CN117242807A - 用于ai/ml的ue能力 - Google Patents
用于ai/ml的ue能力 Download PDFInfo
- Publication number
- CN117242807A CN117242807A CN202280031918.5A CN202280031918A CN117242807A CN 117242807 A CN117242807 A CN 117242807A CN 202280031918 A CN202280031918 A CN 202280031918A CN 117242807 A CN117242807 A CN 117242807A
- Authority
- CN
- China
- Prior art keywords
- capabilities
- indication
- capability
- core network
- radio
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 202
- 238000010801 machine learning Methods 0.000 claims description 291
- 238000013473 artificial intelligence Methods 0.000 claims description 178
- 230000006870 function Effects 0.000 claims description 75
- 238000004891 communication Methods 0.000 claims description 57
- 238000007726 management method Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 22
- 210000004027 cell Anatomy 0.000 description 18
- 230000001413 cellular effect Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 15
- 230000011664 signaling Effects 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 10
- 239000000969 carrier Substances 0.000 description 7
- 238000012384 transportation and delivery Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000006837 decompression Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 102100036409 Activated CDC42 kinase 1 Human genes 0.000 description 2
- 101000741965 Homo sapiens Inactive tyrosine-protein kinase PRAG1 Proteins 0.000 description 2
- 102100038659 Inactive tyrosine-protein kinase PRAG1 Human genes 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
- H04W8/24—Transfer of terminal data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
- H04B7/0621—Feedback content
- H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/21—Control channels or signalling for resource management in the uplink direction of a wireless link, i.e. towards the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/20—Manipulation of established connections
- H04W76/25—Maintenance of established connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了用于AI/ML的UE能力的系统、设备、装置和方法，包括在存储介质上编码的计算机程序。UE可以从网络接收报告针对AI过程或ML过程中的至少一个过程的UE能力的请求。UE可以基于报告UE能力的请求来向网络发送对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。
Description
相关申请的交叉引用
本申请要求于2021年5月5日提交的题为“UE CAPABILITY FOR AI/ML(用于AI/ML的UE能力)”的美国非临时专利申请序列号17/308,970的权益，其全部内容通过引用明确地并入本文。
技术领域
本公开通常涉及通信系统，并且更具体地，涉及用于人工智能(AI)和机器学习(ML)的用户设备(UE)能力。
背景技术
无线通信系统被广泛部署以提供各种电信服务，诸如电话、视频、数据、消息传送和广播。典型的无线通信系统可以采用能够通过共享可用的系统资源来支持与多个用户的通信的多址技术。此类多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统、以及时分同步码分多址(TD-SCDMA)系统。
这些多址技术已经在各种电信标准中被采用，以提供使得不同的无线设备能够在城市、国家、地区、以及甚至全球级别上进行通信的公共协议。示例电信标准是5G新无线电(NR)。5G NR是由第三代合作伙伴计划(3GPP)发布的连续移动宽带演进的一部分，以满足与延迟、可靠性、安全性、可扩展性(例如，与物联网(IoT))相关联的新要求和其它要求。5G NR包括与增强型移动宽带(eMBB)、大规模机器类型通信(mMTC)和超可靠低延迟通信(URLLC)相关联的服务。5G NR的一些方面可以基于4G长期演进(LTE)标准。存在对5G NR技术的进一步改进的需要。这些改进还可以适用于其它多址技术和采用这些技术的电信标准。
发明内容
以下给出了一个或多个方面的简要概述，以便提供对这些方面的基本理解。该概述不是对所有预期方面的广泛概述，并且既不旨在标识所有方面的关键或重要元素，也不旨在描绘任何或所有方面的范围。其唯一目的是以简化形式呈现一个或多个方面的一些概念，作为稍后呈现的更详细描述的序言。
在本公开的一个方面，提供了一种方法、计算机可读介质和装置。该装置可以接收对报告针对人工智能(AI)过程或机器学习(ML)过程中的至少一项的用户设备(UE)能力的请求；以及基于报告UE能力的请求，发送对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。
在本公开的另一方面，提供了一种方法、计算机可读介质和装置。该装置可以发送用于报告针对AI过程或ML过程中的至少一项的UE能力的请求；以及基于报告UE能力的请求，接收对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。
为了实现前述和相关目的，一个或多个方面包括在下文中充分描述并在权利要求中特别指出的特征。以下描述和附图详细阐述了一个或多个方面的某些说明性特征。然而，这些特征仅指示可以采用各个方面的原理的各种方式中的一些方式，并且该描述旨在包括所有这些方面及其等同物。
附图说明
图1是示出无线通信系统和接入网络的示例的图。
图2A是示出根据本公开的各个方面的第一帧的示例的示图。
图2B是示出根据本公开的各个方面的子帧内的下行链路(DL)信道的示例的示图。
图2C是示出根据本公开的各个方面的第二帧的示例的示图。
图2D是示出根据本公开的各个方面的子帧内的上行链路(UL)信道的示例的示图。
图3是示出接入网络中的基站和用户设备(UE)的示例的示图。
图4示出了包括神经网络的UE的图。
图5示出了包括可以与UE机器学习(ML)能力相关联的能力参数的表。
图6是示出UE与网络实体之间的通信的调用流程图。
图7是UE处的无线通信的方法的流程图。
图8是基站处的无线通信的方法的流程图。
图9是基站处的无线通信的方法的流程图。
图10是示出用于示例装置的硬件实施方式的示例的图。
图11是示出用于示例装置的硬件实施方式的示例的图。
具体实施方式
下面结合附图阐述的详细描述旨在作为对各种配置的描述，而不旨在表示可以实践本文描述的概念的唯一配置。出于提供对各种概念的透彻理解的目的，详细描述包括具体细节。然而，对于本领域技术人员将显而易见的是，可以在没有这些具体细节的情况下实践这些概念。在一些实例中，以框图形式示出了公知的结构和组件，以避免模糊这些概念。
现在将参照各种装置和方法给出电信系统的若干方面。这些装置和方法将在以下具体实施方式中描述，并且在附图中通过各种框、组件、电路、过程、算法等(统称为“元素”)来示出。这些元素可以使用电子硬件、计算机软件或其任何组合来实现。这些元素是实现为硬件还是软件取决于特定应用和施加在整个系统上的设计约束。
作为示例，元素、或元素的任何部分、或元素的任何组合可被实现为包括一个或多个处理器的“处理系统”。处理器的示例包括微处理器、微控制器、图形处理单元(GPU)、中央处理单元(CPU)、应用处理器、数字信号处理器(DSP)、精简指令集计算(RISC)处理器、片上系统(SoC)、基带处理器、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门控逻辑、分立硬件电路以及被配置为执行贯穿本公开描述的各种功能的其它适当的硬件。处理系统中的一个或多个处理器可以执行软件。无论是被称为软件、固件、中间件、微代码、硬件描述语言还是其它术语，软件应当被广义地解释为意指指令、指令集、代码、代码段、程序代码、程序、子程序、软件组件、应用、软件应用、软件包、例程、子例程、对象、可执行文件、执行线程、过程、函数等。
相应地，在一个或多个示例实施例中，所描述的功能可以在硬件、软件、或其任何组合中实现。如果在软件中实现，则可以将功能存储在计算机可读介质上或编码为计算机可读介质上的一个或多个指令或代码。计算机可读介质包括计算机存储介质。存储介质可以是可由计算机访问的任何可用介质。通过示例而非限制的方式，这样的计算机可读介质可以包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、光盘存储、磁盘存储、其它磁存储设备、计算机可读介质的类型的组合、或者可以用于存储可以由计算机访问的指令或数据结构形式的计算机可执行代码的任何其它介质。
虽然在本申请中通过对一些示例的说明来描述各方面和实现，但是本领域技术人员将理解，在许多不同的布置和场景中可以出现附加的实现和用例。本文描述的创新可以跨许多不同的平台类型、设备、系统、形状、尺寸和封装布置来实现。例如，实现和/或使用可以经由集成芯片实现和其他基于非模块组件的设备(例如，终端用户设备、车辆、通信设备、计算设备、工业设备、零售/购买设备、医疗设备、启用人工智能(AI)的设备等)来实现。虽然一些示例可以或可以不专门针对用例或应用，但是可以发生所描述的创新的各种各样的适用性。实施方式的范围可以从芯片级或模块化组件到非模块化、非芯片级实施方式，并且进一步到包含所描述的创新的一个或多个方面的聚合、分布式或原始设备制造商(OEM)设备或系统。在一些实际设置中，结合所描述的方面和特征的设备还可以包括用于所要求保护和描述的方面的实施方式和实践的附加组件和特征。例如，无线信号的发送和接收必须包括用于模拟和数字目的的多个组件(例如，包括天线、RF链、功率放大器、调制器、缓冲器、处理器、交织器、加法器/求和器等的硬件组件)。本文描述的创新旨在可以在各种尺寸、形状和构造的各种设备、芯片级组件、系统、分布式布置、终端用户设备等中实践。
图1是示出无线通信系统和接入网络100的示例的示图。无线通信系统(也称为无线广域网(WWAN))包括基站102、用户设备(UE)04、演进分组核心(EPC)160和另一核心网络190(例如，5G核心(5GC))。基站102可以包括宏小区(高功率蜂窝基站)和/或小型小区(低功率蜂窝基站)。宏小区包括基站。小型小区包括毫微微小区、微微小区和微小区。
被配置用于4G LTE的基站102(统称为演进型通用移动电信系统(UMTS)陆地无线接入网络(E-UTRAN))可以通过第一回程链路132(例如，S1接口)与EPC 160对接。被配置用于5G NR的基站102(统称为下一代RAN(NG-RAN))可以通过第二回程链路184与核心网络190对接。除了其它功能之外，基站102还可以执行以下功能中的一个或多个：用户数据的传输、无线信道加密和解密、完整性保护、报头压缩、移动性控制功能(例如，切换、双连接)、小区间干扰协调、连接建立和释放、负载平衡、非接入层(NAS)消息的分发、NAS节点选择、同步、无线接入网络(RAN)共享、多媒体广播多播服务(MBMS)、订户和设备跟踪、RAN信息管理(RIM)、寻呼、定位和警告消息的递送。基站102可以在第三回程链路134(例如，X2接口)上彼此直接或间接地(例如，通过EPC 160或核心网络190)进行通信。第一回程链路132、第二回程链路184和第三回程链路134可以是有线的或无线的。
基站102可以与UE 104进行无线通信。基站102中的每一个可以为相应的地理覆盖区域110提供通信覆盖。可能存在重叠的地理覆盖区域110。例如，小型小区102'可以具有与一个或多个宏基站102的覆盖区域110重叠的覆盖区域110'。包括小型小区和宏小区两者的网络可以被称为异构网络。异构网络还可以包括家庭演进型节点B(eNB)(HeNB)其可以向被称为封闭订户组(CSG)的受限组提供服务。基站102和UE 104之间的通信链路120可以包括从UE 104到基站102的上行链路(UL)(也称为反向链路)传输和/或从基站102到UE 104的下行链路(DL)(也称为前向链路)传输。通信链路120可以使用多输入和多输出(MIMO)天线技术，包括空间复用、波束成形和/或发射分集。通信链路可以通过一个或多个载波。基站102/UE 104可以使用在用于每个方向上的传输的总共多达Yx MHz(x个分量载波)的载波聚合中分配的每载波多达Y MHz(例如，5、10、15、20、100、400等MHz)带宽的频谱。载波可以彼此相邻或可以不彼此相邻。载波的分配可以相对于DL和UL是不对称的(例如，与UL相比，可以为DL分配更多或更少的载波)。分量载波可以包括主分量载波和一个或多个辅分量载波。主分量载波可以被称为主小区(PCell)，并且辅分量载波可以被称为辅小区(SCell)。
某些UE 104可以使用设备到设备(D2D)通信链路158来彼此通信。D2D通信链路158可以使用DL/UL WWAN频谱。D2D通信链路158可以使用一个或多个侧链路信道，诸如物理侧链路广播信道(PSBCH)、物理侧链路发现信道(PSDCH)、物理侧链路共享信道(PSSCH)和物理侧链路控制信道(PSCCH)。D2D通信可以通过各种无线D2D通信系统，例如WiMedia、蓝牙、ZigBee、基于电气和电子工程师协会(IEEE)802.11标准的Wi-Fi、LTE或NR。
无线通信系统还可以包括经由通信链路154(例如，在5GHz未授权频谱等中)与Wi-Fi站(STA)152相通信的Wi-Fi接入点(AP)150。当在未授权频谱中进行通信时，STA 152/AP150可以在进行通信之前执行空闲信道评估(CCA)，以便确定信道是否可用。
小型小区102'可在已授权和/或未授权频谱中操作。当在未授权频谱中操作时，小型小区102'可采用NR并且使用与Wi-Fi AP 150所使用的未授权频谱相同的未授权频谱(例如，5GHz等)。在未授权频谱中采用NR的小型小区102'可提升接入网络的覆盖和/或增加接入网络的容量。
电磁频谱通常基于频率/波长被细分为各种类别、频带、信道等。在5G NR中，两个初始工作频带已经被标识为频率范围指定FR1(410MHz–7.125GHz)和FR2(24.25GHz–52.6GHz)。尽管FR1的一部分大于6GHz，但是在各种文献和文章中，FR1通常被(可互换地)称为“亚6GHz”频带。关于FR2有时发生类似的命名问题，FR2在文献和文章中通常被(可互换地)称为“毫米波”频带，尽管与由国际电信联盟(ITU)识别为“毫米波”频带的极高频(EHF)频带(30GHz-300GHz)不同。
FR1和FR2之间的频率通常被称为中频带频率。最近的5G NR研究已经将这些中频带频率的工作频带识别为频率范围指定FR3(7.125GHz-24.25GHz)。落入FR3内的频带可以继承FR1特性和/或FR2特性，并且因此可以有效地将FR1和/或FR2的特征扩展到中频带频率。此外，目前正在探索更高频带以将5G NR操作扩展到超过52.6GHz。例如，三个较高工作频带已被识别为频率范围名称FR4a或FR4-1(52.6GHz-71GHz)、FR4(52.6GHz-114.25GHz)和FR5(114.25GHz-300GHz)。这些较高频带中的每一个都落在EHF频带内。
考虑到上述方面，除非另有特别说明，否则应当理解，术语“亚6GHz”等如果在本文中使用，则可以广泛地表示可以小于6GHz、可以在FR1内、或者可以包括中频带频率的频率。此外，除非另有特别说明，否则应当理解，术语“毫米波”等如果在本文中使用，则可以广泛地表示可以包括中频带频率的频率，可以在FR2、FR4、FR4-a或FR4-1和/或FR5内，或者可以在EHF频带内。
基站102(无论是小型小区102'还是大型小区(例如，宏基站))可以包括和/或被称为eNB、gNodeB(gNB)或另一种类型的基站。一些基站(诸如gNB 180)可以在传统的亚6GHz频谱中、在毫米波频率和/或近毫米波频率中操作，以与UE 104进行通信。当gNB 180在毫米波或近毫米波频率中操作时，gNB 180可以被称为毫米波基站。毫米波基站180可以利用与UE104的波束成形182来补偿路径损耗和短距离。基站180和UE 104可各自包括多个天线(诸如天线元件、天线面板、和/或天线阵列)以促成波束成形。
基站180可以在一个或多个发送方向182'上向UE 104发送波束成形信号。UE 104可以在一个或多个接收方向182”上从基站180接收波束成形信号。UE 104还可以在一个或多个发送方向上向基站180发送波束成形信号。基站180可以在一个或多个接收方向上从UE104接收波束成形信号。基站180/UE 104可以执行波束训练以确定用于基站180/UE 104中的每一个的最佳接收和发送方向。基站180的发送和接收方向可以相同或不同。UE 104的发送方向和接收方向可以是相同的，也可以不是相同的。
EPC 160可以包括移动性管理实体(MME)162、其它MME 164、服务网关166、多媒体广播多播服务(MBMS)网关168、广播多播服务中心(BM-SC)170和分组数据网络(PDN)网关172。MME 162可以与归属订户服务器(HSS)174进行通信。MME 162是处理UE 104和EPC 160之间的信令的控制节点。通常，MME 162提供承载和连接管理。所有用户互联网协议(IP)分组通过服务网关166来传送，服务网关166本身连接到PDN网关172。PDN网关172提供UE IP地址分配以及其它功能。PDN网关172和BM-SC 170连接到IP服务176。IP服务176可以包括互联网、内联网、IP多媒体子系统(IMS)、PS流服务和/或其它IP服务。BM-SC 170可以提供用于MBMS用户服务供应和递送的功能。BM-SC 170可以用作内容提供商MBMS传输的入口点，可以用于在公共陆地移动网络(PLMN)内授权和发起MBMS承载服务，并且可以用于调度MBMS传输。MBMS网关168可以用于向属于广播特定服务的多播广播单频网络(MBSFN)区域的基站102分发MBMS业务，并且可以负责会话管理(开始/停止)和收集与eMBMS相关的计费信息。
核心网络190可以包括接入和移动性管理功能(AMF)192、其他AMF 193、会话管理功能(SMF)194和用户平面功能(UPF)195。AMF 192可以与统一数据管理(UDM)196通信。AMF192是处理UE 104和核心网络190之间的信令的控制节点。通常，AMF 192提供QoS流和会话管理。所有用户互联网协议(IP)分组通过UPF 195传送。UPF 195提供UE IP地址分配以及其他功能。UPF 195连接到IP服务197。IP服务197可以包括互联网、内联网、IP多媒体子系统(IMS)、分组交换(PS)流送(PSS)服务和/或其它IP服务。
基站可包括和/或被称为gNB、B节点、eNB、接入点、基收发器站、无线电基站、无线电收发器、收发器功能、基本服务集(BSS)、扩展服务集(ESS)、发送接收点(TRP)或某个其他合适的术语。基站102为UE 104提供到EPC 160或核心网络190的接入点。UE 104的示例包括蜂窝电话、智能电话、会话发起协议(SIP)电话、膝上型计算机、个人数字助理(PDA)、卫星无线电、全球定位系统、多媒体设备、视频设备、数字音频播放器(例如，MP3播放器)、相机、游戏控制台、平板计算机、智能设备、可穿戴设备、车辆、电表、气泵、大型或小型厨房电器、医疗保健设备、植入物、传感器/致动器、显示器或任何其他类似功能的设备。UE 104中的一些UE 104可以被称为IoT设备(例如，停车计时器、气泵、烤面包机、车辆、心脏监视器等)。UE104还可被称为站、移动站、订户站、移动单元、订户单元、无线单元、远程单元、移动设备、无线设备、无线通信设备、远程设备、移动订户站、接入终端、移动终端、无线终端、远程终端、手持机、用户代理、移动客户端、客户端、或某个其他合适的术语。
再次参照图1，在某些方面，基站180可包括UE能力请求器组件199，其被配置为：发送报告针对AI过程或机器学习(ML)过程中的至少一项的UE能力的请求；以及基于报告UE能力的请求，接收对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。在某些方面，UE 104可包括UE能力指示符组件198，其被配置为：接收对报告针对AI过程或ML过程中的至少一项的UE能力的请求；以及基于报告UE能力的请求，发送对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。尽管以下描述可集中于5G NR，但本文描述的概念可适用于其他类似领域，诸如LTE、LTE-A、CDMA、GSM和其他无线技术。
图2A是示出5G NR帧结构内的第一子帧的示例的示图200。图2B是示出5G NR子帧内的DL信道的示例的示图230。图2C是示出5G NR帧结构内的第二子帧的示例的示图250。图2D是示出5G NR子帧内的UL信道的示例的示图280。5G NR帧结构可以是频分双工(FDD)，其中对于特定的子载波集合(载波系统带宽)，子载波集合内的子帧专用于DL或UL，或者可以是时分双工(TDD)，其中对于特定的子载波集合(载波系统带宽)，子载波集合内的子帧专用于DL和UL两者。在由图1提供的示例中。在图2A、图2C中，假设5G NR帧结构是TDD，其中子帧4配置有时隙格式28(主要是DL)，其中D是DL，U是UL，并且F灵活地用于DL/UL之间，并且子帧3配置有时隙格式1(所有UL)。虽然子帧3、4分别被示出为具有时隙格式1、28，但是任何特定子帧可以被配置有各种可用时隙格式0-61中的任何时隙格式。时隙格式0、1分别全部是DL、UL。其他时隙格式2-61包括DL、UL和灵活符号的混合。UE通过接收时隙格式指示符(SFI)配置有时隙格式(动态地通过DL控制信息(DCI)或半静态地/静态地通过无线电资源控制(RRC)信令)。注意，下文的描述也适用于作为TDD的5G NR帧结构。
图1图2A至图2D示出了帧结构，并且本公开的各方面可适用于可具有不同帧结构和/或不同信道的其他无线通信技术。帧(10ms)可以被划分成10个相等大小的子帧(1ms)。每个子帧可以包括一个或多个时隙。子帧还可以包括微时隙，其可以包括7、4或2个符号。每个时隙可以包括14或12个符号，这取决于循环前缀(CP)是正常的还是扩展的。对于正常CP，每个时隙可以包括14个符号，并且对于扩展CP，每个时隙可以包括12个符号。DL上的符号可以是CP正交频分复用(OFDM)(CP-OFDM)符号。UL上的符号可以是CP-OFDM符号(对于高吞吐量场景)或离散傅里叶变换(DFT)扩展OFDM(DFT-s-OFDM)符号(也称为单载波频分多址(SC-FDMA)符号)(对于功率受限场景，限于单个流传输)。子帧内的时隙的数目是基于CP和数字方案的。参数集定义子载波间隔(SCS)，并且有效地定义符号长度/持续时间，其等于1/SCS。
对于正常CP(14个符号/时隙)，不同的参数集μ0至4分别允许每个子帧1、2、4、8和16个时隙。对于扩展CP，参数集2允许每子帧4个时隙。因此，对于正常CP和参数集μ，存在14个符号/时隙和2μ个时隙/子帧。子载波间隔可以等于2μ*15kHz，其中μ是参数集0到4。因此，参数集μ＝0具有15kHz的子载波间隔，并且参数集μ＝4具有240kHz的子载波间隔。符号长度/持续时间与子载波间隔成反比。图2A至图2D提供了正常CP的示例，每个时隙具有14个符号，并且参数集μ＝2，每个子帧具有4个时隙。时隙持续时间是0.25ms，子载波间隔是60kHz，并且符号持续时间大约是16.67μs。在帧集合内，可以存在频分复用的一个或多个不同的带宽部分(BWP)(参见图2B)。每个BWP可以具有特定的参数集和CP(正常或扩展)。
资源网格可以用于表示帧结构。每个时隙包括扩展12个连续子载波的资源块(RB)(也称为物理RB(PRB))。资源网格被划分为多个资源元素(RE)。每个RE携带的比特数取决于调制方案。
如图2A所示，RE中的一些RE携带用于UE的参考(导频)信号(RS)。RS可以包括解调RS(DM-RS)(针对一个特定配置被指示为R，但是其它DM-RS配置是可能的)和用于UE处的信道估计的信道状态信息参考信号(CSI-RS)。RS还可以包括波束测量RS(BRS)、波束细化RS(BRRS)和相位跟踪RS(PT-RS)。
图2B示出了帧的子帧内的各种DL信道的示例。物理下行链路控制信道(PDCCH)在一个或多个控制信道元素(CCE)(例如，1、2、4、8或16个CCE)内携带DCI，每个CCE包括六个RE组(REG)，每个REG包括RB的OFDM码元中的12个连贯RE。一个BWP内的PDCCH可被称为控制资源集(CORESET)。UE被配置为在CORESET上的PDCCH监视时机期间监视PDCCH搜索空间(例如，共用搜索空间、UE特定的搜索空间)中的PDCCH候选，其中PDCCH候选具有不同的DCI格式和不同的聚合等级。附加BWP可以跨信道带宽位于更高和/或更低的频率处。主同步信号(PSS)可以在帧的特定子帧的符号2内。UE 104使用PSS来确定子帧/符号定时和物理层标识。辅同步信号(SSS)可以在帧的特定子帧的符号4内。UE使用SSS来确定物理层小区标识组号和无线帧定时。基于物理层标识和物理层小区标识组号，UE可以确定物理小区标识符(PCI)。基于PCI，UE可以确定DM-RS的位置。携带主信息块(MIB)的物理广播信道(PBCH)可以与PSS和SSS在逻辑上分组以形成同步信号(SS)/PBCH块(也称为SS块(SSB))。MIB提供系统带宽中的多个RB和系统帧号(SFN)。物理下行链路共享信道(PDSCH)携带用户数据、不通过PBCH发送的广播系统信息(诸如系统信息块(SIB))和寻呼消息。
如图2C所示，RE中的一些RE携带用于基站处的信道估计的DM-RS(针对一个特定配置被指示为R，但是其它DM-RS配置是可能的)。UE可以发送用于物理上行链路控制信道(PUCCH)的DM-RS和用于物理上行链路共享信道(PUSCH)的DM-RS。可以在PUSCH的前一个或前两个符号中发送PUSCH DM-RS。PUCCH DM-RS可以以不同的配置来发送，这取决于是发送短PUCCH还是发送长PUCCH并且取决于所使用的特定PUCCH格式。UE可以发送探测参考信号(SRS)。可以在子帧的最后一个符号中发送SRS。SRS可以具有梳结构，并且UE可以在梳中的一个梳上发送SRS。SRS可以由基站用于信道质量估计，以在UL上实现依赖于频率的调度。
图2D示出了帧的子帧内的各种UL信道的示例。PUCCH可以如在一个配置中所指示的那样被定位。PUCCH携带上行链路控制信息(UCI)，诸如调度请求、信道质量指示符(CQI)、预编码矩阵指示符(PMI)、秩指示符(RI)和混合自动重传请求(HARQ)确认(ACK)(HARQ-ACK)反馈(即，指示一个或多个ACK和/或否定ACK(NACK)的一个或多个HARQ ACK比特)。PUSCH携带数据，并且可以另外用于携带缓冲器状态报告(BSR)、功率余量报告(PHR)和/或UCI。
图3是接入网络中基站310与UE 350处于通信的框图。在DL中，可以将来自EPC 160的IP分组提供给控制器/处理器375。控制器/处理器375实现层3和层2功能。层3包括无线电资源控制(RRC)层，并且层2包括服务数据适配协议(SDAP)层、分组数据汇聚协议(PDCP)层、无线电链路控制(RLC)层和介质访问控制(MAC)层。控制器/处理器375提供与系统信息(例如，MIB、SIB)的广播、RRC连接控制(例如，RRC连接寻呼、RRC连接建立、RRC连接修改、以及RRC连接释放)、无线电接入技术(RAT)间移动性、以及用于UE测量报告的测量配置相关联的RRC层功能性；与报头压缩/解压缩、安全性(加密、解密、完整性保护、完整性验证)和切换支持功能相关联的PDCP层功能；与上层分组数据单元(PDUs)传输、通过ARQ的纠错、RLC服务数据单元(SDU)的级联、分段和重组、RLC数据PDU的重新分段、以及RLC数据PDU的重新排序相关联的RLC层功能；以及与逻辑信道和传输信道之间的映射、MAC SDU到传输块(TB)上的复用、MAC SDU从TB的解复用、调度信息报告、通过HARQ的纠错、优先级处置、以及逻辑信道优先化相关联的MAC层功能性。
发送(TX)处理器316和接收(RX)处理器370实现与各种信号处理功能相关联的层1功能。包括物理(PHY)层的层1可以包括传输信道上的错误检测、传输信道的前向纠错(FEC)编码/解码、交织、速率匹配、映射到物理信道上、物理信道的调制/解调、以及MIMO天线处理。TX处理器316基于各种调制方案(例如，二进制相移键控(BPSK)、正交相移键控(QPSK)、M相移键控(M-PSK)、M阶正交幅度调制(M-QAM))来处理到信号星座图的映射。然后，可以将经译码和调制的符号拆分成并行流。每个流随后可被映射到OFDM子载波，在时域和/或频域中与参考信号(例如，导频)复用，并且随后使用快速傅里叶逆变换(IFFT)来组合在一起以产生携带时域OFDM码元流的物理信道。OFDM流被空间预编码以产生多个空间流。来自信道估计器374的信道估计可以用于确定译码和调制方案以及用于空间处理。可以根据由UE 350发送的参考信号和/或信道状况反馈来导出信道估计。然后，可以经由单独的发送器318TX，将每个空间流提供给不同的天线320。每个发送器318TX可以利用相应的空间流来调制射频(RF)载波以进行传输。
在UE 350处，每个接收器354RX通过其相应的天线352接收信号。每个接收器354RX恢复调制到RF载波上的信息并将该信息提供给接收(RX)处理器356。TX处理器368和RX处理器356实现与各种信号处理功能相关联的层1功能。RX处理器356可以对信息执行空间处理，以恢复去往UE350的任何空间流。如果多个空间流去往UE 350，则RX处理器356可以将它们组合成单个OFDM符号流。RX处理器356随后使用快速傅里叶变换(FFT)将OFDM符号流从时域变换到频域。频域信号包括用于OFDM信号的每个子载波的单独的OFDM符号流。通过确定由基站310发送的最可能的信号星座图点来恢复和解调每个子载波上的符号和参考信号。这些软判决可以基于由信道估计器358计算的信道估计。然后，对软判决进行解码和解交织，以恢复出基站310最初在物理信道上发送的数据和控制信号。随后将数据和控制信号提供给控制器/处理器359，控制器/处理器359实现层3和层2功能。
控制器/处理器359可以与存储程序代码和数据的存储器360相关联。存储器360可以被称为计算机可读介质。在UL中，控制器/处理器359提供传输信道和逻辑信道之间的解复用、分组重组、解密、报头解压缩和控制信号处理，以恢复出来自EPC 160的IP分组。控制器/处理器359还负责使用ACK和/或NACK协议进行错误检测以支持HARQ操作。
类似于结合由基站310进行的DL传输所描述的功能，控制器/处理器359提供：与系统信息(例如，MIB、SIB)获取、RRC连接和测量报告相关联的RRC层功能；与报头压缩/解压缩和安全性(加密、解密、完整性保护、完整性验证)相关联的PDCP层功能；与上层PDU的传送、通过ARQ的纠错、RLC SDU的级联、分段和重组、RLC数据PDU的重新分段、以及RLC数据PDU的重新排序相关联的RLC层功能；以及与逻辑信道和传输信道之间的映射、MAC SDU到TB上的复用、MAC SDU从TB的解复用、调度信息报告、通过HARQ的纠错、优先级处置、以及逻辑信道优先化相关联的MAC层功能性。
TX处理器368可以使用由信道估计器358根据由基站310发送的参考信号或反馈导出的信道估计来选择适当的译码和调制方案，以及促进空间处理。由TX处理器368生成的空间流可以经由单独的发送器354TX提供给不同的天线352。每个发送器354TX可以利用相应的空间流来调制RF载波以进行传输。
在基站310处以类似于结合UE 350处的接收器功能所描述的方式来处理UL传输。每个接收器318RX通过其相应的天线320接收信号。每个接收器318RX恢复调制到RF载波上的信息并将该信息提供给RX处理器370。
控制器/处理器375可以与存储程序代码和数据的存储器376相关联。存储器376可以被称为计算机可读介质。在UL中，控制器/处理器375提供传输信道与逻辑信道之间的解复用、分组重组、解密、报头解压缩、控制信号处理以恢复出来自UE 350的IP分组。可以将来自控制器/处理器375的IP分组提供给EPC 160。控制器/处理器375还负责使用ACK和/或NACK协议进行错误检测以支持HARQ操作。
TX处理器368、RX处理器356和控制器/处理器359中的至少一项可被配置为结合图1的UE能力指示符组件198来执行各方面。
TX处理器316、RX处理器370和控制器/处理器375中的至少一项可以被配置为结合图1的UE能力请求器组件199来执行各方面。
无线通信系统可被配置为基于支持与多个用户的通信的多址技术(诸如CDMA系统、TDMA系统、FDMA系统、OFDMA系统、SC-FDMA系统、TD-SCDMA系统等)来共享可用系统资源并提供各种电信服务(例如，电话、视频、数据、消息传送、广播等)。在许多情况下，在各种电信标准中采用促进与无线设备的通信的公共协议。例如，与eMBB、mMTC和URLLC相关联的通信方法可被纳入5G NR电信标准中，而其他方面可被纳入4G LTE标准中。由于移动宽带技术是持续演进的一部分，因此移动宽带的进一步改进对于继续这种技术的发展仍然是有用的。
UE可将机器学习算法、深度学习算法、神经网络、或高级信号处理方法用于例如与基站、TRP、另一UE等的无线通信的各方面。在本文描述的一些方面中，编码设备(例如，UE)可以训练一个或多个神经网络以学习所测量的质量对个体参数的依赖性。
图4示出了包括被配置为用于确定与第二设备404的通信的神经网络406的UE 402的示图400。在一些示例中，第二设备404可以是基站。在一些示例中，第二设备404可以是TRP。在一些示例中，例如，如果UE 402和第二设备404之间的通信基于侧行链路，则第二设备404可以是另一UE。
其中，可以包括在UE 402中的机器学习模型或神经网络的示例包括：人工神经网络(ANN)；决策树学习；卷积神经网络(CNN)；深度学习架构，其中第一层神经元的输出变为第二层神经元的输入，等等；支持向量机(SVM)，例如，包括对数据进行分类的分离超平面(例如，决策边界)；回归分析；贝叶斯网络；遗传算法；配置有附加池化和归一化层的深度卷积网络(DCN)；以及深度信念网络(DBN)。
机器学习模型(诸如人工神经网络(ANN))可包括一组互连的人工神经元(例如，神经元模型)，并且可以是计算设备或者可表示要由计算设备执行的方法。神经元模型的连接可被建模为权重。机器学习模型可以通过经由数据集的训练来提供预测建模、自适应控制和其他应用。模型可以基于由机器学习模型处理的外部或内部信息而自适应。机器学习可以提供非线性统计数据模型或决策制定，并且可以对输入数据和输出信息之间的复杂关系进行建模。
机器学习模型可以包括多个层和/或操作，其可以通过级联所引用的操作中的一个或多个来形成。可能涉及的操作的示例包括数据的各种特征的提取、卷积操作、可以被激活或去激活的全连接操作、压缩、解压缩、量化、平坦化等。如本文所使用的，机器学习模型的“层”可以用于表示对输入数据的操作。例如，卷积层、全连接层等可以用于指代对输入到层中的数据的相关联的操作。卷积A x B运算是指将多个输入特征A转换为多个输出特征B的运算。“内核大小”可以指在维度上组合的多个相邻系数。如本文所使用的，“权重”可以用于表示在用于组合输入数据的各个行和/或列的层中的操作中使用的一个或多个系数。举例来说，全连接层操作可具有至少部分地基于输入矩阵x与权重A(其可为矩阵)的乘积与偏置值B(其可为矩阵)的总和而确定的输出y。术语“权重”在本文中可用于一般地指代权重和偏置值两者。权重和偏置是经训练的机器学习模型的参数的示例。可以单独训练机器学习模型的不同层。
机器学习模型可以包括各种连接模式，例如，包括前馈网络、分层、递归架构、反馈连接等中的任何一种。神经网络的层之间的连接可以是完全连接的或局部连接的。在全连接网络中，第一层中的神经元可将其输出传达给第二层中的每个神经元，并且第二层中的每个神经元可从第一层中的每个神经元接收输入。在本地连接的网络中，第一层中的神经元可以连接到第二层中的有限数目的神经元。在一些方面，卷积网络可被局部连接并且配置有与第二层中的每个神经元的输入相关联的共享连接强度。网络的局部连接层可被配置为使得一层中的每个神经元具有相同或类似的连通性模式，但具有不同的连接强度。
可以训练机器学习模型或神经网络。例如，可以基于监督学习来训练机器学习模型。在训练期间，可以向机器学习模型呈现输入，模型使用该输入来计算以产生输出。可以将实际输出与目标输出进行比较，并且可以使用差异来调整机器学习模型的参数(诸如权重和偏置)，以便提供更接近目标输出的输出。在训练之前，输出可能不正确或不太准确，并且可以计算实际输出与目标输出之间的误差或差异。然后可以调整机器学习模型的权重，使得输出与目标更紧密地对准。为了调整权重，学习算法可以计算权重的梯度向量。梯度可以指示如果稍微调整权重则误差将增加或减少的量。在顶层处，梯度可直接对应于连接倒数第二层中的激活神经元和输出层中的神经元的权重的值。在较低层中，梯度可以取决于权重的值和较高层的计算的误差梯度。然后可以调整权重，以便减少误差或将输出移动得更靠近目标。这种调整权重的方式可以被称为通过神经网络的反向传播。该过程可以继续，直到可实现的错误率停止降低或者直到错误率已经达到目标水平。
机器学习模型可以包括计算复杂度和用于训练机器学习模型的实质处理器。图4示出了示例神经网络406可以包括互连节点的网络。一个节点的输出作为输入连接到另一个节点。节点之间的连接可以被称为边，并且可以将权重应用于连接/边以调整作为输入应用于另一节点的来自一个节点的输出。节点可以应用阈值以便确定是否或何时向连接的节点提供输出。每个节点的输出可以被计算为节点的输入之和的非线性函数。神经网络406可以包括任何数目的节点和节点之间的任何类型的连接。神经网络406可以包括一个或多个隐藏节点。节点可以聚合成层，并且神经网络的不同层可以对输入执行不同种类的变换。信号可以从第一层处的输入通过神经网络的多个层行进到神经网络的最后一层处的输出，并且可以多次遍历层。作为示例，UE可将信息410输入到神经网络406，并且可接收输出412。UE可以基于输出412向第二设备404报告信息414。在一些方面中，第二设备可以基于信息414向UE 402发送通信。在一些方面，设备404可以是基于信息414来调度或配置UE 402的基站。
图5示出了包括可以与UE ML能力相关联的能力参数的表500。可以基于函数Y＝F(X)来训练AI/ML模型。在各方面，F、X和Y可以基于网络可以确定用于与AI/ML模型相关联地配置UE的预定协议。与UE相关联的两种类型的无线电能力可以包括UE无线电能力和UE核心网络能力。UE的无线电能力可以指示函数F，其可以对应于生成的函数/特征或预定的函数/特征。
网络可以使用UE无线电能力来确定UE是否被配置用于基于AI/ML模型的功能。这样，UE无线电能力可以包括指示UE的一个或多个支持功能F的比特。这些比特可对应于UE被配置为执行的功能列表。可以基于一个比特来指示每个函数。因此，可以基于算法过程执行的功能可以替代地基于神经网络的过程来执行。为了使UE指示UE支持特定函数F，UE可以具有针对该特征测试的至少一个模型。UE可以指示UE能力比特可以用于与AI/ML模型相关联的每个接入层(AS)功能。
UE核心网络能力可以对应于两种能力子类型，包括移动性管理(MM)和会话管理(SM)。MM的UE核心网络能力可以由AMF(例如，AMF 192)用于确定是否对MM上的UE使用基于AI/ML模型的函数。SM的UE核心网络能力可以由SMF(例如，SMF 194)用于确定是否对SM上的UE使用基于AI/ML模型的函数。对于与AI/ML模型相关联的每个MM和/或SM功能，可以针对MM和/或SM上的UE核心网络能力指示UE能力比特。因此，对于UE核心网络能力，函数F可以用于MM和SM两者。对于UE无线电能力，UE可以指示对UE支持的功能F的列表的支持，其中功能F可以是无线电相关功能。
在一些方面，UE可支持可包括UE AI/ML能力(其也可被称为UE ML能力)的第三类型的无线电。UE ML能力可以基于UE和网络之间的ML平面。针对AI/ML的UE ML能力可以由AI/ML实体用于确定由UE支持的一个或多个AI/ML功能。也就是说，可以经由UE ML能力来确定UE的能力。
UE ML能力可以基于一个或多个能力参数，诸如图5中的表500中指示的任何示例能力参数。例如，第一能力参数可以对应于处理能力。处理能力可以包括训练处理能力、推断处理能力和/或总处理能力。每种类型的处理能力可以用每秒万亿次操作(TOPS)来指示。例如，AI引擎可以基于15个顶部操作。
第二能力参数可以对应于存储器能力。存储器能力可以包括用于训练的最大模型大小和/或用于推断的最大模型大小。第三能力参数可以对应于一般硬件加速能力，其可以与神经网络处理器相关联。一般硬件加速能力可以包括确定(例如，是/否)AI处理器是否可用于训练。一般硬件加速能力还可以包括确定(例如，是/否)AI处理器是否可以用于推断。一般硬件加速能力的硬件加速操作可以经由所支持的操作/指令的列表(例如，基于二维(2D)卷积)来指示。能力比特可以向神经网络处理器指示用于UE所支持的ML过程的指令列表。第四能力参数可对应于UE的所支持库，其可指示UE的软件能力。例如，特定ML函数可以基于特定库。
第五能力参数可以对应于所支持的模型格式。例如，支持的模型格式可以包括开放神经网络交换(ONNX)和/或张量流(TF)。所支持的模型格式可以经由所支持的格式列表来指示。ML模型也可以被压缩。因此，可以经由能力参数进一步指示所支持的模型格式是否包括模型压缩(例如，是/否)。第六能力参数可以对应于支持的模型(例如，基于UE测试和缓存的模型列表)。虽然ML模型可以指示函数F(X)，但是使用不同模型的不同UE可以支持相同的函数F。因此，能力参数可以指示由不同UE支持的ML模型。
第七能力参数可以对应于最大并发性，其可以包括最大模型训练、最大模型推断和/或最大训练和推断。最大模型训练可以基于UE可以同时执行的并发模型训练的最大数目，最大模型推断可以基于UE可以同时执行的当前模型推断的最大数目，并且最大训练和推断可以基于UE可以同时执行的总并发模型训练和推断的最大数目。第八能力参数可以对应于模型组合，其可以包括一个或多个测试的模型组合。如果要同时执行ML模型，则UE可以经由模型组合列表指示UE支持的模型组合。UE可以支持一定数目的模型组合，诸如UE_model_a+Network_model_b；UE_model_1+UE_model_2+UE_model_3；等)。经测试的模型组合可以指代已经针对UE确认的模型组合，但是UE也可以支持未经测试/未经确认的其他模型组合。第九能力参数可以对应于量化。对于ML模型训练和推断过程，可以将ML模型转换为不同的格式以提高ML模型的执行效率。ML模型的转换可以被称为量化。量化可包含无数据量化及/或量化感知训练。
图6是示出UE 602与网络实体之间的通信的调用流程图600。网络实体可以包括基站604和核心网络606的核心网络实体。在608a处，UE 602可以从基站604接收针对AI/ML过程的UE能力请求。UE能力请求可以对应于UECapabilityEnquiry消息。在608a处，还可以基于来自核心网络606的指示(例如，经由基站604)来接收UE能力请求。在610a处，UE 602可以向基站604发送UE能力指示。UE能力指示可以对应于UECapabilityInformation消息。在610a处，还可以向核心网络606发送UE能力请求(例如，经由基站604)。
UE能力指示可以与UE能力列表612相关联。UE能力列表612可包括UE无线电能力612(1)、UE核心网络能力612(2)和UE ML能力612(3)。UE无线电能力612(1)可基于单个或分开的基于AS的指示。UE核心网络能力可以基于单个或单独的MM/SM指示。UE ML能力612(3)可以基于表500中指示的一个或多个能力参数。
在614a处，UE 602可以向基站604发送包括在无线电能力中的UE ML能力，在614c处，该无线电能力可以经由基站604进一步发送到核心网络606。在示例中，可以基于无线电能力标识符(ID)来指示UE无线电能力。在616a处，UE 602可以向基站604发送核心网络(CN)能力中包括的UE ML能力，在616c处，可以经由基站604将核心网络(CN)能力进一步发送给核心网络606。在618a处，UE 602可以向基站604发送用于UE ML能力的单独的信息元素(IE)，在618c处，可以经由基站604将该单独的信息元素(IE)进一步发送给核心网络606。在示例中，可以基于AI/ML能力ID来指示UE ML能力。
在基站604接收针对UE 602的UE能力信息(其可以指示UE无线电能力612(1)、UE核心网络能力612(2)和/或UE ML能力612(3))的配置中，基站604可以向核心网络606报告(例如，在614c、616c和/或618c处)UE能力信息。在核心网络606接收针对UE 602的UE能力信息(其可以指示UE无线电能力612(1)、UE核心网络能力612(2)和/或UE ML能力612(3))的配置中，核心网络606可以向服务UE 602的基站604报告(例如，在614b、616b和/或618b处)UE能力信息。
在第一方面，可以在614a处经由UE无线电能力612(1)来报告UE ML能力612(3)。例如，UE无线电能力612(1)可以指示可以与神经网络相关联地执行的功能的支持列表，其中UE ML能力612(3)可以对应于单独的能力。如果在UE无线电能力612(1)内用信号通知UE ML能力612(3)，则UE ML能力612(3)的递送可以类似于UE无线电能力612(1)的递送。UE 602可以与用信号通知UE无线电能力612(1)相关联地经由RRC向基站604报告ML能力容器。在608a处，基站604可以基于UECapabilityEnquiry消息来向UE 602请求UE无线电能力612(1)，并且在610a处，UE 602可以基于UECapabilityInformation消息来报告UE无线电能力612(1)。可以应用过滤器以供基站604在608a处单独地请求UE ML能力612(3)和/或供UE 602在618a处单独地报告ML UE能力612(3)。
UE无线电能力612(1)可被高速缓存在核心网络606处。例如，UE 602可在610a向基站604报告UE能力信息，并且基站604可在610b向核心网络606中继该UE能力信息以用于高速缓存该UE能力信息。在RRC连接建立期间，核心网络606可以向基站604发送(例如，在614b、616b和/或618b处)UE能力信息。如果核心网络606不具有存储在高速缓存中的UE能力信息，则基站604可请求UE 602提供UE能力信息。基站604可以在RRC_IDLE状态期间向核心网络606(例如，AMF/SMF)报告ML能力容器以进行高速缓存/存储。
在第二方面，可以在616a处经由UE核心网络能力612(2)来报告UE ML能力612(3)。如果在616a处向UE核心网络能力612(2)报告UE ML能力612(3)，则UE ML能力612(3)的递送可以类似于UE核心网络能力612(2)的递送。例如，UE 602可以经由NAS向AMF/SMF报告与UE核心网络能力612(2)相关联的ML能力容器。可以在NAS注册过程期间向AMF报告MM的UE核心网络能力612(2)。可以在PDU会话管理过程期间向SMF报告用于SM的UE核心网络能力612(2)。AMF/SMF可以将ML能力容器发送到基站604，使得基站604可以确定UE 602的ML能力。
在第三方面，可以在618a处将UE ML能力612(3)报告为单独的能力IE。也就是说，UE ML能力612(3)不与UE无线电能力612(1)或UE核心网络能力612(2)一起被报告。例如，可以基于在ML平面上执行的信令将ML能力容器报告给ML相关的网络实体/节点。可以在UE602和ML相关的网络实体/节点之间建立信令连接以发信号通知UE ML能力612(3)。信令可以经由RRC、NAS、U平面(例如，超文本传输协议(HTTP))等来执行。在配置中，ML平面可以是与控制平面(C平面)或用户平面(U平面)分开的平面。
在另一示例中，在618a处，ML能力容器可作为单独的IE连同在614a处UE无线电能力612(1)在与UE无线电能力612(1)相同的信令过程中的传输一起被报告，但不经由UE无线电能力612(3)。基于在608a处从基站604接收的UECapabilityEnquiry消息，ML能力容器可以是在610a处发送到基站604的UECapabilityInformation消息中包括的附加IE。UECapabilityEnquiry消息还可以被配置用于基站604单独地请求ML能力。在610b处，基站604可以将ML能力容器转发到5GC(例如，AMF/SMF)以进行高速缓存/存储。在类似的示例中，在618a处，ML能力容器可以作为单独的IE与在616a处UE核心网络能力612(2)在与UE核心网络能力612(2)相同的信令过程中的传输一起被报告，但不经由UE核心网络能力612(2)。ML能力容器可以作为指示UE核心网络能力612(2)的NAS消息中的可选/单独IE被包括。核心网络606可以随后将ML能力容器转发(例如，在614b、616b和/或618b处)给基站604。
在另一示例中，可以为UE ML能力请求和报告定义RRC过程，其中基站604可以将ML能力容器转发到5GC。在又一示例中，可以为UE ML能力请求和报告定义NAS过程。NAS可以对应于UE 602和核心网络606之间的信令，使得NAS过程可以用于报告UE ML能力612(3)。当核心网络606接收到UE ML能力612(3)时，核心网络606可以将ML能力容器转发(例如，在614b、616b和/或618b处)给基站604以用于RAN过程。
由于核心网络606和RAN可以基于ML功能单独地配置UE 602，因此可以在AS和NAS之间共享UE ML能力612(3)。如果UE ML能力612(3)被报告给基站604，则基站604可以在610b处将UE ML能力612(3)转发给核心网络606(例如，AMF/SMF)。基站604还可以指示RAN与核心网络606之间的资源划分(例如，基于核心网络606的最大处理能力、核心网络606的最大存储器等)。如果UE ML能力612(3)被报告给核心网络606，则核心网络606可以将UE ML能力612(3)转发(例如，在614b、616b和/或618b处)给RAN。核心网络606同样可以指示资源分割(例如，基于RAN的最大处理能力、RAN的最大存储器等)。RAN与核心网络606之间的资源/能力划分可以由RAN确定。
在其它情况下，资源/能力划分可以由UE 602确定。例如，UE 602可以将能力划分为UE AS ML能力和UE NAS ML能力，并且分别向RAN和核心网络606报告能力。UE 602还可以确定要用于核心网络相关的ML过程的能力的百分比，以及要用于RAN相关的ML过程的能力的百分比。
可以利用UE无线电能力ID来减少UE能力报告的信令负载。例如，可以基于UE无线电能力ID来唯一地标识大小增加的UE无线电能力报告，而不是报告UE无线电能力612(1)。UE无线电能力ID可经由避免发送UE无线电能力612(1)的信令过程来传达。当在614a处经由UE无线电能力612(1)报告UE ML能力612(3)时，UE无线电能力ID还可以指示UE ML能力612(3)。当在618a处报告UE ML能力作为单独的IE时，可以定义UE ML能力ID以指示UE ML能力/容器。UE ML能力612(3)可以经由原始设备制造商(OEM)或移动网络运营商(MNO)来定义。可以基于避免发送ML能力容器的信令过程来发送UE ML能力ID。如果无线接收器(例如，基站604、5GC、ML相关的网络实体/节点等)未被配置用于与UE ML能力ID相关联的UE ML能力612(3)，则无线接收器可以请求UE 602报告UE ML能力容器。
在一示例中，UE无线电能力612(1)可包括所支持的ML特征，诸如基于ML的信道状态信息(CSI)反馈。基于ML的CSI反馈可以基于ml-CSIFeedback{CSI类型III，最大熵比特，最大带宽，最大波束，...}来指示。因此，如果定义了ML特征，则UE无线电能力612(1)可以包括ML特征。UE ML能力612(3)可以包括支持的模型列表、模型名称/ID(例如，ml-CSIFeedback-Model)、功能ID(例如，ml-CSIFeedback)和/或其他ML能力比特。这些方面可以与UE无线电能力612(1)和UE ML能力612(3)之间的功能划分相关联。
图7是无线通信的方法的流程图700。该方法可以由UE(例如，UE 104、402、602；装置1002；等等)执行，该UE可以包括存储器360并且可以是整个UE 104、402、602或UE 104、402、602的组件，诸如TX处理器368、RX处理器356和/或控制器/处理器359。
在702处，UE可以接收对报告针对AI过程或ML过程中的至少一项的UE能力的请求。例如，参照图6，UE 602可以在608a处从基站604/核心网络606接收UE能力请求。在各方面，UE能力请求可以由UE 602基于UECapabilityEnquiry消息来接收。
在704处，UE可以基于报告UE能力的请求来发送对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。例如，参照图6，UE 602可以在610a处向基站604/核心网络606发送UE能力指示。在各方面，UE能力指示可以由UE 602基于UECapabilityInformation消息来指示。
在610a处，UE 602可以基于指示表500的能力参数来发送AI能力或ML能力中的至少一项(例如，与能力列表612相关联)。例如，UE 602可在612(3)处发送UE ML能力，该UE ML能力对应于处理能力、存储器能力、硬件加速能力、存储的库、存储的模型格式、存储的模型、最大并发能力、模型组合、测试的模型组合、或量化中的至少一项，如表500中所指示的。在612(1)处，UE 602还可以发送与针对一个或多个AS过程的AI过程或ML过程中的至少一项相关联的无线电能力。在614a处，UE 602可以针对UE 602支持AI过程或ML过程的每个AS功能发送单独的指示。另外地或替代地，在612(2)处，UE 602可以发送针对MM过程或SM过程中的一个或多个过程的核心网络能力。在616a处，UE 602可以类似地针对UE 602支持AI过程或ML过程的每个MM功能或SM功能发送单独的指示。
在610a处发送的AI能力或ML能力中的至少一个的指示可以被包括在614a处的无线电能力的指示中。在各方面中，在614a处，对无线电能力的指示可以是基于与AI能力或ML能力中的至少一项相对应的无线电能力ID的。在610a处发送的对AI能力或ML能力中的至少一项的指示可以被包括在616a处的对核心网络能力的指示中。在各方面中，在610a处发送的对AI能力或ML能力中的至少一项的指示可以在618a处与在614a处的对无线电能力的指示和在616a处的对核心网络能力的指示分开发送。在618a处，AI能力或ML能力中的至少一项的指示可以在与614a处的无线电能力的指示和616a处的核心网络能力的指示分开的IE中发送，其中单独的IE可以在618a处与614a处的无线电能力的指示或616a处的核心网络能力的指示中的至少一项一起或分开发送。在618a处发送的单独IE可以包括AI能力ID或ML能力ID中的至少一个。在608a处接收到的报告UE能力的请求或者在610a处发送的对AI能力、ML能力、无线电能力或核心网络能力中的一项或多项的指示中的至少一项可以被包括在RRC消息或NAS消息中。
在610a处，对指示的发送可以包括：指示针对AS的AI能力或ML能力中的至少一项的第一部分，以及指示针对NAS的AI能力或ML能力中的至少一项的第二部分。AI能力或ML能力可以对应于处理能力或存储器能力，诸如表500中指示的处理能力和存储器能力。在示例中，在610a处发送的UE能力可以用于CSI反馈。
图8是无线通信的方法的流程图800。该方法可由网络实体(例如，基站102、404、604、核心网络606、装置1102、等等)执行，该网络实体可包括存储器376并且可以是整个网络实体或该网络实体的组件，诸如TX处理器316、RX处理器370、和/或控制器/处理器375。
在802处，网络实体可以发送对报告针对AI过程或ML过程中的至少一项的UE能力的请求。例如，参照图6，在608a-b处，基站604/核心网络606可以向UE 602发送UE能力请求。在各方面，UE能力请求可由基站604/核心网络606基于UECapabilityEnquiry消息来发送。
在804处，网络实体可以基于对报告UE能力的请求来接收对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。例如，参照图6，在610a-b处，基站604/核心网络606可以从UE 602接收UE能力指示。在各方面，UE能力指示可以由基站604/核心网络606基于UECapabilityInformation消息来接收。
图9是无线通信的方法的流程图900。该方法可由网络实体(例如，基站102、404、604、核心网络606、装置1102、等等)执行，该网络实体可包括存储器376并且可以是整个网络实体或该网络实体的组件，诸如TX处理器316、RX处理器370、和/或控制器/处理器375。
在902处，网络实体可以发送对报告针对AI过程或ML过程中的至少一项的UE能力的请求。例如，参照图6，在608a-b处，基站604/核心网络606可以向UE 602发送UE能力请求。在各方面，UE能力请求可由基站604/核心网络606基于UECapabilityEnquiry消息来发送。
在904处，网络实体可以基于对报告UE能力的请求来接收对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。例如，参照图6，在610a-b处，基站604/核心网络606可以从UE 602接收UE能力指示。在各方面，UE能力指示可以由基站604/核心网络606基于UECapabilityInformation消息来接收。
在610a-b处，网络实体(例如，基站604/核心网络606)可以(例如，与能力列表612相关联地)接收AI能力或ML能力中的至少一项，其可以指示表500的能力参数。例如，网络实体(例如，基站604/核心网络606)可基于612(3)接收UE ML能力，该UE ML能力对应于处理能力、存储器能力、硬件加速能力、存储库、存储模型格式、存储模型、最大并发能力、模型组合、测试模型组合、或量化中的至少一项，如表500中所指示的。网络实体(例如，基站604/核心网络606)还可基于612(1)来接收与用于一个或多个AS过程的AI过程或ML过程中的至少一项相关联的无线电能力。在614a/614c处，网络实体(例如，基站604/核心网络606)可以针对UE 602支持AI过程或ML过程的每个AS功能接收单独的指示。另外地或替代地，网络实体(例如，基站604/核心网络606)可以基于612(2)来接收针对MM过程或SM过程中的一个或多个过程的核心网络能力。在616a/616c处，网络实体(例如，基站604/核心网络606)可以类似地接收针对UE 602支持AI过程或ML过程的每个MM功能或SM功能的单独指示。在一示例中，在610a-b处接收到的UE能力可以用于CSI反馈。
在610a-b处接收到的AI能力或ML能力中的至少一个的指示可以被包括在614a/614c处的无线电能力的指示中。在各方面中，在614a/614c处，对无线电能力的指示可以是基于与AI能力或ML能力中的至少一项相对应的无线电能力ID的。在610a-b处接收到的AI能力或ML能力中的至少一项的指示可以被包括在616a/616c处的核心网络能力的指示中。在各方面中，对在610a-b处接收的AI能力或ML能力中的至少一项的指示可以在618a/618c处与在614a/614c处的无线电能力的指示和在616a/616c处的核心网络能力的指示分开接收。在618a/618c处，可以在与在614a/614c处的无线电能力的指示和在616a/616c处的核心网络能力的指示分开的IE中接收AI能力或ML能力中的至少一个的指示，其中，在618a/618c处，可以与在614a/614c处的无线电能力的指示或在616a/616c处的核心网络能力的指示中的至少一个一起或分开地接收单独的IE。在618a/618c处接收的单独IE可以包括AI能力ID或ML能力ID中的至少一个。在608a-b处发送的报告UE能力的请求或者在610a-b处接收的对AI能力、ML能力、无线电能力或核心网络能力中的一项或多项的指示中的至少一项可以被包括在RRC消息或NAS消息中。
在906处，网络实体可以向第二网络实体报告对AI能力、ML能力、无线电能力、或核心网络能力的指示中的至少一项。例如，参照图6，网络实体可以是基站604，其可在610b向核心网络606报告在610a接收到的UE能力信息。
在908处，如果第一网络实体是基站，则网络实体可以向核心网络指示AI能力或ML能力的一部分。例如，参照图6，如果网络实体是基站604，则在614c/616c/618c处，网络实体可以向核心网络606中继UE能力信息。
在910处，如果第一网络实体是核心网络，则网络实体可以向服务UE的基站指示AI能力或ML能力的一部分。例如，参照图6，如果网络实体是核心网络606，则在614b/616b/618b处，网络实体可以向基站604中继UE能力信息。
图10是示出用于装置1002的硬件实施方式的示例的图1000。装置1002可以是UE、UE的组件，或者可以实现UE功能。在一些方面中，装置1002可以包括耦合到蜂窝RF收发器1022的蜂窝基带处理器1004(也称为调制解调器)。在一些方面，装置1002还可以包括一个或多个用户身份模块(SIM)卡1020、耦合到安全数字(SD)卡1008和屏幕1010的应用处理器1006、蓝牙模块1012、无线局域网(WLAN)模块1014、全球定位系统(GPS)模块1016或电源1018。蜂窝基带处理器1004通过蜂窝RF收发器1022与UE 104和/或BS102/180通信。蜂窝基带处理器1004可以包括计算机可读介质/存储器。计算机可读介质/存储器可以是非暂时性的。蜂窝基带处理器1004负责一般处理，包括执行存储在计算机可读介质/存储器上的软件。该软件在由蜂窝基带处理器1004执行时使蜂窝基带处理器1004执行上述各种功能。计算机可读介质/存储器还可以用于存储由蜂窝基带处理器1004在执行软件时操纵的数据。蜂窝基带处理器1004还包括接收组件1030、通信管理器1032和发送组件1034。通信管理器1032包括一个或多个示出的组件。通信管理器1032内的组件可以存储在计算机可读介质/存储器中和/或被配置为蜂窝基带处理器1004内的硬件。蜂窝基带处理器1004可以是UE350的组件，并且可以包括TX处理器368、RX处理器356和控制器/处理器359中的至少一个和/或存储器360。在一种配置中，装置1002可以是调制解调器芯片并且仅包括基带处理器1004，而在另一种配置中，装置1002可以是整个UE(例如，参见图3的350)并且包括装置1002的附加模块。
通信管理器1032包括UE能力指示符组件1040，其被配置为(例如，如结合702和704所描述的)接收用于报告针对AI过程或ML过程中的至少一项的UE能力的请求；以及基于报告UE能力的请求来发送对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。
装置可以包括执行图7的流程图中的算法的每个框的附加组件。因此，图7的流程图中的每个框可以由组件执行，并且装置可以包括那些组件中的一个或多个组件。组件可以是专门被配置为执行所述过程/算法的一个或多个硬件组件、由被配置为执行所述过程/算法的处理器实现、存储在计算机可读介质内以供处理器实施方式、或其某种组合。
如图所示，装置1002可以包括被配置用于各种功能的各种组件。在一种配置中，装置1002，特别是蜂窝基带处理器1004，包括：用于接收报告针对AI过程或ML过程中的至少一个的UE能力的请求的部件；以及用于基于报告UE能力的请求来发送对以下各项中的一项或多项的指示的部件：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。用于发送的部件可被配置为指示处理能力、存储器能力、硬件加速能力、存储库、存储模型格式、存储模型、最大并发能力、模型组合、测试模型组合或量化中的至少一项。用于发送的部件还可以被配置为：指示针对AS的AI能力或ML能力中的至少一项的第一部分，以及指示针对NAS的AI能力或ML能力中的至少一项的第二部分。
该部件可以是装置1002的组件中被配置为执行由该部件叙述的功能的一个或多个组件。如上所述，装置1002可以包括TX处理器368、RX处理器356和控制器/处理器359。如此，在一种配置中，该部件可以是被配置为执行由这些部件叙述的功能的TX处理器368、RX处理器356、以及控制器/处理器359。
图11是示出用于装置1102的硬件实施方式的示例的图1100。装置1102可以是基站、基站的组件，或者可以实现基站功能。在一些方面中，装置1002可以包括基带单元1104。基带单元1104可以通过蜂窝RF收发器1122与UE 104进行通信。基带单元1104可以包括计算机可读介质/存储器。基带单元1104负责一般处理，包括执行存储在计算机可读介质/存储器上的软件。当由基带单元1104执行时，软件使得基带单元1104执行上述各种功能。计算机可读介质/存储器还可以用于存储由基带单元1104在执行软件时操纵的数据。基带单元1104还包括接收组件1130、通信管理器1132和发送组件1134。通信管理器1132包括一个或多个示出的组件。通信管理器1132内的组件可以存储在计算机可读介质/存储器中和/或被配置为基带单元1104内的硬件。基带单元1104可以是基站310的组件，并且可以包括存储器376和/或TX处理器316、RX处理器370和控制器/处理器375中的至少一个。
通信管理器1132包括UE能力请求器组件1140，其被配置为(例如，如结合802、804、902和904所描述的)发送用于报告针对AI过程或ML过程中的至少一项的UE能力的请求；以及基于报告UE能力的请求，接收对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。通信管理器1132还包括报告器组件1142，报告器组件1142被配置为(例如，如结合906所描述的)向第二网络实体报告对AI能力、ML能力、无线电能力或核心网络能力的指示中的至少一个。通信管理器1132还包括指示组件1144，其被配置为(例如，如结合908和910所描述的)在第一网络实体是基站的情况下向核心网络指示AI能力或ML能力的一部分；以及如果第一网络实体是核心网络，则向服务UE的基站指示AI能力或ML能力的一部分。
装置可以包括执行图8至图9的流程图中的算法的每个框的附加组件。因此，图8至图9的流程图中的每个框可以由组件执行，并且装置可以包括那些组件中的一个或多个。组件可以是专门被配置为执行所述过程/算法的一个或多个硬件组件、由被配置为执行所述过程/算法的处理器实现、存储在计算机可读介质内以供处理器实施方式、或其某种组合。
如图所示，装置1102可以包括被配置用于各种功能的各种组件。在一种配置中，装置1102，特别是基带单元1104，包括：用于发送报告针对AI过程或ML过程中的至少一个的UE能力的请求的部件；以及用于基于报告UE能力的请求来接收对以下各项中的一项或多项的指示的部件：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。装置1102还包括：用于向第二网络实体报告对AI能力、ML能力、无线电能力或核心网络能力的指示中的至少一个的部件。装置1102还包括用于向核心网络指示AI能力或ML能力的一部分的部件。装置1102进一步包括用于向服务UE的基站指示AI能力或ML能力的一部分的部件。
该部件可以是装置1102的组件中被配置为执行由该部件叙述的功能的一个或多个组件。如上所述，装置1102可以包括TX处理器316、RX处理器370和控制器/处理器375。因此，在一种配置中，该部件可以是被配置为执行由这些部件叙述的功能的TX处理器316、RX处理器370、以及控制器/处理器375。
应理解，所公开的过程/流程图中的框的特定顺序或层级是示例办法的示出。基于设计偏好，应当理解，可以重新排列过程/流程图中的框的特定顺序或层级。此外，可以组合或省略一些框。所附的方法权利要求以样本顺序呈现了各个框的元素，并不意味着限于所呈现的特定顺序或层次。
提供先前的描述是为了使本领域任何技术人员能够实践本文描述的各个方面。对于本领域技术人员来说，对这些方面的各种修改将是显而易见的，并且本文定义的一般原理可以应用于其它方面。因此，权利要求不旨在限于本文所示的方面，而是要符合与语言权利要求一致的全部范围，其中，除非特别说明，否则对单数元素的引用并不旨在表示“一个且仅一个”，而是“一个或多个”。诸如“如果”、“当”和“同时”之类的术语应被解释为表示“在该条件下”，而不是暗示立即的时间关系或反应。也就是说，这些短语(例如，“当……时”)并不暗示响应于动作的发生或在动作的发生期间的立即动作，而是简单地暗示如果满足条件，则动作将发生，但不需要动作发生的特定或立即时间约束。本文使用的词语“示例性”表示“用作示例、实例或说明”。本文描述为“示例性”的任何方面不一定被解释为比其它方面优选或有利。除非另有特别说明，否则术语“一些”是指一个或多个。诸如“A、B或C中的至少一个”、“A、B或C中的一个或多个”、“A、B和C中的至少一个”、“A、B和C中的一个或多个”和“A、B、C或其任何组合”的组合包括A、B和/或C的任何组合，并且可以包括A的倍数、B的倍数或C的倍数。具体地，诸如“A、B或C中的至少一个”、“A、B或C中的一个或多个”、“A、B和C中的至少一个”、“A、B和C中的一个或多个”和“A、B、C或其任何组合”的组合可以是仅A、仅B、仅C、A和B、A和C、B和C或A和B和C，其中任何这样的组合可以包含A、B或C中的一个或多个成员。本领域普通技术人员已知或稍后将知道的贯穿本公开描述的各个方面的元素的所有结构和功能等同物通过引用明确地并入本文，并且旨在由权利要求书涵盖。此外，本文中公开的任何内容都不旨在奉献给公众，无论这样的公开内容是否在权利要求中被明确地记载。词语“模块”、“机制”、“元件”、“设备”等可以不是词语“部件”的替代。因此，没有权利要求元素要被解释为部件加功能，除非使用短语“用于……的部件”来明确地记载该元件。
以下方面仅是说明性的，并且可以与本文描述的其他方面或教导组合，而不限于此。
方面1是一种用于UE处的无线通信的装置，包括：至少一个处理器，其耦合到存储器并且被配置为：接收报告针对AI过程或ML过程中的至少一项的UE能力的请求；以及基于报告UE能力的请求，发送对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。
方面2可与方面1组合且包括UE发送AI能力或ML能力中的至少一项，其中该指示的发送指示处理能力、存储器能力、硬件加速能力、存储库、存储模型格式、存储模型、最大并发能力、模型组合、测试模型组合、或量化中的至少一项。
方面3可以与方面1-2中的任一项组合，并且包括：UE针对一个或多个AS过程发送与AI过程或ML过程中的至少一项相关联的无线电能力。
方面4可以与方面1-3中的任一项组合，并且包括：UE针对UE支持AI过程或ML过程的每个AS功能发送单独的指示。
方面5可以与方面1-4中的任一项组合，并且包括：UE发送针对MM过程或SM过程中的一项或多项的核心网络能力。
方面6可以与方面1-5中的任一项组合，并且包括：UE针对UE支持AI过程或ML过程的每个MM功能或SM功能发送单独的指示。
方面7可以与方面1-6中的任一项组合，并且包括：对AI能力或ML能力中的至少一项的指示被包括在对无线电能力的指示中。
方面8可以与方面1-7中的任一项组合，并且包括：包括在对无线电能力的指示中的对AI能力或ML能力中的至少一项的指示指示与AI能力或ML能力中的至少一项相对应的无线电能力ID。
方面9可以与方面1-8中的任一项组合，并且包括：对AI能力或ML能力中的至少一项的指示被包括在对核心网络能力的指示中。
方面10可以与方面1-6中的任一项组合，并且包括：与无线电能力的指示和核心网络能力的指示分开地发送AI能力或ML能力中的至少一个的指示。
方面11可以与方面1-6或10中的任一项组合，并且包括：在与无线电能力的指示和核心网络能力的指示分开的IE中发送AI能力或ML能力中的至少一项的指示，该分开的IE与无线电能力的指示或核心网络能力的指示中的至少一项一起发送。
方面12可以与方面1-6或10-11中的任一项组合，并且包括：单独的IE包括AI能力ID或ML能力ID中的至少一个。
方面13可以与方面1-6或10-12中的任一项组合，并且包括：报告UE能力的请求或者对AI能力、ML能力、无线电能力或核心网络能力中的一项或多项的指示中的至少一项被包括在RRC消息或NAS消息中。
方面14可以与方面1-13中的任一项组合，并且包括：指示的发送指示AS的AI能力或ML能力中的至少一项的第一部分，并且指示NAS的AI能力或ML能力中的至少一项的第二部分。
方面15可以与方面1-14中的任一项组合，并且包括：AI能力或ML能力对应于处理能力或存储器能力。
方面16可以与方面1-15中的任一项组合，并且包括UE能力用于CSI反馈。
方面17是一种用于基站处的无线通信的装置，包括至少一个处理器，该至少一个处理器耦合到存储器并且被配置为：发送对报告针对AI过程或ML过程中的至少一项的UE能力的请求；以及基于报告UE能力的请求，接收对以下各项中的一项或多项的指示：AI能力、ML能力、与AI过程或ML过程中的至少一项相关联的无线电能力、或者与AI过程或ML过程中的至少一项相关联的核心网络能力。
方面18可以与方面17组合，并且包括网络实体接收指示处理能力、存储器能力、硬件加速能力、存储库、存储模型格式、存储模型、最大并发能力、模型组合、测试模型组合或量化中的至少一个的AI能力或ML能力中的至少一个。
方面19可以与方面17-18中的任一项组合，并且包括：网络实体接收与用于一个或多个AS过程的AI能力或ML能力中的至少一项相关联的无线电能力。
方面20可以与方面17-19中的任一项组合，并且包括：网络实体接收针对UE支持AI过程或ML过程的每个AS功能的单独指示。
方面21可以与方面17-20中的任一项组合，并且包括：网络实体接收针对MM过程或SM过程中的一项或多项的核心网络能力。
方面22可以与方面17-21中的任一项组合，并且包括：网络实体接收针对UE支持AI过程或ML过程的每个MM功能或SM功能的单独指示。
方面23可以与方面17-22中的任一项组合，并且包括：对AI能力或ML能力中的至少一项的指示被包括在对无线电能力的指示中。
方面24可以与方面17-23中的任一项组合，并且包括：包括在无线电能力的指示中的AI能力或ML能力中的至少一项的指示指示与AI能力或ML能力中的至少一项相对应的无线电能力ID。
方面25可以与方面17-24中的任一项组合，并且包括：对AI能力或ML能力中的至少一项的指示被包括在对核心网络能力的指示中。
方面26可以与方面17-25中的任一项组合，并且包括：指示是在基站处接收的，并且还包括：至少一个处理器被配置为向第二网络实体报告对AI能力、ML能力、无线电能力或核心网络能力的指示中的至少一个。
方面27可以与方面17-22或26中的任一项组合，并且包括：与无线电能力的指示和核心网络能力的指示分开地接收AI能力或ML能力中的至少一项的指示。
方面28可以与方面17-22或26-27中的任一项组合，并且包括：在与无线电能力的指示和核心网络能力的指示分开的IE中接收AI能力或ML能力中的至少一项的指示，该分开的IE与无线电能力的指示或核心网络能力的指示中的至少一项一起接收。
方面29可以与方面17-22或26-28中的任一项组合，并且包括：单独的IE包括AI能力ID或ML能力ID中的至少一个。
方面30可以与方面17-22或26-29中的任一项组合，并且包括：报告UE能力的请求或者对AI能力、ML能力、无线电能力或核心网络能力中的一个或多个的指示中的至少一个基于RRC过程或NAS过程中的至少一个。
方面31可以与方面17-30中的任一项组合，并且包括：对AI能力或ML能力中的至少一项的指示是在基站处接收的，并且还包括：至少一个处理器被配置为向核心网络指示AI能力或ML能力的一部分。
方面32可以与方面17-30中的任一项组合，并且包括：对AI能力或ML能力中的至少一项的指示是在核心网络处接收的，并且还包括：至少一个处理器被配置为向服务UE的基站指示AI能力或ML能力的一部分。
方面33可以与方面17-32中的任一项组合，并且包括UE能力用于CSI反馈。
方面34是一种用于实现方面1-33中任一项的无线通信的方法。
方面35是一种用于无线通信的装置，包括用于实现方面1-33中任一项的部件。
方面36是一种存储计算机可执行代码的计算机可读介质，该代码在由至少一个处理器执行时使得至少一个处理器实现方面1-33中的任一项。
Claims (30)
1.一种用于用户设备(UE)处的无线通信的装置，包括：
存储器；以及
至少一个处理器，所述至少一个处理器耦合到所述存储器并且被配置为：
接收报告针对人工智能(AI)过程或机器学习(ML)过程中的至少一项的UE能力的请求；以及
基于报告所述UE能力的所述请求，发送对以下各项中的一项或多项的指示：AI能力、ML能力、与所述AI过程或所述ML过程中的所述至少一项相关联的无线电能力、或者与所述AI过程或所述ML过程中的所述至少一项相关联的核心网络能力。
2.根据权利要求1所述的装置，其中，所述存储器和所述至少一个处理器被配置为发送所述AI能力或所述ML能力中的至少一个，并且其中所述指示的发送指示处理能力、存储器能力、硬件加速能力、存储库、存储模型格式、存储模型、最大并发能力、模型组合、测试模型组合或量化中的至少一个。
3.根据权利要求1所述的装置，其中，所述存储器和所述至少一个处理器被配置为：发送与针对一个或多个接入层(AS)过程的所述AI过程或所述ML过程中的所述至少一个过程相关联的所述无线电能力。
4.根据权利要求3所述的装置，其中，所述存储器和所述至少一个处理器被配置为：针对所述UE支持针对其的所述AI过程或所述ML过程的每个AS功能，发送单独的指示。
5.根据权利要求1所述的装置，其中，所述存储器和所述至少一个处理器被配置为：发送针对移动性管理(MM)过程或会话管理(SM)过程中的一项或多项的所述核心网络能力。
6.根据权利要求5所述的装置，其中，所述存储器和所述至少一个处理器被配置为：针对所述UE支持所述AI过程或所述ML过程的每个MM功能或SM功能发送单独的指示。
7.根据权利要求1所述的装置，其中，对所述AI能力或所述ML能力中的至少一项的所述指示被包括在对所述无线电能力的所述指示中。
8.根据权利要求7所述的装置，其中，在对所述无线电能力的所述指示中包括的对所述AI能力或所述ML能力中的所述至少一项的所述指示指示与所述AI能力或所述ML能力中的所述至少一项相对应的无线电能力标识符(ID)。
9.根据权利要求1所述的装置，其中，对所述AI能力或所述ML能力中的至少一项的所述指示被包括在对所述核心网络能力的所述指示中。
10.根据权利要求1所述的装置，其中，对所述AI能力或所述ML能力中的至少一项的所述指示是与对所述无线电能力的所述指示和对所述核心网络能力的所述指示分开发送的。
11.根据权利要求10所述的装置，其中，对所述AI能力或所述ML能力中的所述至少一项的所述指示是在与对所述无线电能力的所述指示和对所述核心网络能力的所述指示分开的信息元素(IE)中发送的，所述分开的IE与对所述无线电能力的所述指示或对所述核心网络能力的所述指示中的至少一项一起发送。
12.根据权利要求10所述的装置，其中，用于报告所述UE能力的所述请求或者对所述AI能力、所述ML能力、所述无线电能力或所述核心网络能力中的所述一项或多项的所述指示中的至少一项被包括在无线电资源控制(RRC)消息或非接入层(NAS)消息中。
13.根据权利要求1所述的装置，其中，对所述指示的发送指示针对接入层(AS)的所述AI能力或所述ML能力中的所述至少一项的第一部分，并且指示针对非接入层(NAS)的所述AI能力或所述ML能力中的所述至少一项的第二部分。
14.根据权利要求1所述的装置，其中，所述UE能力用于信道状态信息(CSI)反馈。
15.一种用于无线网络处的无线通信的装置，包括：
存储器；以及
至少一个处理器，所述至少一个处理器耦合到所述存储器并且被配置为：
发送对报告针对人工智能(AI)过程或机器学习(ML)过程中的至少一项的用户设备(UE)能力的请求；以及
基于报告所述UE能力的所述请求，接收对以下各项中的一项或多项的指示：AI能力、ML能力、与所述AI过程或所述ML过程中的所述至少一项相关联的无线电能力、或者与所述AI过程或所述ML过程中的所述至少一项相关联的核心网络能力。
16.根据权利要求15所述的装置，其中，所述存储器和所述至少一个处理器被配置为接收指示处理能力、存储器能力、硬件加速能力、存储库、存储模型格式、存储模型、最大并发能力、模型组合、测试模型组合或量化中的至少一个的所述AI能力或所述ML能力中的至少一个。
17.根据权利要求15所述的装置，其中，所述存储器和所述至少一个处理器被配置为：接收与针对一个或多个接入层(AS)过程的所述AI能力或所述ML能力中的所述至少一项相关联的所述无线电能力。
18.根据权利要求17所述的装置，其中，所述存储器和所述至少一个处理器被配置为：接收针对所述UE支持针对其的所述AI过程或所述ML过程的每个AS功能的单独的指示。
19.根据权利要求15所述的装置，其中，所述存储器和所述至少一个处理器被配置为：接收针对移动性管理(MM)过程或会话管理(SM)过程中的一项或多项的所述核心网络能力。
20.根据权利要求19所述的装置，其中，所述存储器和所述至少一个处理器被配置为：接收针对所述UE支持所述AI过程或所述ML过程的每个MM功能或SM功能的单独指示。
21.根据权利要求15所述的装置，其中，对所述AI能力或所述ML能力中的至少一项的所述指示被包括在对所述无线电能力的所述指示中。
22.根据权利要求21所述的装置，其中，在对所述无线电能力的所述指示中包括的对所述AI能力或所述ML能力中的所述至少一项的所述指示指示与所述AI能力或所述ML能力中的所述至少一项相对应的无线电能力标识符(ID)。
23.根据权利要求15所述的装置，其中，对所述AI能力或所述ML能力中的至少一项的所述指示被包括在对所述核心网络能力的所述指示中。
24.根据权利要求15所述的装置，其中，所述指示是在基站处接收的，所述至少一个处理器还被配置为：向第二网络实体报告对所述AI能力、所述ML能力、所述无线电能力或所述核心网络能力的所述指示中的至少一项。
25.根据权利要求15所述的装置，其中，对所述AI能力或所述ML能力中的至少一项的所述指示是与对所述无线电能力的所述指示和对所述核心网络能力的所述指示分开接收的。
26.根据权利要求25所述的装置，其中，对所述AI能力或所述ML能力中的所述至少一项的所述指示是在与对所述无线电能力的所述指示和对所述核心网络能力的所述指示分开的信息元素(IE)中接收的，所述分开的IE与对所述无线电能力的所述指示或对所述核心网络能力的所述指示中的至少一项一起被接收。
27.根据权利要求25所述的装置，其中，对报告所述UE能力的所述请求或者对所述AI能力、所述ML能力、所述无线电能力或所述核心网络能力中的所述一项或多项的所述指示中的至少一项是基于无线资源控制(RRC)过程或非接入层(NAS)过程中的至少一项的。
28.根据权利要求15所述的装置，其中，对所述AI能力或所述ML能力中的所述至少一项的所述指示是在基站处接收的，所述至少一个处理器还被配置为向核心网络指示所述AI能力或所述ML能力的一部分。
29.根据权利要求15所述的装置，其中，对所述AI能力或所述ML能力中的所述至少一项的所述指示是在核心网络处接收的，所述至少一个处理器还被配置为向服务于所述UE的基站指示所述AI能力或所述ML能力的一部分。
30.根据权利要求15所述的装置，其中，所述UE能力是针对信道状态信息(CSI)反馈的。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/308,970 US11825553B2 (en) | 2021-05-05 | 2021-05-05 | UE capability for AI/ML |
| US17/308,970 | 2021-05-05 | ||
| PCT/US2022/023448 WO2022235363A1 (en) | 2021-05-05 | 2022-04-05 | Ue capability for ai/ml |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117242807A true CN117242807A (zh) | 2023-12-15 |
Family
ID=81653767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280031918.5A Pending CN117242807A (zh) | 2021-05-05 | 2022-04-05 | 用于ai/ml的ue能力 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11825553B2 (zh) |
| EP (1) | EP4335133A1 (zh) |
| KR (1) | KR20240004387A (zh) |
| CN (1) | CN117242807A (zh) |
| BR (1) | BR112023022229A2 (zh) |
| WO (1) | WO2022235363A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11818806B2 (en) * | 2021-05-18 | 2023-11-14 | Qualcomm Incorporated | ML model training procedure |
| US20230164817A1 (en) * | 2021-11-24 | 2023-05-25 | Lenovo (Singapore) Pte. Ltd. | Artificial Intelligence Capability Reporting for Wireless Communication |
| GB2622606A (en) * | 2022-09-22 | 2024-03-27 | Nokia Technologies Oy | Capability reporting for multi-model artificial intelligence/machine learning user equipment features |
| GB202216493D0 (en) * | 2022-11-04 | 2022-12-21 | Samsung Electronics Co Ltd | Prioritising data for AI/ML |
| WO2024170439A1 (en) * | 2023-02-15 | 2024-08-22 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods to signal ue-associated types of available ai/ml assistance information |
| WO2024093057A1 (en) * | 2023-02-24 | 2024-05-10 | Lenovo (Beijing) Limited | Devices, methods, and computer readable storage medium for communication |
| WO2024193940A1 (en) * | 2023-03-17 | 2024-09-26 | Nokia Technologies Oy | Transmission by the ue of the requirements upon which ml features combinations are supported by the ue |
| WO2024207399A1 (en) * | 2023-04-07 | 2024-10-10 | Qualcomm Incorporated | Machine learning-based control information capability signaling, report configuration, and payload determination |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11564271B2 (en) * | 2017-08-11 | 2023-01-24 | Nokia Technologies Oy | User equipment category signaling in an LTE-5G configuration |
| KR102664929B1 (ko) * | 2018-08-10 | 2024-05-09 | 삼성전자주식회사 | 이동통신 시스템에서 데이터 손실을 줄이기 위한 방법 및 장치 |
| WO2020080989A1 (en) | 2018-10-19 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of machine learning to improve performance of a wireless communications network |
| US10992331B2 (en) * | 2019-05-15 | 2021-04-27 | Huawei Technologies Co., Ltd. | Systems and methods for signaling for AI use by mobile stations in wireless networks |
| CN111954206B (zh) * | 2019-05-17 | 2024-04-09 | 株式会社Ntt都科摩 | 终端和基站 |
| US12120774B2 (en) | 2019-09-13 | 2024-10-15 | Nokia Technologies Oy | Radio resource control procedures for machine learning |
| WO2021064275A1 (en) | 2019-10-02 | 2021-04-08 | Nokia Technologies Oy | Radio access information reporting in wireless network |
| WO2021063500A1 (en) * | 2019-10-02 | 2021-04-08 | Nokia Technologies Oy | Providing producer node machine learning based assistance |
| WO2021089568A1 (en) * | 2019-11-04 | 2021-05-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Machine learning non-standalone air-interface |
| US11611457B2 (en) * | 2021-02-11 | 2023-03-21 | Northeastern University | Device and method for reliable classification of wireless signals |
| US20220287104A1 (en) * | 2021-03-05 | 2022-09-08 | Samsung Electronics Co., Ltd. | Method and apparatus for support of machine learning or artificial intelligence techniques in communication systems |
| US20220338189A1 (en) * | 2021-04-16 | 2022-10-20 | Samsung Electronics Co., Ltd. | Method and apparatus for support of machine learning or artificial intelligence techniques for csi feedback in fdd mimo systems |
-
2021
- 2021-05-05 US US17/308,970 patent/US11825553B2/en active Active
-
2022
- 2022-04-05 BR BR112023022229A patent/BR112023022229A2/pt unknown
- 2022-04-05 WO PCT/US2022/023448 patent/WO2022235363A1/en active Application Filing
- 2022-04-05 CN CN202280031918.5A patent/CN117242807A/zh active Pending
- 2022-04-05 EP EP22723508.2A patent/EP4335133A1/en active Pending
- 2022-04-05 KR KR1020237037146A patent/KR20240004387A/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022235363A1 (en) | 2022-11-10 |
| US20220360973A1 (en) | 2022-11-10 |
| KR20240004387A (ko) | 2024-01-11 |
| US11825553B2 (en) | 2023-11-21 |
| EP4335133A1 (en) | 2024-03-13 |
| BR112023022229A2 (pt) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230379692A1 (en) | Managing ml processing model | |
| US11825553B2 (en) | UE capability for AI/ML | |
| US11818806B2 (en) | ML model training procedure | |
| WO2022119630A1 (en) | Model discovery and selection for cooperative machine learning in cellular networks | |
| WO2023070361A1 (en) | Ris configuration computation using reinforcement learning | |
| US20240292235A1 (en) | The combined ml structure parameters configuration | |
| US20240314798A1 (en) | Dci-based indication to trigger the combined ml model | |
| US20240284201A1 (en) | Ml model category grouping configuration | |
| WO2023004671A1 (en) | Direct data collection solution from core network to radio access network | |
| CN118077257B (zh) | 网络功率模式图案和切换配置 | |
| US20230068633A1 (en) | Ue indication of null tone placement for demodulation | |
| US20230247420A1 (en) | Granular user consent and its enforcement | |
| US20240365152A1 (en) | Ris configuration computation using reinforcement learning | |
| US20240322894A1 (en) | Beam switch for multiple transmission and reception points | |
| US20240340670A1 (en) | Ran reporting data to core network data repository | |
| CN118140237A (zh) | Fl模型更新报告中的ue聚类 | |
| CN117796039A (zh) | 由ue发送的更新后的请求的nssai | |
| WO2023023091A1 (en) | Updated requested nssai sent by the ue | |
| WO2023147189A1 (en) | Granular user consent and its enforcement | |
| WO2024030826A1 (en) | Channel state feedback with dictionary learning | |
| CN118592049A (zh) | 颗粒化用户同意及其增强 | |
| CN116998129A (zh) | 非优选时频资源的ue反馈 | |
| CN116848798A (zh) | 基于神经网络的非线性mu-mimo预编码 | |
| CN117678281A (zh) | 利用pucch载波切换的基于组公共dci的功率控制 | |
| CN118077257A (zh) | 网络功率模式图案和切换配置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |