including one or more RUs 106, DUs 108, and / or CUs 110. A set of aggregated or disaggregated base stations may be referred to as a next generation-radio access network (NG-RAN) . In some examples, the UE 102a operates in dual connectivity (DC) with the BS 104e and the base station / RU 106a. In such cases, the BS 104e may be a master node and the base station / RU 160a may be a secondary node.

[0046] Uplink / downlink signaling may also be communicated via a satellite positioning system (SPS) 114. In an example, the SPS 114 associated with the cell 190c may be in communication with one or more UEs 102, such as the UE 102c, and one or more BSs 104 / RUs 106, such as the RU 106c. The SPS 114 may correspond to one or more of a Global Navigation Satellite System (GNSS) , a global position system (GPS) , a non-terrestrial network (NTN) , or other satellite position / location system. The SPS 114 may be associated with LTE signals, NR signals (e.g., based on round trip time (RTT) and / or multi-RTT) , wireless local area network (WLAN) signals, a terrestrial beacon system (TBS) , sensor-based information, NR enhanced cell ID (NR E-CID) techniques, downlink angle-of-departure (DL-AoD) , downlink time difference of arrival (DL-TDOA) , uplink time difference of arrival (UL-TDOA) , uplink angle-of-arrival (UL-AoA) , and / or other systems, signals, or sensors.

[0047] In Fig. 1, any of the UEs 102 may include an CSI encoder 140 configured to receive, from the BS 104, a CSI report configuration including a plurality of channel measurement resources (CMRs) associated with an ML model for CSI processing. The CSI encoder 140 is further configured to receive, from the BS 104, a CSI-RS on the plurality of CMRs. The CSI encoder 140 may be configured to perform CSI measurements based on the CSI-RS and tokenizes the CSI measurements to obtain the tokenized measurement information including the class token associated with the plurality of CMRs. The CSI encoder 140 may be configured to process the tokenized measurement information to generate a CSI report. The CSI encoder 140 is configured to transmit, to the BS 104, a CSI report based on an output of the ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0048] The BS 104 may include a CSI decoder 150 configured to transmit, to the UE 102, a CSI report configuration including a plurality of CMRs associated with an ML model for CSI processing. The CSI decoder 150 is further configured to transmit, to the UE 102, a CSI-RS, on the plurality of CMRs. The CSI decoder 150 is configured to receive, from the UE 102, a CSI report based on an output of ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model. The CSI decoder 150 may be configured to compute the CSI with an input to another ML model based on the CSI report and the class token associated with the CSI report configuration. The CSI decoder 150 is configured to schedule, with the UE 102, communications based on the computed CSI.

[0049] Accordingly, Fig. 1 describes a wireless communication system that may be implemented in connection with aspects of one or more other figures described herein. Further, although the following description may be focused on 5G NR, the concepts described herein may be applicable to other similar areas, such as 5G-Advanced and future versions, LTE, LTE-advanced (LTE-A) , and other wireless technologies, such as 6G.

[0050] For artificial intelligence (AI) or machine learning (ML) based CSI report (generally referred to as ML based CSI report herein) , the UE 102 may report CSI based on ML based compression and / or prediction, as illustrated in Figs. 2A-2D and described below.

[0051] Fig. 2A illustrates an example diagram 210 of artificial intelligence or machine learning (AI / ML) based CSI compression, in accordance with aspects of this disclosure. Herein, the AI / ML based CSI may also be referred to as ML based CSI. As shown, upon measuring 220a CSI from one or more transmission occasions of CSI-RS, the UE calculates 230 the AI / ML model input, e.g., channel matrix, channel eigenvector, or beam combining matrix, based on the one or more transmission occasions of CSI-RS for channel measurement, and performs the AI / ML based CSI generation, e.g., compression of channel matrix, channel eigenvector or AI / ML compressed beam combining matrix for each layer or multiple layers. The UE reports 240 the constructed or compressed CSI, e.g., the compressed channel matrix, channel eigenvector or compressed beam combining matrix for each layer or multiple layers in the CSI. On the network entity 104 side, the network entity 104 performs 250 AI / ML based CSI reconstruction to calculate the decompressed channel, decompressed channel eigenvector or decompressed beam combining matrix, and reconstructs 260 the CSI for the one or more transmissions occasions of CSI-RS.

[0052] Fig. 2B illustrates an example diagram 212 of AI / ML based CSI prediction, in accordance with aspects of this disclosure. As shown, upon measuring 220b CSI from one or more transmission occasions of CSI-RS, the UE calculates 232 the AI / ML model input, e.g., channel matrix, channel eigenvector, or beam combining matrix, based on one or multiple transmission occasions of CSI-RS for channel measurement in the past, performs 242 the AI / ML based CSI prediction to calculate the predicted CSI for one or more future instances, e.g., predicted channel matrix, channel eigenvector or AI / ML compressed beam combining matrix for each layer or multiple layers, performs the CSI construction based on the predicted CSI, and reports constructed CSI. The UE compresses 243 the predicted CSI for the one or more future instances. On the network entity side, the network entity 104 performs 252 AI / ML based CSI reconstruction. The CSI generation and reconstruction may be based on non-AI / ML techniques, e.g., existing codebook (Type1 or Type2 codebook) . The network entity 104 reconstructs 262 the predicted CSI for one or more future instances.

[0053] Fig. 2C illustrates an example diagram 214 of AI / ML based joint CSI compression and prediction based on a single AI / ML model, in accordance with aspects of this disclosure. For AI / ML based compression and prediction, UE may perform the CSI prediction and compression based on one AI / ML model or separate AI / ML models. As shown, upon measuring 220c CSI from one or more transmission occasions of CSI-RS, the UE calculates the AI / ML model input, e.g., channel matrix, channel eigenvector, or beam combining matrix, based on the one or more transmission occasions of CSI-RS for channel measurement. The UE performs 234 the AI / ML based CSI prediction to calculate the predicted CSI for one or more future instances, e.g., predicted channel matrix, channel eigenvector or AI / ML compressed beam combining matrix for each layer or multiple layers. The UE compresses 244 the predicted CSI for one or more future instances, based on the predicted CSI, and reports, to the network entity, the constructed CSI, e.g., the compressed channel matrix, channel eigenvector or compressed beam combining matrix for each layer or multiple layers in the CSI. On the network entity 104 side, the network entity 104 performs 254 AI / ML based CSI reconstruction to decompress the predicted CSI, including the decompressed channel, decompressed channel eigenvector or decompressed beam combining matrix, and reconstructs 264 the CSI for the one or more transmissions occasions of CSI-RS.

[0054] Fig. 2D illustrates an example diagram 216 of AI / ML based joint CSI compression and prediction based on separate AI / ML models, in accordance with aspects of this disclosure. As shown, upon measuring 220d CSI from one or more transmission occasions of CSI-RS, the UE uses different AI / ML models for CSI prediction 236 and CSI generation 246 (including, e.g., construction and compression) . The UE reports 248 the compressed predicted CSI for one or more future instances to the network entity. On the network entity 104 side, the network entity 104 performs 256 AI / ML based CSI reconstruction to decompress the predicted CSI, including the decompressed channel, decompressed channel eigenvector or decompressed beam combining matrix, and reconstructs 266 the CSI for the one or more transmissions occasions of CSI-RS.

[0055] Fig. 3 illustrates an example of CSI processing using an auto-encoder architecture 300, in accordance with aspects of this disclosure. As shown, the auto-encoder architecture 300 includes the UE 102 transmitting an over-the-ak (OTA) report to the network entity 104. The UE 102 includes the CSI encoder 140, which compresses the measured CSI and generates the OTA report including the compressed CSI. For example, the CSI encoder 140 compresses the measured CSI into compressed CSI to be included in the OTA report. The network entity 104 includes the CSI decoder 150 for decompressing the compressed CSI of the OTA report into the decoded CSI. For example, the CSI decoder 150 may use the compressed CSI in the OTA report as input. The output of the CSI decoder 150 is the decoded CSI.

[0056] In some cases, the decoded CSI may recover incomplete information in the measured CSI. For example, the decoded CSI may contain more information than the measured CSI does. The dimensions of CSI may be in time (slots)  / frequency (subbands)  / spatial domain (e.g., antenna ports or beams) . The decoded CSI may contain more information in any of the aforementioned domains. For example, the decoded CSI may correspond to the measured CSI and may predict or interpolate CSI in the time domain, the frequency domain, or the spatial domain (in which the UE has not performed CSI measurements) .

[0057] As shown in Fig. 3, for model inferences, the UE 102 runs or executes the CSI encoder 140. The network entity 104 runs or executes the CSI decoder 150. In some cases, the UE 102 may include both the CSI encoder 140 and another CSI decoder (not shown) for performance monitoring purposes. For example, the UE 102 may run both the CSI encoder 140 and another CSI decoder (similar to the CSI decoder 150) . The UE 102 may compare the actual measured CSI to the computed CSI (e.g., CSI first compressed by the CSI encoder 140 and decompressed by the other CSI decoder) to evaluate the performance, such as in by a performance metric, e.g., errors or error rates in the decoded CSI. The UE 102 may transmit, to the network entity 104, an error report to report the performance metric, and / or associated conditions (which may trigger the performance metric) .

[0058] Fig. 4 illustrates an example signaling diagram 400 of CSI processing with ML model based encoders and decoders, in accordance with aspects of this disclosure. As shown, the example signaling diagram 400 starts with the UE 102 optionally transmitting 402, to the network entity 104, UE capability information for supporting at least one of: ML model based CSI processing; ML model based CSI prediction; transformer based ML model; a maximum number of CMRs UE can process; or a maximum number of tokens UE can process.

[0059] The network entity 104 transmits 404, to the UE 102, configuration of one or multiple channel measurement resources (CMRs) and configuration of a CSI report, both of which are associated with a ML model of an CSI encoder (e.g., the CSI encoder 140 of Figs. 1 and 3) and a CSI decoder (e.g., the CSI decoder 150 of Figs. 1 and 3, or at the UE 102 for performance monitoring) .

[0060] The network entity 104 transmits 405, CSI reference signal, CSI-RS, on the plurality of CMRs. The UE 102 performs measurements on the CSI-RS and executes 406 the CSI encoder with inputs based on the measurements of the CSI-RS and based on the indication of the configuration of CMRs.

[0061] The UE 102 then transmits 408, to the network entity 104, a CSI report based on an output of the ML model in the CSI encoder using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0062] The network entity 104 then computes 410 the CSI using the CSI decoder with inputs based on executing the decoder based on the CSI report and the configuration of CMRs. The network entity 104 then schedules 412 communications with the UE 102 based on the computed CSI.

[0063] The present disclosure provides methods for incorporating a CSI report configuration or reference signal configuration (and the associated resources) for channel measurement (channel measurement resource, CMR) as input to the CSI encoder so that the ML compression is specific to the configuration. For example, the CMRs correspond to one or more CSI-RS resources. Each CSI resource may correspond to one or more Tx ports / time-frequency resource elements (REs)  / UE position (or distance to BS) . The CSI-RS resources may be configured in one CSI-RS resource set.

[0064] In some embodiments, the network entity 104 configures the same value for at least one of the parameters for the CSI-RS resources: energy per resource element (EPRE) ratio between the CSI-RS and PDSCH; EPRE ratio between the CSI-RS and SSB; bandwidth; subcarriers; resource element density; number of ports; transmission configuration indicator (TCI) . The network entity 104 may transmit the CSI-RS resources in one or up to S consecutive slots, where S may be pre-defined, e.g., S=2, or reported by the UE.

[0065] In some embodiments, the network entity 104 may transmit the CSI-RS resources from different antenna ports, and it may configure the UE to calculate the compressed CSI based on multiple CSI-RS resources jointly. The network entity 104 may further configure the antenna port mapping between the antenna ports for the CSI compression and antenna ports for each of the CSI-RS resources. For example, ifthe network entity 104 configures the UE to perform the CSI compression based on 4 CSI-RS resources with 32 ports per CSI-RS resource, the network entity 104 may further configure the port mapping scheme for each CSI-RS resource and the 128 ports for the CSI compression. The UE 102 may report the precoder information including the compressed precoders for one or multiple subbands based on the multiple CSI-RS resources in the CSI report. The UE may be configured by the network entity 104 to report wideband RI / CQI / LI, and / or subband RI / CQI / LI for one or multiple subbands. The subband (s) for the subband precoder / RI / CQI / LI may be configured by the network entity via separate parameters or common parameters. The UE may calculate the wideband / subband RI / CQI / LI based on the wideband / subband precoders before compression or based on decompressed wideband / subband precoders derived from the CSI decoder and the reported compressed precoders, and based on the received CSI-RS resources. The CSI decoder may be pre-defined or configured by the network entity 104 or reported by the UE.

[0066] In some embodiments, the network entity 104 may configure the UE 102 to calculate the compressed CSI for each CSI-RS resource separately. For example, when the network entity 104 configures M CSI-RS resources, the network entity 104 may configure the UE 102 to report N compressed CSIs for N CSI-RS resources among the M CSI-RS resources (M and N are integers) . The N CSI-RS resources may be reported by the UE and / or configured by the network entity 104. In one example, the network entity 104 may configure the UE 102 to report the K compressed CSI for a subset of CSI-RS resources (K CSI-RS resources, K being an integer) , and the UE 102 can report the remaining (N -K) CSIs based on the UE's selection for the remaining (M -K) CSI-RS resources.

[0067] In some embodiments, the network entity 104 may configure one CSI-RS resource as CMR for CSI compression and / or prediction. Then the UE 102 calculates the CSI based on the configured CSI-RS resource. For example, the network entity 104 configures only one CMR in the CSI report configuration. The UE 102 reports one compressed and / or predicted CSI (e.g., PMI) based on the ML model, and optionally reports other CSI components (e.g., wideband / subband RI, CQI, LI, etc. ) based on the CSI report configuration. The UE 102 may calculate the wideband / subband RI / CQI / LI based on the wideband / subband precoders before compression or based on decompressed wideband / subband precoders derived from the CSI decoder and the reported compressed precoders, and based on the corresponding CSI-RS resource. For example, the UE 102 may calculate RI / CQI / LI based on the precoders before the compression or based on the decompressed precoders, which are calculated based on the reported precoders. The CSI decoder may be pre-defined or configured by the network entity 104 or reported by the UE. The network entity 104 may refrain from configuring multiple CMRs for the CSI report configuration.

[0068] In some embodiments, the network entity 104 configures multiple CMRs (e.g., N CMRs) in a CSI report configuration. In some cases, the UE 102 reports M compressed / predicted CSI (e.g., PMI) based on the model based on separate compression. The UE 102 optionally reports other M CSI components (e.g., wideband / subband CRI, RI, CQI, LI, etc. ) for M CMRs from the N configured CMRs separately. The M CMRs may be configured by the network entity 104 or selected / reported by the UE 102.

[0069] In some examples, the UE 102 may report the precoder information including the M compressed precoders for one or multiple subbands based on the M CSI-RS resources in the CSI report. The UE may be configured by the network entity 104 to report M wideband RI / CQI / LI, and / or M subband RI / CQI / LI for one or multiple subbands for the M CSI-RS resources. The subband (s) for the subband precoder / RI / CQI / LI may be configured by the network entity via separate parameters or common parameters. The UE may calculate each of the wideband / subband RI / CQI / LI based on the corresponding wideband / subband precoders before compression or based on corresponding decompressed wideband / subband precoders derived from the CSI decoder and the reported compressed precoders, and based on the corresponding CSI-RS resource. The CSI decoder may be pre-defined or configured by the network entity 104 or reported by the UE 102.

[0070] In some cases, the UE 102 reports one compressed / predicted CSI (e.g., PMI) based on the model for the M CMRs based on a joint compression, and optionally reports other M CSI components (e.g., wideband / subband CRI, RI, CQI, LI, etc. ) for M CMRs from the N configured CMRs. The M CMRs may be configured by NE or selected / reported by UE. In some examples, the UE 102 may report the precoder information including the compressed precoders for one or multiple subbands for the M CSI-RS resources in the CSI report. The UE 102 may be configured by the network entity 104 to report M wideband RI / CQI / LI, and / or M subband RI / CQI / LI for one or multiple subbands for the M CSI-RS resources. The subband (s) for the subband precoder / RI / CQI / LI may be configured by the network entity via separate parameters or common parameters. The UE 102 may calculate the wideband / subband RI / CQI / LI for a CSI-RS resource based on the wideband / subband precoders before compression for the corresponding CSI-RS resource or based on corresponding decompressed wideband / subband precoders for the corresponding CSI-RS resource derived from the CSI decoder and the reported compressed precoders for the corresponding CSI-RS resource, and based on the corresponding CSI-RS resource. The CSI decoder may be pre-defined or configured by the network entity 104 or reported by the UE 102.

[0071] In some cases, the UE 102 reports one compressed / predicted CSI (e.g., PMI) based on the ML model, and optionally reports other CSI components (e.g., wideband / subband RI, CQI, LI, etc. ) for the N CMRs. The N CMRs are from different ports and based on the same QCL / TCI. The UE 102 may report the UE capability for the maximum value of N and / or M, and / or support capability of the above examples. Ifthe UE 102 supports N = 1 only, the UE 102 reports one compressed and / or predicted CSI (e.g., PMI) based on the ML model, and optionally reports other CSI components (e.g., RI, CQI, LI, etc. ) based on the CSI report configuration.

[0072] In some examples, the measurement of one CSI resource may correspond to one or more real-valued numbers. For instance, the measurement of a CSI resource may be based on the measurement of one or more CSI-RS resource elements (REs) associated with the CSI resource. The measurement of one CSI-RS RE may correspond to one complex value, which can be represented by two real values (e.g., I and Q of the measurement or equivalently magnitude and phase of the complex value) . In some examples, the complex value may be represented by more than two real values (I and Q plus phase values) to include redundancy of the input to the encoder.

[0073] In some cases, the measurement of one CSI resource may correspond to one or multiple average values, each over a subset REs associated with the CSI resource, e.g., the average of the measurement within a predefined subband. The one or more measurements of CMRs may be pre-processed and then tokenized before feeding into the CSI encoder. The pre-processing may include denoising (e.g., by averaging) and quantization based on a predefined quantization table.

[0074] For tokenization, the UE 102 may map one or more measurements of the CMRs to a sequence of tokens. Each token may correspond to the measurements of the same or different frequency subbands, Tx ports, beams, or time instances.

[0075] In some examples, a token may correspond to the time resources, the frequency resources, and / or the spatial resources, on which the UE 102 performs at least one CSI measurement. In some cases, a token may correspond to at least one the time resources, the frequency resources, and / or the spatial resources for which the UE 102 has not performed CSI measurement, e.g., when no RS is scheduled in the resource or UE has a scheduling conflict to measure the corresponding RS in the resource. A placeholder number may be used for the resource which UE has not measured for the purpose of determining the token. Different placeholder numbers may be used for resources corresponding to different time / frequency / spatial dimensions.

[0076] At a high level, the UE 102 performs the CSI measurements and converts, transforms, or maps the measurements to a sequence of tokens (e.g., tokenization in general) , which may be represented by {K_i} . Each K_i corresponds to D numbers {d_1... d_D} . The measurement M corresponding to frequency band F, time instance T, and antenna port (or TCI) P can be applied to determine the n-th to m-th dimensions {d_n... d_m} in i-th token K_i. The mapping from {M(F, T, P) } to {K_i, {d_n... d_m} } can be based on at least one ofa predefined rule or the network entity signaling.

[0077] In some examples, if a token corresponds to resources that the UE 102 has not performed CSI measurement, then the token may be omitted in the token sequence. In some examples, placeholder numbers are used for the dimensions in a token which do not correspond to any measurements.

[0078] In some examples, the UE 102 may map the measurements corresponding to the same subband (or Tx port) into one token. In this case, the Tx port ID (and subband) may be used to determine the mapped dimensions within a token for each measurement.

[0079] In some examples, the UE 102 may determine the mapping from {M (F, T, P) } to {K_i, {d_n... d_m} } based on an indication by the network entity 104. In some cases, the indication may be included in the configuration signaling of the CMR. For instance, additional field (s) are included in the RRC configuration of the CMR to indicate the mapped token and dimensions within the token for each (subsets of) CSI resource (s) .

[0080] In some examples, for CSI compression and / or prediction, if the UE 102 has not performed measurement for Kp transmission occasions of the CMR, the UE 102 may drop the CSI report or report the outdated CSI; otherwise, the UE 102 may transmit the CSI report. The Kp transmission occasions of the CMR may be consecutive transmission occasions of the periodic or semi-persistent CMR. The offset between one of the Kp transmission occasions, e.g., the first or last one, and the first symbol or slot for the CSI report is smaller than or equal to a threshold. If the discontinuous reception (DRX) or cell discontinuous transmission (DTX) is configured or activated, the Kp transmission occasions may be in the same DRX active time or in one or multiple cell DTX active periods. The UE 102 has not received CSI report (re) configuration, serving cell activation, bandwidth part change, or activation of semi-persistent CSI within Kp transmission occasions. The value of Kp and threshold may be: pre-defined, reported in the UE capability, or configured by the network entity 104.

[0081] Fig. 5 illustrates an example workflow in a machine learning model with tokenization and transformer processing (an example of the operation 406 of Fig. 4) , in accordance with aspects of this disclosure. The ML model of the CSI encoder 140 and / or the CSI decoder 150 may include an ML model. As shown in Fig. 5, after the UE 102 measures 520 CSI-RS from the network entity 104, the UE 102 performs tokenization 525 on the CSI measurements. The UE 102 embeds 530 the tokenized information into an embedding layer, which is combined with positional encoding 540 before inputting to the trained ML model 550. The ML model 550 processes the CSI measurements and outputs the results to the output layer 560.

[0082] In some embodiments, the ML model 550 is transformer based, which employs a deep learning architecture for data sequences. The transformer based ML model 550 may process long-range dependencies and parallel processing efficiently. For example, the transformer model may use self-attention mechanism to process input data in parallel. In some cases, the transformer based ML model includes an encoder (e.g., the CSI encoder 140) for encoding the input sequence into a series of tokens or feature representations, and a decoder (e.g., the CSI decoder 150) for generating the output sequence by attending to both the encoder's output and previous tokens of its own.

[0083] In some cases, the transformer based ML model 550 may leverage functions similar to those in natural language processing (NLP) models, which may include bidirectional encoder representations from transformers, generative pre-trained transformer, among others. The transformer based ML model 550 may provide efficient and accurate sequence prediction. Transformer based ML models may be effective in sequential data prediction tasks requiring context understanding (e.g., CMR configuration, positional information, etc. ) .

[0084] During operation, the CSI measurement, given the CSI feedback / reporting context, is mapped to a sequence of tokens. Additional tokens may be prepended or appended to the sequence of the tokens. Then, the sequence of the tokens is fed into an embedding layer. In some examples, linear layers are used for the embedding process.

[0085] Positional encoding may be further added to the output of the embedding layer. The positional encoding for each token is determined by its position in the sequence of the token. The values of the positional encoding for different positions can be trainable or determined by a predefined formula.

[0086] Then, after adding positional encoding, the output of the embedding layer is fed into the main component, the transformer based ML model 550. The output of the transformer model can be further fed into an output layer 560, e.g., a softrnax layer (e.g., an activation function used in the output layer of neural networks for multi-class classification) . The output then may be mapped to the corresponding trained outcome (e.g., generated CSI-RS measurements) , which forms the completion.

[0087] Fig. 6 illustrates an example process 600 of reconstruction training of channel measurement resource (CMR) measurements in a CSI report using trained ML model of Fig. 5, in accordance with aspects of this disclosure. A scalable self-supervised machine learning approach may be used in the ML model 550, based on masked autoencoders, which involves masking random patches of an input array (e.g., radio resources in time and frequency) and reconstructing the missing signals of the masked patches. During training (e.g., supervised) or pre-training (e.g., self-supervised) , a large random subset of RS patches 620 may be masked out and used as input 622.

[0088] The encoder 640 is applied to the unmasked RS patches 622 to generate the encoded patches 624. Masked tokens (for the masked out RSs) are introduced after the encoder 640 to obtain the full set of encoded patches 626. The decoder 650 then processes the encoded patches 626 to reconstruct the original RS input, by outputting a vector of RS values 628, which are then completed into RS values 630 in the time and frequency domains. In particular, positioning encoding based on the location of the patches of the pixels in the original signal is applied in the encoder. In the decoder, a learnable masked token for each unknown patch of signals is used as a placeholder (i.e. the grey boxes in the input of the decoder) . Positional encoding based on the locations of all patches in the original image is applied in the decoder.

[0089] Fig. 7 illustrates an example mapping 700 of configured CMRs to the resources in the global pool, in accordance with aspects of this disclosure. As shown, three different Tx ports or beams 742, 744, and 746 are mapped based on global resource pool (e.g., per frequency 766 and Tx ports 768) . In some examples, as shown in Fig. 7, the network entity 104 may indicate to the UE 102 the global pool of resources, and a division method which maps the resources in the pool into different tokens and token dimensions (e.g., d1, d2, ... ) . The network entity 104 may indicate to the UE 102 how the configured CMRs maps to the resources in the global pool. The UE 102 may use both aforementioned indications to determine the tokens.

[0090] In some examples, the UE 102 may employ different methods oftokenizing the measurements of CMRs based on different RS configurations. For example, the mapping is different when the CMRs are configured with different numbers of Tx ports.

[0091] In some examples, the UE 102 may map the measurements to tokens based on local resource pool, such as mapping without the knowledge of global resource pools. In some examples, the UE 102 may map the measurements based on the local configured CSI-RS resource ID for the UE 102: e.g., CSI RS resource ID i-> Token j, based on at least one of: a predefined rule and a network entity indication.

[0092] In some examples, the UE 102 may map the CSI measurements based on the configured or pre-defined port mapping for each of the CSI-RS resources. The mapped port x may correspond to Token x. In some cases, the mapped ports may be divided into several groups and port group x may correspond to Token x, where the ports for each group may be configured by the network entity 104 or reported by the UE or pre-defined, e.g., 1, 2, or 4 ports per group / token.

[0093] Fig. 8 illustrates an example diagram 800 ofprepending class tokens for reference signals, in accordance with aspects of this disclosure. As shown, two different UEs (UE1 102a, and UE2 102b) may respectively perform 820 and 822 measurements of RS sets (RS set 1 and RS set 2) . The UEs 102a and 102b then respectively perform quantizations 823 and 824, and tokenizations 825 and 827. The UE 102a prepends the class token for RS configuration 1 830 to the sequence of tokens 832a through 832n. The UE 102b prepends the class token for RS configuration 2 834 to the sequence of tokens 836a through 836n. The UEs 102a and 102b then respectively sends the prepended token sequences to the CSI encoder 840 for processing.

[0094] The example diagram 800 illustrates how the UE 102 incorporates the CMR configuration into the input of the CSI encoder 840. For example, after computing the token sequence as one part of input to the encoder, the UE 102 may also need to incorporate the CMR RS configuration into the input to the encoder 840. For different RS configurations, the CSI resources with the same local ID may correspond to different resources in the global pool.

[0095] In some embodiments, the UE 102 may use different class tokens to indicate different RS configurations. The UE 102 may select the class token based on at least of a predefined rule or network entity indication signaling. For example, the UE 102 may compute the class token based on one or more configured parameters of the CMRs, e.g., the maximum number of Tx ports and / or periodicity associated with CMRs.

[0096] In some examples, the network entity 104 may indicate the class token to the UE. For example, the network entity may indicate (the seed to compute) the class token in the RRC configuration of the CMRs.

[0097] In some examples, the UE 102 may determine the class token based on the UE position, or UE distance to BS (which can be measured by path loss or RTT) . The UE may be configured with a formula to compute the class token based on the UE position or UE distance. In some examples, UE may indicate to the network entity the class token used for the encoder such that the network entity may use the same Class token for decoder input.

[0098] When computing the decoded CSI using the decoder, the network entity 104 may also select the same class token (e.g., to prepended the received compressed CSI) as part of the input to the decoder.

[0099] In some embodiments, the UE 102 may use positional encoding. For example, the UE 102 may feed each token into an embedding layer in the neural network, and the output of the embedding layer may be processed with certain positional encoding (e.g., added to the positional encoding) before fed into the attention based neural network layers. Different positional encoding may be used for different RS configurations.

[0100] In the example of global resource pool mapping, when the network entity 104 indicates to the UE 102 with the mapping of the configured CMRs into the global resource pool, the UE 102 may use the mapping information to determine the positional encoding for each token. For example, different tokens may correspond to different divisions in the global resource pool, and the indices / locations of the divisions in the global resource pool may be used to compute the positional encoding based on predefined formulas.

[0101] In the example of local resource pool mapping, the network entity 104 may indicate the UE 102 with the positional encoding for each token in the token sequences. In some embodiments, the network entity 104 may indicate to the UE 102 for each token, the associated CSI resources in the configured CMR sets, the positioning encoding, and / or the mapping to the global resource pool. For instance, the indication may be indicated via a token list IE, where each element of the IE corresponds to a token, and the associated CSI resources in the configured CMR and the positioning encoding are indicated in the fields of the element.

[0102] In some embodiments, the quality of the channel compression may determine how many measurements / tokens are applied to the encoder / decoder. For example, the UE 102 may include another decoder for determining the quality of the channel compression to determine parameters of tokenization.

[0103] In some embodiments, the UE 102 may not be able to measure the CMR ifthe UE 102 has also been scheduled to receive another channel from another spatial direction or with a different tone spacing. Therefore, scheduling restriction rules may be introduced to make sure that UE can measure the corresponding RS without scheduling conflicts.

[0104] In some embodiments, if a UE indicates a UE capability that cannot support simultaneous reception from multiple different transmission configuration indicators (TCIs) or beams, the network entity 104 may refrain from scheduling another reference signal or channel that overlap in time with a RS associated with a CSI report for CSI compressing unless they share the same TCI or beam. In one example, the UE capability may be an indication whether UE can receive PDSCH and SSB (which is associated with an AI / ML based CSI report) with different SCSs at the same time.

[0105] In some cases, if the number of measurements for the channel compression is lower than a threshold X, or the number of the qualified tokens for the input of the encoder is fewer than a threshold Y, the UE may skip running the encoder (and sending the compressed CSI) . The threshold X and Y can be indicated to UE by network entity. The qualified tokens may correspond to the tokens that are associated with actual measurements.

[0106] In some embodiments, the UE 102 may transmit, to the network entity 104, an alert or notification regarding that the compression is not completed. The alert or notification may terminate decoding operations or cause processing of the following CSI report received.

[0107] For performance monitoring, the UE 102 may also run another decoder based on the output of the encoder 140, and compare the output of the decoder with the measured CSI. In some examples, the measured CSI can be measured by receiving another downlink reference signals, e.g., another CSI-RS resource or CSI-RS resource set. The downlink reference signal can be the same as the CMR for CSI report or it could be a superset of the CMR for CSI report. In order to mn the decoder, the UE 102 may also select the corresponding class token and positional encoding for the input of the decoder. When the difference between the output of the decoder and the measured CSI satisfies a predefined condition (e.g., being greater than a threshold value) , the UE 102 may be triggered to send an error report to network entity 104.

[0108] Fig. 9 illustrates an example diagram 900 of prompt tuning with soft prompt, in accordance with aspects of this disclosure. As shown, a pre-trained ML model 950 can be fine-tuned to improve performance for specific tasks, e.g., classification. In general, frae-tuning requires further updating the parameters of the ML model 950 using additional training datasets for a specific task (e.g., compression and / or prediction per resource or report configurations) . The fine-tuned ML model 950 for one specific task may not work as well for other tasks.

[0109] Multi-task fine-tuning may be performed. As shown in Fig. 9, a first task 948 may include trainable soft prompt for the first task, and the second task 949 may include different trainable soft prompt for the second task. As such, the ML model may be trained with datasets corresponding to multiple different tasks.

[0110] During fine-tuning, the parameters of the ML model 950 are frozen during training, while each task is assigned with a sequence of a few trainable soft tokens (which is called soft prompt) , whose values are determined during the fine-tune training process. The soft prompt is similar to the instruction in the instruction fine-tune approach, except that its value is determined by the training process, and may not correspond to any existing word / real token.

[0111] After training, different tasks may end up having different soft prompts. For example, CSI compression and CSI prediction may be categorized as different tasks and may correspond to compress and / or predict CSI based on the measurement with different CSI resource or report configurations. During the inference phase, the trained soft prompt is selected based on the task, and then prepended to the input token sequence before being fed into the ML model 950. As the number of soft tokens is orders of magnitude smaller than the parameters in the ML model 950, the soft prompt approach may thus be an efficient fine-tune method.

[0112] Fig. 10 illustrates a flowchart of a method 1000 of wireless communication at a UE.With reference to Figs. 1, 3-5, and 12, the method may be performed by the UE 102, the UE apparatus 1202, etc., which may include the memory 1226′, 1206′, 1212, and which may correspond to the entire UE 102 or the entire UE apparatus 1202, or a component (e.g., the CSI decoder 150) of the UE 102 or the UE apparatus 1202, such as the wireless baseband processor 1226 and / or the application processor 1206.

[0113] As shown in Fig. 10, the method 1000 starts where the UE optionally transmits 1002, to a network entity, UE capability information for supporting at least one off ML model based CSI processing; ML model based CSI prediction; transformer based ML model; a maximum number of CMRs UE can process; or a maximum number of tokens UE can process (similar to the operation 402 of Fig. 4) .

[0114] The UE receives 1004, from a network entity, a CSI report configuration including a plurality of CMRs associated with an ML model for CSI processing (similar to the operation 404 of Fig. 4) . The UE receives 1005, from the network entity, a CSI-RS on the plurality of CMRs (similar to the operation 405 of Fig. 4) .

[0115] The UE may perform 1020 CSI measurements based on the CSI-RS . The UE may tokenize 1025 the CSI measurements to obtain the tokenized measurement information including the class token associated with the plurality of CMRs.

[0116] The UE may input 1035 the sequence of tokens to an embedding layer to generate an embedding vector; process the embedding vector with the positional encoding to generate an encoded embedding vector; and input the encoded embedding vector to neural network layers to generate compressed CSI as the output.

[0117] The UE transmits 1008, to the network entity, a CSI report based on an output of the ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0118] In aspects, the ML model is associated with at least one of: compression of the CSI measurements; or prediction of CSI based on the CSI measurements. In some cases, the UE applies positional encoding on the tokenized measurement information based on different CSI-RS resource configurations of the plurality of CMRs.

[0119] In aspects, the UE tokenizes the CSI measurements by preprocessing the CSI measurements including at least one of: removing noise from the CSI measurements; or performing quantization of the CSI measurements based on a quantization table. In some cases, tokenizing the CSI measurements includes mapping the CSI measurements to a sequence of tokens. Each token corresponds to measurements associated with at least one of: a frequency resource; a transmission port; a beam; a transmission configuration indicator; a time resource; or a spatial resource. In some cases, the sequence of tokens includes a placeholder token corresponding to resources in which the UE has not performed the CSI measurements.

[0120] In some cases, mapping the CSI measurements is based on the CSI report configuration indicating a configuration of the plurality of CMRs, the configuration including token mapping and token dimensions for the plurality of CMRs. In some cases, mapping the CSI measurements includes mapping the CSI measurements based on a global resource pool indicated in the CSI report configuration. The global resource pool is configured based on CSI-RS resource configurations. In some cases, mapping the CSI measurements includes at least one of mapping the CSI measurements based on a local resource pool based on locally configured CSI-RS resource identifiers, IDs, for the UE; or mapping the CSI measurements based on a port mapping for each of CSI-RS resources configured in the CSI report configuration.

[0121] In some cases, the UE prepends the class token to the sequence of tokens. The class token is associated with a CSI-RS resource configuration. In some cases, the UE selects the class token based on a predefined rule or an indication signaling from the network entity. In some cases, the UE receives, from the network entity, the class token in the CSI report configuration.

[0122] In aspects, the UE computes the class token based on a position of the UE relative to the network entity; and transmits, to the network entity, the class token for processing the CSI report.

[0123] In aspects, the UE inputs the sequence of tokens to an embedding layer to generate an embedding vector; processes the embedding vector with the positional encoding to generate an encoded embedding vector; and inputs the encoded embedding vector to neural network layers to generate compressed CSI as the output.

[0124] In some cases, the UE decompresses the compressed CSI using another ML model for CSI processing at the network entity; compares the decompressed CSI and the CSI measurements of the plurality of CMRs to ascertain a quality of CSI compression; and determines parameters of measurements and parameters of tokenization based on the quality of the CSI compression. In some cases, the UE transmits, to the network entity, a performance monitoring report based on the quality of the CSI compression.

[0125] Fig. 11 is a flowchart ora method 1100 of wireless communication at a network entity. The method 1100 is complementary to the method 1000 of Fig. 10. With reference to Figs. 1, 3-5, and 13, the method 1100 may be performed by one or more network entities 104, which may correspond to a base station or a unit of the base station, such as the RU 106, the DU 108, the CU 110, an RU processor 1306, a DU processor 1326, a CU processor 1346, etc. The one or more network entities 104 may include memory 1306' / 1326' / 1346', which may correspond to an entirety of the one or more network entities 104, or a component of the one or more network entities 104, such as the RU processor 1306, the DU processor 1326, or the CU processor 1346.

[0126] As shown in Fig. 11, the network entity optionally receives 1102, from a UE, UE capability information for supporting at least one of: ML model based CSI processing; ML model based CSI prediction; transformer based ML model; a maximum number of CMRs UE can process; or a maximum number of tokens UE can process (similar to operation 402 of Fig. 4) .

[0127] The network entity transmits 1104, to a UE, a CSI report configuration including a plurality of CMRs associated with an ML model for CSI processing. The network entity transmits 1105, to the UE, a CSI-RS on the plurality of CMRs. The network entity receives 1108, from the UE, a CSI report based on an output of ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0128] The network entity may compute 1110 CSI with an input to another ML model based on the CSI report and the class token associated with the CSI report configuration. The network entity may schedule 1112, with the UE, communications based on the computed CSI.

[0129] In aspects, the network entity processes the output in another ML model based on a sequence of tokens. Each token of the sequence of tokens corresponds to measurements associated with least one of: a frequency resource; a transmission port; a beam; a transmission configuration indicator; a time resource; or a spatial resource.

[0130] In aspects, the sequence of tokens includes a placeholder token corresponding to resources in which the UE has not performed CSI measurement based on the plurality of CMRs for the CSI report.

[0131] In some cases, the CSI measurements of the plurality of CMRs are mapped to the sequence of tokens based on the CSI report configuration indicating a configuration of the plurality of CMRs, and the method further includes: transmitting, to the UE, the configuration including token mapping and token dimensions for the plurality of CMRs.

[0132] In some cases, the CSI measurements of the plurality of CMRs are mapped to the sequence of tokens based on at least one off a global resource pool indicated in the CSI report configuration. The global resource pool is configured based on CSI-RS resource configurations; or a local resource pool based on locally configured CSI-RS resource identifiers, IDs, for the UE.

[0133] In aspects, the sequence of tokens includes a class token prepended to the sequence of tokens. The class token is associated with a reference signal configuration.

[0134] In some cases, the network entity transmits, to the UE, a predefined rule or an indication signaling for selecting the class token. In some cases, the network entity transmits, to the UE, the class token in the CSI report configuration. In some cases, the network entity receives, from the UE, the class token for processing the CSI report.

[0135] In some cases, the network entity computes CSI with an input to another ML model based on the CSI report and the class token associated with the CSI report configuration; and schedules, with the UE, communications based on the computed CSI.

[0136] A UE apparatus 1202, as described in Fig. 12, may perform the method 1000. The one or more network entities (or BS) 104, as described in Fig. 13, may perform the method 1100.

[0137] Fig. 12 is a diagram 1200 illustrating an example of a hardware implementation for a UE apparatus 1202. The UE apparatus 1202 may be the UE 102, a component of the UE 102, or may implement UE functionality. The UE apparatus 1202 may include an application processor 1206, which may have on-chip memory 1206'. In examples, the application processor 1206 may be coupled to a secure digital card 1208 and / or a display 1210. The application processor 1206 may also be coupled to a sensor (s) module 1212, a power supply 1214, an additional module of memory 1212, a camera 1218, and / or other related components. For example, the sensor (s) module 1212 may control a barometric pressure sensor / altimeter, a motion sensor such as an inertial management unit (IMU) , a gyroscope, accelerometer (s) , a light detection and ranging (LIDAR) device, a radio-assisted detection and ranging (RADAR) device, a sound navigation and ranging (SONAR) device, a magnetometer, an audio device, and / or other technologies used for positioning.

[0138] The UE apparatus 1202 may further include a wireless baseband processor 1226, which may be referred to as a modem. The wireless baseband processor 1226 may have on-chip memory 1226′. Along with, and similar to, the application processor 1206, the wireless baseband processor 1226 may also be coupled to the sensor (s) module 1212, the power supply 1214, the additional module of memory 1212, the camera 1218, and / or other related components. The wireless baseband processor 1226 may be additionally coupled to one or more subscriber identity module (SIM) card (s) 1220 and / or one or more transceivers 1230 (e.g., wireless RF transceivers) .

[0139] Within the one or more transceivers 1230, the UE apparatus 1202 may include a Bluetooth module 1232, a WLAN module 1234, an SPS module 1236 (e.g., GNSS module) , and / or a cellular module 1238. The Bluetooth module 1232, the WLAN module 1234, the SPS module 1236, and the cellular module 1238 may each include an on-chip transceiver (TRX) , or in some cases, just a transmitter (TX) or just a receiver (RX) . The Bluetooth module 1232, the WLAN module 1234, the SPS module 1236, and the cellular module 1238 may each include dedicated antennas and / or utilize antennas 1240 for communication with one or more other nodes. For example, the UE apparatus 1202 may communicate through the transceiver (s) 1230 via the antennas 1240 with another UE 102 (e.g., sidelink communication) and / or with a network entity 104 (e.g., uplink / downlink communication) , where the network entity 104 may correspond to a base station or a unit of the base station, such as the RU 106, the DU 108, or the CU 110.

[0140] The wireless baseband processor 1226 and the application processor 1206 may each include a computer-readable medium  / memory 1226′, 1206′, respectively. The additional module of memory 1212 may also be considered a computer-readable medium  / memory. Each computer-readable medium  / memory 1226′, 1206′, 1212 may be non-transitory. The wireless baseband processor 1226 and the application processor 1206 may each be responsible for general processing, including execution of software stored on the computer-readable medium  / memory 1226′, 1206′, 1212. The software, when executed by the wireless baseband processor 1226  / application processor 1206, causes the wireless baseband processor 1226  / application processor 1206 to perform the various functions described herein. The computer-readable medium  / memory may also be used for storing data that is manipulated by the wireless baseband processor 1226  / application processor 1206 when executing the software. The wireless baseband processor 1226  / application processor 1206 may be a component of the UE 102. The UE apparatus 1202 may be a processor chip (e.g., modem and / or application) and include just the wireless baseband processor 1226 and / or the application processor 1206. In other examples, the UE apparatus 1202 may be the entire UE 102 and include the additional modules of the apparatus 1202.

[0141] As discussed in Fig. 1 and implemented with respect to Figs. 3 and 4, the CSI encoder 140 is configured to receive, from a network entity, a CSI report configuration including a plurality of channel measurement resources (CMRs) associated with an ML model for CSI processing. The CSI encoder 140 is further configured to receive from the network entity, a CSI-RS on the plurality of CMRs. The CSI encoder 140 is configured to transmit, to the network entity, a CSI report based on an output of the ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0142] The CSI encoder 140 may be within the application processor 1206 (e.g., at 140a) , the wireless baseband processor 1226 (e.g., at 170b) , or both the application processor 1206 and the wireless baseband processor 1226. The CSI encoder 140a-140b may be one or more hardware components specifically configured to carry out the stated processes / algorithm, implemented by one or more processors configured to perform the stated processes / algorithm, stored within a computer-readable medium for implementation by the one or more processors, or a combination thereof.

[0143] Fig. 13 is a diagram 1300 illustrating an example of a hardware implementation for one or more network entities 104. The one or more network entities 104 may be a base station, a component of a base station, or may implement base station functionality. The one or more network entities 104 may include, or may correspond to, at least one of the RU 106, the DU 108, or the CU 110. The CU 110 may include a CU processor 1346, which may have on-chip memory 1346′. In some aspects, the CU 110 may further include an additional module of memory 1356 and / or a communications interface 1348, both of which may be coupled to the CU processor 1346. The CU 110 may communicate with the DU 108 through a midhaul link 162, such as an Fl interface between the communications interface 1348 of the CU 110 and a communications interface 1328 of the DU 108.

[0144] The DU 108 may include a DU processor 1326, which may have on-chip memory 1326′. In some aspects, the DU 108 may further include an additional module of memory 1336 and / or the communications interface 1328, both of which may be coupled to the DU processor 1326. The DU 108 may communicate with the RU 106 through a fronthaul link 160 between the communications interface 1328 of the DU 108 and a communications interface 1308 of the RU 106.

[0145] The RU 106 may include an RU processor 1306, which may have on-chip memory 1306′. In some aspects, the RU 106 may further include an additional module of memory 1316, the communications interface 1308, and one or more transceivers 1330, all of which may be coupled to the RU processor 1306. The RU 106 may further include antennas 1340, which may be coupled to the one or more transceivers 1330, such that the RU 106 may communicate through the one or more transceivers 1330 via the antennas 1340 with the UE 102.

[0146] The on-chip memory 1306′, 1326′, 1346′and the additional modules of memory 1316, 1336, 1356 may each be considered a computer-readable medium  / memory. Each computer-readable medium  / memory may be non-transitory. Each of the processors 1306, 1326, 1346 is responsible for general processing, including execution of software stored on the computer-readable medium  / memory. The software, when executed by the corresponding processor (s) 1306, 1326, 1346 causes the processor (s) 1306, 1326, 1346 to perform the various functions described herein. The computer-readable medium  / memory may also be used for storing data that is manipulated by the processor (s) 1306, 1326, 1346 when executing the software. In examples, the CSI decoder 150 may sit at any of the one or more network entities 104, such as at the CU 110; both the CU 110 and the DU 108; each of the CU 110, the DU 108, and the RU 106; the DU 108; both the DU 108 and the RU 106; or the RU 106.

[0147] The CSI decoder 150 may perform various operations and signaling (such as the operations in Figs. 3 and 5) according to the examples provided herein and be within one or more processors of the one or more network entities 104, such as the RU processor 1306 (e.g., at 150a) , the DU processor 1326 (e.g., at 150b) , and / or the CU processor 1346 (e.g., at 150c) . As discussed in Fig. 1 and implemented with respect to Figs. 3 and 5, the CSI decoder 150 is configured to transmit, to a UE 102, a CSI report configuration including a plurality of CMRs associated with an ML model for CSI processing. The CSI decoder 150 is configured to transmit, to the UE 102, CSI-RS on the plurality of CMRs. The CSI decoder 150 is configured to receive, from the UE 102, a CSI report based on an output of ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0148] The CSI decoder 150a-150c may be one or more hardware components specifically configured to carry out the stated processes / algorithm, implemented by one or more processors 1306, 1326, 1346 configured to perform the stated processes / algorithm, stored within a computer-readable medium for implementation by the one or more processors 1306, 1326, 1346, or a combination thereof.

[0149] The specific order or hierarchy of blocks in the processes and flowcharts disclosed herein are an illustration of example approaches. Hence, the specific order or hierarchy of blocks in the processes and flowcharts may be rearranged. Some blocks may also be combined or deleted. Dashed lines may indicate example / optional elements of the diagrams. The accompanying method claims present elements of the various blocks in an example order, and are not limited to the specific order or hierarchy presented in the claims, processes, and flowcharts.

[0150] The detailed description set forth herein describes various configurations in connection with the drawings and does not represent the only configurations in which the concepts described herein may be practiced. The detailed description includes specific details for the purpose of providing a thorough explanation of various concepts. However, these concepts may be practiced without these specific details. In some instances, well known structures and components are shown in block diagram form in order to avoid obscuring such concepts.

[0151] Aspects of wireless communication systems, such as telecommunication systems, are presented with reference to various apparatuses and methods. These apparatuses and methods are described in the following detailed description and are illustrated in the accompanying drawings by various blocks, components, circuits, processes, call flows, systems, algorithms, etc. (collectively referred to as “elements” ) . These elements may be implemented using electronic hardware, computer software, or combinations thereof. Whether such elements are implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system.

[0152] An element, or any portion of an element, or any combination of elements may be implemented as a “processing system” that includes one or more processors. Examples of processors include microprocessors, microcontrollers, graphics processing units (GPUs) , central processing units, application processors, digital signal processors (DSPs) , reduced instruction set computing (RISC) processors, systems-on-chip (SoC) , baseband processors, field programmable gate arrays (FPGAs) , programmable logic devices (PLDs) , state machines, gated logic, discrete hardware circuits, and other similar hardware configured to perform the various functionality described throughout this disclosure. One or more processors in the processing system may execute software, which may be referred to as software, firmware, middleware, microcode, hardware description language, or otherwise. Software_may be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software components, applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, or any combination thereof.

[0153] Ifthe functionality described herein is implemented in software, the functions may be stored on, or encoded as, one or more instructions or code on a computer-readable medium, such as a non-transitory computer-readable storage medium. Computer-readable media includes computer storage media and may include a random-access memory (RAM) , a read-only memory (ROM) , an electrically erasable programmable ROM (EEPROM) , optical disk storage, magnetic disk storage, other magnetic storage devices, combinations of these types of computer-readable media, or any other medium that may be used to store computer executable code in the form of instructions or data structures that may be accessed by a computer. Storage media may be any available media that may be accessed by a computer.

[0154] Aspects, implementations, and / or use cases described herein may be implemented across many differing platform types, devices, systems, shapes, sizes, and packaging arrangements. For example, the aspects, implementations, and / or use cases may come about via integrated chip implementations and other non-module-component based devices, such as end-user devices, vehicles, communication devices, computing devices, industrial equipment, retail / purchasing devices, medical devices, artificial intelligence (AI) -enabled devices, machine learning (ML) -enabled devices, etc. The aspects, implementations, and / or use cases may range from chip-level or modular components to non-modular or non-chip-level implementations, and further to aggregate, distributed, or original equipment manufacturer (OEM) devices or systems incorporating one or more techniques described herein.

[0155] Devices incorporating the aspects and features described herein may also include additional components and features for the implementation and practice of the claimed and described aspects and features. For example, transmission and reception of wireless signals necessarily includes a number of components for analog and digital purposes, such as hardware components, antennas, RF-chains, power amplifiers, modulators, buffers, processor (s) , interleavers, adders / summers, etc. Techniques described herein may be practiced in a wide variety of devices, chip-level components, systems, distributed arrangements, aggregated or disaggregated components, end-user devices, etc., of varying configurations.

[0156] The description herein is provided to enable a person skilled in the art to practice the various aspects described herein. Various modifications to these aspects may be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other aspects. Thus, the claims are not limited to the aspects described herein, but are to be interpreted in view of the full scope of the present disclosure consistent with the language of the claims.

[0157] Reference to an element in the singular does not mean “one and only one” unless specifically stated, but rather “one or more. ” Terms such as “if, ” “when, ” and “while” do not imply an immediate temporal relationship or reaction. That is, these phrases, e.g., “when, ” do not imply an immediate action in response to or during the occurrence of an action, but simply imply that if a condition is met then an action may occur, but without requiring a specific or immediate time constraint for the action to occur. The terms “may, ” “might, ” and “may, ” as used in this disclosure, often carry certain connotations. For example, “may” refers to a permissible feature that may or may not occur, “might” refers to a feature that probably occurs, and “may” refers to a capability (e.g., capable of) . The phrase “For example” often carries a similar connotation to “may” and, therefore, “may” is sometimes excluded from sentences that include “for example” or other similar phrases.

[0158] Unless specifically stated otherwise, the term “some” refers to one or more. Combinations such as “at least one of A, B, or C” or “one or more of A, B, or C” include any combination of A, B, and / or C, such as A and B, A and C, B and C, or A and B and C, and may include multiples of A, multiples of B, and / or multiples of C, or may include A only, B only, or C only. Sets may be interpreted as a set of elements where the elements number one or more.

[0159] Unless otherwise specifically indicated, ordinal terms such as “first” and “second” do not necessarily imply an order in time, sequence, numerical value, etc., but are used to distinguish between different instances of a term or phrase that follows each ordinal term. Reference numbers, as used in the specification and figures, are sometimes cross-referenced among drawings to denote same or similar features. A feature that is exactly the same in multiple drawings may be labeled with the same reference number in the multiple drawings. A feature that is similar among the multiple drawings, but not exactly the same, may be labeled with reference numbers that have different leading numbers, but have one or more of the same trailing numbers (e.g., 206, 306, 406, etc., may refer to similar features in the drawings) . Sometimes an “X” is used to universally denote multiple variations of a feature. For instance, “X06” may universally refer to all reference numbers that end in “06” (e.g., 206, 306, 406, etc. ) .

[0160] It is noted that throughout this disclosure, an expression of “X / Y” may include meaning of “X or Y” . It is noted that throughout this disclosure, an expression of “X / Y” may include meaning of “X and Y” . It is noted that throughout this disclosure, an expression of “X / Y” may include meaning of “X and / or Y” . It is noted that throughout this disclosure, an expression of “ (A) B” or “B (A) ” may include concept of “only B” . It is noted that throughout this disclosure, an expression of “ (A) B” or “B (A) ” may include concept of “A+B” or “B+A” .

[0161] It is noted that some or all of the foregoing or the following embodiments may be jointly combined or formed to be a new or another one embodiment.

[0162] It is noted that the foregoing or the following embodiments may be used to solve at least (but not limited to) the issue (s) or scenario (s) mentioned in this disclosure.

[0163] The following additional considerations may apply to the foregoing and the following discussions.

[0164] It is noted that any two or more than two of the foregoing or the following paragraphs, (sub) -bullets, points, actions, or claims described in each method / embodiment / implementation may be combined logically, reasonably, and properly to form a specific method.

[0165] It is noted that any sentence, paragraph, (sub) -bullet, point, action, or claim described in each of the foregoing or the following embodiment (s)  / implementations / concept (s) may be implemented independently and separately to form a specific method. Dependency, e.g., “based on, ” “more specifically, ” “where” or etc., in embodiment (s)  / implementations / concept (s) mentioned in this disclosure is just one possible embodiment which would not restrict the specific method.

[0166] A user device in which the techniques of this disclosure may be implemented (e.g., the UE 102) may be any suitable device capable of wireless communications such as a smartphone, a tablet computer, a laptop computer, a mobile gaming console, a point-of-sale (POS) terminal, a health monitoring device, a drone, a camera, a media-streaming dongle or another personal media device, a wearable device such as a smartwatch, a wireless hotspot, a femtocell, or a broadband router. Further, the user device in some cases may be embedded in an electronic system such as the head unit of a vehicle or an advanced driver assistance system (ADAS) . Still further, the user device may operate as an internet-of-things (IoT) device or a mobile-intemet device (MID) . Depending on the type, the user device may include one or more general-purpose processors, a computer-readable memory, a user interface, one or more network interfaces, one or more sensors, etc.

[0167] Certain embodiments are described in this disclosure as including logic or a number of components or modules. Modules may be software modules (e.g., code stored on non-transitory machine-readable medium) or hardware modules. A hardware module is a tangible unit capable of performing certain operations and may be configured or arranged in a certain manner. A hardware module may comprise dedicated circuitry or logic that is permanently configured (e.g., as a special-purpose processor, such as a field programmable gate array (FPGA) or an application-specific integrated circuit (ASIC) ) to perform certain operations. A hardware module may also comprise programmable logic or circuitry (e.g., as encompassed within a general-purpose processor or other programmable processor) that is temporarily configured by software to perform certain operations. The decision to implement a hardware module in dedicated and permanently configured circuitry, or in temporarily configured circuitry (e.g., configured by software) may be driven by cost and time considerations.

[0168] When implemented in software, the techniques may be provided as part of the operating system, a library used by multiple applications, a particular software application, etc. The software may be executed by one or more general-purpose processors or one or more special-purpose processors.

[0169] Structural and functional equivalents to elements of the various aspects described throughout this disclosure that are known or later come to be known to those of ordinary skill in the art are expressly incorporated herein by reference and are encompassed by the claims. The words “module, ” “mechanism, ” “element, ” “device, ” and the like may not be a substitute for the word “means. ” As such, no claim element is to be construed as a means plus function unless the element is expressly recited using the phrase “means for. ” As used herein, the phrase “based on” may not be construed as a reference to a closed set of information, one or more conditions, one or more factors, or the like. In other words, the phrase “based on A, ” where “A” may be information, a condition, a factor, or the like, may be construed as “based at least on A” unless specifically recited differently.

[0170] The following examples are illustrative and may be combined with other examples or teachings described herein, without limitation.

[0171] Example 1 is a method of wireless communications by a user equipment (UE) , the method including: receiving, from a network entity, a channel state information (CSI) , report configuration including a plurality of channel measurement resources, CMRs, associated with a machine learning (ML) model for CSI processing; receiving, from the network entity, a CSI reference signal (CSI-RS) on the plurality of CMRs; and transmitting, to the network entity, a CSI report based on an output of the ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0172] Example 2 is a method of Example 1, further including: performing CSI measurements based on the CSI-RS; and tokenizing the CSI measurements to obtain the tokenized measurement information including the class token associated with the plurality of CMRs. The ML model is associated with at least one of: compression of the CSI measurements; or prediction of CSI based on the CSI measurements. In some cases, the method further includes applying positional encoding on the tokenized measurement information based on different CSI-RS resource configurations of the plurality of CMRs.

[0173] Example 3 is a method of Example 2, wherein tokenizing the CSI measurements includes: preprocessing the CSI measurements including at least one off removing noise from the CSI measurements; or performing quantization of the CSI measurements based on a quantization table.

[0174] Example 4 is a method of Example 2, wherein tokenizing the CSI measurements includes mapping the CSI measurements to a sequence of tokens, wherein each token corresponds to measurements associated with at least one of: a frequency resource; a transmission port; a beam; a transmission configuration indicator; a time resource; or a spatial resource.

[0175] Example 5 is a method of Example 4, wherein the sequence of tokens includes a placeholder token corresponding to resources in which the UE has not performed the CSI measurements.

[0176] Example 6 is a method of Example 4, wherein mapping the CSI measurements is based on the CSI report configuration indicating a configuration of the plurality of CMRs, the configuration including token mapping and token dimensions for the plurality of CMRs.

[0177] Example 7 is a method of any one of Examples 4-6, wherein mapping the CSI measurements includes mapping the CSI measurements based on a global resource pool indicated in the CSI report configuration. The global resource pool is configured based on CSI-RS resource configurations.

[0178] Example 8 is a method of any one of Examples 4-6, wherein mapping the CSI measurements includes at least one of mapping the CSI measurements based on a local resource pool based on locally configured CSI-RS resource identifiers, IDs, for the UE; or mapping the CSI measurements based on a port mapping for each of CSI-RS resources configured in the CSI report configuration.

[0179] Example 9 is a method of any one of Examples 4-8, further including prepending the class token to the sequence of tokens, wherein the class token is associated with a CSI-RS resource configuration or the CSI report configuration.

[0180] Example 10 is a method of Example 9, further including selecting the class token based on a predefined role or an indication signaling from the network entity.

[0181] Example 11 is a method of Example 9, further including receiving, from the network entity, the class token in the CSI report configuration.

[0182] Example 12 is a method of Example 9, further including computing the class token based on a position of the UE relative to the network entity; and transmitting, to the network entity, the class token for processing the CSI report.

[0183] Example 13 is a method of Example 9, further including inputting the sequence of tokens to an embedding layer to generate an embedding vector; processing the embedding vector with the positional encoding to generate an encoded embedding vector; and inputting the encoded embedding vector to neural network layers to generate compressed CSI as the output.

[0184] Example 14 is a method of Example 13, further including: decompressing the compressed CSI using another ML model for CSI processing at the network entity; comparing the decompressed CSI and the CSI measurements of the plurality of CMRs to ascertain a quality of CSI compression; and determining parameters of measurements and parameters of tokenization based on the quality of the CSI compression, or transmitting, to the network entity, a performance monitoring report based on the quality of the CSI compression.

[0185] Example 15 is a method of Example 13, further including transmitting (402) , to the network entity, UE capability information for supporting at least one of: ML model based CSI processing; ML model based CSI prediction; transformer based ML model; a maximum number of CMRs UE can process; or a maximum number of tokens UE can process.

[0186] Example 16 is a method of wireless communications by a network entity (104) , the method including: transmitting (404) , to a user equipment, UE (104) , a channel state information, CSI, report configuration including a plurality of channel measurement resources, CMRs, associated with a machine learning, ML, model for CSI processing; transmitting (405) , to the UE, a CSI reference signal, CSI-RS, on the plurality of CMRs; and receiving (408) , from the UE, a CSI report based on an output of ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.

[0187] Example 17 is a method of Example 16, further including processing the output in another ML model based on a sequence of tokens, wherein each token of the sequence of tokens corresponds to measurements associated with least one of: a frequency resource; a transmission port; a beam; a transmission configuration indicator; a time resource; or a spatial resource.

[0188] Example 18 is a method of Example 17, wherein the sequence of tokens includes a placeholder token corresponding to resources in which the UE has not performed CSI measurement based on the plurality of CMRs for the CSI report.

[0189] Example 19 is a method of Example 18, wherein CSI measurements of the plurality of CMRs are mapped to the sequence of tokens based on the CSI report configuration indicating a configuration of the plurality of CMRs, and the method further includes: transmitting, to the UE, the configuration including token mapping and token dimensions for the plurality of CMRs.

[0190] Example 20 is a method of any one of Examples 17-19, wherein the CSI measurements of the plurality of CMRs are mapped to the sequence of tokens based on at least one of: a global resource pool indicated in the CSI report configuration. The global resource pool is configured based on CSI-RS resource configurations; or a local resource pool based on locally configured CSI-RS resource identifiers, IDs, for the UE.

[0191] Example 21 is a method of any one of Examples 17-20, wherein the sequence of tokens includes a class token prepended to the sequence of tokens. The class token is associated with a reference signal configuration.

[0192] Example 22 is a method of Example 21, further including transmitting, to the UE, a predefined rule or an indication signaling for selecting the class token.

[0193] Example 23 is a method of Example 22, further including at least one of: transmitting, to the UE, the class token in the CSI report configuration; or receiving, from the UE, the class token for processing the CSI report.

[0194] Example 24 is a method of Example 16, further including: receiving, from the UE, UE capability information for supporting ML based CSI and limitations on supporting simultaneous reception of multiple transmission configuration indicators, TCIs.

[0195] Example 25 is a method of Example 16, further including computing CSI with an input to another ML model based on the CSI report and the class token associated with the CSI report configuration; and scheduling, with the UE, communications based on the computed CSI.

[0196] Example 26 is an apparatus for wireless communication. The apparatus includes a transceiver; a memory; and a processor coupled to the memory and the transceiver. The processor is configured to implement a method as in any of Examples 1 to 25.

[0197] Example 27 is an apparatus for wireless communication for implementing a method as in any of examples 1 to 25.

[0198] Example 28 is an apparatus for wireless communication including means for implementing a method as in any of examples 1 to 25.

[0199] Example 29 is a non-transitory computer-readable medium storing computer executable code, the code when executed by a processor causes the processor to implement a method as in any of examples 1 to 25.

[0200] Example 30 is a computer program product for implementing a method as in any of Examples 1 to 25.

Claims

A method of wireless communications by a user equipment, UE, (102) , the method comprising:receiving (404) , from a network entity (104) , a channel state information, CSI, report configuration including a plurality of channel measurement resources, CMRs, associated with a machine learning, ML, model for CSI processing;receiving (405) , from the network entity, a CSI reference signal, CSI-RS, on the plurality of CMRs; andtransmitting (408) , to the network entity, a CSI report based on an output of the ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.The method of claim 1, further comprising:performing (520) CSI measurements based on the CSI-RS; andtokenizing (525) the CSI measurements to obtain the tokenized measurement information including the class token associated with the plurality of CMRs; andwherein the ML model is associated with at least one of:compression of the CSI measurements; orprediction of CSI based on the CSI measurements.The method of claim 1 or 2, further comprising:applying positional encoding on the tokenized measurement information based on different CSI-RS resource configurations of the plurality of CMRs.The method of claim 2, wherein tokenizing the CSI measurements comprises:preprocessing the CSI measurements including at least one of:removing noise from the CSI measurements; orperforming quantization of the CSI measurements based on a quantization table.The method of claim 2, wherein tokenizing the CSI measurements comprises:mapping the CSI measurements to a sequence of tokens, wherein each token corresponds to measurements associated with at least one of:a frequency resource;a transmission port;a beam;a transmission configuration indicator;a time resource; ora spatial resource.The method of claim 5, wherein the sequence of tokens comprises a placeholder token corresponding to resources in which the UE has not performed the CSI measurements.The method of claim 5, wherein mapping the CSI measurements is based on the CSI report configuration indicating a configuration of the plurality of CMRs, the configuration including token mapping and token dimensions for the plurality of CMRs.The method of any one of claims 5-7, wherein mapping the CSI measurements comprises:mapping the CSI measurements based on a global resource pool indicated in the CSI report configuration, wherein the global resource pool is configured based on CSI-RS resource configurations.The method of any one of claims 5-7, wherein mapping the CSI measurements comprises at least one of:mapping the CSI measurements based on a local resource pool based on locally configured CSI-RS resource identifiers, IDs, for the UE; ormapping the CSI measurements based on a port mapping for each of CSI-RS resources configured in the CSI report configuration.The method of any one of claims 5-9, further comprising:prepending the class token to the sequence of tokens, wherein the class token is associated with a CSI-RS resource configuration or the CSI report configuration.The method of claim 10, further comprising:selecting the class token based on a predefined rule or an indication signaling from the network entity.The method of claim 10, further comprising:receiving, from the network entity, the class token in the CSI report configuration.The method of claim 10, further comprising:computing the class token based on a position of the UE relative to the network entity; andtransmitting, to the network entity, the class token for processing the CSI report.The method of claim 10, further comprising:inputting the sequence of tokens to an embedding layer to generate an embedding vector;processing the embedding vector with the positional encoding to generate an encoded embedding vector; andinputting the encoded embedding vector to neural network layers to generate compressed CSI as the output.The method of claim 14, further comprising:decompressing the compressed CSI using another ML model for CSI processing at the network entity;comparing the decompressed CSI and the CSI measurements of the plurality of CMRs to ascertain a quality of CSI compression; anddetermining parameters of measurements and parameters of tokenization based on the quality of the CSI compression, or transmitting, to the network entity, a performance monitoring report based on the quality of CSI compression.The method of claim 14, further comprising:transmitting (402) , to the network entity, UE capability information for supporting at least one of:ML model based CSI processing;ML model based CSI prediction;transformer based ML model;a maximum number of CMRs UE can process; ora maximum number of tokens UE can process.A method of wireless communications by a network entity (104) , the method comprising:transmitting (404) , to a user equipment, UE (104) , a channel state information, CSI, report configuration including a plurality of channel measurement resources, CMRs, associated with a machine learning, ML, model for CSI processing;transmitting (405) , to the UE, a CSI reference signal, CSI-RS, on the plurality of CMRs; andreceiving (408) , from the UE, a CSI report based on an output of ML model using tokenized measurement information of the CSI-RS including a class token associated with the CSI report configuration as an input to the ML model.The method of claim 17, further comprising processing the output in another ML model based on a sequence of tokens, wherein each token of the sequence of tokens corresponds to measurements associated with least one of:a frequency resource;a transmission port;a beam;a transmission configuration indicator;a time resource; ora spatial resource.The method of claim 18, wherein CSI measurements of the plurality of CMRs are mapped to the sequence of tokens based on the CSI report configuration indicating a configuration of the plurality of CMRs, and the method further comprises:transmitting, to the UE, the configuration including token mapping and token dimensions for the plurality of CMRs.The method of any one of claims 17-19, wherein the CSI measurements of the plurality of CMRs are mapped to the sequence of tokens based on at least one of:a global resource pool indicated in the CSI report configuration, wherein the global resource pool is configured based on CSI-RS resource configurations; ora local resource pool based on locally configured CSI-RS resource identifiers, IDs, for the UE.The method of claim 20, further comprising at least one of:transmitting, to the UE, the class token in the CSI report configuration; orreceiving, from the UE, the class token for processing the CSI report.The method of claim 17, further comprising:computing (410) CSI with an input to another ML model based on the CSI report and the class token associated with the CSI report configuration; andscheduling (412) , with the UE, communications based on the computed CSI.An apparatus comprising:one or more radio frequency (RF) modems;a processor coupled to the one or more RF modems; andat least one memory storing executable instructions, the executable instructions to manipulate at least one of the processor or the one or more RF modems to perform the method of any of claims 1 to 22.

Images