JP7305892B2 - 個人向けに調整されたエアインターフェース - Google Patents
個人向けに調整されたエアインターフェース Download PDFInfo
- Publication number
- JP7305892B2 JP7305892B2 JP2022529686A JP2022529686A JP7305892B2 JP 7305892 B2 JP7305892 B2 JP 7305892B2 JP 2022529686 A JP2022529686 A JP 2022529686A JP 2022529686 A JP2022529686 A JP 2022529686A JP 7305892 B2 JP7305892 B2 JP 7305892B2
- Authority
- JP
- Japan
- Prior art keywords
- training
- information
- air interface
- exemplary embodiment
- capabilities
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0205—Traffic management, e.g. flow control or congestion control at the air interface
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/26—Resource reservation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/10—Connection setup
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/20—Manipulation of established connections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W92/00—Interfaces specially adapted for wireless communication networks
- H04W92/04—Interfaces between hierarchically different network devices
- H04W92/10—Interfaces between hierarchically different network devices between terminal device and access point, i.e. wireless air interface
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
- H04W8/04—Registration at HLR or HSS [Home Subscriber Server]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Description
本開示は、一般に無線通信に関し、特定の実施形態においては、エアインターフェースカスタマイズのための方法および装置に関する。
エアインターフェースは、進化型ノードB（一般にノードB、基地局、NR基地局、送信ポイント、遠隔無線ヘッド、通信コントローラ、およびコントローラなどとも呼ばれる）ならびにユーザ機器（UE）（一般に移動局、加入者、ユーザ、端末、および電話などとも呼ばれる）などの2つ以上の通信デバイス間のワイヤレス通信リンクである。典型的には、両方の通信デバイスは、送信信号の送受信を成功させるため、エアインターフェースを知る必要がある。
現在の多くのワイヤレスネットワークでは、エアインターフェースの定義は、フリーサイズのコンセプトである。エアインターフェースが定義されたら、エアインターフェース内の構成要素を変更するまたは適合させることができない。いくつかの実装形態では、サイクリックプレフィックス（CP）長または多入力多出力（MIMO）モードなどのエアインターフェースの限定されたパラメータまたはモードのみを構成することができる。いくつかの最新の無線システムでは、より柔軟なエアインターフェースのためのフレームワークを提供するために、構成可能なエアインターフェースの概念が採用されている。これは、エアインターフェース内の異なる構成要素の適応を実現し、将来の用途の潜在的な要求に対処することを意図している。第5世代（5G）またはNew Radio（NR）ネットワークシステムなどのいくつかの現代の無線システムは、同じ物理ネットワーク基盤上の仮想化された独立した論理ネットワークの多重化を可能にするネットワークアーキテクチャであるネットワークスライシングをサポートする。そのようなシステムでは、各ネットワークスライスは、特定のサービスまたはアプリケーションによって要求される多様な要件を満たすように調整された分離されたエンドツーエンドネットワークである。エアインターフェースまたはサービスもしくはアプリケーションが提供されるネットワークスライスによってサポートされるサービスもしくはアプリケーションに基づいてエアインターフェースを構成できるように、エアインターフェースのサービスまたはスライスを基にした最適化を可能にする構成可能なエアインターフェースがNRネットワーク用に提案されている。
異なる対の通信デバイス（すなわち、送信信号送信デバイスおよび送信信号受信デバイス）は、異なる送信能力および／または送信要求を有し得る。異なる送信能力および／または送信要求は、典型的には、単一のエアインターフェースまたはエアインターフェース構成によっては最適に満たされ得ない。
NRネットワーク用に提案された構成可能なエアインターフェースは、エアインターフェース構成要素の所定のサブセットに対するパラメータまたは技術の所定のサブセットからの選択に基づいて、サービスまたはスライスを基にした最適化を可能にする。サービスが提供されるサービスおよび／またはネットワークスライスが変更された場合、通信デバイスの送信および受信チェーンの構成要素の構成は、新しいサービスまたはネットワークスライスに対応する新しい所定のサービスまたはスライス固有のエアインターフェースに一致するように変更され得る。
しかしながら、各サービスについて、伝送条件、能力、および要件は依然としてデバイスごとに全く異なる可能性があり、これは、例えば、あるデバイス、例えばあるUEにサービスを配信するのに最適であり得るエアインターフェース構成が、別のUEに同じサービスを配信するのに必ずしも最適ではない可能性があることを意味する。
本開示は、例えば、デバイス固有のエアインターフェース最適化を提供するために人工知能および／または機械学習を使用して、デバイス固有を基にして調整または個人向けにされる無線通信のための新しいエアインターフェースを実現するために使用され得る方法および装置を提供する。例えば、本開示の実施形態は、ネットワークスライス／サービス固有のエアインターフェースを超えて、個人向けサービスタイプおよび個人向けエアインターフェース設定を含む個人向けに調整されたエアインターフェースに至る新しいエアインターフェースを含む。したがって、デバイス固有のエアインターフェースを最適化するために人工知能および／または機械学習を使用すると、個々を基にした各UEの要件を満たすための新しいエアインターフェース構成を達成することができる。
本開示の1つの広範な態様は、第1のデバイスが、第1のデバイスと第2のデバイスとの間のエアインターフェースを介して、第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を第2のデバイスに送信する、無線通信ネットワークにおける方法を提供する。例えば、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスがエアインターフェースを介した少なくとも1つのエアインターフェース構成要素の最適化のためにAI/MLをサポートするかどうかを識別することができる。したがって、2つの通信デバイス間のAI/ML能力の交換は、デバイス固有のエアインターフェース最適化を達成するために1つ以上のエアインターフェース構成要素を最適化するために使用される。
本開示の別の広範な態様は、第2のデバイスが、第1のデバイスと第2のデバイスとの間のエアインターフェースを介して、第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を受信する、無線通信ネットワークにおける方法を提供する。例えば、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスがエアインターフェースを介した少なくとも1つのエアインターフェース構成要素の最適化のためにAI/MLをサポートするかどうかを識別することができる。いくつかの実施形態では、第2のデバイスは、第1のデバイスのAI/ML能力に関する情報に少なくとも部分的に基づいて、AI/MLトレーニング要求を第1のデバイスに送信することができる。したがって、2つの通信デバイス間のAI/ML能力の交換は、デバイス固有のエアインターフェース最適化を達成するために1つ以上のエアインターフェース構成要素を最適化するために使用される。
本開示のさらに別の広範な態様は、少なくとも1つのプロセッサと、少なくとも1つのプロセッサに動作可能に結合されたコンピュータ可読記憶媒体とを含む装置を提供する。コンピュータ可読記憶媒体は、少なくとも1つのプロセッサによって実行されるプログラミングを格納する。プログラミングは、装置とネットワークデバイスとの間のエアインターフェースを介して、装置の人工知能または機械学習（AI/ML）能力に関する情報を装置からネットワークデバイスに送信するための命令を含む。例えば、装置のAI/ML能力に関する情報は、エアインターフェースを介した少なくとも1つのエアインターフェース構成要素の最適化のために装置がAI/MLをサポートするかどうかを識別することができる。
本開示のさらに別の広範な態様は、少なくとも1つのプロセッサと、少なくとも1つのプロセッサに動作可能に結合されたコンピュータ可読記憶媒体とを含むネットワーク装置を提供する。コンピュータ可読記憶媒体は、少なくとも1つのプロセッサによって実行されるプログラミングを格納する。プログラミングは、ネットワーク装置によって、第1のデバイスとネットワーク装置との間のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を受信するための命令を含む。例えば、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスがエアインターフェースを介した少なくとも1つのエアインターフェース構成要素の最適化のためにAI/MLをサポートするかどうかを識別することができる。いくつかの実施形態では、プログラミングは、第1のデバイスのAI/ML能力に関する情報に少なくとも部分的に基づいて、AI/MLトレーニング要求を第1のデバイスに送信するための命令をさらに含む。
次に、例として、本出願の例示的な実施形態を示す添付の図面に対して参照が行われる。
同様の参照番号が、同様の構成要素を示すために異なる図で使用されている場合がある。
本開示の理解を助けるために、例示的な無線通信システムを以下に説明する。
図1は本開示の実施形態を実施できる無線通信システム100（無線システム100とも呼ばれる）の例を示している。通常、無線システム100は、複数の無線または有線エレメントがデータやその他のコンテンツをやり取りすることを可能にする。無線システム100は、システム100のエンティティ間でコンテンツ（例えば、音声、データ、ビデオ、テキストなど）が通信されること（例えば、ブロードキャスト、ナローキャスト、ユーザデバイスからユーザデバイスなどを介して）を可能にし得る。無線システム100は、帯域幅などのリソースを共有することによって動作し得る。無線システム100は、5G技術および／または後世代無線技術（例えば、6G以降）を使用する無線通信に適し得る。いくつかの例では、無線システム100はまた、いくつかのレガシー無線技術（例えば、3Gまたは4G無線技術）に適応し得る。
示されているこの例において、無線システム100は、電子デバイス（ED）110a～110c（一般にED110と称される）、無線アクセスネットワーク（RAN）120a～120b（一般にRAN120と称される）、コアネットワーク130、公衆交換電話網（PSTN）140、インターネット150、および、他のネットワーク160を含む。いくつかの例では、ネットワークのうちの1つ以上は、省略されてもよく、または異なるタイプのネットワークに置き換えられてもよい。無線システム100には、その他のネットワークが含まれ得る。特定の数のこれらの構成要素または要素が図1に示されているが、任意の妥当な数のこれらの構成要素または要素が無線システム100に含まれ得る。
ED110は無線システム100の中で、作動するように、通信するように、または作動しかつ通信するように、構成される。例えば、ED110は、無線または有線通信チャネルを介して送信する、受信する、または、その両方を行うように構成され得る。各ED110は、無線動作のための任意の適切なエンドユーザデバイスを表し、ユーザ機器／デバイス（UE）、無線送信／受信ユニット（WTRU）、移動局、固定式もしくは移動式加入者ユニット、携帯電話、局（STA）、マシンタイプ通信（MTC）デバイス、パーソナルデジタルアシスタント（PDA）、スマートフォン、ラップトップ、コンピュータ、タブレット、無線センサ、または電子デバイスなどのデバイスを、他の可能性のあるものの中でも、含み得る（またはそのように呼ばれ得る）。将来の世代のED110は、他の用語を使用して参照されてもよい。
図1において、RAN120は、基地局（BS）170a～170b（総称してBS170）を含む。各BS170は、他の任意のBS170、コアネットワーク130、PSTN140、インターネット150、および／またはその他のネットワーク160へのアクセスを可能にするために、ED110のうちの1台以上と無線でインターフェースするように構成されている。例えば、BS170は、とりわけベーストランシーバステーション（BTS）、ラジオ基地局、ノードB（NodeB）、発展型NodeB（eNodeB）、ホームeNodeB、gNodeB（次世代NodeBと呼ばれることがある）、送信ポイント（TP）、送信および受信ポイント（TRP）、サイトコントローラ、アクセスポイント（AP）、無線ルーターなどの数個の周知のデバイスの1つ以上を含み得る（または1つ以上であり得る）。将来の世代のBS170は、他の用語を使用して参照されてもよい。いずれのED110も、代わりにまたは追加で、任意の他のBS170、インターネット150、コアネットワーク130、PSTN140、他のネットワーク160、またはこれらの任意の組み合わせとインターフェースし、これらにアクセスし、またはこれらと通信するように構成されてもよい。無線システム100は、RAN120bなどのRANを含むことができ、対応するBS170bは、図示されるように、インターネット150を介してコアネットワーク130にアクセスする。
ED110およびBS170は、本明細書に記載される機能および／または実施形態の一部または全部を実施するように構成できる通信機器の例である。図1に示される実施形態では、BS170aはRAN120aの一部を形成し、これは、他のBS、（1つ以上の）BSコントローラ（BSC）、（1つ以上の）無線ネットワークコントローラ（RNC）、中継ノード、要素、および／またはデバイスを含み得る。任意のBS170は、図示のような単一の要素、または、対応するRANにおいてあるいは別の方法で分布される複数の要素であってもよい。また、BS170bはRAN120bの一部を形成し、RAN120bは、他のBS、要素、および／またはデバイスを含み得る。各BS170は、「セル」または「カバレッジエリア」と呼ばれることもある特定の地理的領域またはエリア内で無線信号を送信および／または受信する。セルはセルセクタにさらに分割されてもよく、BS170は、例えば、複数のトランシーバを用いて複数のセクタにサービスを提供し得る。いくつかの実施形態では、ピコセルまたはフェムトセルが確立されてもよく、無線アクセス技術がこれをサポートする。マクロセルは、1つ以上のより小さいセルを包含し得る。いくつかの実施形態では、例えば多入力多出力（MIMO）技術を使用して、複数のトランシーバが各セルに使用されることが可能である。図示されるRAN120の数は例示にすぎない。無線システム100を考案するときはいくつものRANを企図できる。
BS170は、無線通信リンク（例えば、無線周波数（RF）、マイクロ波、赤外線（IR）など）を使用して1つ以上のエアインターフェース190aでED110のうちの1つ以上と通信する。ED110はまた、1つ以上のサイドリンクエアインターフェース190bを介して互いに直接通信することができる。インターフェース190aおよび190bは、一般にエアインターフェース190と呼ばれることがある。インターフェース190aを介したBS-ED通信およびインターフェース190bを介したED-ED通信は、同様の通信技術を使用することができる。エアインターフェース190は、任意の適切な無線アクセス技術を利用し得る。例えば、無線システム100は、符号分割多元接続（CDMA）、時分割多元接続（TDMA）、周波数分割多元接続（FDMA）、直交FDMA（OFDMA）、シングルキャリアFDMA（SC-FDMA）などの1つ以上のチャネルアクセス方法をエアインターフェース190で実施できる。エアインターフェース190は、直交および／または非直交次元の組み合わせを含み得る他の高次元信号空間を利用することができる。
RAN120は、音声、データ、および、他のサービスなどの様々なサービスをED110に提供するためにコアネットワーク130と通信している。RAN120および／またはコアネットワーク130は、1つ以上の他のRAN（図示せず）と直接的または間接的に通信していてもよく、これは、コアネットワーク130によって直接的にサービスされてもされなくてもよく、RAN120a、RAN120b、またはその両方と同じ無線アクセス技術を採用してもしなくてもよい。コアネットワーク130は、（i）RAN120またはED110またはその両方と、（ii）その他のネットワーク（PSTN140、インターネット150、およびその他のネットワーク160など）との間のゲートウェイアクセスとしても機能し得る。加えて、ED110の一部または全部が、異なる無線技術および／またはプロトコルを用いて異なる無線リンク上で異なる無線ネットワークと通信するための機能を含んでいてもよい。無線通信の代わりに（または無線通信に加えて）、各ED110は有線通信チャネルを介してサービスプロバイダまたはスイッチ（不図示）、およびインターネット150と通信してもよい。PSTN140は、旧来の音声通話サービス（POTS）を提供するための回線交換電話網を含み得る。インターネット150はコンピュータおよびサブネットまたはその両方のネットワークを含み、インターネットプロトコル（IP）、伝送制御プロトコル（TCP）、ユーザデータグラムプロトコル（UDP）などのプロトコルを組み込み得る。ED110は、複数の無線アクセス技術に従って動作することができるマルチモードデバイスであってもよく、これらをサポートするのに必要な複数のトランシーバを組み込み得る。
図2および3は、この開示に係る方法および教示を実施できるデバイスの例を示す。具体的に述べると、図2はED110の例を示しており、図3は基地局170の例を示している。これらの構成要素を通信システム100で、または任意の他の適切なシステムで使用することができる。
図2に示されているように、ED110は少なくとも1つの処理ユニット200を含む。処理ユニット200は、ED110の様々な処理動作を実施する。例えば、処理ユニット200は、信号コーディング、データ処理、電力制御、入力／出力処理、または、ED110が通信システム100で動作できるようにする任意の他の機能を実行することができる。また処理ユニット200は、本明細書のどこか他の所で詳述されている機能および／または実施形態の一部または全部を実施するようにも構成され得る。各処理ユニット200は、1つ以上の動作を実行するように構成された任意の適切な処理または計算デバイスを含む。各処理ユニット200は、例えば、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ、フィールドプログラマブルゲートアレイ、または、特定用途向け集積回路を含むことができる。
ED110は、少なくとも1つのトランシーバ202をさらに含む。トランシーバ202は、少なくとも1つのネットワークインターフェースコントローラ（NIC）204による送信のためのデータまたはその他のコンテンツを変調するように構成されている。トランシーバ202はまた、少なくとも1つのアンテナ204によって受信したデータまたはその他のコンテンツを復調するようにも構成されている。各トランシーバ202は、無線または有線送信のための信号を生成するための、および／または無線もしくは有線で受信した信号を処理するための、任意の適切な構造を含む。各アンテナ204は、無線または有線信号を送信および／または受信するための、任意の適切な構造を含む。ED110では、1つ以上のトランシーバ202が使用されることが可能である。ED110では、1つ以上のアンテナ204が使用されることが可能である。トランシーバ202は、単一の機能ユニットとして示されるが、少なくとも1つの送信機および少なくとも1つの別個の受信機を使用して実装することもできる。
ED110は、1つ以上の入力／出力デバイス206またはインターフェース（図1のインターネット150との有線インターフェースなど）をさらに含む。入力／出力デバイス206は、ユーザまたはネットワーク内の他のデバイスとの相互作用を可能にする。各入力／出力デバイス206は、ネットワークインターフェース通信を含む、スピーカ、マイクロフォン、キーパッド、キーボード、ディスプレイ、またはタッチスクリーンなど、ユーザに情報を提供する、またはユーザから情報を受信するための、任意の適切な構造を含む。
加えて、ED110は少なくとも1つのメモリ208を含む。メモリ208は、ED110によって使用、生成、または収集される命令およびデータを記憶する。例えば、メモリ208は、本明細書にて記載されている機能および／または実施形態の一部または全部を実施するように構成されたソフトウェア命令またはモジュールを記憶することができ、これらは処理ユニット200によって実行される。各メモリ208は、任意の適切な揮発性および／または不揮発性記憶および検索デバイスを含む。ランダムアクセスメモリ（RAM）、読取り専用メモリ（ROM）、ハードディスク、光ディスク、加入者識別モジュール（SIM）カード、メモリスティック、セキュアデジタル（SD）メモリカードなどといった、任意の適切な種類のメモリが使用され得る。
図3に示されるように、基地局170は、少なくとも1つの処理ユニット1350、少なくとも1つの送信機252、少なくとも1つの受信機254、1つ以上のアンテナ256、少なくとも1つのメモリ258、および、1つ以上の入力／出力デバイスまたはインターフェース266を含む。送信機252および受信機254の代わりに、図示されていないトランシーバを使用してもよい。スケジューラ253が処理ユニット250に結合されてもよい。スケジューラ253は、基地局170の中に含まれてもよく、またはこれとは別個に動作してもよい。処理ユニット250は、信号コーディング、データ処理、電力制御、入力／出力処理、または他の任意の機能などの、基地局170の様々な処理動作を実施する。また処理ユニット250を、本明細書で詳述されている機能および／または実施形態の一部または全部を実施するように構成することもできる。各処理ユニット250は、1つ以上の動作を実行するように構成された任意の適切な処理または計算デバイスを含む。各処理ユニット250は、例えば、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ、フィールドプログラマブルゲートアレイ、または特定用途向け集積回路を含むことができる。
各送信機252は、1つ以上のEDまたは他のデバイスへの無線送信または有線送信のための信号を生成するのに適した任意の構造を含む。各受信機254は、1つ以上のEDまたは他のデバイスから無線または有線で受信した信号を処理するための、任意の適切な構造を含む。少なくとも1つの送信機252および少なくとも1つの受信機254は、別個の構成要素として示されているが、組み合わせられてトランシーバにすることができる。各アンテナ256は、無線または有線信号を送信および／または受信するための任意の適切な構造を含む。ここでは、共通のアンテナ256が送信機252と受信機254の両方に結合されているように示されているが、1つ以上のアンテナ256が送信機252に結合されてもよく、1つ以上の別個のアンテナ256が受信機254に結合されてもよい。それぞれのメモリ258は、図2の110との関係で上述した揮発性および／または不揮発性格納・検索デバイスのような、任意の適当な揮発性および／または不揮発性格納・検索デバイスを含む。メモリ258は、基地局170によって使用、生成、または収集される命令およびデータを記憶する。例えば、メモリ258は、前述した機能および／または実施形態の一部または全部を実施するように構成されたソフトウェア命令またはモジュールを記憶することができ、これらは処理ユニット250によって実行される。
各入出力デバイス266は、ネットワーク内のユーザまたは他のデバイスとの対話を可能にする。各入力／出力デバイス266は、ネットワークインターフェース通信を含む、ユーザに情報を提供する、またはユーザから情報を受信／提供するための、任意の適切な構造を含む。
本明細書で提供される実施形態の方法の1つ以上のステップが、図4による対応するユニットまたはモジュールによって実行されてもよいことを理解されたい。例えば、信号は、送信ユニットまたは送信モジュールによって送信されてもよい。信号は、受信ユニットまたは受信モジュールによって受信され得る。信号は、処理ユニットまたは処理モジュールによって処理され得る。他のステップは、人工知能（AI）または機械学習（ML）モジュールによって実行されてもよい。それぞれのユニット／モジュールは、ハードウェア、ソフトウェアを実行する1つ以上の構成要素またはデバイス、またはそれらの組み合わせを使用して実装され得る。例えば、ユニット／モジュールのうちの1つ以上が、フィールドプログラマブルゲートアレイ（FPGA）または特定用途向け集積回路（ASIC）などの集積回路であり得る。モジュールが、プロセッサによる実行のためのソフトウェアを使用して実行される場合、全体的にまたは部分的に、処理するために個別にまたは一緒に、必要に応じて単一または複数インスタンスで、プロセッサによって取得されてもよいこと、ならびにモジュール自体が、さらに配備し具体化するための命令を含んでもよいことが理解されよう。
110などのEDおよび170などの基地局に関するさらなる詳細は、当業者には知られている。したがって、このような詳細についてはここでは省略する。
図1に戻って参照すると、異なる対の通信デバイス（すなわち、送信信号送信デバイスおよび送信信号受信デバイス）、例えば、BS170aと通信するED110aまたはBS170aと通信するED110bは、異なる送信能力および／または送信要求を有し得る。異なる送信能力および／または送信要求は、典型的には、単一のエアインターフェースまたはエアインターフェース構成によっては最適に満たされ得ない。
上述したように、この問題に対処するために、構成可能なエアインターフェースが提案されてきた。図5は、構成可能なエアインターフェース300の一例の図を示している。エアインターフェース300は、送信が行われるべきおよび／または受信されるべき方法を集合的に指定するいくつかの構築ブロックを含む。エアインターフェース300の構築ブロックは、波形構築ブロック305、フレーム構造構築ブロック310、多元接続方式構築ブロック315、プロトコル構築ブロック320、コーディングおよび変調構築ブロック325、およびアンテナアレイ処理構築ブロック330を含み得る。
フレーム構造構築ブロック310は、フレームまたはフレーム群の構成を指定することができる。フレーム構造のオプションの非限定的な例としては、構成可能なマルチレベル送信時間間隔（TTI）、固定TTI、構成可能な単一レベルTTI、または共存構成、または構成可能なスロット、ミニスロット、または構成可能なシンボル持続時間ブロック（SDB）などが挙げられる。TTI、スロット、ミニスロットまたはSDBの長さも指定することができる。フレーム構造構築ブロック310はまた、またはその代わりに、DLおよび／またはUL送信のための送信周期、および／またはDL送信とUL送信との間のタイム・スイッチ・ギャップなど、DL送信および／またはUL送信のためのタイミング・パラメータを指定し得る。フレーム構造は、時間領域複信（TDD）、周波数分割複信（FDD）、および全二重動作のような、様々な複信スキームのためのものであり得る。
多元接続方式構築ブロック315は、チャネルへの接続が1人以上のユーザに対してどのようにスケジュールまたは構成されるかを指定することができる。多元接続技術オプションの非限定的な例としては、スケジュールされた接続、無許可接続、専用チャネルリソース（複数のユーザ間の共有なし）、競合を基にした共有チャネルリソース、競合を基にしない共有チャネルリソース、およびコグニティブ無線を基にした接続などが挙げられる。
プロトコル構築ブロック320は、送信および／または再送信が行われるべき方法を指定することができる。送信および／または再送機構オプションの非限定的な例には、スケジュールされたデータパイプサイズ、送信のためのシグナリング機構および／または再送信のためのシグナリング機構、再送信機構などを指定するものが含まれる。
コーディングおよび変調構築ブロック325は、送信される情報が送信（受信）目的のために符号化（復号）および変調（復調）され得る方法を指定することができる。コーディングおよび／または変調技術オプションの非限定的な例は、低密度パリティ検査（LDPC）符号、Polar符号、ターボトレリス符号、ターボ積符号、ファウンテンコード、レートレスコード、ネットワーク符号、バイナリ位相シフトキーイング（BPSK）、π/2-BPSK、直交位相シフトキーイング（QPSK）、16QAM、64QAM、256QAMなどの直交振幅変調（QAM）、階層変調、低PAPR変調、非線形変調のQAMを基にしない変調などを含む。
波形構築ブロック305は、送信される信号の形状および形態を指定することができる。波形のオプションの非限定的な例としては、フィルタリングされたOFDM（f-OFDM）などの直交周波数分割多重（OFDM）を基にした波形、ウェーブレットパケット変調（WPM）、ナイキストより高速の（FTN）波形、ピーク対平均値比が低い波形（低PAPR WF、例えばDFT 拡散OFDM波形）、フィルタバンクマルチキャリア（FBMC）波形、単一キャリア周波数分割多元接続（SC-FDMA）などが挙げられる。OFDMを基にした波形の場合、波形構築ブロック305は、サブキャリア間隔およびサイクリックプレフィックス（CP）オーバーヘッドなどの関連する波形パラメータを指定することができる。
アンテナアレイ処理構築ブロック330は、チャネル取得およびプリコーディング／ビームフォーミング生成のためのアンテナアレイ信号処理のためのパラメータを指定することができる。いくつかの実施形態では、波形構築ブロック305およびアンテナアレイ処理構築ブロック330の機能は、複数アンテナ波形発生器ブロックとして組み合わされてもよい。
エアインターフェース300は複数の構築ブロックを含み、各構築ブロックは複数の候補技術を有することができるため、多数の異なるエアインターフェースプロファイルを構成することが可能であり得、各エアインターフェースプロファイルは、それぞれのエアインターフェース構成オプションを定義する。
例えば、new radio（NR）ネットワーク用に提案された構成可能なエアインターフェースは、サービスまたはスライスを基にした最適化を可能にし、これは、エアインターフェース技術の潜在的な適用要件が複雑かつ多様であり得るので有利であり得る。図3に示すエアインターフェース300と同様に、5Gネットワーク用に提案された構成可能なエアインターフェースは、適応波形、適応プロトコル、適応フレーム構造、適応コーディングおよび変調ファミリーならびに適応多元接続方式をサポートする。そのようなメカニズムにより、エアインターフェースは、多種多様なユーザサービス、スペクトル帯域、およびトラフィックレベルに潜在的に対応することができる。
図6は、基地局170およびUE110が通信することを可能にするために構成可能エアインターフェースの一部として構成可能であり得る、基地局170の送信チェーン400内の構成要素およびUE110の受信チェーン450の構成要素の一例を示す。
基地局170の送信チェーン400の構成要素は、ソース符号化器402、チャネル符号化器404、および変調器406を含む。ソース符号化器402、チャネル符号化器404、および変調器406は、それぞれ特定のハードウェアブロックとして実装されてもよく、プロセッサにおいて実行されるソフトウェアモジュール、例えばマイクロプロセッサ、デジタル信号プロセッサ、カスタムアプリケーション固有の集積回路、またはフィールドプログラマブルロジックアレイのカスタムコンパイルされたロジックアレイとして実装されてもよい。
UE110の受信チェーン450の構成要素は、復調器452およびチャネル復号器454を含む。復調器452およびチャネル復号器454は各々、特定のハードウェアブロックとして実装されてもよく、プロセッサにおいて実行するソフトウェアモジュール、例えばマイクロプロセッサ、デジタル信号プロセッサ、カスタムアプリケーション固有の集積回路、またはフィールドプログラマブルロジックアレイのカスタムコンパイルされたロジックアレイとして実装されてもよい。
動作中、ソース符号化器402は、非圧縮の生データを符号化して圧縮情報ビットを生成し、次いでチャネル符号化器によって符号化されてチャネルコーディングされた情報ビットを生成し、次いで変調器406によって変調されて変調信号を生成する。この例では、変調器406が行う変調は、直交振幅変調（QAM）マッピングおよび波形発生を含む。変調器406によって生成された変調信号は、1つ以上の無線チャネルを介して基地局170からUE110に送信される。基地局は、複数の送信アンテナを有することができ、その場合、波形は、アンテナの各々について生成され得る。そのような場合、生成された波形は、例えばMIMOモード送信において、複数の送信アンテナの各々について異なる内容を含むことができる。UE110では、基地局170からの受信信号が復調器452によって復調されて、復調信号が生成される。UEは、複数の受信アンテナを有し得、この場合、復調器452は、波形復元処理の一部として、複数の受信アンテナから受信された波形を処理するように構成され得る。復調器452によって生成された復調信号は、チャネル復号器454によって復号され、復元された圧縮情報ビットを生成する。ソース復号器456は、復元された圧縮情報ビットを復号して、復元された非圧縮生データを生成する。
図4のここでの実施形態または以下の実施形態における波形は、送信される信号の形状および形態を指定することができる。波形のオプションの非限定的な例としては、フィルタリングされたOFDM（f-OFDM）などの直交周波数分割多重（OFDM）を基にした波形、ウェーブレットパケット変調（WPM）、ナイキストより高速の（FTN）波形、ピーク対平均値比が低い波形（低PAPR WF、例えばDFT 拡散OFDM波形）、フィルタバンクマルチキャリア（FBMC）波形、単一キャリア周波数分割多元接続（SC-FDMA）などが挙げられる。OFDMを基にした波形の場合、波形は、サブキャリア間隔およびサイクリックプレフィックス（CP）オーバーヘッドなどの関連する波形パラメータを指定することができる。
送信チェーン400の構成要素によって実行されるコーディングおよび変調、ならびに受信チェーン450の構成要素によって実行される対応する復調および復号は、選択された符号方式および変調方式に従ってUE110へのサービスまたはアプリケーションの配信をサポートするために、サービスまたはスライス固有のエアインターフェースに対応する変調およびコーディング方式（MCS）に従って構成され得る。サービス、および／またはサービスが提供されるネットワークスライスが変わった場合、基地局170およびUE110の送信および受信チェーンの構成要素の構成は、新しいサービスまたはネットワークスライスに対応する新しい所定のサービスまたはスライス固有のエアインターフェースに一致するように変更され得る。上述したように、このようなサービスまたはスライス固有のエアインターフェースは、エアインターフェース構成要素の所定のサブセットに対するパラメータまたは技術の所定のサブセットからの選択に基づいて、多種多様なユーザサービス、スペクトル帯域およびトラフィックレベルに潜在的に対応することができる。
しかしながら、各サービスについて、伝送条件および要件は、各UE／デバイスについて依然として全く異なる可能性があり、これは、例えば、あるUE／デバイスにサービスを配信するために最適であり得るエアインターフェース構成が、別のUEに同じサービスを配信するために必ずしも最適ではない可能性があることを意味する。したがって、UE／デバイス固有のエアインターフェース構成のさらなる最適化を提供することが望ましい。
機械学習（ML）および人工知能（AI）の手法は、多くの困難で複雑な問題を解決するために使用されてきた。本開示の理解を助けるために、MLおよびAIのいくつかの背景の説明がここで提供される。AIは、コンピュータアーキテクチャの分野、特に汎用グラフィックス処理ユニット（GP-GPU）の分野でなされた進歩のおかげで、新しく急成長している分野である。フィッティング関数の一種として、MLの一形態であるニューラルネットワークが考えられる。深層学習は、人工ニューロンの2つ以上の相互接続された層を含むニューラルネットワークの1つの実現である。関数（例えば、大量の入力サンプルおよび出力サンプルを使用したトレーニング）に適合するようにディープニューラルネットワークをトレーニングするために、各ニューロンの重みおよび閾値は、全体損失関数を最小化するか、または全体報酬関数を最大化するように反復的に更新される。反復は、トレーニングサンプル上の勾配降下または上昇逆伝播アルゴリズムによって達成され得、これは、ディープニューラルネットワークアーキテクチャおよび損失または報酬関数が数学的に微分可能であることを必要とし得る。
トレーナビリティは、典型的には、勾配降下アルゴリズムがその中を横断することができる探索空間境界を定義する関数セット（ニューラルネットワークアーキテクチャ）およびそのニューラルネットワークアーキテクチャ上の（勾配上昇または降下トレーニングのための）各ニューロンの係数に関して微分可能である1つ以上の損失（または報酬）関数を必要とする。
ディープニューラルネットワークは、特徴のキャプチャや予測を行うために用いられることが多い。特徴のキャプチャは、多数の複雑なデータから有用な情報を抽出するのに役立ち、これは次元削減の一形態と考えることができる。予測は、サンプルデータから新しいデータ（一般に予測データまたは推定データと呼ばれる）を生成するための補間または外挿を含む。これらのタスクの両方は、入力データが固有の自己回帰特性を有すると仮定することができる。例えば、画像の画素は、通常、その隣接画素と何らかの関係を有する。畳み込みニューラルネットワーク（CNN）は、この関係を使用してデータの次元を削減するために開発され得る。
本開示は、デバイス固有のエアインターフェース最適化を提供するためにAI/MLを使用してデバイス固有を基にした調整または個人向け無線通信のための新しいエアインターフェースを実装するために使用され得る例を説明する。例えば、本開示の実施形態は、ネットワークスライス／サービス固有のエアインターフェースを超えて、個人向けサービスタイプおよび個人向けエアインターフェース設定を含む個人向けに調整されたエアインターフェースに至る新しいエアインターフェースを含む。そのような個人向けにされたエアインターフェース設定の例は、下記、つまりカスタマイズされたコード方式および変調方式、チャネル取得／再構成およびプリコーディングを含む、MIMOビームフォーミング（BF）などのカスタマイズされた伝送方式、カスタマイズされた波形タイプおよびカスタマイズされたパルス形状などの関連パラメータ、ならびにRRCパルスのロールオフ係数などのパラメータ、カスタマイズされたフレーム構造、カスタマイズされた送信／再送信スキーム、および製品コードまたはコードブック間またはTB間2D共同コーディングを基にした再送信などの関連するパラメータ、ならびに使用される増分パリティビットサイズおよびインタリーバなどのパラメータ、UE協調を基にした再送信および／またはカスタマイズされた送受信ポイント（TRP）レイヤ／タイプのうちの1つ以上を含むことができる。
いくつかの実施形態では、個人向けに調整されたエアインターフェースパラメータは、デバイスが移動している物理的な速さ／速度、デバイスのリンクバジェット、デバイスのチャネル条件、1つ以上のデバイス能力、および／またはサポートされるサービスタイプに基づいてAI/MLを使用して決定され得る。いくつかの実施形態では、サービスタイプ自体は、サービス品質（QoS）要件、トラフィックパターンなどのUE固有のサービスパラメータでカスタマイズすることができる。
いくつかの実施形態では、個人向けに調整されたエアインターフェースパラメータは、最小限のシグナリングオーバーヘッドで動作中に最適化することができる。例えば、5Gネットワーク実装の場合、パラメータは、事前定義された候補パラメータセットから構成され得る。例えば第6世代（6G）ネットワークなどの次世代ネットワークの実装では、パラメータは、リアルタイムまたはほぼリアルタイムの最適化でより柔軟な方法で適合させることができる。
後述するように、デバイスに利用可能なエアインターフェース最適化のレベルまたはタイプは、デバイスのAI/ML能力に依存し得る。ユーザ機器が何らかのAI/ML能力を有する場合、UEはネットワークデバイスと協働してそのエアインターフェースを最適化することができる（すなわち、エアインターフェースの両側がAI/MLを適用してエアインターフェースを最適化する）。AI/ML能力を有しないUEは、ネットワークデバイスのAI/ML構成要素をトレーニングする際に使用するために、いくつかのタイプの測定結果をネットワークデバイスに提供することによって、トレーニングフェーズ中および／または通常動作フェーズ中にネットワークデバイスがエアインターフェースを最適化するのを依然として支援することができる。例えば、ハイエンドAI/ML対応デバイスは、エアインターフェース（例えば、コーディング、変調および波形発生の最適化、MIMO動作の最適化）の各構成要素のフルスケール自己最適化から利益を得ることができる場合がある。よりローエンドのAI/ML対応デバイスは、エアインターフェースのすべての構成要素よりも少ない部分的な自己最適化からのみ利益を得ることができる場合がある。場合によっては、デバイスは、集中型学習／トレーニング（例えば、すべての学習は、基地局などのネットワーク内で集中的に行われる）に依存し得る。他の場合では、学習／トレーニングは、それらのデータサンプルを交換することなく、ローカルデータサンプルを保持する複数の非中央集権型エッジデバイスまたはサーバにわたってアルゴリズムをトレーニングする機械学習技術である連合学習に基づくことができる。さらに他の場合では、学習／トレーニングはまた、または代わりに、デバイス協調学習を含んでもよい。
上述したように、エアインターフェースは、一般に、2つ以上の通信デバイス間の無線通信リンクを介して送信がどのように行われ、および／または受信されるかを集合的に指定するいくつかの構成要素および関連するパラメータを含む。例えば、エアインターフェースは、ワイヤレス通信リンクを介してデータを伝達するための波形、フレーム構造、多元接続方式、プロトコル、コーディング方式、および／または変調方式を定義する1つ以上の構成要素を含むことができる。本明細書で開示される方法およびデバイスは、異なるレベルのUE／デバイスごとの最適化をサポートするAI/ML対応／支援エアインターフェースの個人向けにされた最適化のメカニズムを提供する。開示された例はまた、UE／デバイスごとのエアインターフェース機能の最適化をサポートするための無線シグナリングメカニズムを提供する。
図7Aは、本開示の一実施形態による、基地局170とUE110との間に調整された個人向けエアインターフェースを提供するためにトレーニング可能なAI/MLモジュール502、552をそれぞれ含む、基地局170の送信チェーン500およびUE110の受信チェーン550の第1の例を示す。本明細書で参照されるAI/ML構成要素は、MLメカニズムの実装に基づくモジュールまたはブロックであることが意図されている。ML実装の一例は、ハードウェア、ソフトウェアを実行する1つ以上の構成要素、またはそれらの組み合わせで実装されたニューラルネットワークである。
基地局170のAI/MLモジュール502は、共同ソースおよびチャネル符号化器構成要素504と、変調器構成要素506と、波形発生器構成要素508とを含む。
UE110のAI/MLモジュール552は、共同波形復元、復調器ならびにソースおよびチャネル復号器構成要素554を含む。
AI/MLモジュール502は、符号化構成要素504を介したチャネルコーディング（またはソースコーディング＋チャネルコーディング）、変調構成要素506を介した変調、および波形発生器508を介した波形発生を含むすべての基本的なベースバンド信号処理機能のAI/MLを基にした自律的最適化を提供する。基地局170は、複数の送信アンテナを有してもよく、そのような実施形態では、波形発生器508は、送信アンテナの各々について波形を生成するように構成されてもよい。UE110のAI/MLモジュール552は、基地局170から受信した信号から情報ビット／生データを復元するために、相互を基にした帯域処理機能を提供する。UE110は、複数の受信アンテナを有することができ、そのような実施形態では、AI/MLモジュール552は、波形復元プロセスの一部として複数の受信アンテナから受信された波形を処理するように構成され得る。
コーディング、変調、および波形発生は、個別に最適化されてもよく、または2つ以上が一緒に最適化されてもよい。
AI/MLモジュール502、552の様々な構成要素の個々の最適化には、いくつかの選択肢が可能である。これらの選択肢のいくつかの非限定的な例を以下に説明する。
例えば、事前定義されたコーディング方式およびパラメータなしのチャネルコーディングの個々の最適化のために、自己学習／トレーニングおよび最適化が使用されて、最適なコーディング方式およびパラメータを決定することができる。例えば、いくつかの実施形態では、前方誤り訂正（FEC）方式は事前定義されておらず、AI/MLがUE固有のカスタマイズされたFEC方式を決定するために使用される。そのような実施形態では、送信デバイスの符号化器構成要素および受信デバイスの復号器構成要素をトレーニングするために、トレーニングフェーズ中に反復トレーニングプロセスの一部としてオートエンコーダを基にしたMLが使用され得る。例えば、そのようなトレーニングプロセスの間、基地局における符号化器およびUEにおける復号器は、トレーニングシーケンス／更新されたトレーニングシーケンスを交換することによって反復的にトレーニングされ得る。一般に、事例／シナリオがトレーニングされるほど、能力が向上する。トレーニングが行われた後、送信デバイスのトレーニングされた符号化器構成要素および受信デバイスのトレーニングされた復号器構成要素は、変化するチャネル条件に基づいて協働して、AI/MLを基にしないFEC方式から生成された結果よりも優れ得る符号化データを提供することができる。いくつかの実施形態では、自己学習／トレーニングおよび最適化のためのAI/MLアルゴリズムは、ネットワーク／サーバ／他のデバイスからUEによってダウンロードされてもよい。
低密度パリティ検査（LDPC）符号、リード・ミュラー（RM）符号、Polar符号、または他のコーディング方式などの所定のコーディング方式によるチャネルコーディングの個々の最適化のために、コーディング方式のパラメータが最適化され得る。
チャネルコーディングのためのパラメータは、例えば、無線リソース制御（RRC）シグナリングを介して、または動的ダウンリンク制御チャネルにおけるダウンリンク制御情報（DCI）もしくはRRCシグナリングとDCIとの組み合わせ、もしくはグループDCI、または他の新しい物理層シグナリングを通じて動的に、時々（周期的にまたはイベントでトリガされて）UEにシグナリングすることができる。トレーニングは、すべてネットワーク側で行われ得るか、またはネットワーク側とUE側との間のUE側トレーニングまたは相互トレーニングによって支援され得る。
図7Aに示す例では、AI/MLモジュール502への入力は非圧縮の生データであり、ソースコーディングおよびチャネルコーディングはAI/ML構成要素504によって共同で行われる。代替例が図7Bに示されており、ソースコーディングは、AI/ML構成要素504によってチャネルコーディングされるAI/MLモジュール502によって次いで受信される圧縮情報ビットを生成するために、ソース符号化器501によって別々に行われる。同様に、図7Bに示す例では、UE110のAI/MLモジュール552の出力は復元された圧縮情報ビットであり、次いでソース復号器555によって復号されて復元された生データが生成されるが、図7AのAI/MLモジュール552は復元された生データを出力する。
予め定義されたコンステレーションなしの変調の個々の最適化のために、変調はAI/MLモジュールによって行われてもよく、その最適化ターゲットおよび／またはアルゴリズム（例えば、AI/ML構成要素506）は送信機と受信機の両方によって（例えば、図7Aに示す例示的なシナリオでは、基地局170およびUE110はそれぞれ）理解される。例えば、AI/MLアルゴリズムは、コンステレーション点間のユークリッド距離または非ユークリッド距離を最大化するように構成されてもよい。
所定の非線形変調器による変調の個々の最適化のために、変調のためのパラメータは自己最適化によって行われてもよい。
所定の波形タイプなし、所定のパルス形状なし、および所定の波形パラメータなしでの波形発生の個々の最適化のために、自己学習／トレーニングおよび最適化が使用されて、最適な波形タイプ、パルス形状、および波形パラメータを決定することができる。いくつかの実施形態では、自己学習／トレーニングおよび最適化のためのAI/MLアルゴリズムは、ネットワーク／サーバ／他のデバイスからUEによってダウンロードされてもよい。
いくつかの実施形態では、所定の波形タイプの有限セットが存在してもよく、有限セットからの所定の波形タイプの選択、ならびにパルス形状および他の波形パラメータの決定は、自己最適化によって行われてもよい。
AI/MLモジュール502、552の構成要素のうちの2つ以上の共同最適化のために、いくつかのオプションも可能である。これらの選択肢のいくつかの非限定的な例を以下に説明する。
例えば、いくつかの実施形態では、構成要素504を介したコーディング（チャネルコーディングまたは共同ソースおよびチャネルコーディング）および構成要素506を介して実施される変調は、AI/MLと一緒に最適化されてもよく、構成要素508を介した波形発生は別々に最適化されてもよい。トレリスコーディングされた変調と概念的に類似している多次元変調は、本開示のいくつかの実施形態で使用され得るコーディングおよび変調方式の組み合わせの一例である。例えば、いくつかの実施形態では、AI/MLを使用して、例えば基地局およびUEなどの通信デバイスのペアのためのカスタマイズされた多次元変調方式を作成することができる。
他の実施形態では、構成要素504を介した変調および構成要素508を介した波形発生は、AI/MLと一緒に最適化されてもよく、構成要素504を介したコーディングは別々に最適化されてもよい。他の実施形態では、コーディング、変調、および波形発生はすべて、AI/MLと一緒に最適化されてもよい。
図8Aおよび図8Bは、本開示の第2の実施形態による、UE固有の最適化を実現し、および／または基地局170とUE110との間の調整されたまたは個人向けのエアインターフェースを提供するためにトレーニング可能なAI/MLモジュール602、652をそれぞれ含む、基地局170の送信チェーン600およびUE110の受信チェーン650の例を示す。図8Aに示す例では、基地局170の送信チェーン600は、AI/MLモジュール602および波形発生器605を含む。基地局170のAI/MLモジュール602は、共同ソースおよびチャネル符号化器ならびに変調構成要素604を含む。同様に、この例では、UE110の受信チェーン650は、波形プロセッサ651と、共同復調器ならびにソースおよびチャネル復号器構成要素654を含むAI/MLモジュール652とを含む。
AI/MLモジュール502、552が、コーディング／復号、変調／復調および波形発生／処理を含むすべての基本ベースバンド信号処理機能のAI/MLを基にした自律的最適化を提供する図7Aおよび図7Bに示す例とは異なり、図8Aに示す例では、AI/MLモジュール602は、構成要素604を介してコーディングおよび変調のAI/MLを基にした自律的最適化を提供し、AI/MLを基にしない波形発生は、波形発生器605を介して独立して管理される。基地局170は、複数の送信アンテナを有してもよく、そのような実施形態では、波形発生器605は、送信アンテナの各々について波形を生成するように構成されてもよい。UE110のAI/MLモジュール652は、波形プロセッサ651によって復元された変調信号に対して相互に最適化されたベースバンド処理機能を提供する。UE110は、複数の受信アンテナを有してもよく、そのような実施形態では、波形プロセッサ651は、波形復元プロセスの一部として複数の受信アンテナから受信された波形を処理するように構成されてもよい。
図8Aに示す例では、AI/MLモジュール602への入力は非圧縮の生データであり、共同ソースおよびチャネルコーディングおよび変調はAI/ML構成要素604によって行われる。図8Bに示す例は、図8Aに示す例とは異なり、図8Aでは、ソースコーディングは、AI/MLモジュール602によって受信される情報ビットを生成するためにソース符号化器601によって別々に行われ、情報ビットは、AI/ML構成要素604によって一緒にチャネルコーディングおよび変調される。同様に、図8Bに示す例では、UE110のAI/MLモジュール652の出力は復元された圧縮情報ビットであり、次いでソース復号器655によって復号されて復元された生データが生成されるが、図8AのAI/MLモジュール652は復元された生データを出力する。
図8Aおよび図8Bに示す例では、AI/MLモジュール602および652のトレーニングは、自己学習／トレーニング最適化によって行われてもよい。コーディングおよび変調は、前述したように、AI/MLによって別々にまたは一緒に最適化され得る。
上述したように、図8Aおよび図8Bに示す例では、基地局170における波形発生器605を介した波形発生、および、UE110における波形プロセッサ651を介した波形処理は、AI/MLなしで管理されてもよい。例えば、波形タイプおよび波形パラメータが事前定義され得て、波形は、ピーク対平均電力比（PAPR）、周波数帯域、周波数局所化などの伝送要件に従って、候補の波形の事前定義されたセットから選択され得る。あるいは、波形タイプおよび波形パラメータは、例えばダウンリンク制御情報（DCI）または無線リソース制御（RRC）シグナリングを介してUEに動的にシグナリングされてもよい。いくつかの実施形態では、候補の波形の所定のセットは、単一キャリア波形およびマルチキャリア波形を含むことができる。さらに、所定の候補の波形のセットは、1つ以上のパラメータに関して異なる、複数の候補の波形を含むことができる。例えば、単一キャリアオフセットQAM（OQAM）波形、ルート二乗余弦パルス、および事前定義されたロールオフ係数など、事前定義された複数の候補の単一キャリア波形が存在し得る。
図9は、本開示の第3の実施形態による、基地局170とUE110との間に調整された個人向けエアインターフェースを提供するためにトレーニング可能なAI/MLモジュール702、752をそれぞれ含む基地局170の送信チェーン700およびUE110の受信チェーン750の一例を示す。
図9に示す例では、基地局170の送信チェーン700は、ソース符号化器701と、チャネル符号化器703と、変調構成要素704および波形発生器構成要素706を含むAI/MLモジュール702とを含む。この例では、UE110の受信チェーン750は、波形プロセッサ構成要素756および復調器構成要素754と、チャネル復号器755と、ソース復号器757とを含むAI/MLモジュール752を含む。
図7A、図7B、図8Aおよび図8Bに示す前の例とは異なり、図9に示されている例は、AI/MLを基にしないソースおよびチャネルコーディング／復号、ならびにAI/MLを基にした変調／復調および波形発生／処理を利用する。UE110において、AI/MLモジュール652の波形プロセッサ構成要素756および復調器構成要素754は、変調情報ビットを復元するために相互に最適化された変調信号復元および復調機能を提供する。復元された変調情報ビットは、チャネル復号器755によって復号されて復元された圧縮情報ビットを生成し、次にソース復号器757によって復号されて復元された生データを生成する。
図9に示す例では、AI/MLモジュール602および652のトレーニングは、自己学習／トレーニング最適化によって行われてもよい。変調および波形発生は、前述したように、AI/MLによって別々にまたは一緒に最適化され得る。上述したように、図9に示す例では、基地局170のソース符号化器701およびチャネル符号化器703を介したソースおよびチャネルコーディング、ならびにUE110のチャネル復号器755およびソース復号器757を介したチャネルおよびソース復号は、AI/MLなしで管理され得る。例えば、コーディング方式および関連するパラメータは事前定義されてもよく、コーディング方式は、伝送要件に従ってコーディング方式の事前定義されたセットから選択されてもよい。あるいは、コーディング方式および関連するパラメータは、例えばダウンリンク制御情報（DCI）または無線リソース制御（RRC）シグナリングを介してUEに動的にシグナリングされてもよい。
図10は、本開示の第4の実施形態による、基地局170とUE110との間に調整された個人向けエアインターフェースを提供するためにトレーニング可能なAI/MLモジュール802、852をそれぞれ含む基地局170の送信チェーン800およびUE110の受信チェーン850の一例を示す。
図10に示す例では、基地局170の送信チェーン800は、ソース符号化器801と、チャネル符号化器803と、変調構成要素804を含むAI/MLモジュール802と、波形発生器805とを含む。この例では、UE110の受信チェーン850は、波形プロセッサ851、AI/MLモジュール852、チャネル復号器855、およびソース復号器857を含む。AI/MLモジュール852は、復調器構成要素854を含む。
前の例とは異なり、図10に示す例は、AI/MLを基にしないチャネルコーディング／復号および波形発生／処理ならびにAI/MLを基にした変調／復調を利用する。UE110では、波形プロセッサ851、チャネル復号器855、およびソース復号器857は、AI/MLを基にしない信号復元、チャネル復号、およびソース復号をそれぞれ提供し、AI/MLモジュール852の復調器構成要素854は、基地局170の変調構成要素804によって実行される変調機能と相反性である最適化された復調機能を提供する。
事前定義されたコンスタレーションなしで変調を最適化するために、変調構成要素804によって実装されるAI/MLアルゴリズムは、コンスタレーション点間のユークリッド距離または非ユークリッド距離を最大化するように構成され得る。
所定の非線形変調器による変調の最適化のために、変調のためのパラメータは、例えば変調されたシンボルの距離を最適化するために、自己最適化によって行われ得る。いくつかのシナリオでは、変調のAI/MLを基にしない最適化がまた、または代わりに、利用されてもよい。上述したように、図10に示す例では、ソース符号化器801およびチャネル符号化器803を介したソースおよびチャネルコーディング、ならびに基地局170の波形発生器805を介した波形発生、ならびに波形プロセッサ851を介した波形処理、ならびにUE110のチャネル復号器855およびソース復号器857を介したチャネルおよびソース復号は、AI/MLなしで管理され得る。例えば、前述したように、波形タイプおよび関連するパラメータ、ならびにコーディング方式および関連するパラメータは、事前定義されることができ、波形タイプおよびコーディング方式は、送信要件に従って事前定義されたセットから選択され得る。あるいは、コーディング方式および関連するパラメータならびに／または波形タイプおよび波形パラメータは、例えばダウンリンク制御情報（DCI）または無線リソース制御（RRC）シグナリングを介してUEに動的にシグナリングされてもよい。
図11は、本開示の第5の実施形態による、基地局170とUE110との間に調整された個人向けエアインターフェースを提供するためにトレーニング可能なAI/MLモジュール902、952をそれぞれ含む基地局170の送信チェーン900およびUE110の受信チェーン950の一例を示す。
図11に示す例では、基地局170の送信チェーン900は、ソース符号化器901、チャネル符号化器903、QAMマッピング構成要素905、および波形発生構成要素904を含むAI/MLモジュール902を含む。この例では、UE110の受信チェーン950は、AI/MLモジュール952と、QAMデマッピング構成要素953と、チャネル復号器955と、ソース復号器957とを含む。AI/MLモジュール952は、波形処理構成要素954を含む。
前の例とは異なり、図11に示す例は、AI/MLを基にしないソースおよびチャネルコーディング／復号ならびに変調／復調およびAI/MLを基にしたまたはAI/MLで支援された波形発生を利用する。AI/MLを基にしたまたは支援の波形発生は、パルス形状、パルス幅、サブキャリア間隔（SCS）、サイクリックプレフィックス、パルス分離、サンプリングレート、PAPRなどの1つ以上の波形パラメータのUEを基にした最適化を可能にすることができる。
所定の波形タイプなし、所定のパルス形状なし、および所定の波形パラメータなしでの波形発生の最適化のために、自己学習／トレーニングおよび最適化が使用されて、最適な波形タイプ、パルス形状、および波形パラメータを決定することができる。いくつかの実施形態では、自己学習／トレーニングおよび最適化のためのAI/MLアルゴリズムは、ネットワーク／サーバ／他のデバイスからUEによってダウンロードされてもよい。いくつかの実施形態では、所定の波形タイプの有限セットが存在してもよく、有限セットからの所定の波形タイプの選択、ならびにパルス形状および他の波形パラメータの決定は、自己最適化によって行われてもよい。いくつかのシナリオでは、波形発生のAI/MLを基にしない最適化がまた、または代わりに、利用されてもよい。
上述したように、図11に示す例では、ソース符号化器901およびチャネル符号化器903を介したソースおよびチャネルコーディング、ならびに基地局170のQAMマッピング構成要素905を介した変調、ならびにQAMデマッピング構成要素953を介した復調、ならびにUE110のチャネル復号器955およびソース復号器957を介したチャネルおよびソース復号は、AI/MLなしで管理され得る。例えば、変調およびコーディング方式および関連するパラメータは、前述したように、送信要件に従って、変調およびコーディング方式の事前定義されたセットから選択することができる。あるいは、変調およびコーディング方式および関連するパラメータは、例えばダウンリンク制御情報（DCI）または無線リソース制御（RRC）シグナリングを介してUEに動的にシグナリングされてもよい。
ここで、図7～図11に示す例の基地局170およびUE110の様々なML構成要素などの通信デバイスのML構成要素のトレーニングを容易にすることができる無線情報交換手順の例が、図12～14を参照して説明される。
図12は、本開示の一実施形態による、エアインターフェースのデバイス固有の調整／カスタマイズを可能にする機械学習構成要素のトレーニングフェーズのための無線による情報交換手順の一例の信号フロー図1000である。
信号フロー図1000では、UEおよびBSまたは他のネットワークデバイスは、AI/MLトレーニングフェーズ1150のための情報交換に関与する。図面の輻輳を回避するために、図12にはただ1つのUEおよび1つのBSしか示されていないが、トレーニング中のデータ収集または情報共有、および同様に通信ネットワークの動作は、複数のUEおよび複数のBSを含むことが予想される。例えば、いくつかの実施形態では、トレーニングは、複数のネットワークデバイスおよび複数のUEからの共同作業で行われてもよく、エアインターフェース最適化は、UEごとに行われてもよい。
情報交換手順は、1010において、UEがUEのAI/ML能力を示す情報をBSに送信することから始まる。UEのAI/ML能力を示す情報は、UEがエアインターフェースの最適化のためのAI/MLをサポートするか否かを示してもよい。UEがAI/ML最適化をサポートすることができる場合、情報はまた、または代わりに、UEがどのタイプおよび／またはレベルの複雑さのAI/MLをサポートすることができるか、例えば、どの機能／動作AI/MLをサポートすることができるか、どの種類のAI/MLアルゴリズムをサポートすることができるか（例えば、オートエンコーダ、強化学習、ニューラルネットワーク（NN）、ディープニューラルネットワーク（DNN）、NNのいくつの層をサポートすることができるか、など）を示してもよい。いくつかの実施形態では、UEのAI/ML能力を示す情報はまた、または代わりに、UEがトレーニングを支援できるかどうかを示す情報を含んでもよい。
いくつかの実施形態では、1010で送信される情報は、UEのAI/ML能力タイプを示す情報を含み得る。AI/ML能力タイプは、UEがデバイスのエアインターフェースの1つ以上の構成要素のAI/ML最適化をサポートするかどうかを識別することができる。例えば、AI/ML能力タイプは、複数のAI/ML能力タイプのうちの1つであってもよく、各AI/ML能力タイプは、異なるレベルのAI/ML能力のサポートに対応する。例えば、複数のAI/ML能力タイプは、UEが深層学習をサポートすることを示すAI/ML能力タイプを含み得る。別の例として、複数のAI/ML能力タイプは、AI/MLによって最適化可能なエアインターフェース構成要素の異なる組み合わせを示す異なるタイプを含んでもよい。例えば、複数のAI/ML能力タイプは、以下のタイプのうちの1つ以上を含み得る。
・コーディング（チャネルコーディングまたは共同ソースおよびチャネルコーディング）、変調および波形発生（例えば、図7Aおよび図7Bに示す例と同様である）など、すべてのベースバンド信号処理構成要素のAI/MLを基にした最適化のサポートに対応するタイプ、
・コーディングおよび変調のAI/MLを基にした最適化のサポートに対応するが、波形発生には対応しないタイプ（例えば、図8Aおよび8Bに示す例と同様である）、
・コーディングではなく、変調および波形発生のAI/MLを基にした最適化のサポートに対応するタイプ（例えば、図9に示す例と同様）、
・変調のAI/MLを基にした最適化のサポートに対応するが、コーディングおよび波形発生には対応しないタイプ（例えば、図10に示す例と同様である）、
・波形発生のAI/MLを基にした最適化のサポートに対応するが、コーディングおよび変調には対応しないタイプ（例えば、図11に示す例と同様）。
・コーディング（チャネルコーディングまたは共同ソースおよびチャネルコーディング）、変調および波形発生（例えば、図7Aおよび図7Bに示す例と同様である）など、すべてのベースバンド信号処理構成要素のAI/MLを基にした最適化のサポートに対応するタイプ、
・コーディングおよび変調のAI/MLを基にした最適化のサポートに対応するが、波形発生には対応しないタイプ（例えば、図8Aおよび8Bに示す例と同様である）、
・コーディングではなく、変調および波形発生のAI/MLを基にした最適化のサポートに対応するタイプ（例えば、図9に示す例と同様）、
・変調のAI/MLを基にした最適化のサポートに対応するが、コーディングおよび波形発生には対応しないタイプ（例えば、図10に示す例と同様である）、
・波形発生のAI/MLを基にした最適化のサポートに対応するが、コーディングおよび変調には対応しないタイプ（例えば、図11に示す例と同様）。
いくつかの実施形態では、1010においてUEによってBSに送信される情報は、ネットワークにアクセスするための初期アクセス手順の一部としてUEによってBSに送信され得る。他の実施形態では、情報はまた、またはその代わりに、BS（図示せず）からの能力問い合わせに応答してUEによって送信されてもよい。
UEがAI/MLをサポートし、トレーニングを支援できることを示すAI/ML能力情報をUEから受信した後、BSは、1012において、トレーニングフェーズ1050をトリガするためにUEにトレーニング要求を送信する。いくつかの実施形態では、トレーニング要求は、ダウンリンク制御チャネルまたはデータチャネル上のDCI（動的シグナリング）を介してUEに送信され得る。例えば、いくつかの実施形態では、トレーニング要求は、UE固有またはUE共通DCIとしてUEに送信されてもよい。例えば、UE共通DCIは、すべてのUEまたはUEのグループにトレーニング要求を送信するために使用され得る。
UEは、1014に示されるように、トレーニング要求に対する応答をBSへ送信し得る。この応答は、UEがトレーニングモードに入ったことを確認することができる。しかしながら、このような応答はオプションであり得、いくつかの実施形態ではUEによって送信されなくてもよい。1016において、BSは、トレーニングシーケンスまたはトレーニングデータを含むトレーニング信号をUEに送信することによってトレーニングフェーズ1050を開始する。いくつかの実施形態では、BSは、1012でのトレーニング要求の送信後の特定の所定のタイムギャップの後にトレーニングシーケンス／トレーニングデータをUEに送信することができる。他の実施形態では、BSは、1012でトレーニング要求を送信した後、トレーニングシーケンス／トレーニングデータをUEに直ちに送信することができる。さらに他の実施形態では、BSは、UEにトレーニングシーケンス／トレーニングデータを送信する前に、UEからトレーニング要求に対する応答を受信するまで待機することができる。
UEにトレーニングシーケンス／トレーニングデータを送信するためにBSによって使用され得るチャネルの非限定的な例は、以下を含む。
動的制御チャネル：トレーニングシーケンス／トレーニングデータを送信するのに必要なビット数が特定の閾値より小さい場合、動的制御チャネルを使用してトレーニングシーケンス／トレーニングデータを送信することができる。いくつかの実施形態では、いくつかのレベルのビット長を定義することができる。異なるビット長は、異なるDCIフォーマットまたは異なるDCIペイロードに対応し得る。同じDCIを使用して、異なるAI/MLモジュールのトレーニングシーケンス／データを搬送することができる。いくつかの実施形態では、DCIフィールドは、トレーニングシーケンス／トレーニングデータがトレーニングに使用されるAI/MLモジュールを示す情報を含み得る。
データチャネル：いくつかの実施形態では、データチャネルを使用してトレーニングシーケンス／トレーニングデータを搬送することができる。そのような実施形態では、データチャネルのペイロードは、送信されるトレーニングシーケンス長またはトレーニングデータの量に依存する。そのようなデータチャネルをスケジュールするために使用されるDCIは、データチャネルを復号するために必要な情報と、トレーニングシーケンス／データがどのAI/MLモジュール用であるかを示すAI/MLモジュールインジケータとを搬送することができる。
RRCチャネル：いくつかの実施形態では、トレーニングシーケンス／トレーニングデータは、RRCシグナリングを介してUEに送信され得る。
動的制御チャネル：トレーニングシーケンス／トレーニングデータを送信するのに必要なビット数が特定の閾値より小さい場合、動的制御チャネルを使用してトレーニングシーケンス／トレーニングデータを送信することができる。いくつかの実施形態では、いくつかのレベルのビット長を定義することができる。異なるビット長は、異なるDCIフォーマットまたは異なるDCIペイロードに対応し得る。同じDCIを使用して、異なるAI/MLモジュールのトレーニングシーケンス／データを搬送することができる。いくつかの実施形態では、DCIフィールドは、トレーニングシーケンス／トレーニングデータがトレーニングに使用されるAI/MLモジュールを示す情報を含み得る。
データチャネル：いくつかの実施形態では、データチャネルを使用してトレーニングシーケンス／トレーニングデータを搬送することができる。そのような実施形態では、データチャネルのペイロードは、送信されるトレーニングシーケンス長またはトレーニングデータの量に依存する。そのようなデータチャネルをスケジュールするために使用されるDCIは、データチャネルを復号するために必要な情報と、トレーニングシーケンス／データがどのAI/MLモジュール用であるかを示すAI/MLモジュールインジケータとを搬送することができる。
RRCチャネル：いくつかの実施形態では、トレーニングシーケンス／トレーニングデータは、RRCシグナリングを介してUEに送信され得る。
その部分に関して、UEは、1014でトレーニング要求に対する応答を返信した後、または1012でトレーニング要求を受信した後、事前定義された時間ギャップの有無にかかわらず、ネットワークによって送信されたトレーニング信号（例えば、トレーニングシーケンスまたはトレーニングデータ）の検索を開始する。MCSおよび復調基準信号（DMRS）などのトレーニング信号のチャネルリソースおよび送信パラメータは、（例えば、RRCシグナリングによって）事前定義または事前構成することができ、または（スケジュールされたデータチャネルのDCIの検出と同様に）動的制御シグナリングによってシグナリングすることができる。いくつかの実施形態では、トレーニングシーケンス／トレーニングデータは、動的制御チャネルで直接（例えば、動的制御チャネル内の特定のビットは、トレーニングシーケンス／トレーニングデータを搬送するために予約されてもよい）搬送されてもよい。
1018において、UEは、受信したトレーニング信号の処理に基づくフィードバック情報を含むトレーニング応答メッセージをBSに送信する。いくつかの実施形態では、トレーニング応答メッセージは、例えば実施学習のために、Tx/RxがNNのトレーニングをさらにトレーニングまたは改良するのを助けるために、反復トレーニングプロセス（例えば、オートエンコーダを基にしたMLの場合）または特定のタイプの測定結果の更新されたトレーニングシーケンスを示すフィードバック情報を含むことができる。いくつかの実施形態では、そのような測定は、例えば、BSからトレーニングシーケンス／データを受信する際にUEによって取得された誤差マージンを含むことができる。例えば、測定結果は、誤差の平均二乗および／または誤差方向（例えば、誤差の増減）を示す情報を含むことができる。いくつかの実施形態では、トレーニング応答メッセージはまた、または代わりに、調整ステップサイズおよび方向（例えば、調整ステップサイズをXとして、Xの量だけ増加または減少する）などの他のフィードバック情報を含んでもよい。場合によっては、測定結果またはフィードバックは暗黙的に提供されてもよい。例えば、ビームフォーミングの調整は、フィードバック信号のビームの方向によって示すことができる。いくつかの実施形態では、トレーニング応答メッセージは、アップリンク（UL）制御チャネルを介してUEによって送信され得る。他の実施形態では、トレーニング応答メッセージは、ULデータチャネルを介して部分的または全体的に送信されてもよい。
ニューラルネットワークなどの1つ以上のAI/ML構成要素を含むAI/MLモジュールは、UEから受信したトレーニング応答メッセージに基づいてネットワーク内でトレーニングされる。図12では、このトレーニングは1019で示されている。例えば、ニューラルネットワークの重みなどのAI/MLモジュールのパラメータは、UEによって返された測定結果に基づいて更新／修正され得る。いくつかの実施形態では、このトレーニングは、BSで少なくとも部分的に実行されてもよいが、他の実施形態では、トレーニングは、集中型AI/MLサーバ（図示せず）などの別のネットワークデバイスによって部分的または全体的に実行されてもよい。1020において、BSは、UEとBSとの間のエアインターフェースの1つ以上の態様を最適化するために、ニューラルネットワークの重みなどのAI/MLパラメータを更新するためにUEに情報を送信する。いくつかの実施形態では、このトレーニングプロセスは、1040に示すように反復的に行われ、BSは、トレーニングシーケンス／データを繰り返し送信し、UEからのトレーニング応答メッセージに基づいてAI/MLパラメータを反復的に精緻化する。いくつかの実施形態では、この反復プロセスは、1つ以上の目標基準が満たされるまで、または所定の反復回数が発生するまで継続することができる。すべての実施形態がUEにおけるAI/ML機能を含むわけではなく、したがって、すべての実施形態においてAI/MLパラメータが必ずしもUEにシグナリングされる必要はないことに留意されたい。1022において、BSは、トレーニングフェーズが終了したことを示す終了信号をUEに送信することによってトレーニングプロセスを終了させ、これに応答してUEは通常動作フェーズ1060に遷移する。いくつかの実施形態では、トレーニング終了信号は、動的シグナリングを介してUEに送信されてもよい。次いで、通常動作フェーズ1060において、UEおよびBSは、次いで更新されたエアインターフェースを介して通信することができる。
いくつかの実施形態では、図12に示す情報交換手順は、無線リソース制御（RRC）層で少なくとも部分的に行われる。
いくつかの実施形態では、図12に示す情報交換手順は、媒体アクセス制御（MAC）層において少なくとも部分的に行われる。例えば、情報交換シグナリングは、MACヘッダの論理チャネルID（LCID）フィールド内の特別なビット列として実装されるMAC制御要素（MAC CE）によって搬送されてもよい。
図12に示す例示的な実施形態では、AI/MLトレーニングがネットワーク内で実行され、トレーニングの結果がUEに送信され、これはネットワーク指向トレーニングと呼ばれる場合がある。他の実施形態では、トレーニングは、UEおよびネットワークにおいて一緒に行われてもよい。
図13は、トレーニングがUEおよびBSで共同で行われる本開示の一実施形態による、エアインターフェースのデバイス固有の調整／カスタマイズを可能にする機械学習構成要素のトレーニングフェーズのための無線情報交換手順の一例の信号フロー図1100である。
信号フロー図1100では、UEおよびBSまたは他のネットワークデバイスは、AI/MLトレーニングフェーズ1150のための情報交換に関与する。情報交換手順は、1110において、UEがUEのAI/ML能力を示す情報をBSに送信することから始まる。UEのAI/ML能力を示す情報は、図12に示す例示的な実施形態を参照して上述したものと同じまたは同様の情報を含むことができるが、この例では、情報は、UEがネットワークとの共同のAI/MLトレーニングが可能であることもさらに示す。
いくつかの実施形態では、1110においてUEによってBSに送信される情報は、ネットワークにアクセスするための初期アクセス手順の一部として送信され得る。他の実施形態では、情報はまた、またはその代わりに、BS（図示せず）からの能力問い合わせに応答してUEによって送信されてもよい。
UEがネットワークおよびUE共同AI/MLトレーニングをサポートすることを示すUEからのAI/ML能力情報を受信した後、BSは、1112において、トレーニングフェーズ1150をトリガするためにUEにトレーニング要求を送信する。いくつかの実施形態では、トレーニング要求は、ダウンリンク制御チャネルまたはデータチャネル上のDCI（動的シグナリング）を介してUEに送信され得る。例えば、いくつかの実施形態では、トレーニング要求は、UE固有またはUE共通DCIでUEに送信されてもよい。例えば、UE共通DCIは、すべてのUEまたはUEのグループにトレーニング要求を送信するために使用され得る。いくつかの実施形態では、トレーニング要求は、RRCシグナリングを介してUEに設定され得る。いくつかの実施形態では、トレーニング要求は、初期NN重みなどの初期トレーニング設定／パラメータを含むことができる。
いくつかの実施形態では、BSはまた、
トレーニング可能なAI/MLモジュールが複数ある場合に、どのAI/MLモジュールをトレーニングするかを示す情報、
AI/MLアルゴリズムおよび初期設定／パラメータに関する情報
などの共同のトレーニングを容易にするために、AI/ML関連情報をUEに送信することができる。
トレーニング可能なAI/MLモジュールが複数ある場合に、どのAI/MLモジュールをトレーニングするかを示す情報、
AI/MLアルゴリズムおよび初期設定／パラメータに関する情報
などの共同のトレーニングを容易にするために、AI/ML関連情報をUEに送信することができる。
AI/ML関連情報は、1112で送信されるトレーニング要求の一部として送信されてもよいし、トレーニング要求とは別に送信されてもよい。AI/MLアルゴリズムおよび設定／パラメータを示す情報など、UEに送信されたAI/ML関連情報は、UEから受信したAI/ML能力情報に少なくとも部分的に基づいて、BSまたは別のネットワークデバイスによって選択されていてもよい。いくつかの実施形態では、AI/ML関連情報は、UEが初期AI/MLアルゴリズムおよび／または設定／パラメータをダウンロードするための命令を含むことができ、これに応答して、UEは、次いで命令に従って初期AI/MLアルゴリズムおよび／または設定／パラメータをダウンロードすることができる。
いくつかの実施形態では、UEがネットワークからトレーニング要求および初期トレーニング情報を受信した後、UEは、図13の1114に示すように、トレーニング要求に対する応答をBSに送信することができる。この応答は、UEがトレーニングモードに入ったことを確認することができる。しかしながら、このような応答はオプションであり得、いくつかの実施形態ではUEによって送信されなくてもよい。
1116において、BSは、トレーニングシーケンスまたはトレーニングデータを含むトレーニング信号をUEに送信することによってトレーニングフェーズ1150を開始する。いくつかの実施形態では、BSは、1112でのトレーニング要求の送信後の特定の所定のタイムギャップの後にトレーニングシーケンス／トレーニングデータをUEに送信することができる。他の実施形態では、BSは、1112でトレーニング要求を送信した後、トレーニングシーケンス／トレーニングデータをUEに直ちに送信することができる。さらに他の実施形態では、BSは、UEにトレーニングシーケンス／トレーニングデータを送信する前に、UEからトレーニング要求に対する応答を受信するまで待機することができる。上述したように、いくつかの実施形態では、BSは、1つ以上のAI/MLモジュール／構成要素を識別する情報をトレーニング要求に含めることによって、または別個の通信でそのような情報をUEに送信することによって、どのAI/MLモジュール／構成要素がトレーニングされるべきかをUEに通知する。そうすることによって、BSは、1116においてBSによって送信されたトレーニング信号に基づいて、どのAI/MLモジュール／構成要素がトレーニングされるべきかをUEに通知する。UEにトレーニングシーケンスまたはトレーニングデータを送信するためにBSによって使用され得るチャネルの非限定的な例は、図12を参照して上述したもの、すなわち、動的制御チャネル、データチャネルおよび／またはRRCチャネルを含む。
図12に示す例示的な実施形態のUEと同様に、図13に示す例示的な実施形態のUEは、1114でトレーニング要求に対する応答を返信した後、または事前定義された時間ギャップの有無にかかわらず1112でトレーニング要求を受信した後に、トレーニング信号（例えば、トレーニングシーケンスまたはトレーニングデータ）の検索を開始することができる。MCSおよびDMRSなどのトレーニング信号のチャネルリソースおよび送信パラメータは、（例えば、RRCシグナリングによって）事前定義または事前構成することができ、または動的制御シグナリングによってシグナリングすることができる。いくつかの実施形態では、トレーニングシーケンス／トレーニングデータは、動的制御チャネルで直接（例えば、動的制御チャネル内の特定のビットは、トレーニングシーケンス／トレーニングデータを搬送するために予約されてもよい）搬送されてもよい。
1118で、UEはBSへトレーニング応答メッセージを送信する。いくつかの実施形態では、トレーニング応答メッセージは、例えば実施学習のために、NNのトレーニングをさらにトレーニングまたは改良するのを助けるために、反復トレーニングプロセス（例えば、オートエンコーダを基にしたMLの場合）または特定のタイプの測定結果の更新されたトレーニングシーケンスを示すフィードバック情報を含むことができる。いくつかの実施形態では、そのような測定は、例えば、BSからトレーニングシーケンス／データを受信する際にUEによって取得された誤差マージンを含むことができる。例えば、測定結果は、誤差の平均二乗および／または誤差方向（例えば、誤差の増減）を示す情報を含むことができる。いくつかの実施形態では、トレーニング応答メッセージはまた、または代わりに、調整ステップサイズおよび方向（例えば、調整ステップサイズをXとして、Xの量だけ増加または減少する）などの他のフィードバック情報を含んでもよい。場合によっては、測定結果またはフィードバックは暗黙的に提供されてもよい。例えば、ビームフォーミングの調整は、フィードバック信号のビームの方向によって示すことができる。いくつかの実施形態では、トレーニング応答メッセージは、アップリンク（UL）制御チャネルを介してUEによって送信され得る。他の実施形態では、トレーニング応答メッセージは、ULデータチャネルを介して部分的または全体的に送信されてもよい。
この実施形態では、図13の1119に示すように、1つ以上のAI/ML構成要素を含むAI/MLモジュールのトレーニングは、ネットワーク内およびUEにおいて共同で行われる。例えば、ニューラルネットワークの重みなどのAI/MLモジュールのパラメータは、BSによって送信されたトレーニングシーケンス／データについてUEによって返された測定結果に基づいて更新／修正され得る。
いくつかの実施形態では、UEおよびBSは、図13の1120に示すように、UEとBSとの間のエアインターフェースの1つ以上の態様を最適化するために、ニューラルネットワークの重みなどのトレーニング設定およびパラメータの更新を交換する。他の実施形態では、UEおよび／またはBSは、1119において、1120で示されるさらなる情報交換なしに、それら自体のトレーニングプロセスに基づいてトレーニング設定およびパラメータを自律的に更新することができる。
いくつかの実施形態では、このトレーニングプロセスは、1140に示すように反復的に行われ、BSはトレーニングシーケンス／データを繰り返し送信し、UEおよびBSは、UEからのトレーニング応答メッセージに基づいて、AI/MLパラメータを反復的に精緻化する。いくつかの実施形態では、この反復プロセスは、1つ以上の目標基準が満たされるまで、または所定の反復回数が発生するまで継続することができる。いくつかの実施形態では、トレーニングシーケンス／データは、反復トレーニングプロセス中に更新されてもよい。
1122において、BSは、トレーニングフェーズが終了したことを示す終了信号をUEに送信することによってトレーニングプロセスを終了させ、これに応答してUEは通常動作フェーズ1160に遷移する。いくつかの実施形態では、UEは、終了推奨信号をBSに送信することによって、トレーニングフェーズの終了を開始することができる。次いで、通常動作フェーズ1160において、UEおよびBSは、次いで更新されたエアインターフェースを介して通信することができる。
いくつかの実施形態では、AI/MLアルゴリズムおよび／またはパラメータは、UEによって事前にダウンロードされていてもよい。いくつかの実施形態では、UEが1110で送信するAI/ML能力情報は、予めダウンロードされたAI/MLアルゴリズムおよびパラメータを示す情報を含み得る。そのような実施形態では、BSは、UEから受信したAI/ML能力情報が、選択されたAI/MLアルゴリズムまたはパラメータがUEによって事前にダウンロードされていないことを示す場合、選択されたAI/MLアルゴリズムまたはパラメータをダウンロードするようにUEに命令するためのダウンロード命令をUEに送信することができる。
いくつかの実施形態では、図13に示す情報交換手順は、少なくとも部分的にRRC層で行われる。
いくつかの実施形態では、図13に示す情報交換手順は、少なくとも部分的にMAC層で行われる。例えば、情報交換シグナリングは、MACヘッダのLCIDフィールド内の特殊ビット列として実装されるMAC CEによって搬送されてもよい。
本開示の実施形態で使用され得る特定のAI/ML構成要素アーキテクチャは、特定の用途に基づいて設計され得ることを理解されたい。例えば、AI/ML構成要素がディープニューラルネットワーク（DNN）で実装される場合、所与のアプリケーション（例えば、共同のコーディングおよび変調の最適化または個々の波形発生の最適化）に使用されるべき特定のDNNアーキテクチャを標準化することができる（例えば、合意された業界基準で）。例えば、標準化は、使用されるニューラルネットワークのタイプの標準的な定義、およびニューラルネットワークの特定のパラメータ（例えば、層の数、各層のニューロンの数などである）を含むことができる。標準化は、アプリケーションに固有のものであり得る。例えば、テーブルを使用して、特定の用途に使用される標準的に定義されたニューラルネットワークの種類およびパラメータを列挙することができる。図1の無線システム100のコンテキストでは、BS170が、特定の無線通信シナリオのためにトレーニングされるべき適切なDNNアーキテクチャおよびパラメータを選択することを可能にするために、標準化された定義がBS170のメモリに格納され得る。
図12および図13に関して上述したように、DNN（例えば、コーディング、変調、および／または波形発生を実装する単一のDNN、または各DNNに対して別々のDNN）または他のAI/ML構成要素のトレーニングは、BSで、またはBSとUEとで共同で実行されてもよく、初期セットアップ時およびBSとUEとの間の関連付け時に実行されてもよい。いくつかの例では、BSおよび／またはUEは、セットアップ時にAI/ML構成要素、例えばDNNをトレーニングすれば十分であり得る。同様に、例えば、UEまたはBSおよび／または環境の著しい変化（例えば、他の可能性の中でも、新しいUEの追加、UEの関連付けの解除、UEモビリティの大幅な変更、UE状態の変更、またはチャネルの大幅な変更）に応じて、動作中にトレーニングまたは再トレーニングを実行することもできる。
いくつかの例では、BSおよび／またはUEでのDNNなどのAI/ML構成要素のトレーニングは、例えばBSまたはUEによって収集されたデータを使用して、オフラインで実行されてもよい。収集されたデータは、異なる時刻、異なる曜日、異なるトラフィックレベルなどの異なる無線通信シナリオを表すことができる。トレーニングは、異なるシナリオに対して異なるDNN重みセットを生成するために、特定のシナリオに対して実行され得る。異なる重みのセットは、異なる特定のシナリオ（例えば、ルックアップテーブルにおいて）に関連して、例えばBSまたはUEのメモリに記憶されてもよい。次いで、BSまたはUEは、特定のシナリオに従って、DNNのための重みの特定のセットを選択し使用することができる。例えば、BSまたはUEは、週末の夕方（例えば、内部クロックおよび／またはカレンダからの情報を使用する）の通信を処理していると判定し、コーディング、変調、および／または波形発生のためのDNNを実装するために、対応する重みのセットを使用することができる。これにより、BS170の送信機は、週末の夕方に適したコーディング、変調、および／または波形発生を実行することになる。
いくつかの実施形態では、オフラインのおよび動作中のトレーニングを一緒に適用することができる。例えば、動作中の再トレーニングを実行して、以前にオフラインで実行されたトレーニングを更新することができる。例えば、BSおよび／またはUEはまた、上述したように、環境および／またはUEもしくはBSの動的変化に応答して、動作中にDNNなどのAI/ML構成要素を再トレーニングすることができる。したがって、BSまたはUEは、重みのテーブルを動的に更新することができる。いくつかの例では、重みのテーブルは、標準化された重みのセット（例えば、非常に一般的なシナリオの規格で定義されている）を含むことができ、特定のシナリオに対してオフラインでおよび／または動作中に生成された重みのセットも含むことができる。
BSは、重みおよび関連シナリオのインデックス付けされたテーブルをUEに提供することができる。BSは、例えば、選択された重みのセットの対応するインデックスを示すことによって、使用する選択された重みのセットをUEに命令することができる。BSおよび／またはUEは、それらのAI/ML構成要素を再トレーニングし、それらの重みのテーブル（例えば、新しいシナリオに応答して）を更新し、更新されたテーブルを、例えば周期的または非周期的に互いに通信することができる。
図14は、本開示の一実施形態による、エアインターフェースの動作中のデバイス固有の調整／カスタマイズを可能にする機械学習構成要素の通常動作フェーズ1260の無線情報交換手順の一例の信号フロー図1200である。この実施形態では、1210に示すように、AI/MLパラメータの動作中の更新は、通常動作フェーズ1260中にネットワークによってトリガされ得る。ネットワークは、DNN重みなどの更新されたAI/MLパラメータを送信することによって動作中の更新をトリガすることができる。この実施形態では、動作中の更新はまた、またはその代わりに、1212に示されるように、通常動作フェーズ1260中にUEによってトリガされてもよい。UEは、UEが自己トレーニング可能である場合、DNN重みなどの更新されたAI/MLパラメータをBSに送信することによって動作中の更新をトリガすることができる。そうでなければ、1212においてUEがBSを送信するトリガは、単にBSからの更新の要求を含むことができる。BSおよび／またはUEによってトリガされることに加えて、またはその代わりに、通常動作フェーズ1260中の動作中の更新は、周期的または非周期的に行われてもよく、1214に示すように、相互情報更新交換を含んでもよい。
図15は、本開示の一実施形態による、エアインターフェースのデバイス固有の調整／カスタマイズを可能にする機械学習構成要素の再トレーニングフェーズのための無線による情報交換手順の一例の信号フロー図1300である。
信号フロー図1300では、UEおよびBSまたは他のネットワークデバイスは、AI/ML再トレーニングフェーズ1350のための情報交換に関与する。この実施形態では、再トレーニングフェーズは、1310で示されるように、ネットワークによってトリガされ得る。いくつかの実施形態では、BSは、例えば、図12および図13を参照して前述したように、DCI、RRC、またはMACシグナリングを介して、UEにトレーニング要求を送信することによって再トレーニングをトリガすることができる。この実施形態では、1312で示されるように、再トレーニングフェーズもまた、または代わりにUEによってトリガされ得る。いずれの場合も、再トレーニングフェーズ1350の間、UEおよびBSは、ネットワーク内および／またはUEにおけるAI/ML構成要素の再トレーニングを容易にするために、1314に示すように再トレーニングシグナリングを交換する。例えば、いくつかの実施形態では、再トレーニングシグナリングは、図12の1016、1018、および1020、または図13の1116、1118、および1120に示すような情報交換およびシグナリングを含むことができる。いくつかの実施形態では、図15の1319に示すように、1つ以上のAI/ML構成要素を含むAI/MLモジュールの再トレーニングは、ネットワーク内で、またはネットワーク内とUEで一緒に行われてもよい。
いくつかの実施形態では、この再トレーニングプロセスは、1340に示すように反復的に行われ、BSはトレーニングシーケンス／データを繰り返し送信し、UEおよびBSは、UEからの再トレーニング応答メッセージに基づいて、AI/MLパラメータを反復的に精緻化する。いくつかの実施形態では、この反復プロセスは、1つ以上の目標基準が満たされるまで、または所定の反復回数が発生するまで継続することができる。いくつかの実施形態では、再トレーニングシーケンス／データは、反復再トレーニングプロセス中に更新されてもよい。
1316において、BSは、再トレーニングフェーズが終了したことを示す終了信号をUEに送信することによって再トレーニングプロセスを終了させ、これに応答してUEは通常動作フェーズ1360に遷移する。いくつかの実施形態では、UEは、代わりに、1318に示されるように、終了推奨信号をBSに送信することによって再トレーニング段階の終了を開始してもよい。次いで、通常動作フェーズ1360において、UEおよびBSは、再トレーニングから生じる更新されたエアインターフェースを介して通信することができる。
上記の説明は、ネットワーク側トレーニングがBSによって実行される例を参照している。他の例では、AI/ML構成要素トレーニングはBSによって実行されなくてもよい。例えば、再び図1を参照すると、トレーニングは、コアネットワーク130または無線システム100内のその他の場所（例えば、クラウドコンピューティングを使用する）によって実行され得る。BS170は、必要なトレーニングを実行するために、関連するデータを単に収集し、適切なネットワークエンティティ（例えば、コアネットワーク130）にデータを転送することができる。次いで、トレーニングされたAI/ML構成要素パラメータ、例えばトレーニングされたDNNの重みは、BS170およびED110に提供され得る。
上記の説明は、送信機の役割におけるBS170および受信機の役割におけるED110の文脈であるが、送信機および受信機の役割は逆であってもよいこと（例えば、アップリンク通信のために）を理解されたい。さらに、送信機および受信機の役割は、2つ以上のED110 a、110b、110c（例えば、サイドリンク通信用）であってもよいことを理解されたい。BS170（またはコアネットワーク130または他のネットワークエンティティ）は、DNNトレーニングを実行することができ、ED110がBS170と通信するためのDNNを実施するために、ED110にトレーニングされた重みを提供することができる。
例示的な実施形態
以下は、本開示の追加の例示的な実施形態の非限定的なリストを提供する。
例示的な実施形態1．無線通信ネットワークにおける方法であって、
第1のデバイスによって、第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して第2のデバイスに第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を送信するステップであって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、ステップ、を含む、方法。
例示的な実施形態2．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態1の方法。
例示的な実施形態3．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態1または2の方法。
例示的な実施形態4．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態1から3のいずれかの方法。
例示的な実施形態5．少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態4の方法。
例示的な実施形態6．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態4または5の方法。
例示的な実施形態7．第1のデバイスのAI/ML能力に関する情報を送信するステップが、
問い合わせを受信したことに応答して情報を送信するステップ、および
初期ネットワークアクセス手順の一部として情報を送信するステップ
の少なくとも一方を含む、例示的な実施形態1から6のいずれかの方法。
例示的な実施形態8．第2のデバイスからAI/MLトレーニング要求を受信するステップと、
AI/MLトレーニング要求を受信した後、AI/MLトレーニングモードに遷移するステップと、
をさらに含む、例示的な実施形態1から7のいずれかの方法。
例示的な実施形態9．AI/MLトレーニング要求を受信するステップが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を受信するステップを含む、例示的な実施形態8に記載の方法。
例示的な実施形態10．第1のデバイスがAI/MLトレーニングモードに遷移したことを確認するために、トレーニング要求応答を第2のデバイスに送信するステップをさらに含む、例示的な実施形態8または9の方法。
例示的な実施形態11．少なくとも1つのエアインターフェース構成の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含むトレーニング信号を第2のデバイスから受信するステップをさらに含む、例示的な実施形態1から10のいずれかの方法。
例示的な実施形態12．トレーニング信号を受信するステップは、動的制御チャネルでトレーニング信号を受信するステップを含む、例示的な実施形態11に記載の方法。
例示的な実施形態13．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態12の方法。
例示的な実施形態14．トレーニング信号を受信するステップが、スケジュールされたデータチャネル上でトレーニング信号を受信するステップを含み、方法が、トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を受信するステップをさらに含む、例示的な実施形態11の方法。
例示的な実施形態15．トレーニング信号を受信した後、第2のデバイスへトレーニング応答メッセージを送信するステップをさらに含み、トレーニング応答メッセージは、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態11から14のいずれかの方法。
例示的な実施形態16．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態15に記載の方法。
例示的な実施形態17．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態15または16に記載の方法。
例示的な実施形態18．測定結果は、第2のデバイスからトレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態17の方法。
例示的な実施形態19．トレーニング応答メッセージを送信した後、第2のデバイスからAI/ML更新情報を受信するステップであって、AI/ML更新情報は、第1のデバイスによって提供されたフィードバック情報に基づくAI/MLモジュールの更新されたAI/MLパラメータを示す情報を含む、ステップ
をさらに含む、例示的な実施形態15から18のいずれかの方法。
例示的な実施形態20．第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成を更新するために、更新されたAI/MLパラメータに従ってAI/MLモジュールを更新するステップをさらに含む、例示的な実施形態19の方法。
例示的な実施形態21．第2のデバイスから受信したトレーニング信号に基づいて第1のデバイスで1つ以上のAI/MLモジュールをトレーニングするステップと、
AI/ML更新情報を第2のデバイスに送信するステップであって、AI/ML更新情報は、第1のデバイスによって実行されたトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、ステップと、
をさらに含む、例示的な実施形態15から18のいずれかの方法。
例示的な実施形態22．第2のデバイスからAI/ML更新情報を受信するステップをさらに含み、第2のデバイスからのAI/ML更新情報は、トレーニング応答メッセージで提供されたフィードバック情報に基づく第2のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態21の方法。
例示的な実施形態23．第1のデバイスによって実行されたトレーニングおよび第2のデバイスから受信された更新されたAI/MLパラメータに基づいて更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成を更新するステップをさらに含む、例示的な実施形態22の方法。
例示的な実施形態24．第2のデバイスからトレーニング終了信号を受信するステップと、
トレーニング終了信号を受信した後に、第1のデバイスをトレーニングモードから通常動作モードに遷移させるステップと、
をさらに含む、例示的な実施形態1から23のいずれかの方法。
例示的な実施形態25．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態1から24のいずれかの方法。
例示的な実施形態26．無線通信ネットワークにおける方法であって、
第2のデバイスによって、第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を受信するステップであって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、ステップと、
第1のデバイスのAI/ML能力に関する情報に少なくとも部分的に基づいて、AI/MLトレーニング要求を第1のデバイスに送信するステップと、
を含む、方法。
例示的な実施形態27．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態26の方法。
例示的な実施形態28．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態26または27の方法。
例示的な実施形態29．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態26から28のいずれかの方法。
例示的な実施形態30．少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態29の方法。
例示的な実施形態31．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態29または30の方法。
例示的な実施形態32．第1のデバイスのAI/ML能力に関する情報を受信するステップが、第1のデバイスのため初期ネットワークアクセス手順の一部として情報を受信するステップを含む、例示的な実施形態26から31のいずれかの方法。
例示的な実施形態33．AI/MLトレーニング要求を送信するステップが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を送信するステップを含む、例示的な実施形態26から32のいずれかの方法。
例示的な実施形態34．デバイスがAI/MLトレーニングモードに遷移したことを確認するために、トレーニング要求応答をデバイスから受信するステップをさらに含む、例示的な実施形態33の方法。
例示的な実施形態35．トレーニング信号を第1のデバイスに送信するステップをさらに含み、トレーニング信号が少なくとも1つのエアインターフェース構成の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含む、例示的な実施形態26から34のいずれかの方法。
例示的な実施形態36．トレーニング信号を送信するステップは、動的制御チャネルでトレーニング信号を送信するステップを含む、例示的な実施形態35に記載の方法。
例示的な実施形態37．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態36の方法。
例示的な実施形態38．トレーニング信号を送信するステップは、スケジュールされたデータチャネルでトレーニング信号を送信するステップを含む、例示的な実施形態35に記載の方法。
例示的な実施形態39．トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を送信するステップをさらに含む、例示的な実施形態38の方法。
例示的な実施形態40．第1のデバイスからトレーニング応答メッセージを受信するステップをさらに含み、トレーニング応答メッセージは、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態35から39のいずれかの方法。
例示的な実施形態41．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態40に記載の方法。
例示的な実施形態42．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態40または41に記載の方法。
例示的な実施形態43．測定結果は、トレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態42の方法。
例示的な実施形態44．第1のデバイスからのトレーニング応答メッセージで提供されたフィードバック情報に基づいて1つ以上のAI/MLモジュールをトレーニングするステップをさらに備える、例示的な実施形態40から43のいずれかの方法。
例示的な実施形態45．第1のデバイスにAI/ML更新情報を送信するステップであって、AI/ML更新情報は、トレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、ステップ、
をさらに含む、例示的な実施形態44の方法。
例示的な実施形態46．第1のデバイスからAI/ML更新情報を受信するステップであって、第1のデバイスからのAI/ML更新情報は、トレーニング信号に基づく第1のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、ステップ
をさらに含む、例示的な実施形態40から45のいずれかの方法。
例示的な実施形態47．第1のデバイスに送信された更新されたAI/MLパラメータおよび第1のデバイスから受信された更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第1のデバイスに送信するための少なくとも1つのエアインターフェース構成を更新するステップをさらに含む、例示的な実施形態46の方法。
例示的な実施形態48．トレーニングフェーズが終了したことを示すためにトレーニング終了信号を第1のデバイスに送信するステップをさらに含む、例示的な実施形態26から47のいずれかの方法。
例示的な実施形態49．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態26から48のいずれかの方法。
例示的な実施形態50．装置であって、
無線インターフェースと、
無線インターフェースに動作可能に結合されたプロセッサと、
プロセッサに動作可能に結合されたコンピュータ可読記憶媒体と、を含み、コンピュータ可読記憶媒体が、プロセッサによる実行のためのプログラミングを記憶し、プログラミングが、
無線インターフェースを介して、第1のデバイスから、第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を第2のデバイスに送信するための命令であって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、命令
を含む、装置。
例示的な実施形態51．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態50の装置。
例示的な実施形態52．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態50または51の装置。
例示的な実施形態53．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態50から52のいずれかの装置。
例示的な実施形態54．少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態53の装置。
例示的な実施形態55．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態53または54の装置。
例示的な実施形態56．第1のデバイスのAI/ML能力に関する情報を送信するための命令が、
問い合わせを受信したことに応答して情報を送信するための命令、および
初期ネットワークアクセス手順の一部として情報を送信するための命令
の少なくとも一方を含む、例示的な実施形態50から55のいずれかに記載の装置。
例示的な実施形態57．プログラミングが、
第2のデバイスからAI/MLトレーニング要求を受信するための命令と、
AI/MLトレーニング要求を受信した後、AI/MLトレーニングモードに遷移するための命令と、
をさらに含む、例示的な実施形態50から56のいずれかの装置。
例示的な実施形態58．AI/MLトレーニング要求を受信するための命令が、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を受信するための命令を含む、例示的な実施形態57の装置。
例示的な実施形態59．プログラミングが、第1のデバイスがAI/MLトレーニングモードに遷移したことを確認するために第2のデバイスにトレーニング要求応答を送信するための命令をさらに含む、例示的な実施形態57または58の装置。
例示的な実施形態60．プログラミングが、少なくとも1つのエアインターフェース構成の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含むトレーニング信号を第2のデバイスから受信するための命令をさらに含む、例示的な実施形態50から59のいずれかの装置。
例示的な実施形態61．トレーニング信号を受信するための命令は、動的制御チャネルでトレーニング信号を受信するための命令を含む、例示的な実施形態60の装置。
例示的な実施形態62．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態61の装置。
例示的な実施形態63．トレーニング信号を受信するための命令が、スケジュールされたデータチャネル上でトレーニング信号を受信するための命令を含み、プログラムが、トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を受信するための命令をさらに含む、例示的な実施形態60の装置。
例示的な実施形態64．プログラミングが、
トレーニング信号を受信した後に第2のデバイスにトレーニング応答メッセージを送信するための命令であって、トレーニング応答メッセージは、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、命令
をさらに含む、例示的な実施形態60から63の装置。
例示的な実施形態65．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態64に記載の装置。
例示的な実施形態66．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態64または65に記載の装置。
例示的な実施形態67．測定結果は、第2のデバイスからトレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態66の装置。
例示的な実施形態68．プログラミングが、
トレーニング応答メッセージを送信した後に、第2のデバイスからAI/ML更新情報を受信するための命令であって、AI/ML更新情報が第1のデバイスによって提供されたフィードバック情報に基づくAI/MLモジュールの更新されたAI/MLパラメータを示す情報を含む、命令
をさらに含む、例示的な実施形態64から67のいずれかの装置。
例示的な実施形態69．プログラミングが、第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成を更新するために、更新されたAI/MLパラメータに従ってAI/MLモジュールを更新するための命令をさらに含む、例示的な実施形態68の装置。
例示的な実施形態70．プログラミングが、第2のデバイスから受信したトレーニング信号に基づいて第1のデバイスで1つ以上のAI/MLモジュールをトレーニングするための命令と、
AI/ML更新情報を第2のデバイスに送信するための命令であって、AI/ML更新情報は第1のデバイスによって実行されたトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、命令と、
をさらに含む、例示的な実施形態64から67のいずれかの装置。
例示的な実施形態71．プログラミングが、第2のデバイスからAI/ML更新情報を受信するための命令をさらに含み、第2のデバイスからのAI/ML更新情報は、トレーニング応答メッセージで提供されたフィードバック情報に基づく第2のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態70の装置。
例示的な実施形態72．プログラミングが、第1のデバイスによって実行されたトレーニングおよび第2のデバイスから受信された更新されたAI/MLパラメータに基づいて更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成を更新するための命令をさらに含む、例示的な実施形態71の装置。
例示的な実施形態73．プログラミングが、第2のデバイスからトレーニング終了信号を受信するための命令と、
トレーニング終了信号を受信した後に、第1のデバイスをトレーニングモードから通常動作モードに遷移させるための命令と、
をさらに含む、例示的な実施形態50から72のいずれかに記載の装置。
例示的な実施形態74．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態50から73のいずれかの装置。
例示的な実施形態75．装置であって、
無線インターフェースと、
無線インターフェースに動作可能に結合されたプロセッサと、
プロセッサに動作可能に結合されたコンピュータ可読記憶媒体と、を含み、コンピュータ可読記憶媒体は、プロセッサによる実行のためのプログラミングを記憶し、プログラミングが、
無線インターフェースを介して、第2のデバイスによって、第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を受信するための命令であって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、命令と、
第1のデバイスのAI/ML能力に関する情報に少なくとも部分的に基づいて、AI/MLトレーニング要求を第1のデバイスに送信するための命令と、
を含む、装置。
例示的な実施形態76．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態75の装置。
例示的な実施形態77．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態75または76の装置。
例示的な実施形態78．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態75から77のいずれかの装置。
例示的な実施形態79．少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態78の装置。
例示的な実施形態80．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態78または79の装置。
例示的な実施形態81．第1のデバイスのAI/ML能力に関する情報を受信することが、第1のデバイスのため初期ネットワークアクセス手順の一部として情報を受信することを含む、例示的な実施形態75から80のいずれかの装置。
例示的な実施形態82．AI/MLトレーニング要求を送信することが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を送信することを含む、例示的な実施形態75から81のいずれかの装置。
例示的な実施形態83．プログラミングが、デバイスがAI/MLトレーニングモードに遷移したことを確認する、デバイスからのトレーニング要求応答を受信するための命令をさらに含む、例示的な実施形態82の装置。
例示的な実施形態84．プログラミングが、第1のデバイスにトレーニング信号を送信するための命令をさらに含み、トレーニング信号が、少なくとも1つのエアインターフェース構成の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含む、例示的な実施形態75から83のいずれかの装置。
例示的な実施形態85．トレーニング信号を送信することは、動的制御チャネルでトレーニング信号を送信することを含む、例示的な実施形態84に記載の装置。
例示的な実施形態86．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態85の装置。
例示的な実施形態87．トレーニング信号を送信することは、スケジュールされたデータチャネルでトレーニング信号を送信することを含む、例示的な実施形態84に記載の装置。
例示的な実施形態88．プログラミングが、トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を送信するための命令をさらに含む、例示的な実施形態87の装置。
例示的な実施形態89．プログラミングが、第1のデバイスからトレーニング応答メッセージを受信するための命令をさらに含み、トレーニング応答メッセージが、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態84から88のいずれかの装置。
例示的な実施形態90．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態89に記載の装置。
例示的な実施形態91．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態89または90に記載の装置。
例示的な実施形態92．測定結果は、トレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態91の装置。
例示的な実施形態93．プログラミングが、
第1のデバイスからのトレーニング応答メッセージで提供されたフィードバック情報に基づいて1つ以上のAI/MLモジュールをトレーニングするための命令
をさらに含む、例示的な実施形態89から92のいずれかの装置。
例示的な実施形態94．プログラミングが、
第1のデバイスにAI/ML更新情報を送信するための命令であって、AI/ML更新情報は、トレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、命令
をさらに含む、例示的な実施形態93に記載の装置。
例示的な実施形態95．プログラミングが、
第1のデバイスからAI/ML更新情報を受信するための命令であって、第1のデバイスからのAI/ML更新情報は、トレーニング信号に基づく第1のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、命令
をさらに含む、例示的な実施形態89から94のいずれかの装置。
例示的な実施形態96．プログラミングが、第1のデバイスに送信された更新されたAI/MLパラメータおよび第1のデバイスから受信された更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第1のデバイスに送信するための少なくとも1つのエアインターフェース構成を更新するための命令をさらに含む、例示的な実施形態95の装置。
例示的な実施形態97．プログラミングが、
トレーニングフェーズが終了したことを示すためにトレーニング終了信号を第1のデバイスへ送信するための命令
をさらに含む、例示的な実施形態75から96のいずれかに記載の装置。
例示的な実施形態98．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態75から97のいずれかの装置。
例示的な実施形態99．第1のデバイスから、第1のデバイスと第2のデバイスとの間のエアインターフェースを介して第2のデバイスに第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を送信するよう構成される送信モジュールであって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが少なくとも1つのエアインターフェース構成要素を、エアインターフェースを介して最適化するためAI/MLをサポートするかどうかを識別する、送信モジュール、を含む、装置。
例示的な実施形態100．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態99の装置。
例示的な実施形態101．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成要素の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態99または100の装置。
例示的な実施形態102．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態99から101のいずれかの装置。
例示的な実施形態103．少なくとも1つのエアインターフェース構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態102の装置。
例示的な実施形態104．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成要素の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態102または103の装置。
例示的な実施形態105．送信モジュールが、問い合わせの受信に応答して、または初期ネットワークアクセス手順の一部として、第1のデバイスのAI/ML能力に関する情報を送信するよう構成される、例示的な実施形態99から104のいずれかの装置。
例示的な実施形態106．第2のデバイスからAI/MLトレーニング要求を受信するように構成された受信モジュール、および
AI/MLトレーニング要求が受信された後にAI/MLトレーニングモードに遷移するように構成された処理モジュール
をさらに含む、例示的な実施形態99から105のいずれかの装置。
例示的な実施形態107．受信モジュールが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を受信するよう構成される、例示的な実施形態106に記載の装置。
例示的な実施形態108．送信モジュールが、第1のデバイスがAI/MLトレーニングモードに遷移したことを確認するために第2のデバイスにトレーニング要求応答を送信するよう構成される、例示的な実施形態106または107の装置。
例示的な実施形態109．受信モジュールが、少なくとも1つのエアインターフェース構成要素の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含むトレーニング信号を第2のデバイスから受信するよう構成される、例示的な実施形態99から108のいずれかの装置。
例示的な実施形態110．受信モジュールは、動的制御チャネルでトレーニング信号を受信するよう構成される、例示的な実施形態109に記載の装置。
例示的な実施形態111．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態110の装置。
例示的な実施形態112．受信モジュールが、スケジュールされたデータチャネル上でトレーニング信号を受信し、
トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を受信する
よう構成される、例示的な実施形態109の装置。
例示的な実施形態113．送信モジュールが、トレーニング信号を受信した後に第2のデバイスにトレーニング応答メッセージを送信するよう構成され、トレーニング応答メッセージは、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態109から112の装置。
例示的な実施形態114．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態113に記載の装置。
例示的な実施形態115．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態113または114に記載の装置。
例示的な実施形態116．測定結果は、第2のデバイスからトレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態115の装置。
例示的な実施形態117．受信モジュールが、
トレーニング応答メッセージを送信した後に、第2のデバイスからAI/ML更新情報を受信するように構成され、AI/ML更新情報が第1のデバイスによって提供されたフィードバック情報に基づくAI/MLモジュールの更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態113から116のいずれかの装置。
例示的な実施形態118．第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成要素を更新するために、更新されたAI/MLパラメータに従ってAI/MLモジュールを更新するよう構成される処理モジュールをさらに含む、例示的な実施形態117の装置。
例示的な実施形態119．第2のデバイスから受信したトレーニング信号に基づいて第1のデバイスで1つ以上のAI/MLモジュールをトレーニングするよう構成される処理モジュールをさらに含み、処理モジュールは、
AI/ML更新情報を第2のデバイスに送信するように構成され、AI/ML更新情報は第1のデバイスによって実行されたトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態113から116のいずれかの装置。
例示的な実施形態120．受信モジュールが、第2のデバイスからAI/ML更新情報を受信するよう構成され、第2のデバイスからのAI/ML更新情報は、トレーニング応答メッセージで提供されたフィードバック情報に基づく第2のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態119の装置。
例示的な実施形態121．処理モジュールは、第1のデバイスによって実行されたトレーニングおよび第2のデバイスから受信された更新されたAI/MLパラメータに基づいて更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成要素を更新するよう構成される、例示的な実施形態120の装置。
例示的な実施形態122．受信モジュールは、第2のデバイスからトレーニング終了信号を受信するように構成されており、処理モジュールは、トレーニング終了信号が受信された後に第1のデバイスをトレーニングモードから通常動作モードに遷移させるように構成されている、例示的な実施形態99から121のいずれかの装置。
例示的な実施形態123．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態99から122のいずれかの装置。
例示的な実施形態124．第2のデバイスによって、第1のデバイスと第2のデバイスとの間のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を受信するよう構成された受信モジュールであって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスがエアインターフェースを介して少なくとも1つのエアインターフェース構成要素を最適化するためAI/MLをサポートするかどうかを識別する、受信モジュール、および
第1のデバイスのAI/ML能力に関する情報に少なくとも部分的に基づいて、AI/MLトレーニング要求を第1のデバイスに送信するよう構成される送信モジュール
を含む、装置。
例示的な実施形態125．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態124の装置。
例示的な実施形態126．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成要素の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態124または125の装置。
例示的な実施形態127．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態124から126のいずれかの装置。
例示的な実施形態128．少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態127の装置。
例示的な実施形態129．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成要素の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態127または128の装置。
例示的な実施形態130．第1のデバイスのAI/ML能力に関する情報を受信することが、第1のデバイスのため初期ネットワークアクセス手順の一部として情報を受信することを含む、例示的な実施形態124から129のいずれかの装置。
例示的な実施形態131．AI/MLトレーニング要求を送信することが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を送信することを含む、例示的な実施形態124から130のいずれかの装置。
例示的な実施形態132．受信モジュールは、デバイスがAI/MLトレーニングモードに遷移したことを確認する、デバイスからのトレーニング要求応答を受信するように構成される、例示的な実施形態131の装置。
例示的な実施形態133．送信モジュールは、トレーニング信号を第1のデバイスに送信するように構成され、トレーニング信号は、少なくとも1つのエアインターフェース構成要素の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含む、例示的な実施形態124から132のいずれかの装置。
例示的な実施形態134．トレーニング信号を送信することは、動的制御チャネルでトレーニング信号を送信することを含む、例示的な実施形態133に記載の装置。
例示的な実施形態135．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態134の装置。
例示的な実施形態136．トレーニング信号を送信することは、スケジュールされたデータチャネルでトレーニング信号を送信することを含む、例示的な実施形態133に記載の装置。
例示的な実施形態137．送信モジュールは、トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネルでデータチャネルのスケジューリング情報を送信するように構成される、例示的な実施形態136の装置。
例示的な実施形態138．受信モジュールは、第1のデバイスからトレーニング応答メッセージを受信するように構成され、トレーニング応答メッセージは、第1のデバイスで受信されたトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態133から137のいずれかの装置。
例示的な実施形態139．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態138に記載の装置。
例示的な実施形態140．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態138または139載の装置。
例示的な実施形態141．測定結果は、トレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態140の装置。
例示的な実施形態142．第1のデバイスからのトレーニング応答メッセージで提供されたフィードバック情報に基づいて、1つ以上のAI/MLモジュールをトレーニングするように構成された処理モジュールをさらに備える、例示的な実施形態138から141のいずれかの装置。
例示的な実施形態143．信モジュールは、
AI/ML更新情報を第1のデバイスに送信するように構成され、AI/ML更新情報は、トレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態142の装置。
例示的な実施形態144．受信モジュールは、
第1のデバイスからAI/ML更新情報を受信するように構成され、第1のデバイスからのAI/ML更新情報が、トレーニング信号に基づく第1のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態133から143のいずれかの装置。
例示的な実施形態145．第1のデバイスに送信された更新されたAI/MLパラメータ、および第1のデバイスから受信された更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第1のデバイスに送信するための少なくとも1つのエアインターフェース構成要素を更新するように構成された処理モジュールをさらに備える、例示的な実施形態144の装置。
例示的な実施形態146．送信モジュールは、トレーニングフェーズが終了したことを示すために、トレーニング終了信号を第1のデバイスに送信するように構成される、例示的な実施形態124から145のいずれかの装置。
例示的な実施形態147．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態124から146のいずれかの装置。
以下は、本開示の追加の例示的な実施形態の非限定的なリストを提供する。
例示的な実施形態1．無線通信ネットワークにおける方法であって、
第1のデバイスによって、第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して第2のデバイスに第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を送信するステップであって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、ステップ、を含む、方法。
例示的な実施形態2．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態1の方法。
例示的な実施形態3．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態1または2の方法。
例示的な実施形態4．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態1から3のいずれかの方法。
例示的な実施形態5．少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態4の方法。
例示的な実施形態6．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態4または5の方法。
例示的な実施形態7．第1のデバイスのAI/ML能力に関する情報を送信するステップが、
問い合わせを受信したことに応答して情報を送信するステップ、および
初期ネットワークアクセス手順の一部として情報を送信するステップ
の少なくとも一方を含む、例示的な実施形態1から6のいずれかの方法。
例示的な実施形態8．第2のデバイスからAI/MLトレーニング要求を受信するステップと、
AI/MLトレーニング要求を受信した後、AI/MLトレーニングモードに遷移するステップと、
をさらに含む、例示的な実施形態1から7のいずれかの方法。
例示的な実施形態9．AI/MLトレーニング要求を受信するステップが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を受信するステップを含む、例示的な実施形態8に記載の方法。
例示的な実施形態10．第1のデバイスがAI/MLトレーニングモードに遷移したことを確認するために、トレーニング要求応答を第2のデバイスに送信するステップをさらに含む、例示的な実施形態8または9の方法。
例示的な実施形態11．少なくとも1つのエアインターフェース構成の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含むトレーニング信号を第2のデバイスから受信するステップをさらに含む、例示的な実施形態1から10のいずれかの方法。
例示的な実施形態12．トレーニング信号を受信するステップは、動的制御チャネルでトレーニング信号を受信するステップを含む、例示的な実施形態11に記載の方法。
例示的な実施形態13．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態12の方法。
例示的な実施形態14．トレーニング信号を受信するステップが、スケジュールされたデータチャネル上でトレーニング信号を受信するステップを含み、方法が、トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を受信するステップをさらに含む、例示的な実施形態11の方法。
例示的な実施形態15．トレーニング信号を受信した後、第2のデバイスへトレーニング応答メッセージを送信するステップをさらに含み、トレーニング応答メッセージは、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態11から14のいずれかの方法。
例示的な実施形態16．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態15に記載の方法。
例示的な実施形態17．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態15または16に記載の方法。
例示的な実施形態18．測定結果は、第2のデバイスからトレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態17の方法。
例示的な実施形態19．トレーニング応答メッセージを送信した後、第2のデバイスからAI/ML更新情報を受信するステップであって、AI/ML更新情報は、第1のデバイスによって提供されたフィードバック情報に基づくAI/MLモジュールの更新されたAI/MLパラメータを示す情報を含む、ステップ
をさらに含む、例示的な実施形態15から18のいずれかの方法。
例示的な実施形態20．第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成を更新するために、更新されたAI/MLパラメータに従ってAI/MLモジュールを更新するステップをさらに含む、例示的な実施形態19の方法。
例示的な実施形態21．第2のデバイスから受信したトレーニング信号に基づいて第1のデバイスで1つ以上のAI/MLモジュールをトレーニングするステップと、
AI/ML更新情報を第2のデバイスに送信するステップであって、AI/ML更新情報は、第1のデバイスによって実行されたトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、ステップと、
をさらに含む、例示的な実施形態15から18のいずれかの方法。
例示的な実施形態22．第2のデバイスからAI/ML更新情報を受信するステップをさらに含み、第2のデバイスからのAI/ML更新情報は、トレーニング応答メッセージで提供されたフィードバック情報に基づく第2のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態21の方法。
例示的な実施形態23．第1のデバイスによって実行されたトレーニングおよび第2のデバイスから受信された更新されたAI/MLパラメータに基づいて更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成を更新するステップをさらに含む、例示的な実施形態22の方法。
例示的な実施形態24．第2のデバイスからトレーニング終了信号を受信するステップと、
トレーニング終了信号を受信した後に、第1のデバイスをトレーニングモードから通常動作モードに遷移させるステップと、
をさらに含む、例示的な実施形態1から23のいずれかの方法。
例示的な実施形態25．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態1から24のいずれかの方法。
例示的な実施形態26．無線通信ネットワークにおける方法であって、
第2のデバイスによって、第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を受信するステップであって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、ステップと、
第1のデバイスのAI/ML能力に関する情報に少なくとも部分的に基づいて、AI/MLトレーニング要求を第1のデバイスに送信するステップと、
を含む、方法。
例示的な実施形態27．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態26の方法。
例示的な実施形態28．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態26または27の方法。
例示的な実施形態29．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態26から28のいずれかの方法。
例示的な実施形態30．少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態29の方法。
例示的な実施形態31．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態29または30の方法。
例示的な実施形態32．第1のデバイスのAI/ML能力に関する情報を受信するステップが、第1のデバイスのため初期ネットワークアクセス手順の一部として情報を受信するステップを含む、例示的な実施形態26から31のいずれかの方法。
例示的な実施形態33．AI/MLトレーニング要求を送信するステップが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を送信するステップを含む、例示的な実施形態26から32のいずれかの方法。
例示的な実施形態34．デバイスがAI/MLトレーニングモードに遷移したことを確認するために、トレーニング要求応答をデバイスから受信するステップをさらに含む、例示的な実施形態33の方法。
例示的な実施形態35．トレーニング信号を第1のデバイスに送信するステップをさらに含み、トレーニング信号が少なくとも1つのエアインターフェース構成の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含む、例示的な実施形態26から34のいずれかの方法。
例示的な実施形態36．トレーニング信号を送信するステップは、動的制御チャネルでトレーニング信号を送信するステップを含む、例示的な実施形態35に記載の方法。
例示的な実施形態37．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態36の方法。
例示的な実施形態38．トレーニング信号を送信するステップは、スケジュールされたデータチャネルでトレーニング信号を送信するステップを含む、例示的な実施形態35に記載の方法。
例示的な実施形態39．トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を送信するステップをさらに含む、例示的な実施形態38の方法。
例示的な実施形態40．第1のデバイスからトレーニング応答メッセージを受信するステップをさらに含み、トレーニング応答メッセージは、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態35から39のいずれかの方法。
例示的な実施形態41．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態40に記載の方法。
例示的な実施形態42．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態40または41に記載の方法。
例示的な実施形態43．測定結果は、トレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態42の方法。
例示的な実施形態44．第1のデバイスからのトレーニング応答メッセージで提供されたフィードバック情報に基づいて1つ以上のAI/MLモジュールをトレーニングするステップをさらに備える、例示的な実施形態40から43のいずれかの方法。
例示的な実施形態45．第1のデバイスにAI/ML更新情報を送信するステップであって、AI/ML更新情報は、トレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、ステップ、
をさらに含む、例示的な実施形態44の方法。
例示的な実施形態46．第1のデバイスからAI/ML更新情報を受信するステップであって、第1のデバイスからのAI/ML更新情報は、トレーニング信号に基づく第1のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、ステップ
をさらに含む、例示的な実施形態40から45のいずれかの方法。
例示的な実施形態47．第1のデバイスに送信された更新されたAI/MLパラメータおよび第1のデバイスから受信された更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第1のデバイスに送信するための少なくとも1つのエアインターフェース構成を更新するステップをさらに含む、例示的な実施形態46の方法。
例示的な実施形態48．トレーニングフェーズが終了したことを示すためにトレーニング終了信号を第1のデバイスに送信するステップをさらに含む、例示的な実施形態26から47のいずれかの方法。
例示的な実施形態49．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態26から48のいずれかの方法。
例示的な実施形態50．装置であって、
無線インターフェースと、
無線インターフェースに動作可能に結合されたプロセッサと、
プロセッサに動作可能に結合されたコンピュータ可読記憶媒体と、を含み、コンピュータ可読記憶媒体が、プロセッサによる実行のためのプログラミングを記憶し、プログラミングが、
無線インターフェースを介して、第1のデバイスから、第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を第2のデバイスに送信するための命令であって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、命令
を含む、装置。
例示的な実施形態51．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態50の装置。
例示的な実施形態52．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態50または51の装置。
例示的な実施形態53．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態50から52のいずれかの装置。
例示的な実施形態54．少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態53の装置。
例示的な実施形態55．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態53または54の装置。
例示的な実施形態56．第1のデバイスのAI/ML能力に関する情報を送信するための命令が、
問い合わせを受信したことに応答して情報を送信するための命令、および
初期ネットワークアクセス手順の一部として情報を送信するための命令
の少なくとも一方を含む、例示的な実施形態50から55のいずれかに記載の装置。
例示的な実施形態57．プログラミングが、
第2のデバイスからAI/MLトレーニング要求を受信するための命令と、
AI/MLトレーニング要求を受信した後、AI/MLトレーニングモードに遷移するための命令と、
をさらに含む、例示的な実施形態50から56のいずれかの装置。
例示的な実施形態58．AI/MLトレーニング要求を受信するための命令が、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を受信するための命令を含む、例示的な実施形態57の装置。
例示的な実施形態59．プログラミングが、第1のデバイスがAI/MLトレーニングモードに遷移したことを確認するために第2のデバイスにトレーニング要求応答を送信するための命令をさらに含む、例示的な実施形態57または58の装置。
例示的な実施形態60．プログラミングが、少なくとも1つのエアインターフェース構成の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含むトレーニング信号を第2のデバイスから受信するための命令をさらに含む、例示的な実施形態50から59のいずれかの装置。
例示的な実施形態61．トレーニング信号を受信するための命令は、動的制御チャネルでトレーニング信号を受信するための命令を含む、例示的な実施形態60の装置。
例示的な実施形態62．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態61の装置。
例示的な実施形態63．トレーニング信号を受信するための命令が、スケジュールされたデータチャネル上でトレーニング信号を受信するための命令を含み、プログラムが、トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を受信するための命令をさらに含む、例示的な実施形態60の装置。
例示的な実施形態64．プログラミングが、
トレーニング信号を受信した後に第2のデバイスにトレーニング応答メッセージを送信するための命令であって、トレーニング応答メッセージは、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、命令
をさらに含む、例示的な実施形態60から63の装置。
例示的な実施形態65．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態64に記載の装置。
例示的な実施形態66．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態64または65に記載の装置。
例示的な実施形態67．測定結果は、第2のデバイスからトレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態66の装置。
例示的な実施形態68．プログラミングが、
トレーニング応答メッセージを送信した後に、第2のデバイスからAI/ML更新情報を受信するための命令であって、AI/ML更新情報が第1のデバイスによって提供されたフィードバック情報に基づくAI/MLモジュールの更新されたAI/MLパラメータを示す情報を含む、命令
をさらに含む、例示的な実施形態64から67のいずれかの装置。
例示的な実施形態69．プログラミングが、第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成を更新するために、更新されたAI/MLパラメータに従ってAI/MLモジュールを更新するための命令をさらに含む、例示的な実施形態68の装置。
例示的な実施形態70．プログラミングが、第2のデバイスから受信したトレーニング信号に基づいて第1のデバイスで1つ以上のAI/MLモジュールをトレーニングするための命令と、
AI/ML更新情報を第2のデバイスに送信するための命令であって、AI/ML更新情報は第1のデバイスによって実行されたトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、命令と、
をさらに含む、例示的な実施形態64から67のいずれかの装置。
例示的な実施形態71．プログラミングが、第2のデバイスからAI/ML更新情報を受信するための命令をさらに含み、第2のデバイスからのAI/ML更新情報は、トレーニング応答メッセージで提供されたフィードバック情報に基づく第2のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態70の装置。
例示的な実施形態72．プログラミングが、第1のデバイスによって実行されたトレーニングおよび第2のデバイスから受信された更新されたAI/MLパラメータに基づいて更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成を更新するための命令をさらに含む、例示的な実施形態71の装置。
例示的な実施形態73．プログラミングが、第2のデバイスからトレーニング終了信号を受信するための命令と、
トレーニング終了信号を受信した後に、第1のデバイスをトレーニングモードから通常動作モードに遷移させるための命令と、
をさらに含む、例示的な実施形態50から72のいずれかに記載の装置。
例示的な実施形態74．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態50から73のいずれかの装置。
例示的な実施形態75．装置であって、
無線インターフェースと、
無線インターフェースに動作可能に結合されたプロセッサと、
プロセッサに動作可能に結合されたコンピュータ可読記憶媒体と、を含み、コンピュータ可読記憶媒体は、プロセッサによる実行のためのプログラミングを記憶し、プログラミングが、
無線インターフェースを介して、第2のデバイスによって、第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を受信するための命令であって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、命令と、
第1のデバイスのAI/ML能力に関する情報に少なくとも部分的に基づいて、AI/MLトレーニング要求を第1のデバイスに送信するための命令と、
を含む、装置。
例示的な実施形態76．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態75の装置。
例示的な実施形態77．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態75または76の装置。
例示的な実施形態78．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態75から77のいずれかの装置。
例示的な実施形態79．少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態78の装置。
例示的な実施形態80．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態78または79の装置。
例示的な実施形態81．第1のデバイスのAI/ML能力に関する情報を受信することが、第1のデバイスのため初期ネットワークアクセス手順の一部として情報を受信することを含む、例示的な実施形態75から80のいずれかの装置。
例示的な実施形態82．AI/MLトレーニング要求を送信することが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を送信することを含む、例示的な実施形態75から81のいずれかの装置。
例示的な実施形態83．プログラミングが、デバイスがAI/MLトレーニングモードに遷移したことを確認する、デバイスからのトレーニング要求応答を受信するための命令をさらに含む、例示的な実施形態82の装置。
例示的な実施形態84．プログラミングが、第1のデバイスにトレーニング信号を送信するための命令をさらに含み、トレーニング信号が、少なくとも1つのエアインターフェース構成の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含む、例示的な実施形態75から83のいずれかの装置。
例示的な実施形態85．トレーニング信号を送信することは、動的制御チャネルでトレーニング信号を送信することを含む、例示的な実施形態84に記載の装置。
例示的な実施形態86．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態85の装置。
例示的な実施形態87．トレーニング信号を送信することは、スケジュールされたデータチャネルでトレーニング信号を送信することを含む、例示的な実施形態84に記載の装置。
例示的な実施形態88．プログラミングが、トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を送信するための命令をさらに含む、例示的な実施形態87の装置。
例示的な実施形態89．プログラミングが、第1のデバイスからトレーニング応答メッセージを受信するための命令をさらに含み、トレーニング応答メッセージが、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態84から88のいずれかの装置。
例示的な実施形態90．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態89に記載の装置。
例示的な実施形態91．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態89または90に記載の装置。
例示的な実施形態92．測定結果は、トレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態91の装置。
例示的な実施形態93．プログラミングが、
第1のデバイスからのトレーニング応答メッセージで提供されたフィードバック情報に基づいて1つ以上のAI/MLモジュールをトレーニングするための命令
をさらに含む、例示的な実施形態89から92のいずれかの装置。
例示的な実施形態94．プログラミングが、
第1のデバイスにAI/ML更新情報を送信するための命令であって、AI/ML更新情報は、トレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、命令
をさらに含む、例示的な実施形態93に記載の装置。
例示的な実施形態95．プログラミングが、
第1のデバイスからAI/ML更新情報を受信するための命令であって、第1のデバイスからのAI/ML更新情報は、トレーニング信号に基づく第1のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、命令
をさらに含む、例示的な実施形態89から94のいずれかの装置。
例示的な実施形態96．プログラミングが、第1のデバイスに送信された更新されたAI/MLパラメータおよび第1のデバイスから受信された更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第1のデバイスに送信するための少なくとも1つのエアインターフェース構成を更新するための命令をさらに含む、例示的な実施形態95の装置。
例示的な実施形態97．プログラミングが、
トレーニングフェーズが終了したことを示すためにトレーニング終了信号を第1のデバイスへ送信するための命令
をさらに含む、例示的な実施形態75から96のいずれかに記載の装置。
例示的な実施形態98．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態75から97のいずれかの装置。
例示的な実施形態99．第1のデバイスから、第1のデバイスと第2のデバイスとの間のエアインターフェースを介して第2のデバイスに第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を送信するよう構成される送信モジュールであって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスが少なくとも1つのエアインターフェース構成要素を、エアインターフェースを介して最適化するためAI/MLをサポートするかどうかを識別する、送信モジュール、を含む、装置。
例示的な実施形態100．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態99の装置。
例示的な実施形態101．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成要素の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態99または100の装置。
例示的な実施形態102．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態99から101のいずれかの装置。
例示的な実施形態103．少なくとも1つのエアインターフェース構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態102の装置。
例示的な実施形態104．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成要素の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態102または103の装置。
例示的な実施形態105．送信モジュールが、問い合わせの受信に応答して、または初期ネットワークアクセス手順の一部として、第1のデバイスのAI/ML能力に関する情報を送信するよう構成される、例示的な実施形態99から104のいずれかの装置。
例示的な実施形態106．第2のデバイスからAI/MLトレーニング要求を受信するように構成された受信モジュール、および
AI/MLトレーニング要求が受信された後にAI/MLトレーニングモードに遷移するように構成された処理モジュール
をさらに含む、例示的な実施形態99から105のいずれかの装置。
例示的な実施形態107．受信モジュールが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を受信するよう構成される、例示的な実施形態106に記載の装置。
例示的な実施形態108．送信モジュールが、第1のデバイスがAI/MLトレーニングモードに遷移したことを確認するために第2のデバイスにトレーニング要求応答を送信するよう構成される、例示的な実施形態106または107の装置。
例示的な実施形態109．受信モジュールが、少なくとも1つのエアインターフェース構成要素の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含むトレーニング信号を第2のデバイスから受信するよう構成される、例示的な実施形態99から108のいずれかの装置。
例示的な実施形態110．受信モジュールは、動的制御チャネルでトレーニング信号を受信するよう構成される、例示的な実施形態109に記載の装置。
例示的な実施形態111．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態110の装置。
例示的な実施形態112．受信モジュールが、スケジュールされたデータチャネル上でトレーニング信号を受信し、
トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネル上でデータチャネルのスケジューリング情報を受信する
よう構成される、例示的な実施形態109の装置。
例示的な実施形態113．送信モジュールが、トレーニング信号を受信した後に第2のデバイスにトレーニング応答メッセージを送信するよう構成され、トレーニング応答メッセージは、第1のデバイスにおける受信したトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態109から112の装置。
例示的な実施形態114．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態113に記載の装置。
例示的な実施形態115．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態113または114に記載の装置。
例示的な実施形態116．測定結果は、第2のデバイスからトレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態115の装置。
例示的な実施形態117．受信モジュールが、
トレーニング応答メッセージを送信した後に、第2のデバイスからAI/ML更新情報を受信するように構成され、AI/ML更新情報が第1のデバイスによって提供されたフィードバック情報に基づくAI/MLモジュールの更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態113から116のいずれかの装置。
例示的な実施形態118．第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成要素を更新するために、更新されたAI/MLパラメータに従ってAI/MLモジュールを更新するよう構成される処理モジュールをさらに含む、例示的な実施形態117の装置。
例示的な実施形態119．第2のデバイスから受信したトレーニング信号に基づいて第1のデバイスで1つ以上のAI/MLモジュールをトレーニングするよう構成される処理モジュールをさらに含み、処理モジュールは、
AI/ML更新情報を第2のデバイスに送信するように構成され、AI/ML更新情報は第1のデバイスによって実行されたトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態113から116のいずれかの装置。
例示的な実施形態120．受信モジュールが、第2のデバイスからAI/ML更新情報を受信するよう構成され、第2のデバイスからのAI/ML更新情報は、トレーニング応答メッセージで提供されたフィードバック情報に基づく第2のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態119の装置。
例示的な実施形態121．処理モジュールは、第1のデバイスによって実行されたトレーニングおよび第2のデバイスから受信された更新されたAI/MLパラメータに基づいて更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第2のデバイスから送信を受信するための少なくとも1つのエアインターフェース構成要素を更新するよう構成される、例示的な実施形態120の装置。
例示的な実施形態122．受信モジュールは、第2のデバイスからトレーニング終了信号を受信するように構成されており、処理モジュールは、トレーニング終了信号が受信された後に第1のデバイスをトレーニングモードから通常動作モードに遷移させるように構成されている、例示的な実施形態99から121のいずれかの装置。
例示的な実施形態123．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態99から122のいずれかの装置。
例示的な実施形態124．第2のデバイスによって、第1のデバイスと第2のデバイスとの間のエアインターフェースを介して第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を受信するよう構成された受信モジュールであって、第1のデバイスのAI/ML能力に関する情報は、第1のデバイスがエアインターフェースを介して少なくとも1つのエアインターフェース構成要素を最適化するためAI/MLをサポートするかどうかを識別する、受信モジュール、および
第1のデバイスのAI/ML能力に関する情報に少なくとも部分的に基づいて、AI/MLトレーニング要求を第1のデバイスに送信するよう構成される送信モジュール
を含む、装置。
例示的な実施形態125．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/MLの複雑さのタイプおよび／またはレベルをサポートすることができることを示す情報を含む、例示的な実施形態124の装置。
例示的な実施形態126．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスが少なくとも1つのエアインターフェース構成要素の最適化のためのAI/ML訓練プロセスを支援するかどうかを示す情報を含む、例示的な実施形態124または125の装置。
例示的な実施形態127．第1のデバイスのAI/ML能力に関する情報が、第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素を示す情報を含む、例示的な実施形態124から126のいずれかの装置。
例示的な実施形態128．少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、例示的な実施形態127の装置。
例示的な実施形態129．第1のデバイスがAI/ML最適化をサポートする少なくとも1つのエアインターフェース構成要素の少なくとも1つの構成要素を示す情報が、第1のデバイスが少なくとも1つのエアインターフェース構成要素の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、例示的な実施形態127または128の装置。
例示的な実施形態130．第1のデバイスのAI/ML能力に関する情報を受信することが、第1のデバイスのため初期ネットワークアクセス手順の一部として情報を受信することを含む、例示的な実施形態124から129のいずれかの装置。
例示的な実施形態131．AI/MLトレーニング要求を送信することが、ダウンリンク制御チャネル上のダウンリンク制御情報（DCI）、またはRRCシグナリング、またはDCIとRRCシグナリングの組み合わせを通じてAI/MLトレーニング要求を送信することを含む、例示的な実施形態124から130のいずれかの装置。
例示的な実施形態132．受信モジュールは、デバイスがAI/MLトレーニングモードに遷移したことを確認する、デバイスからのトレーニング要求応答を受信するように構成される、例示的な実施形態131の装置。
例示的な実施形態133．送信モジュールは、トレーニング信号を第1のデバイスに送信するように構成され、トレーニング信号は、少なくとも1つのエアインターフェース構成要素の1つ以上の構成要素を担当する少なくとも1つのAI/MLモジュールをトレーニングするためのトレーニングシーケンスまたはトレーニングデータを含む、例示的な実施形態124から132のいずれかの装置。
例示的な実施形態134．トレーニング信号を送信することは、動的制御チャネルでトレーニング信号を送信することを含む、例示的な実施形態133に記載の装置。
例示的な実施形態135．動的制御チャネルが、トレーニングされるAI/MLモジュールを示す情報を含む動的制御情報（DCI）フィールドを含む、例示的な実施形態134の装置。
例示的な実施形態136．トレーニング信号を送信することは、スケジュールされたデータチャネルでトレーニング信号を送信することを含む、例示的な実施形態133に記載の装置。
例示的な実施形態137．送信モジュールは、トレーニングされるAI/MLモジュールを示す情報を含むDCIフィールドを含む動的制御チャネルでデータチャネルのスケジューリング情報を送信するように構成される、例示的な実施形態136の装置。
例示的な実施形態138．受信モジュールは、第1のデバイスからトレーニング応答メッセージを受信するように構成され、トレーニング応答メッセージは、第1のデバイスで受信されたトレーニング信号の処理に基づくフィードバック情報を含む、例示的な実施形態133から137のいずれかの装置。
例示的な実施形態139．トレーニング応答メッセージに含まれるフィードバック情報は、反復トレーニングプロセスのための更新されたトレーニングシーケンスを含む、例示的な実施形態138に記載の装置。
例示的な実施形態140．トレーニング応答メッセージに含まれるフィードバック情報が、受信したトレーニング信号に基づく測定結果を含む、例示的な実施形態138または139載の装置。
例示的な実施形態141．測定結果は、トレーニング信号を受信する際に第1のデバイスによって取得された誤差マージンを含む、例示的な実施形態140の装置。
例示的な実施形態142．第1のデバイスからのトレーニング応答メッセージで提供されたフィードバック情報に基づいて、1つ以上のAI/MLモジュールをトレーニングするように構成された処理モジュールをさらに備える、例示的な実施形態138から141のいずれかの装置。
例示的な実施形態143．信モジュールは、
AI/ML更新情報を第1のデバイスに送信するように構成され、AI/ML更新情報は、トレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態142の装置。
例示的な実施形態144．受信モジュールは、
第1のデバイスからAI/ML更新情報を受信するように構成され、第1のデバイスからのAI/ML更新情報が、トレーニング信号に基づく第1のデバイスにおける1つ以上のAI/MLモジュールのトレーニングに基づく1つ以上のAI/MLモジュールのうちの少なくとも1つに対する更新されたAI/MLパラメータを示す情報を含む、例示的な実施形態133から143のいずれかの装置。
例示的な実施形態145．第1のデバイスに送信された更新されたAI/MLパラメータ、および第1のデバイスから受信された更新されたAI/MLパラメータに従って1つ以上のAI/MLモジュールを更新することによって、第1のデバイスに送信するための少なくとも1つのエアインターフェース構成要素を更新するように構成された処理モジュールをさらに備える、例示的な実施形態144の装置。
例示的な実施形態146．送信モジュールは、トレーニングフェーズが終了したことを示すために、トレーニング終了信号を第1のデバイスに送信するように構成される、例示的な実施形態124から145のいずれかの装置。
例示的な実施形態147．第1のデバイスはユーザ機器であり、第2のデバイスはネットワークデバイスである、例示的な実施形態124から146のいずれかの装置。
本開示は、特定の順序のステップで方法およびプロセスを説明しているが、方法およびプロセスの1つ以上のステップは、必要に応じて省略または変更することができる。必要に応じて、説明されている順序以外の順序で、1つ以上のステップを実行してもよい。
本開示は、少なくとも部分的に方法に関して記載されているが、当業者は、本開示がまた、ハードウェア構成要素、ソフトウェア、またはその2つの任意の組み合わせによる、記載された方法の態様および特徴の少なくともいくつかを実行するための様々な構成要素を対象としていることを理解されよう。したがって、本開示の技術的解決策はソフトウェア製品の形態で具体化され得る。適切なソフトウェア製品は、例えば、DVD、CD-ROM、USBフラッシュディスク、リムーバブルハードディスク、または他の記憶媒体を含む、事前に記録された記憶装置または他の類似の不揮発性のもしくは非一時的なコンピュータ可読媒体に格納され得る。ソフトウェア製品は、処理デバイス（例えば、パーソナルコンピュータ、サーバ、またはネットワークデバイス）が本明細書で開示される方法の例を実施することを可能にする、有形に記憶された命令を含む。機械実行可能命令は、実行されると、機械（例えば、プロセッサまたは他の処理デバイス）に本開示の例による方法のステップを実行させるコードシーケンス、構成情報、または他のデータの形態であってもよい。
本開示は、特許請求の範囲の主題から逸脱することなく、他の特定の形態で具現化されてよい。記載の例示的な実施形態は、あらゆる点で例示にすぎず限定ではないとみなされるべきである。上記の実施形態の1つ以上から選択された特徴は、明示的に記載されていない代替実施形態を形成するために組み合わされてもよく、このような組み合わせに適した特徴は本開示の範囲内で理解される。
開示の範囲内のすべての値および部分範囲も開示されている。また、本明細書で開示および図示されたシステム、デバイスおよびプロセスは特定の数の要素／構成要素を含み得るが、それらのシステム、デバイスおよびアセンブリを、追加のまたはより少数のそのような要素／構成要素を含むように変更することもできる。例えば、開示の要素／構成要素のいずれかが単数であるものとして言及されている場合もあるが、本明細書で開示された実施形態を、複数のそのような要素／構成要素を含むように変更することもできる。本明細書で開示された主題は、あらゆる適切な技術の変化を網羅および包含することを意図している。
100 無線システム／通信システム
130 コアネットワーク
150 インターネット
160 ネットワーク
170 基地局
190 エアインターフェース
200 処理ユニット
202 トランシーバ
204 アンテナ
206 出力デバイス
208 メモリ
250 処理ユニット
252 送信機
253 スケジューラ
254 受信機
256 アンテナ
258 メモリ
266 出力デバイス／インターフェース
300 エアインターフェース
305 波形構築ブロック
310 フレーム構造構築ブロック
315 多元接続方式構築ブロック
320 プロトコル構築ブロック
325 変調構築ブロック
330 アンテナアレイ処理構築ブロック
400 送信チェーン
402 ソース符号化器
404 チャネル符号化器
406 変調器
450 受信チェーン
452 復調器
454 チャネル復号器
456 ソース復号器
500 送信チェーン
501 ソース符号化器
502 MLモジュール
504 チャネル符号化器構成要素／符号化構成要素／ML構成要素
506 変調構成要素／ML構成要素／変調器構成要素
508 波形発生器／波形発生器構成要素
550 受信チェーン
552 MLモジュール
554 チャネル復号器構成要素
555 ソース復号器
600 送信チェーン
601 ソース符号化器
602 MLモジュール
604 ML構成要素／変調構成要素
605 波形発生器
650 受信チェーン
651 波形プロセッサ
652 MLモジュール
654 チャネル復号器構成要素
655 ソース復号器
700 送信チェーン
701 ソース符号化器
702 MLモジュール
703 チャネル符号化器
704 変調構成要素
706 波形発生器構成要素
750 受信チェーン
752 MLモジュール
754 復調器構成要素
755 チャネル復号器
756 波形プロセッサ構成要素
757 ソース復号器
800 送信チェーン
801 ソース符号化器
802 MLモジュール
803 チャネル符号化器
804 変調構成要素
805 波形発生器
850 受信チェーン
851 波形プロセッサ
852 MLモジュール
854 復調器構成要素
855 チャネル復号器
857 ソース復号器
900 送信チェーン
901 ソース符号化器
902 MLモジュール
903 チャネル符号化器
904 波形発生構成要素
905 QAMマッピング構成要素
950 受信チェーン
952 MLモジュール
953 QAMデマッピング構成要素
954 波形処理構成要素
955 チャネル復号器
957 ソース復号器
1050 トレーニングフェーズ
1060 通常動作フェーズ
1150 MLトレーニングフェーズ
1150 トレーニングフェーズ
1160 通常動作フェーズ
1260 通常動作フェーズ
1350 ML再トレーニングフェーズ
1360 通常動作フェーズ
190a エアインターフェース
190b サイドリンクエアインターフェース
130 コアネットワーク
150 インターネット
160 ネットワーク
170 基地局
190 エアインターフェース
200 処理ユニット
202 トランシーバ
204 アンテナ
206 出力デバイス
208 メモリ
250 処理ユニット
252 送信機
253 スケジューラ
254 受信機
256 アンテナ
258 メモリ
266 出力デバイス／インターフェース
300 エアインターフェース
305 波形構築ブロック
310 フレーム構造構築ブロック
315 多元接続方式構築ブロック
320 プロトコル構築ブロック
325 変調構築ブロック
330 アンテナアレイ処理構築ブロック
400 送信チェーン
402 ソース符号化器
404 チャネル符号化器
406 変調器
450 受信チェーン
452 復調器
454 チャネル復号器
456 ソース復号器
500 送信チェーン
501 ソース符号化器
502 MLモジュール
504 チャネル符号化器構成要素／符号化構成要素／ML構成要素
506 変調構成要素／ML構成要素／変調器構成要素
508 波形発生器／波形発生器構成要素
550 受信チェーン
552 MLモジュール
554 チャネル復号器構成要素
555 ソース復号器
600 送信チェーン
601 ソース符号化器
602 MLモジュール
604 ML構成要素／変調構成要素
605 波形発生器
650 受信チェーン
651 波形プロセッサ
652 MLモジュール
654 チャネル復号器構成要素
655 ソース復号器
700 送信チェーン
701 ソース符号化器
702 MLモジュール
703 チャネル符号化器
704 変調構成要素
706 波形発生器構成要素
750 受信チェーン
752 MLモジュール
754 復調器構成要素
755 チャネル復号器
756 波形プロセッサ構成要素
757 ソース復号器
800 送信チェーン
801 ソース符号化器
802 MLモジュール
803 チャネル符号化器
804 変調構成要素
805 波形発生器
850 受信チェーン
851 波形プロセッサ
852 MLモジュール
854 復調器構成要素
855 チャネル復号器
857 ソース復号器
900 送信チェーン
901 ソース符号化器
902 MLモジュール
903 チャネル符号化器
904 波形発生構成要素
905 QAMマッピング構成要素
950 受信チェーン
952 MLモジュール
953 QAMデマッピング構成要素
954 波形処理構成要素
955 チャネル復号器
957 ソース復号器
1050 トレーニングフェーズ
1060 通常動作フェーズ
1150 MLトレーニングフェーズ
1150 トレーニングフェーズ
1160 通常動作フェーズ
1260 通常動作フェーズ
1350 ML再トレーニングフェーズ
1360 通常動作フェーズ
190a エアインターフェース
190b サイドリンクエアインターフェース
Claims (15)
- 無線通信ネットワークにおける方法であって、
第1のデバイスによって、前記第1のデバイスと第2のデバイスとの間の単一のエアインターフェースを介して前記第2のデバイスに前記第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を送信するステップであって、前記第1のデバイスのAI/ML能力に関する前記情報は、前記第1のデバイスが前記単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成を最適化するためのAI/MLをサポートするかどうかを識別する、ステップと、
前記第2のデバイスによって、前記情報に基づいて前記第1のデバイスにAI/MLトレーニング要求を送信するステップと、
前記第2のデバイスによって、前記AI/MLトレーニング要求を送信した後に、前記第1のデバイスにトレーニング信号を送信するステップと、
前記第1のデバイスによって、前記トレーニング信号の処理に基づくフィードバック情報を含むトレーニング応答を前記第2のデバイスに送信するステップと、
前記トレーニング応答に基づいて少なくとも前記第2のデバイスでAI/MLトレーニングを実行するステップと
を含む、方法。 - 前記第1のデバイスのAI/ML能力に関する前記情報が、前記第1のデバイスがどのタイプまたはレベルの複雑さのAI/MLをサポートすることができるかを示す情報を含む、請求項1に記載の方法。
- 前記第1のデバイスのAI/ML能力に関する前記情報が、前記第1のデバイスが前記少なくとも1つのエアインターフェース構成の最適化のためのAI/MLトレーニングプロセスを支援するかどうかを示す情報を含む、請求項1または2に記載の方法。
- 前記第1のデバイスのAI/ML能力に関する前記情報が、前記第1のデバイスがAI/ML最適化をサポートする前記少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、請求項1から3のいずれか一項に記載の方法。
- 前記少なくとも1つのエアインターフェース構成の前記少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、請求項4に記載の方法。
- 前記第1のデバイスがAI/ML最適化をサポートする前記少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す前記情報が、前記第1のデバイスが前記少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、請求項4または5に記載の方法。
- 前記第1のデバイスのAI/ML能力に関する前記情報を送信するステップが、
問い合わせを受信したことに応答して前記情報を送信するステップ、および
初期ネットワークアクセス手順の一部として前記情報を送信するステップ
の少なくとも一方を含む、請求項1から6のいずれか一項に記載の方法。 - 前記第1のデバイスが前記AI/MLトレーニング要求を受信した後、AI/MLトレーニングモードに遷移するステップ、をさらに含む、請求項1から7のいずれか一項に記載の方法。
- 装置であって、
無線インターフェースと、
前記無線インターフェースに動作可能に結合されたプロセッサと、
前記プロセッサに動作可能に結合されたコンピュータ可読記憶媒体と、を備え、前記コンピュータ可読記憶媒体が、前記プロセッサによる実行のためのプログラミングを記憶し、前記プログラミングが、
前記無線インターフェースを介して、前記装置とネットワークデバイスとの間の単一のエアインターフェースを介して前記装置の人工知能または機械学習（AI/ML）能力に関する情報を前記ネットワークデバイスに送信し、ここで前記装置のAI/ML能力に関する前記情報は、前記装置が前記単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成の最適化のためのAI/MLをサポートするかどうかを識別し、
前記ネットワークデバイスから、前記情報に基づいたAI/MLトレーニング要求を受信し、
前記ネットワークデバイスから、前記AI/MLトレーニング要求を受信した後に、トレーニング信号を受信し、
前記トレーニング信号の処理に基づくフィードバック情報を含むトレーニング応答を前記ネットワークデバイスに送信し、前記トレーニング応答に基づいて少なくとも前記ネットワークデバイスでAI/MLトレーニングを実行させる、命令
を含む、装置。 - 前記装置のAI/ML能力に関する前記情報が、前記装置がどのタイプまたはレベルの複雑さのAI/MLをサポートすることができるかを示す情報を含む、請求項9に記載の装置。
- 前記装置のAI/ML能力に関する前記情報が、前記装置が前記少なくとも1つのエアインターフェース構成の最適化のためのAI/MLトレーニングプロセスを支援するかどうかを示す情報を含む、請求項9または10に記載の装置。
- 前記装置のAI/ML能力に関する前記情報が、前記装置がAI/ML最適化をサポートする前記少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す情報を含む、請求項9から11のいずれか一項に記載の装置。
- 前記少なくとも1つのエアインターフェース構成の前記少なくとも1つの構成要素が、コーディング構成要素、変調構成要素、および波形構成要素のうちの少なくとも1つを含む、請求項12に記載の装置。
- 前記装置がAI/ML最適化をサポートする前記少なくとも1つのエアインターフェース構成の少なくとも1つの構成要素を示す前記情報が、前記装置が前記少なくとも1つのエアインターフェース構成の2つ以上の構成要素の共同最適化をサポートするかどうかを示す情報をさらに含む、請求項12または13に記載の装置。
- ネットワークデバイスであって、
無線インターフェースと、
前記無線インターフェースに動作可能に結合されたプロセッサと、
前記プロセッサに動作可能に結合されたコンピュータ可読記憶媒体と、を備え、前記コンピュータ可読記憶媒体が、前記プロセッサによる実行のためのプログラミングを記憶し、前記プログラミングが、
前記無線インターフェースを介して、第1のデバイスと前記ネットワークデバイスとの間の単一のエアインターフェースを介して前記第1のデバイスの人工知能または機械学習（AI/ML）能力に関する情報を前記第1のデバイスから受信し、ここで前記第1のデバイスのAI/ML能力に関する前記情報は、前記第1のデバイスが前記単一のエアインターフェースを介して少なくとも1つのエアインターフェース構成の最適化のためのAI/MLをサポートするかどうかを識別し、
前記第1のデバイスに、前記情報に基づいたAI/MLトレーニング要求を送信し、
前記第1のデバイスに、前記AI/MLトレーニング要求を送信した後に、トレーニング信号を送信し、
前記トレーニング信号の処理に基づくフィードバック情報を含むトレーニング応答を前記第1のデバイスから受信し、
前記トレーニング応答に基づいて少なくとも前記ネットワークデバイスでAI/MLトレーニングを実行する、命令
を含む、ネットワークデバイス。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962939284P | 2019-11-22 | 2019-11-22 | |
| US62/939,284 | 2019-11-22 | ||
| US16/854,329 US11431583B2 (en) | 2019-11-22 | 2020-04-21 | Personalized tailored air interface |
| US16/854,329 | 2020-04-21 | ||
| PCT/CN2020/088939 WO2021098159A1 (en) | 2019-11-22 | 2020-05-07 | Personalized tailored air interface |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023503111A JP2023503111A (ja) | 2023-01-26 |
| JP7305892B2 true JP7305892B2 (ja) | 2023-07-10 |
Family
ID=75974660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022529686A Active JP7305892B2 (ja) | 2019-11-22 | 2020-05-07 | 個人向けに調整されたエアインターフェース |
Country Status (6)
| Country | Link |
|---|---|
| US (3) | US11431583B2 (ja) |
| EP (1) | EP4052496A4 (ja) |
| JP (1) | JP7305892B2 (ja) |
| CN (1) | CN114788319B (ja) |
| BR (1) | BR112022009858A2 (ja) |
| WO (1) | WO2021098159A1 (ja) |
Families Citing this family (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11570030B2 (en) * | 2019-10-11 | 2023-01-31 | University Of South Carolina | Method for non-linear distortion immune end-to-end learning with autoencoder—OFDM |
| US11595847B2 (en) * | 2019-12-19 | 2023-02-28 | Qualcomm Incorporated | Configuration of artificial intelligence (AI) modules and compression ratios for user-equipment (UE) feedback |
| US11621768B2 (en) | 2019-12-24 | 2023-04-04 | Huawei Technologies Co., Ltd. | Terrestrial and non-terrestrial communication systems, apparatuses, and methods |
| US11646838B2 (en) * | 2020-02-21 | 2023-05-09 | Qualcomm Incorporated | Broadcasting known data to train artificial neural networks |
| KR20210117611A (ko) * | 2020-03-19 | 2021-09-29 | 엘지전자 주식회사 | Ai를 이용한 이동통신 방법 |
| EP4154184A2 (en) * | 2020-05-22 | 2023-03-29 | Nokia Technologies Oy | Communication system |
| US11663472B2 (en) * | 2020-06-29 | 2023-05-30 | Google Llc | Deep neural network processing for a user equipment-coordination set |
| US12015507B2 (en) * | 2020-06-29 | 2024-06-18 | Nokia Technologies Oy | Training in communication systems |
| CN114070676B (zh) * | 2020-08-05 | 2023-03-14 | 展讯半导体(南京)有限公司 | Ai网络模型支持能力上报、接收方法及装置、存储介质 |
| US11502915B2 (en) * | 2020-09-11 | 2022-11-15 | Qualcomm Incorporated | Transmission of known data for cooperative training of artificial neural networks |
| US11871250B2 (en) * | 2020-09-25 | 2024-01-09 | Qualcomm Incorporated | Machine learning component management in federated learning |
| US20220124518A1 (en) * | 2020-10-15 | 2022-04-21 | Qualcomm Incorporated | Update resolution signaling in federated learning |
| US20220190990A1 (en) * | 2020-12-16 | 2022-06-16 | Qualcomm Incorporated | Network-configured training procedure |
| US11818806B2 (en) * | 2021-05-18 | 2023-11-14 | Qualcomm Incorporated | ML model training procedure |
| US11844145B2 (en) * | 2021-06-09 | 2023-12-12 | Qualcomm Incorporated | User equipment signaling and capabilities to enable federated learning and switching between machine learning and non-machine learning related tasks |
| US20220400373A1 (en) * | 2021-06-15 | 2022-12-15 | Qualcomm Incorporated | Machine learning model configuration in wireless networks |
| US20230006913A1 (en) * | 2021-06-28 | 2023-01-05 | Samsung Electronics Co., Ltd. | Method and apparatus for channel environment classification |
| US11658708B2 (en) * | 2021-07-02 | 2023-05-23 | Qualcomm Incorporated | Codebook embedding generation and processing |
| WO2023015431A1 (en) * | 2021-08-10 | 2023-02-16 | Qualcomm Incorporated | Dci-based indication to trigger the combined ml model |
| CN117813789A (zh) * | 2021-08-16 | 2024-04-02 | 高通股份有限公司 | 用于指示机器学习（ml）模型组切换的物理下行链路控制信道（pdcch） |
| EP4399807A1 (en) * | 2021-09-08 | 2024-07-17 | Telefonaktiebolaget LM Ericsson (publ) | First network node, second network node, wireless device and methods performed thereby for handling doppler shift pre-compensation |
| US20230164817A1 (en) * | 2021-11-24 | 2023-05-25 | Lenovo (Singapore) Pte. Ltd. | Artificial Intelligence Capability Reporting for Wireless Communication |
| WO2023115567A1 (en) * | 2021-12-24 | 2023-06-29 | Nec Corporation | Methods, devices, and computer readable medium for communication |
| WO2023131568A1 (en) * | 2022-01-10 | 2023-07-13 | Nokia Technologies Oy | Method, apparatus and computer program |
| CN116456355A (zh) * | 2022-01-10 | 2023-07-18 | 华为技术有限公司 | 一种通信方法、装置及计算机可读存储介质 |
| US12004115B2 (en) * | 2022-01-18 | 2024-06-04 | Qualcomm Incorporated | User equipment (UE)-based sidelink-aware radio frequency fingerprinting (RFFP) positioning |
| WO2023158363A1 (en) * | 2022-02-18 | 2023-08-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Evaluation of performance of an ae-encoder |
| WO2023168717A1 (zh) * | 2022-03-11 | 2023-09-14 | 北京小米移动软件有限公司 | 一种模型训练部署方法/装置/设备及存储介质 |
| WO2023173296A1 (en) * | 2022-03-15 | 2023-09-21 | Huawei Technologies Co.,Ltd. | Apparatus and methods for machine learning with low training delay and communication overhead |
| CN116827481A (zh) * | 2022-03-21 | 2023-09-29 | 维沃移动通信有限公司 | 信道特征信息上报及恢复方法、终端和网络侧设备 |
| US20230308349A1 (en) * | 2022-03-23 | 2023-09-28 | Samsung Electronics Co., Ltd. | Method and apparatus for reference symbol pattern adaptation |
| JP2023157267A (ja) * | 2022-04-14 | 2023-10-26 | ソニーグループ株式会社 | 送信装置、受信装置、送信方法および受信方法 |
| WO2023206437A1 (zh) * | 2022-04-29 | 2023-11-02 | 富士通株式会社 | 信息传输方法与装置 |
| WO2023236124A1 (zh) * | 2022-06-08 | 2023-12-14 | 北京小米移动软件有限公司 | 一种人工智能ai模型训练方法/装置/设备及存储介质 |
| CN115349279A (zh) * | 2022-06-23 | 2022-11-15 | 北京小米移动软件有限公司 | Ai模型确定方法、装置、通信设备及存储介质 |
| GB202209921D0 (en) * | 2022-07-06 | 2022-08-17 | Samsung Electronics Co Ltd | Artificial intelligence and machine learning capability indication |
| WO2024019092A1 (ja) * | 2022-07-20 | 2024-01-25 | 京セラ株式会社 | 通信方法 |
| GB2624844A (en) * | 2022-08-10 | 2024-06-05 | Samsung Electronics Co Ltd | UE measurement capability indication for AI/ML dataset construction |
| US20240064574A1 (en) * | 2022-08-22 | 2024-02-22 | Qualcomm Incorporated | Machine learning component management |
| EP4346262A1 (en) * | 2022-09-27 | 2024-04-03 | INTEL Corporation | Methods and devices to detect an imbalance associated with an artificial intelligence/machine learning model |
| CN117793767A (zh) * | 2022-09-29 | 2024-03-29 | 华为技术有限公司 | Ai模型训练中用于获取训练数据的方法以及通信装置 |
| KR20240063478A (ko) * | 2022-11-03 | 2024-05-10 | 삼성전자주식회사 | 무선 통신 시스템에서 ai 모델에 기반하여 csi를 보고하기 위한 방법 및 장치 |
| CN118303006A (zh) * | 2022-11-04 | 2024-07-05 | 北京小米移动软件有限公司 | 信息处理方法及装置、通信设备及存储介质 |
| WO2024108366A1 (en) * | 2022-11-22 | 2024-05-30 | Qualcomm Incorporated | Model tuning for cross node machine learning |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170208455A1 (en) | 2016-01-19 | 2017-07-20 | Huawei Technologies Co., Ltd. | System and method of air interface capability exchange |
| US20190273543A1 (en) | 2016-11-04 | 2019-09-05 | Vivo Mobile Communication Co., Ltd. | Method for reporting terminal information, method for acquiring terminal information, terminal and base station |
Family Cites Families (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10616827B2 (en) * | 2012-07-10 | 2020-04-07 | Huawei Technologies Co., Ltd. | System and method for dynamically configurable air interfaces |
| US9883524B2 (en) * | 2015-11-04 | 2018-01-30 | Huawei Technologies Co., Ltd. | Systems and methods for configuring air interfaces with low overhead |
| CN107155199B (zh) * | 2016-03-04 | 2023-09-26 | 华为技术有限公司 | 一种空口技术的配置方法、装置及无线通信系统 |
| CN107294586A (zh) * | 2016-04-05 | 2017-10-24 | 中兴通讯股份有限公司 | 一种波束训练阶段自动增益控制的方法及装置 |
| CN107733505B (zh) * | 2016-08-12 | 2020-02-28 | 电信科学技术研究院 | 一种波束赋形训练方法、终端和基站 |
| US10748062B2 (en) * | 2016-12-15 | 2020-08-18 | WaveOne Inc. | Deep learning based adaptive arithmetic coding and codelength regularization |
| US10314051B1 (en) | 2017-06-06 | 2019-06-04 | Sprint Spectrum L.P. | Control of UE voice call communication mode based on air interface load in view of TDD frame configuration |
| CN109391935B (zh) | 2017-08-11 | 2021-01-08 | 维沃移动通信有限公司 | 一种带宽部分的配置方法、网络设备及终端 |
| US20190273524A1 (en) * | 2018-03-05 | 2019-09-05 | Maxlinear, Inc. | Methods and systems for utilizing ultra-efficiency low noise configurations for phased array antennas |
| CN109194378B (zh) * | 2018-08-06 | 2021-07-13 | 重庆邮电大学 | 基于线性神经网络的物理层安全波束赋形方法 |
| US11477060B2 (en) * | 2019-04-16 | 2022-10-18 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using attention-based learned filters |
| CN111954206B (zh) * | 2019-05-17 | 2024-04-09 | 株式会社Ntt都科摩 | 终端和基站 |
| KR102280692B1 (ko) * | 2019-08-12 | 2021-07-22 | 엘지전자 주식회사 | 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스 |
| WO2021063500A1 (en) * | 2019-10-02 | 2021-04-08 | Nokia Technologies Oy | Providing producer node machine learning based assistance |
| CN112714486A (zh) * | 2019-10-25 | 2021-04-27 | 北京三星通信技术研究有限公司 | Pdcch的检测方法、drx配置方法、终端、基站 |
| US11582322B2 (en) * | 2019-10-31 | 2023-02-14 | Avago Technologies International Sales Pte. Limited | Machine-learning application proxy for IoT devices including large-scale data collection using dynamic servlets with access control |
| US11822913B2 (en) * | 2019-12-20 | 2023-11-21 | UiPath, Inc. | Dynamic artificial intelligence / machine learning model update, or retrain and update, in digital processes at runtime |
| US20210390434A1 (en) * | 2020-06-12 | 2021-12-16 | Qualcomm Incorporated | Machine learning error reporting |
| US20200396531A1 (en) * | 2020-08-28 | 2020-12-17 | Abhivarman Paranirupasingam | System and method based in artificial intelligence to detect user interface control command of true wireless sound earbuds system on chip,and thereof |
| US11558090B2 (en) * | 2020-10-20 | 2023-01-17 | Dell Products, Lp | Systems and methods to utilize contextual awareness and machine learning to optimize antenna selection |
| US20220400373A1 (en) * | 2021-06-15 | 2022-12-15 | Qualcomm Incorporated | Machine learning model configuration in wireless networks |
| US11800398B2 (en) * | 2021-10-27 | 2023-10-24 | T-Mobile Usa, Inc. | Predicting an attribute of an immature wireless telecommunication network, such as a 5G network |
| US20230164817A1 (en) * | 2021-11-24 | 2023-05-25 | Lenovo (Singapore) Pte. Ltd. | Artificial Intelligence Capability Reporting for Wireless Communication |
| US20230188233A1 (en) * | 2021-12-14 | 2023-06-15 | Intel Corporation | System energy efficiency in a wireless network |
| US20230252353A1 (en) * | 2022-02-08 | 2023-08-10 | Samsung Electronics Co., Ltd. | On-device training method to train an artificial intelligent model and a system therefor |
-
2020
- 2020-04-21 US US16/854,329 patent/US11431583B2/en active Active
- 2020-05-07 CN CN202080081324.6A patent/CN114788319B/zh active Active
- 2020-05-07 JP JP2022529686A patent/JP7305892B2/ja active Active
- 2020-05-07 BR BR112022009858A patent/BR112022009858A2/pt unknown
- 2020-05-07 EP EP20889173.9A patent/EP4052496A4/en active Pending
- 2020-05-07 WO PCT/CN2020/088939 patent/WO2021098159A1/en unknown
-
2022
- 2022-07-19 US US17/867,730 patent/US11863400B2/en active Active
-
2023
- 2023-11-10 US US18/506,618 patent/US20240080247A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170208455A1 (en) | 2016-01-19 | 2017-07-20 | Huawei Technologies Co., Ltd. | System and method of air interface capability exchange |
| US20190273543A1 (en) | 2016-11-04 | 2019-09-05 | Vivo Mobile Communication Co., Ltd. | Method for reporting terminal information, method for acquiring terminal information, terminal and base station |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114788319A (zh) | 2022-07-22 |
| US20210160149A1 (en) | 2021-05-27 |
| US20240080247A1 (en) | 2024-03-07 |
| US11863400B2 (en) | 2024-01-02 |
| WO2021098159A1 (en) | 2021-05-27 |
| US20220353155A1 (en) | 2022-11-03 |
| US11431583B2 (en) | 2022-08-30 |
| BR112022009858A2 (pt) | 2022-08-02 |
| EP4052496A1 (en) | 2022-09-07 |
| EP4052496A4 (en) | 2023-01-04 |
| JP2023503111A (ja) | 2023-01-26 |
| CN114788319B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7305892B2 (ja) | 個人向けに調整されたエアインターフェース | |
| EP3494661B1 (en) | Method and apparatus for reference signal signaling for advanced wireless communications | |
| KR102033020B1 (ko) | 무선 통신 시스템에서 업링크 제어 신호를 위한 시스템 및 방법 | |
| US11115160B2 (en) | Non-orthogonal multiple access | |
| KR102622222B1 (ko) | 셀룰라 통신 시스템에서 상향링크 전송 방법 및 장치 | |
| AU2017374543A1 (en) | CRC bits for joint decoding and verification of control information using polar codes | |
| JP2022518719A (ja) | 無線通信システムにおける分割ｃｓｉ報告を可能にする方法及びその装置 | |
| WO2012118347A2 (ko) | 무선 통신 시스템에서 제어 정보의 전송 방법 및 장치 | |
| KR102436334B1 (ko) | 변화하는 채널 조건하에서 무선 전송을 위한 기술 | |
| EP3298744B1 (en) | Enhancing data transfer | |
| WO2022155873A1 (en) | Multi-level time-domain scalable uplink channel resources | |
| WO2022271634A1 (en) | Methods, procedures, appartuses and systems for data-driven wireless transmit/receive unit specific symbol modulation | |
| US20230379112A1 (en) | Methods and apparatus for using short reference symbols with a frequency domain offset | |
| WO2024092744A1 (en) | System and method for multiple access based on power profiles | |
| US20240073079A1 (en) | Methods and apparatus for using a phase tracking reference signal with a single carrier waveform | |
| US20230388845A1 (en) | Reporting power efficiency for communications | |
| WO2022104587A1 (en) | Constellation shaping configuration and feedback | |
| CN110769450B (zh) | 一种被用于无线通信的用户设备、基站中的方法和装置 | |
| CN117413496A (zh) | 支持人工智能的链路自适应 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220630 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220630 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230410 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230519 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230612 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230628 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7305892 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |