KR20220143035A - Tx 파형 왜곡을 수신기에 전달하기 위한 방법 - Google Patents

Tx 파형 왜곡을 수신기에 전달하기 위한 방법 Download PDF

Info

Publication number
KR20220143035A
KR20220143035A KR1020227028246A KR20227028246A KR20220143035A KR 20220143035 A KR20220143035 A KR 20220143035A KR 1020227028246 A KR1020227028246 A KR 1020227028246A KR 20227028246 A KR20227028246 A KR 20227028246A KR 20220143035 A KR20220143035 A KR 20220143035A
Authority
KR
South Korea
Prior art keywords
neural network
transmitting device
waveform distortion
distortion information
weights
Prior art date
Application number
KR1020227028246A
Other languages
English (en)
Inventor
태상 유
준 남궁
나가 부샨
팅팡 지
크리슈나 키란 무카빌리
파반 쿠마르 비탈라데부니
제이 쿠마르 순다라라잔
Original Assignee
퀄컴 인코포레이티드
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 퀄컴 인코포레이티드 filed Critical 퀄컴 인코포레이티드
Publication of KR20220143035A publication Critical patent/KR20220143035A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03165—Arrangements for removing intersymbol interference using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/02—Transmitters
    • H04B1/04—Circuits
    • H04B1/0475—Circuits with means for limiting noise, interference or distortion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0264—Arrangements for coupling to transmission lines
    • H04L25/028—Arrangements specific to the transmitter end
    • H04L25/0286—Provision of wave shaping within the driver
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/0001—Arrangements for dividing the transmission path
    • H04L5/0003—Two-dimensional division
    • H04L5/0005—Time-frequency
    • H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Transceivers (AREA)
  • Transmitters (AREA)
  • Circuits Of Receivers In General (AREA)

Abstract

다양한 실시예들은 송신(TX) 파형 왜곡을 압축하기 위해 송신 디바이스들에서 뉴럴 네트워크들을 이용할 수 있다. 다양한 실시예들에서, 압축된 TX 파형 왜곡 정보는 수신 디바이스에 전달될 수 있다. 다양한 실시예들에서, 송신 디바이스로부터 수신 디바이스로의 TX 파형 왜곡 정보의 시그널링은 수신 디바이스가 송신 디바이스로부터 수신된 송신 파형의 파형 왜곡을 완화시킬 수 있게 할 수 있다. 다양한 실시예들은 파형을 수신 디바이스에 송신함으로써 송신 디바이스의 프로세서에 의해 수행되는 무선 통신의 시스템들 및 방법들을 포함한다. 다양한 실시예들은, 송신 디바이스로부터 파형을 수신함으로써 수신 디바이스의 프로세서에 의해 수행되는 무선 통신의 시스템들 및 방법들을 포함한다.

Description

TX 파형 왜곡을 수신기에 전달하기 위한 방법
[0001] 본 출원은 2020년 2월 24일에 “Method To Convey The TX Waveform Distortion To The Receiver”라는 명칭으로 출원된 미국 가출원 번호 제62/980,793호에 대한 우선권 이익을 주장하며, 이로써 그 미국 가출원의 전체 내용은 모든 목적들을 위해 인용에 본원에 의해 통합된다.
[0002] LTE(Long Term Evolution), 5G NR(Fifth Generation New Radio), 및 다른 최근에 개발된 통신 기술들은, 무선 디바이스들이 불과 몇 년 전에 이용가능했었던 것보다 (예컨대, 초당 기가비트(Gigabits per second) 등의 측면에서) 10의 몇 승배(orders of magnitude) 더 빠른 데이터 레이트들로 정보를 통신할 수 있게 한다.
[0003] 오늘날의 통신 네트워크들은 또한 더 안전하고, 다중경로 페이딩(fading)에 대해 탄력적이며, 더 낮은 네트워크 트래픽 레이턴시들을 허용하고, (예컨대, 사용된 대역폭의 유닛 당 초당 비트들의 측면에서 등) 더 양호한 통신 효율들을 제공한다. 이들 및 다른 최근의 개선들은, IOT(Internet of Things), 대규모 M2M(Machine to Machine) 통신 시스템들, 자율 차량들, 및 일관되고 안전한 통신들에 의존하는 다른 기술들의 출현을 가능하게 하였다.
[0004] 부가적으로, 딥 뉴럴 네트워크들과 같은 뉴럴 네트워크들의 배치는 오늘날의 통신 네트워크들에서 추진력을 얻고 있다. 뉴럴 네트워크들은 다양한 태스크들을 위해 컴퓨팅 디바이스들 상에서 사용될 수 있다. 뉴럴 네트워크들은 종종, 각각의 층이 입력을 수신하고, 입력에 대한 컴퓨테이션을 수행하고, 출력을 생성하는 다층화된 아키텍처를 사용한다. 노드들의 제1 계층의 출력은 종종 노드들의 제2 계층에 대한 입력이 되고, 노드들의 제2 계층의 출력은 노드들의 제3 계층에 대한 입력이 되는 식이다. 이에 따라, 뉴럴 네트워크에서의 컴퓨테이션들은 컴퓨테이셔널 체인을 구성하는 프로세싱 노드들의 집단에 걸쳐 분산된다.
[0005] 다양한 양상들은 파형을 수신 디바이스에 송신함으로써 송신 디바이스의 프로세서에 의해 수행되는 무선 통신의 시스템들 및 방법들을 포함한다. 다양한 양상들은 송신 디바이스의 송신 파형 왜곡 정보를 획득하는 것, 인코더 뉴럴 네트워크를 사용하여 송신 디바이스의 송신 파형 왜곡 정보를 압축된 송신 파형 왜곡 정보로 압축하는 것, 및 수신 디바이스가 압축된 송신 파형 왜곡 정보로부터 송신 디바이스의 송신 파형 왜곡 정보를 복원하도록 수신 디바이스의 디코더 뉴럴 네트워크를 구성하기 위해 하나 이상의 디코더 뉴럴 네트워크 가중치들을 사용할 수 있게 하는 구성에서, 압축된 송신 파형 왜곡 정보 및 하나 이상의 디코더 뉴럴 네트워크 가중치를 수신 디바이스에 전송하는 것을 포함할 수 있다.
[0006] 일부 양상들은 송신 디바이스의 디코더 뉴럴 네트워크의 모델 타입을 결정하는 것을 더 포함할 수 있고, 압축된 송신 파형 왜곡 정보 및 하나 이상의 디코더 뉴럴 네트워크 가중치들을 수신 디바이스에 전송하는 것은, 압축된 송신 파형 왜곡 정보, 하나 이상의 디코더 뉴럴 네트워크 가중치들, 및 모델 타입을 수신 디바이스에 전송하는 것을 포함할 수 있다. 일부 양상들에서, 압축된 송신 파형 왜곡 정보 및 하나 이상의 디코더 뉴럴 네트워크 가중치들을 수신 디바이스에 전송하는 것은, 송신될 각각의 슬롯에 대한 제어 정보에서 압축된 송신 파형 왜곡 정보 및 하나 이상의 디코더 뉴럴 네트워크 가중치들을 수신 디바이스에 전송하는 것을 포함할 수 있다. 일부 양상들에서, 압축된 송신 파형 왜곡 정보 및 하나 이상의 디코더 뉴럴 네트워크 가중치들을 수신 디바이스에 전송하는 것은, 송신될 각각의 슬롯에 대한 제어 정보에서 압축된 송신 파형 왜곡 정보를 수신 디바이스에 전송하는 것, 및 송신될 모든 슬롯보다 더 큰 주기성으로 제어 정보에서 하나 이상의 디코더 뉴럴 네트워크 가중치들을 수신 디바이스에 전송하는 것을 포함할 수 있다. 일부 양상들에서, 송신 디바이스는 UE(user equipment) 컴퓨팅 디바이스일 수 있고, 수신 디바이스는 기지국일 수 있다. 다양한 양상들에서, 송신 디바이스는 기지국일 수 있고, 수신 디바이스는 UE 컴퓨팅 디바이스일 수 있다.
[0007] 일부 양상들은 송신 디바이스의 송신 파형 왜곡 정보를 압축된 송신 파형 왜곡 정보로 압축하기 위해 인코더 뉴럴 네트워크를 트레이닝하는 것, 및 압축된 송신 파형 왜곡 정보로부터 송신 디바이스의 송신 파형 왜곡 정보를 복원하기 위해 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 것을 더 포함할 수 있고, 하나 이상의 디코더 뉴럴 네트워크 가중치들은 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들이다. 일부 양상들에서, 송신 디바이스의 디코더 뉴럴 네트워크 및 인코더 뉴럴 네트워크는 비지도 학습 알고리즘들을 사용하여 트레이닝될 수 있다. 일부 양상들에서, 인코더 뉴럴 네트워크를 트레이닝하는 것 및 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 것은, 송신 디바이스의 하나의 송신 안테나에 대해 송신 디바이스의 디코더 뉴럴 네트워크 및 인코더 뉴럴 네트워크를 트레이닝하는 것을 포함할 수 있다. 일부 실시예들에서, 인코더 뉴럴 네트워크를 트레이닝하는 것 및 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 것은, 송신 디바이스의 각각의 송신 안테나에 대해 송신 디바이스의 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크를 트레이닝하는 것을 포함할 수 있다.
[0008] 추가의 양상들은, 송신 디바이스로부터 파형을 수신함으로써 수신 디바이스의 프로세서에 의해 수행되는 무선 통신의 시스템들 및 방법들을 포함할 수 있다. 다양한 양상들은 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 것, 수신된 하나 이상의 가중치들을 사용하여 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 것, 및 수신 디바이스의 구성된 디코더 뉴럴 네트워크를 사용하여 송신 디바이스의 압축된 송신 파형 왜곡 정보로부터 송신 디바이스의 송신 파형 왜곡 정보를 복원하는 것을 포함할 수 있다. 일부 양상들은, 송신 디바이스로부터 수신된 송신 파형의 파형 왜곡을 완화시키기 위해 송신 디바이스의 복원된 송신 파형 왜곡 정보를 사용하는 것을 더 포함할 수 있다.
[0009] 일부 양상들에서, 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 것은, 송신 디바이스의 압축된 송신 파형 왜곡 정보, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입을 수신하는 것을 포함할 수 있고, 수신된 하나 이상의 가중치들을 사용하여 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 것은, 수신된 하나 이상의 가중치들 및 수신된 모델 타입을 사용하여 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 것을 포함할 수 있다. 일부 양상들에서, 복원된 송신 파형 왜곡 정보는 송신 디바이스의 하나 이상의 안테나들에 대한 슬롯 내의 OFDM(orthogonal frequency division multiplexing) 심볼들의 신호 클리핑으로 인한 왜곡 에러의 2차원 맵일 수 있다. 일부 양상들에서, 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 것은, 송신될 각각의 슬롯에 대한 제어 정보에서, 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 것을 포함할 수 있다. 일부 양상들에서, 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 것은, 송신될 각각의 슬롯에 대한 제어 정보에서, 송신 디바이스의 압축된 송신 파형 왜곡 정보를 수신하는 것, 및 송신될 모든 슬롯보다 더 큰 주기성으로 제어 정보에서, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 것을 포함할 수 있다. 일부 양상들에서, 수신 디바이스는 기지국일 수 있고, 송신 디바이스는 UE 컴퓨팅 디바이스이다. 일부 양상들에서, 압축된 송신 파형 왜곡 정보 및 하나 이상의 가중치들은 UE 컴퓨팅 디바이스로부터 직접 수신될 수 있다. 일부 양상들에서, 압축된 송신 파형 왜곡 정보 및 하나 이상의 가중치들은 송신 디바이스 이외의 기지국으로부터 수신될 수 있다.
[0010] 추가적인 양상들은 위에서 요약된 방법들 중 임의의 방법의 하나 이상의 동작들을 수행하도록 구성된 프로세서를 갖는 무선 디바이스 또는 기지국을 포함할 수 있다. 추가적 양상들은 무선 디바이스 또는 기지국의 프로세서로 하여금 위에서 요약된 방법들 중 임의의 방법의 동작들을 수행하게 하도록 구성된 프로세서-실행가능 명령들이 저장된 비-일시적인 프로세서-판독가능 저장 매체를 포함할 수 있다. 추가적인 양상들은 위에서 요약된 방법들 중 임의의 방법의 기능들을 수행하기 위한 수단을 갖는 무선 디바이스 또는 기지국을 포함한다. 추가적인 양상들은 위에서 요약된 방법들 중 임의의 방법의 하나 이상의 동작들을 수행하도록 구성된 프로세서를 포함하는 무선 디바이스 또는 기지국에서 사용하기 위한 SOC(system on chip)를 포함한다. 추가적인 양상들은 위에서 요약된 방법들 중 임의의 방법의 하나 이상의 동작들을 수행하도록 구성된 프로세서를 기지국 또는 포함하는 무선 디바이스 또는 기지국에서 사용하기 위한 2개의 SOC(system on chip)를 포함하는 SIP(system in a package)를 포함한다.
[0011] 본원에 통합되고 본 명세서의 일부를 구성하는 첨부한 도면들은 청구항들의 예시적인 실시예들을 예시하며, 위에서 제공된 일반적인 설명 및 아래에서 제공되는 상세한 설명과 함께, 청구항들의 특징들을 설명하도록 기능한다.
[0012] 도 1은 다양한 실시예들 중 임의의 실시예를 구현하기에 적합한 예시적인 통신 시스템을 예시하는 시스템 블록 다이어그램이다.
[0013] 도 2는 다양한 실시예들 중 임의의 실시예를 구현하기에 적합한 예시적인 컴퓨팅 및 무선 모뎀 시스템을 예시하는 컴포넌트 블록 다이어그램이다.
[0014] 도 3은 다양한 실시예들 중 임의의 실시예를 구현하기에 적합한 무선 통신들에서 사용자 및 제어 평면들에 대한 라디오 프로토콜 스택을 포함하는 소프트웨어 아키텍처를 예시하는 컴포넌트 블록 다이어그램이다.
[0015] 도 4는 다양한 실시예들 중 임의의 실시예를 구현하기에 적합한 예시적인 소프트웨어 구현된 뉴럴 네트워크를 예시하는 기능성 컴포넌트 블록 다이어그램이다.
[0016] 도 5는 다양한 실시예들에 따라 수신 디바이스에 파형을 송신하는 송신 디바이스의 프로세서에 의해 수행되는 무선 통신을 위한 방법의 동작들을 예시하는 프로세스 흐름도이다.
[0017] 도 6은 다양한 실시예들에 따라 송신 디바이스로부터 파형을 수신하는 수신 디바이스의 프로세서에 의해 수행되는 무선 통신을 위한 방법의 동작들을 예시하는 프로세스 흐름도이다.
[0018] 도 7a는 다양한 실시예들에 따른, 왜곡 정보를 압축하기 위해 뉴럴 네트워크들을 사용하기 위한 예시적인 동작들을 예시하는 블록 다이어그램이다.
[0019] 도 7b는 다양한 실시예들에 따른, 왜곡 정보를 압축하기 위해 뉴럴 네트워크들을 사용하기 위한 예시적인 동작들을 예시하는 블록 다이어그램이다.
[0020] 도 8은 다양한 실시예들과 함께 사용하기에 적합한 네트워크 컴퓨팅 디바이스의 컴포넌트 블록 다이어그램이다.
[0021] 도 9는 다양한 실시예들과 함께 사용하기에 적합한 무선 통신 디바이스의 컴포넌트 블록 다이어그램이다.
[0022] 다양한 실시예들은 첨부 도면들을 참조하여 상세히 설명될 것이다. 가능하다면, 동일한 참조 번호들이 동일하거나 유사한 부분들을 지칭하기 위해 도면들 전반에 걸쳐 사용될 것이다. 특정 예들 및 구현들에 대해 행해진 참조들은 예시의 목적들을 위한 것이고, 청구항들의 범위를 제한하는 것으로 의도되지 않는다.
[0023] 다양한 실시예들은 송신 디바이스로부터 수신 디바이스로의 송신(TX) 파형 왜곡 정보의 시그널링을 가능하게 한다. 본원에서 사용된 바와 같이, "송신 디바이스"라는 용어는 TX 파형을 출력하는 임의의 디바이스를 지칭하고, "수신 디바이스"라는 용어는 그 TX 파형을 수신하려고 시도하는 임의의 디바이스를 지칭한다. 일 예로서, 3GPP(Third Generation Partnership Project) 네트워크에서의 UL(uplink) 통신들에서, 송신 디바이스는 UE(User Equipment) 컴퓨팅 디바이스일 수 있고, 수신 디바이스는 기지국(예컨대, gNB(Next Generation NodeB))일 수 있다. 다른 예로서, DL(downlink) 통신들에서, 송신 디바이스는 기지국(예컨대, gNB)일 수 있고, 수신 디바이스는 UE 컴퓨팅 디바이스일 수 있다.
[0024] 다양한 실시예들은 TX 파형 왜곡을 압축하기 위해 송신 디바이스들 내에서 실행되는 뉴럴 네트워크들을 이용할 수 있다. 다양한 실시예들에서, 압축된 TX 파형 왜곡 정보는 수신 디바이스에 전달될 수 있다. 다양한 실시예들에서, 송신 디바이스로부터 수신 디바이스로의 TX 파형 왜곡 정보의 시그널링은 수신 디바이스가 송신 디바이스로부터 수신된 송신 파형의 파형 왜곡을 완화시키는 것을 가능하게 할 수 있다. 다양한 실시예들에서, 수신 디바이스에 의해 디코딩된 송신 디바이스에 대한 TX 파형 왜곡 정보의 존재는 송신 디바이스가 자신의 이용가능한 송신 전력을 효율적으로 활용하는 것을 가능하게 할 수 있다.
[0025] 송신 디바이스들과 수신 디바이스들 사이의 무선 통신들에서, 송신 디바이스로부터 전송된 TX 파형의 왜곡, 이를테면 신호 클리핑은 수신 디바이스에 의한 TX 파형의 성공적인 수신을 방해할 수 있다. TX 파형의 왜곡은 송신 디바이스 자체의 컴포넌트들과 같은 다양한 인자들에 의해 야기될 수 있다. 예컨대, 송신 디바이스의 전력 증폭기들은 TX 파형의 왜곡을 야기할 수 있고, 전력 증폭기들의 전력 레벨들이 증가함에 따라 왜곡의 양이 증가할 수 있다. 종래의 송신 디바이스들은 전력 증폭기들의 전력 레벨들을 특정 레벨들 미만으로 유지함으로써 TX 파형에 대한 전력 증폭기들에 의해 야기되는 왜곡을 완화시킨다. 송신 디바이스의 전력 증폭기들의 전력 레벨들의 이러한 감소는 TX 파형의 왜곡을 감소시킬 수 있지만, 또한 송신 전력의 덜 효율적인 이용(예컨대, 가능한 송신 신호보다 덜 강함)을 초래할 수 있다.
[0026] 다양한 실시예들은 수신 디바이스들에서의 뉴럴 네트워크들이, 송신 디바이스의 TX 파형 왜곡 정보를 복원하고, 송신 디바이스로부터 수신된 TX 파형의 파형 왜곡을 완화시키기 위해 송신 디바이스의 복원된 TX 파형 왜곡 정보를 사용할 수 있게 한다. 수신 디바이스에서 송신 디바이스에 대한 TX 파형 왜곡 정보의 존재는, 전력 증폭기들에 의해 야기된 왜곡이 수신 디바이스 측에서 완화될 수 있기 때문에 송신 디바이스가 (예컨대, 최대 전력으로 전력 증폭기들을 사용함으로써) 자신의 이용가능한 송신 전력을 효율적으로 활용하는 것을 가능하게 수 있다.
[0027] 다양한 실시예들에서, 송신 디바이스는 송신 디바이스의 TX 파형 왜곡 정보를 획득할 수 있다. 일부 실시예들에서, TX 파형 왜곡 정보는 송신 디바이스의 하나 이상의 안테나들에 대한 슬롯 내의 OFDM(orthogonal frequency division multiplexing) 심볼들의 신호 클리핑으로 인한 왜곡 에러의 2차원 맵일 수 있다. TX 파형 왜곡 정보는, 수신 디바이스가 송신 디바이스로부터 수신된 TX 파형의 파형 왜곡을 완화시키기 위해 송신 디바이스의 TX 파형 왜곡 정보를 사용할 수 있도록 구성될 수 있다. 예컨대, TX 파형 왜곡 정보는 다수의 OFDM 심볼들의 TX 파형 왜곡을 완화시키기 위해 수신 디바이스에 의해 사용될 수 있다. TX 파형 왜곡 정보는 각각의 슬롯 상에서 전송될 수 있는 데이터에 의존할 수 있는데, 이는 전송될 데이터가 OFDM 파형에 영향을 미칠 수 있기 때문이다. 따라서, 각각의 슬롯에 대한 TX 파형 왜곡 정보의 프로비저닝은 수신 디바이스가 슬롯 단위 기반으로(per slot basis) TX 파형 왜곡을 완화시키는 것을 가능하게 할 수 있다.
[0028] 다양한 실시예들에서, 송신 디바이스는 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크 쌍을 포함할 수 있다. 다양한 실시예들에서, 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크는 딥 뉴럴 네트워크들일 수 있다. 다양한 실시예들에서, 송신 디바이스의 각각의 송신 안테나에 대한 인코더 및 디코더 쌍이 존재할 수 있다. 인코더 뉴럴 네트워크는 정보를 압축하도록 구성될 수 있다. 예컨대, 인코더 뉴럴 네트워크는 TX 파형 왜곡 정보를 압축된 TX 파형 왜곡 정보로 압축하도록 구성될 수 있고, 디코더 뉴럴 네트워크는 정보를 압축해제하도록 구성될 수 있다. 예컨대, 디코더 뉴럴 네트워크는 압축된 TX 파형 왜곡 정보로부터 TX 파형 왜곡 정보를 복원하도록 구성될 수 있다. 다양한 실시예들에서, 수신 디바이스 또한 디코더 뉴럴 네트워크를 포함할 수 있다.
[0029] 다양한 실시예들에서, 송신 디바이스는 송신 디바이스의 TX 파형 왜곡 정보를 송신 디바이스의 압축된 TX 파형 왜곡 정보로 압축하기 위해 송신 디바이스의 인코더 뉴럴 네트워크를 트레이닝할 수 있다. 다양한 실시예들에서, 송신 디바이스는 송신 디바이스의 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 TX 파형 왜곡 정보를 복원하기 위해 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝할 수 있다. 다양한 실시예들에서, 송신 디바이스의 인코더 뉴럴 네트워크 및 송신 디바이스의 디코더 뉴럴 네트워크는 비지도 학습 알고리즘들을 사용하여 트레이닝될 수 있다. 다양한 실시예들에서, 송신 디바이스의 인코더 뉴럴 네트워크를 트레이닝하는 것 및 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 것은 송신 디바이스의 하나의 송신 안테나에 대해 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크를 트레이닝하는 것을 포함할 수 있다. 다양한 실시예들에서, 송신 디바이스의 인코더 뉴럴 네트워크를 트레이닝하는 것 및 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 것은 주기적으로 수행될 수 있다. 예컨대, 트레이닝은 송신 디바이스의 초기 스타트-업 시에, 매일, 새로운 네트워크에 등록할 때 등에 발생할 수 있다. 다양한 실시예들에서, 송신 디바이스의 인코더 뉴럴 네트워크 및 송신 디바이스의 디코더 뉴럴 네트워크는 비지도 학습 알고리즘들을 사용하여 트레이닝될 수 있다.
[0030] 다양한 실시예들에서, 송신 디바이스는 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들을 결정할 수 있다.
[0031] 모델 타입은 뉴럴 네트워크의 구조, 이를테면 뉴럴 네트워크 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층 레이아웃)의 설명일 수 있다. 모델 타입들은 뉴럴 네트워크 엘리먼트들 자체(예컨대, 계층들 및 그 안의 노드들)의 실제 표현들 및/또는 뉴럴 네트워크의 구조를 나타내는 설명자들(예컨대, 모델 이름들, 모델 번호들, 모델 태그들), 이를테면, 뉴럴 네트워크 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층 레이아웃)의 설명일 수 있다. 다양한 실시예들에서, 송신 디바이스의 디코더 뉴럴 네트워크의 모델 타입은 송신 디바이스에서 트레이닝된 디코더 뉴럴 네트워크의 특정 구조를 재구성하기 위한 정보를 수신 디바이스에 제공할 수 있다.
[0032] 뉴럴 네트워크의 가중치들은 뉴럴 네트워크의 트레이닝 후의 뉴럴 네트워크의 노드들 사이의 상호연결들과 연관된 값들일 수 있다. 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들은 송신 디바이스에서 트레이닝 후의 디코더 뉴럴 네트워크의 노드들 사이의 상호연결들과 연관된 값들일 수 있다. 다양한 실시예들에서, 동일한 모델 타입을 갖는 2개의 디코더 뉴럴 네트워크들은 동일한 구조를 가질 수 있어서, 2개의 디코더 뉴럴 네트워크들에 동일한 가중치들을 적용하는 것은, 동일한 압축된 입력에 기반한 2개의 디코더 뉴럴 네트워크들의 동일한 압축해제된 출력이 각각의 디코더 뉴럴 네트워크에 제공되는 것을 초래할 것이다.
[0033] 다양한 실시예들에서, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들을 갖는 수신 디바이스는 수신 디바이스의 디코더 뉴럴 네트워크를 실제로 트레이닝하기 위해 시간을 소비할 필요 없이, 공통 압축된 입력으로부터 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크에 의해 복원될 것과 동일한 압축해제된 출력을 복원하도록 수신 디바이스의 디코더 뉴럴 네트워크를 구성할 수 있다.
[0034] 다양한 실시예들에서, 송신 디바이스는 송신 디바이스의 압축된 TX 파형 왜곡 정보, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입, 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들을 수신 디바이스에 전송할 수 있다. 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은, 수신 디바이스가 송신 디바이스의 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 TX 파형 왜곡 정보를 복원하도록 수신 디바이스의 디코더 뉴럴 네트워크를 구성하기 위해 모델 타입 및 가중치들을 사용할 수 있게 하는 구성에서, 수신 디바이스에 전송될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입 및 가중치들은 함께 전송될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은 개별적으로 전송될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은 송신 컴퓨팅 디바이스와 수신 컴퓨팅 디바이스 사이에서 교환되는 오버헤드 정보에서 전송될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보는 송신될 각각의 슬롯에 대한 제어 정보에서 전송될 수 있다. 압축된 TX 파형 왜곡 정보는 각각의 슬롯 상에서 전송될 수 있는 데이터에 의존할 수 있는데, 이는 전송될 데이터가 OFDM 파형에 영향을 미칠 수 있기 때문이다. 슬롯 단위 기반으로 압축된 TX 파형 왜곡 정보를 제공하는 것은 수신 디바이스가 슬롯 단위 기반으로 TX 파형 왜곡을 완화시키는 것을 가능하게 할 수 있다. 일부 실시예들에서, 압축된 TX 파형 왜곡 정보 및 모델 타입 및 가중치들은 상이한 주기들로 시그널링될 수 있다. 일부 실시예들에서, 모델 타입 및 가중치들은 송신 디바이스의 압축된 TX 파형 왜곡 정보보다 덜 빈번하게 시그널링될 수 있다. 예컨대, 압축된 TX 파형 왜곡 정보는 각각의 슬롯에 대한 제어 정보에서 전송될 수 있고, 가중치들은 모든 슬롯보다 더 큰 주기성으로(예컨대, 압축된 TX 파형 왜곡 정보보다 덜 빈번하게) 전송될 수 있다. 송신 디바이스의 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크가 드물게 업데이트될 수 있기 때문에, 가중치들 및/또는 모델 타입들은 압축된 TX 파형 왜곡 정보보다 훨씬 더 큰 시간 스케일들로 전송될 수 있다. 일부 실시예들에서, 모델 타입이 수신 디바이스에서 이미 알려져 있을 수 있기 때문에, 모델 타입은 전송될 필요가 없을 수 있다.
[0035] 다양한 실시예들에서, 수신 디바이스는 송신 디바이스의 압축된 TX 파형 왜곡 정보, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입, 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들을 수신할 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은 오버헤드 정보에서 송신될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보는 송신될 각각의 슬롯에 대한 제어 정보에서 수신될 수 있다. 일부 실시예들에서, 모델 타입이 수신 디바이스에서 이미 알려져 있을 수 있기 때문에, 모델 타입은 수신될 필요가 없을 수 있다. 일 예로서, 단일 디폴트 모델 타입이 송신 디바이스의 디코더 뉴럴 네트워크 및 수신 디바이스의 디코더 뉴럴 네트워크 둘 모두에 대해 사용될 수 있다. 다른 예로서, 모델 타입은 디바이스 타입, 네트워크 또는 수신 디바이스에서의 다른 설정들에 기반하여 알려질 수 있다.
[0036] 일부 실시예들에서, 압축된 TX 파형 왜곡 정보, 모델 타입 및 가중치들은 송신 디바이스로부터 직접 수신될 수 있다. 예컨대, 송신 디바이스는 UE 컴퓨팅 디바이스일 수 있고, UE 컴퓨팅 디바이스는 기지국에 의해 서빙되는 셀에서 서비스들을 수신하기 위해 UE 컴퓨팅 디바이스와 기지국 사이의 초기 등록 절차들의 일부로서, 압축된 TX 파형 왜곡 정보, 모델 타입 및 가중치들을 기지국에 전송할 수 있다. 기지국은 수신 디바이스일 수 있고, UE 컴퓨팅 디바이스에 의해 전송된 TX 파형의 왜곡을 완화시키기 위해, 압축된 TX 파형 왜곡 정보, 모델 타입 및 가중치들을 활용할 수 있다.
[0037] 일부 실시예들에서, 압축된 TX 파형 왜곡 정보, 모델 타입 및 가중치들은 송신 디바이스이외의 기지국으로부터 수신될 수 있다. 예컨대, 압축된 TX 파형 왜곡 정보, 모델 타입 및 가중치들은 통신 네트워크에서 디바이스들 사이에 저장 및 공유되는 값들일 수 있다.
[0038] 일부 실시예들에서, 기지국들의 압축된 TX 파형 왜곡 정보, 모델 타입, 및/또는 가중치들은 디바이스가 다른 디바이스에 대한 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들을 간접적으로 수신할 수 있도록 디바이스들 사이에서 공유될 수 있다. 일 예로서, 이웃 셀들의 기지국들은 UE 컴퓨팅 디바이스 모빌리티 및 핸드오프를 지원하기 위해 자신들의 모델 타입들 및 가중치들을 서로 그리고 자신들의 개개의 셀들 내의 UE 컴퓨팅 디바이스들과 공유할 수 있다. 다른 예로서, UE 컴퓨팅 디바이스가 모델 타입 및 가중치들을 기지국 등으로 직접 송신할 필요 없이, 기지국이 UE 컴퓨팅 디바이스의 발견 시에 기지국이 UE 컴퓨팅 디바이스에 대한 모델 타입 및 가중치들을 리트리브할 수 있도록, UE 컴퓨팅 모델 타입 및 가중치들이 중앙에 저장될 수 있다. 다른 예로서, UE 컴퓨팅 디바이스가 압축된 TX 파형 왜곡 정보, 모델 타입, 및/또는 가중치들을 다음 기지국 등으로부터 직접 수신할 필요 없이, UE 컴퓨팅 디바이스가 기지국의 커버리지 영역으로 들어가기 전에 다음 기지국에 대한 압축된 TX 파형 왜곡 정보, 모델 타입, 및/또는 가중치들을 리트리브할 수 있도록, 기지국 압축된 TX 파형 왜곡 정보, 모델 타입, 및/또는 가중치들이 중앙에 저장될 수 있다.
[0039] 다양한 실시예들에서, 수신 디바이스는 수신된 모델 타입 및 가중치들을 사용하여 수신 디바이스의 디코더 뉴럴 네트워크를 구성할 수 있다. 모델 타입은 뉴럴 네트워크의 구조, 이를테면 뉴럴 네트워크 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층 레이아웃)의 설명일 수 있다. 모델 타입들은 뉴럴 네트워크 엘리먼트들 자체(예컨대, 계층들 및 그 안의 노드들)의 실제 표현들 및/또는 뉴럴 네트워크의 구조를 나타내는 설명자들(예컨대, 모델 이름들, 모델 번호들, 모델 태그들), 이를테면, 뉴럴 네트워크 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층 레이아웃)의 설명일 수 있다. 뉴럴 네트워크의 가중치들은 뉴럴 네트워크의 트레이닝 후의 뉴럴 네트워크의 노드들 사이의 상호연결들과 연관된 값들일 수 있다. 다양한 실시예들에서, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들을 갖는 수신 디바이스는 송신 디바이스로부터 수신된 송신 디바이스의 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크에 의해 복원될 것과 동일한 압축해제된 출력을 복원하도록 수신 디바이스의 디코더 뉴럴 네트워크를 구성할 수 있다. 이러한 방식으로, 수신 디바이스는 자신의 디코더 뉴럴 네트워크를 트레이닝하기 위해 시간을 소비할 필요 없이 자신의 디코더 뉴럴 네트워크를 트레이닝된 뉴럴 네트워크로서 구성할 수 있다.
[0040] 다양한 실시예들에서, 수신 디바이스는, 수신 디바이스의 구성된 디코더 뉴럴 네트워크를 사용하여, 송신 디바이스의 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 TX 파형 왜곡 정보를 복원할 수 있다. 일부 실시예들에서, 복원된 TX 파형 왜곡 정보는 송신 디바이스의 하나 이상의 안테나들에 대한 슬롯 내의 OFDM 심볼들의 신호 클리핑으로 인한 왜곡 에러의 2차원 맵을 포함할 수 있다.
[0041] 다양한 실시예들에서, 수신 디바이스는, 송신 디바이스로부터 수신된 TX 파형의 파형 왜곡을 완화시키기 위해 송신 디바이스의 복원된 TX 파형 왜곡 정보를 사용할 수 있다. 파형 왜곡을 완화시키는 것은, 수신 디바이스에서 오리지널 TX 파형 신호를 재구성하기 위해 복원된 TX 파형 왜곡 정보를 사용하는 것을 포함할 수 있다. 파형 왜곡을 완화시킴으로써, 수신 디바이스는 송신 디바이스 자체에 의해 야기된 임의의 왜곡, 이를테면 송신 디바이스의 전력 증폭기들에 의해 야기된 왜곡에 대해 보상할 수 있다.
[0042] "무선 디바이스" 또는 "UE 디바이스"라는 용어들은, 무선 라우터 디바이스들, 무선 기기들, 셀룰러 전화들, 스마트 폰들, 휴대가능 컴퓨팅 디바이스들, 개인용 또는 모바일 멀티미디어 플레이어들, 랩톱 컴퓨터들, 태블릿 컴퓨터들, 스마트북들, 울트라북들, 팜탑 컴퓨터들, 무선 전자 메일 수신기들, 멀티미디어 인터넷-가능 셀룰러 전화들, 의료 디바이스들 및 장비, 생체인식 센서들/디바이스들, 스마트 시계들, 스마트 의류, 스마트 안경, 스마트 손목 밴드들, 스마트 주얼리(예컨대, 스마트 링들, 스마트 팔찌들 등)을 포함하는 웨어러블 디바이스들, 엔터테인먼트 디바이스들(예컨대, 무선 게이밍 제어기들, 음악 및 비디오 플레이어들, 위성 라디오들 등), 스마트 미터들/센서들을 포함하는 무선-네트워크 가능 IoT(Internet of Things) 디바이스들, 산업 제조 장비, 가정용 또는 기업용 대형 및 소형 기계류 및 기기들, 자율 및 반자율 차량들 내의 무선 통신 엘리먼트들, 다양한 모바일 플랫폼들에 부착되거나 그에 통합되는 무선 디바이스들, 글로벌 포지셔닝 시스템 디바이스들, 및 메모리, 무선 통신 컴포넌트들 및 프로그램가능 프로세서를 포함하는 유사한 전자 디바이스들 중 임의의 하나 또는 전부를 지칭하기 위해 본원에서 상호교환 가능하게 사용된다.
[0043] "SOC(system on chip)"라는 용어는 단일 기판 상에 집적된 다수의 자원들 및/또는 프로세서들을 포함하는 단일 IC(integrated circuit) 칩을 지칭하기 위해 본원에서 사용된다. 단일 SOC는 디지털, 아날로그, 혼합 신호, 및 라디오-주파수 기능들을 위한 회로를 포함할 수 있다. 단일 SOC는 또한 임의의 수의 범용 및/또는 특수 프로세서들(디지털 신호 프로세서들, 모뎀 프로세서들, 비디오 프로세서 등), 메모리 블록들(예컨대, ROM, RAM, 플래시 등), 및 자원(예컨대, 타이머들, 전압 조정기들, 발진기들 등)을 포함할 수 있다. SOC들은 또한, 집적된 자원들 및 프로세서들을 제어할 뿐만 아니라 주변 디바이스들을 제어하기 위한 소프트웨어를 포함할 수 있다.
[0044] "SIP(system in a package)"라는 용어는 2개 이상의 IC 칩들, 기판들, 또는 SOC들 상의 다수의 자원들, 연산 유닛들, 코어들 및/또는 프로세서들을 포함하는 단일 모듈 또는 패키지를 지칭하기 위해 본원에서 사용될 수 있다. 예컨대, SIP는 다수의 IC 칩들 또는 반도체 다이들이 수직 구성으로 적층되는 단일 기판을 포함할 수 있다. 유사하게, SIP는 다수의 IC들 또는 반도체 다이들이 통합 기판으로 패키징되는 하나 이상의 MCM(multi-chip module)들을 포함할 수 있다. SIP는 또한, 고속 통신 회로를 통해 서로 커플링되고 그리고 이를테면 단일 마더보드 상에 또는 단일 무선 디바이스에 매우 근접하게 패키징된 다수의 독립 SOC들을 포함할 수 있다. SOC들의 근접성은 고속 통신들과 메모리 및 자원들의 공유를 가능하게 한다.
[0045] 도 1은 다양한 실시예들 중 임의의 실시예를 구현하기에 적합한 예시적인 통신 시스템(100)을 예시하는 시스템 블록 다이어그램이다. 통신 시스템(100)은 5G NR(New Radio) 네트워크, 또는 임의의 다른 적합한 네트워크, 이를테면 LTE(Long Term Evolution) 네트워크일 수 있다.
[0046] 통신 시스템(100)은 통신 네트워크(140) 및 다양한 모바일 디바이스들(도 1에서 무선 디바이스(120a-120e)로서 예시됨)을 포함하는 이종 네트워크 아키텍처를 포함할 수 있다. 무선 통신 시스템(100)은 또한, 다수의 기지국들(BS(110a), BS(110b), BS(110c) 및 BS(110d)으로 예시됨) 및 다른 네트워크 엔티티들을 포함할 수 있다. 기지국은 무선 디바이스들(모바일 디바이스들 또는 UE 컴퓨팅 디바이스들)과 통신하는 엔티티이며, 또한 NodeB, Node B, LTE eNB(evolved nodeB), AP(access point), 라디오 헤드, TRP(transmit receive point), NR BS(New Radio base station), 5G NB(NodeB), gNB(Next Generation NodeB) 등으로 지칭될 수 있다. 각각의 기지국은 특정 지리적 영역에 대한 통신 커버리지를 제공할 수 있다. 3GPP에서, 용어 “셀”은, 그 용어가 사용되는 맥락에 따라, 기지국의 커버리지 영역, 이러한 커버리지 영역을 서빙하는 기지국 서브시스템, 또는 이것들의 조합을 지칭할 수 있다.
[0047] 기지국(110a-110d)은 매크로 셀, 피코 셀, 펨토 셀, 다른 타입의 셀, 또는 이것들의 조합에 대한 통신 커버리지를 제공할 수 있다. 매크로 셀은 비교적 큰 지리적 영역(예컨대, 반경이 수 킬로미터)을 커버할 수 있고, 그리고 서비스 가입된 모바일 디바이스들에 의한 제약되지 않은 액세스를 허용할 수 있다. 피코 셀은 비교적 작은 지리적 영역을 커버할 수 있고, 그리고 서비스 가입된 모바일 디바이스들에 의한 제약되지 않은 액세스를 허용할 수 있다. 펨토 셀은 비교적 작은 지리적 영역(예컨대, 홈(home))을 커버할 수 있고, 그리고 펨토 셀과의 연관(association)을 갖는 모바일 디바이스들(예컨대, CSG(closed subscriber group) 내의 모바일 디바이스들)에 의한 제약된 액세스를 허용할 수 있다. 매크로 셀에 대한 기지국은 매크로 BS로 지칭될 수 있다. 피코 셀에 대한 기지국은 피코 BS로 지칭될 수 있다. 펨토 셀에 대한 기지국은 펨토 BS 또는 홈 BS로 지칭될 수 있다. 도 1에 도시된 예에서, 기지국(110a)은 매크로 셀(102a)에 대한 매크로 BS일 수 있고, 기지국(110b)은 피코 셀(102b)에 대한 피코 BS일 수 있으며, 그리고 기지국(110c)은 펨토 셀(102c)에 대한 펨토 BS일 수 있다. 기지국(110a-110d)은 하나 또는 다수(예컨대, 3개)의 셀들을 지원할 수 있다. "eNB", "기지국", "NR BS", "gNB", "TRP", "AP", "노드 B", "5G NB", 및 "셀"이라는 용어들은 본원에서 상호교환가능하게 사용될 수 있다.
[0048] 일부 예들에서, 셀은 고정식이 아닐 수 있고, 셀의 지리적 영역은 모바일 기지국의 로케이션에 따라 이동할 수 있다. 일부 예들에서, 기지국들(110a-110d)은 임의의 적합한 전송 네트워크를 사용하여 다양한 타입들의 백홀 인터페이스들, 이를테면 직접 물리 연결, 가상 네트워크, 또는 이것들의 조합을 통해 서로 상호연결될뿐만 아니라 통신 시스템(100) 내의 하나 이상의 다른 기지국들 또는 네트워크 노드들(미도시됨)에 상호연결될 수 있다.
[0049] 기지국(110a-110d)은 유선 또는 무선 통신 링크(126)를 통해 코어 네트워크(140)와 통신할 수 있다. 무선 디바이스(120a-120e)(UE 컴퓨팅 디바이스)는 무선 통신 링크(122)를 통해 기지국(110a-110d)과 통신할 수 있다.
[0050] 유선 통신 링크(126)는, 하나 이상의 유선 통신 프로토콜들, 이를테면 이더넷, 포인트-투-포인트 프로토콜, HDLC(High-Level Data Link Control), ADCCP(Advanced Data Communication Control Protocol) 및 TCP/IP(Transmission Control Protocol/Internet Protocol)를 사용할 수 있는 다양한 유선 네트워크들(예컨대, 이더넷, TV 케이블, 텔레포니, 광섬유 및 다른 형태들의 물리 네트워크 연결들)을 사용할 수 있다.
[0051] 통신 시스템(100)은 또한 중계국(relay station)들(예컨대, 중계 BS(110d))을 포함할 수 있다. 중계국은, 업스트림 스테이션(예컨대, 기지국 또는 모바일 디바이스)으로부터 데이터의 송신을 수신하고 다운스트림 스테이션(예컨대, 무선 디바이스 또는 기지국)에 데이터를 송신할 수 있는 엔티티이다. 중계국은 또한, 다른 무선 디바이스들에 대한 송신들을 중계할 수 있는 모바일 디바이스일 수 있다. 도 1에 예시된 예에서, 중계국(110d)은 기지국(110a)과 무선 디바이스(120d) 사이의 통신을 용이하게 하기 위해 매크로 기지국(110a) 및 무선 디바이스(120d)와 통신할 수 있다. 또한, 중계국은 중계 기지국, 중계기 등으로 지칭될 수 있다.
[0052] 통신 시스템(100)은 상이한 타입들의 기지국들, 예컨대, 매크로 기지국들, 피코 기지국들, 펨토 기지국들, 중계 기지국들 등을 포함하는 이종 네트워크일 수 있다. 이러한 상이한 타입들의 기지국들은 상이한 송신 전력 레벨들, 상이한 커버리지 영역들, 및 통신 시스템(100)에서의 간섭에 대한 상이한 영향들을 가질 수 있다. 예컨대, 매크로 기지국들은 높은 송신 전력 레벨(예컨대, 5 내지 40 와트)을 가질 수 있는 반면, 피코 기지국들, 펨토 기지국들, 및 중계 기지국들은 더 낮은 송신 전력 레벨들(예컨대, 0.1 내지 2 와트)을 가질 수 있다.
[0053] 네트워크 제어기(130)는 일 세트의 기지국들에 커플링될 수 있고, 그리고 이들 기지국들에 대한 조정 및 제어를 제공할 수 있다. 네트워크 제어기(130)는 백홀을 통해 기지국들과 통신할 수 있다. 기지국들은 또한 예컨대 무선 또는 유선 백홀을 통해 간접적으로 또는 직접적으로 서로 통신할 수 있다.
[0054] 무선 디바이스들(UE 컴퓨팅 디바이스들)(120a, 120b, 120c)은 통신 시스템(100) 전반에 걸쳐 산재될 수 있고, 각각의 무선 디바이스는 고정적이거나 또는 이동적일 수 있다. 무선 디바이스 또한 액세스 단말, 단말, 이동국, 가입자 유닛, 스테이션 등으로 지칭될 수 있다.
[0055] 매크로 기지국(110a)은 유선 또는 무선 통신 링크(126)를 통해 통신 네트워크(140)와 통신할 수 있다. 무선 디바이스들(120a, 120b, 120c)은 무선 통신 링크(122)를 통해 기지국(110a-110d)과 통신할 수 있다.
[0056] 무선 통신 링크들(122, 124)은 복수의 캐리어 신호들, 주파수들, 또는 주파수 대역들을 포함할 수 있고, 이들 각각은 복수의 논리 채널들을 포함할 수 있다. 무선 통신 링크들(122 및 124)은 하나 이상의 RAT(radio access technology)들을 활용할 수 있다. 무선 통신 링크에서 사용될 수 있는 RAT들의 예들은 3GPP LTE, 3G, 4G, 5G(예컨대, NR), GSM, CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), WiMAX(Worldwide Interoperability for Microwave Access), TDMA(Time Division Multiple Access), 및 다른 모바일 텔레포니 통신 기술 셀룰러 RAT들을 포함한다. 통신 시스템(100) 내의 다양한 무선 통신 링크들(122, 124) 중 하나 이상에서 사용될 수 있는 RAT들의 추가 예들은 매체 레인지 프로토콜들, 이를테면 Wi-Fi, LTE-U, LTE-Direct, LAA, MuLTEfire, 및 비교적 단거리 RAT들, 이를테면 ZigBee, 블루투스 및 블루투스 LE(Low Energy)를 포함한다.
[0057] 특정 무선 네트워크들(예컨대, LTE)은, 다운링크 상에서는 OFDM(orthogonal frequency division multiplexing)을 활용하고, 업링크 상에서는 SC-FDM(single-carrier frequency division multiplexing)을 활용한다. OFDM 및 SC-FDM은 톤들, 빈(bin)들 등으로 일반적으로 또한 지칭되는 다수(K)의 직교 서브캐리어들로 시스템 대역폭을 분할한다. 각각의 서브캐리어는 데이터로 변조될 수 있다. 일반적으로, 변조 심볼들은 OFDM을 이용하여 주파수 도메인에서 전송되고, SC-FDM을 이용하여 시간 도메인에서 전송된다. 인접한 서브캐리어들 간의 간격은 고정될 수 있으며, 서브캐리어들의 총 수(K)는 시스템 대역폭에 따라 좌우될 수 있다. 예컨대, 서브캐리어들의 간격은 15kHz일 수 있으며, 최소의 리소스 할당(“리소스 블록”으로 지칭됨)은 12개의 서브캐리어들(또는 180kHz)일 수 있다. 따라서, 공칭 FFT(Fast File Transfer) 사이즈는, 1.25, 2.5, 5, 10 또는 20 메가헤르츠(MHz)의 시스템 대역폭에 대해 각각 128, 256, 512, 1024 또는 2048과 동일할 수 있다. 시스템 대역폭은 또한 서브대역들로 분할될 수 있다. 예컨대, 서브대역은 1.08 MHz(즉, 6개의 자원 블록들)를 커버할 수 있고, 1.25, 2.5, 5, 10 또는 20 MHz의 시스템 대역폭에 대해 각각 1, 2, 4, 8 또는 16개의 서브대역들이 존재할 수 있다.
[0058] 일부 실시예들의 설명들은 LTE 기술들과 연관된 전문 용어 및 예들을 사용할 수 있지만, 다양한 실시예들은 다른 무선 통신 시스템들, 이를테면 NR(new radio) 또는 5G 네트워크에 적용될 수 있다. NR은 UL(uplink) 및 DL(downlink) 상에서 CP(cyclic prefix)를 갖는 OFDM을 활용하고, TDD(time division duplex)를 사용하는 하프-듀플렉스 동작에 대한 지원을 포함할 수 있다. 100 MHz의 단일 컴포넌트 캐리어 대역폭이 지원될 수 있다. NR 자원 블록들은 0.1밀리초(ms)의 지속기간에 걸쳐 75 kHz의 서브-캐리어 대역폭을 갖는 12 개의 서브-캐리어들에 걸쳐 있을 수 있다. 각각의 라디오 프레임은 10ms의 길이를 갖는 50개의 서브프레임들로 이루어질 수 있다. 따라서, 각각의 서브프레임은 0.2 ms의 길이를 가질 수 있다. 각각의 서브프레임은 데이터 송신에 대한 링크 방향(즉, DL 또는 UL)을 표시할 수 있고, 각각의 서브프레임에 대한 링크 방향은 동적으로 스위칭될 수 있다. 각각의 서브프레임은 DL/UL 데이터뿐만 아니라 DL/UL 제어 데이터도 포함할 수 있다. 빔포밍이 지원될 수 있고 빔 방향은 동적으로 구성될 수 있다. 프리코딩을 갖는 MIMO(Multiple Input Multiple Output) 송신들이 또한 지원될 수 있다. DL에서 MIMO 구성들은 최대 8개의 스트림들 및 최대 2개의 무선 디바이스당 스트림들을 갖는 다중-계층 DL 송신들을 갖는 최대 8개의 송신 안테나들을 지원할 수 있다. 무선 디바이스당 최대 2개의 스트림들을 갖는 다중-계층 송신들이 지원될 수 있다. 다수의 셀들의 어그리게이션이 최대 8개의 서빙 셀들로 지원될 수 있다. 대안적으로, NR은 OFDM-기반 에어 인터페이스 이외의 상이한 에어 인터페이스를 지원할 수 있다.
[0059] 일부 모바일 디바이스들은 MTC(machine-type communication) 또는 eMTC(evolved or enhanced machine-type communication) 모바일 디바이스들로 고려될 수 있다. MTC 및 eMTC 모바일 디바이스들은, 예컨대, 기지국, 다른 디바이스(예컨대, 원격 디바이스), 또는 일부 다른 엔티티와 통신할 수 있는 로봇들, 드론들, 원격 디바이스들, 센서들, 계측기들, 모니터들, 위치 태그들 등을 포함한다. 무선 노드는, 예컨대, 유선 또는 무선 통신 링크를 통해 네트워크(예컨대, 광역 네트워크, 이를테면 인터넷 또는 셀룰러 네트워크)에 대한 또는 그것으로의 연결을 제공할 수 있다. 일부 모바일 디바이스들은 IoT(Internet-of-Things) 디바이스들로 고려될 수 있거나 또는 NB-IoT(narrowband internet of things) 디바이스들로서 구현될 수 있다. 무선 디바이스(120a-120e)는 무선 디바이스의 컴포넌트들, 이를테면 프로세서 컴포넌트들, 메모리 컴포넌트들, 유사한 컴포넌트들, 또는 이것들의 조합을 수용하는 하우징 내부에 포함될 수 있다.
[0060] 일반적으로, 임의의 수의 통신 시스템들 및 임의의 수의 무선 네트워크들이 주어진 지리적 영역에 배치될 수 있다. 각각의 통신 시스템 및 무선 네트워크는 특정 RAT(radio access technology)를 지원할 수 있고, 그리고 하나 이상의 주파수들 상에서 동작할 수 있다. RAT는 또한 라디오 기술, 에어 인터페이스 등으로 지칭될 수 있다. 주파수는 또한 캐리어, 주파수 채널 등으로 지칭될 수 있다. 각각의 주파수는 상이한 RAT들의 통신 시스템들 사이의 간섭을 회피하기 위해, 주어진 지리적 영역에서 단일 RAT를 지원할 수 있다. 일부 경우들에서, NR 또는 5G RAT 네트워크들이 배치될 수 있다.
[0061] 일부 실시예들에서, 2개 이상의 모바일 디바이스들(120a-120e)(예컨대, 무선 디바이스(120a) 및 무선 디바이스(120e)로 예시됨)은 (예컨대, 서로 통신하기 위한 매개체로서 기지국(110)을 사용함이 없이) 하나 이상의 사이드링크 채널들(124)을 사용하여 직접 통신할 수 있다. 예컨대, 무선 디바이스들(120a-120e)은 P2P(peer-to-peer) 통신들, D2D(device-to-device) 통신들, V2X(vehicle-to-everything) 프로토콜(V2V(vehicle-to-vehicle) 프로토콜, V2I(vehicle-to-infrastructure) 프로토콜, 또는 유사한 프로토콜), 메시 네트워크 또는 유사한 네트워크들 또는 이들의 조합을 사용하여 통신할 수 있다. 이 경우에, 무선 디바이스(120a-120e)는 기지국(110a)에 의해 수행되는 바와 같은 스케줄링 동작들, 자원 선택 동작들뿐만 아니라 본원의 다른 곳에서 설명된 다른 동작들을 수행할 수 있다.
[0062] 도 2는 다양한 실시예들 중 임의의 실시예를 구현하기에 적합한 예시적인 컴퓨팅 및 무선 모뎀 시스템(200)을 예시하는 컴포넌트 블록 다이어그램이다. 다양한 실시예들은 SOC(system-on-chip) 또는 SIP(system in a package)를 포함하는 다수의 단일 프로세서 및 다중 프로세서 컴퓨터 시스템들 상에서 구현될 수 있다.
[0063] 도 1 및 도 2를 참조하면, 클록(206), 전압 조절기(208), 및 하나 이상의 안테나들(267)을 통해 기지국(110a)과 같은 무선 디바이스들로/로부터 무선 통신들을 전송 및 수신하도록 구성된 하나 이상의 무선 트랜시버들(266)에 커플링된 2개의 SOC들(202, 204)을 포함하는 예시적인 컴퓨팅 시스템(200)(일부 실시예들에서는 SIP일 수 있음)이 예시된다. 일부 실시예들에서, 제1 SOC(202)는 소프트웨어 애플리케이션 프로그램들의 명령들에 의해 규정된 산술, 논리, 제어 및 입력/출력(I/O) 동작들을 수행함으로써 그 명령들을 실행하는 무선 디바이스의 CPU(central processing unit)로서 동작한다. 일부 실시예들에서, 제2 SOC(204)는 특수 프로세싱 유닛으로서 동작할 수 있다. 예컨대, 제2 SOC(204)는 대용량, 고속(예컨대, 5 Gbps 등) 및/또는 초고주파 단파장(예컨대, 28 GHz mmWave 스펙트럼 등) 통신들의 관리를 담당하는 특수 5G 프로세싱 유닛으로 동작할 수 있다.
[0064] 제1 SOC(202)는 DSP(digital signal processor)(210), 모뎀 프로세서(212), 그래픽 프로세서(214), 애플리케이션 프로세서(216), 프로세서들 중 하나 이상에 연결된 하나 이상의 코프로세서들(218)(예컨대, 벡터 코-프로세서), 메모리(220), 주문형 회로(222), 시스템 컴포넌트들 및 자원들(224), 상호연결/버스 모듈(226), 하나 이상의 온도 센서들(230), 열 관리 유닛(232), 및 TPE(thermal power envelope) 컴포넌트(234)를 포함할 수 있다. 제2 SOC(204)는 5G 모뎀 프로세서(252), 전력 관리 유닛(254), 상호연결/버스 모듈(264), 복수의 mmWave 트랜시버들(256), 메모리(258), 및 다양한 추가 프로세서들(260), 이를테면 애플리케이션 프로세서, 패킷 프로세서 등을 포함할 수 있다. 복수의 mmWave 트랜시버들(256)은 하나 이상의 안테나들(268)에 연결될 수 있고, 하나 이상의 안테나들(268)을 통해 기지국(110a)과 같은 무선 디바이스들로/로부터 무선 통신들을 전송 및 수신하도록 구성될 수 있다.
[0065] 각각의 프로세서(210, 212, 214, 216, 218, 252, 260)는 하나 이상의 코어들을 포함할 수 있고, 각각의 프로세서/코어는 다른 프로세서들/코어들과 독립적인 동작들을 수행할 수 있다. 예컨대, 제1 SOC(202)는 제1 타입의 운영 체제(예컨대, FreeBSD, LINUX, OS X 등)를 실행하는 프로세서 및 제2 타입의 운영 체제(예컨대, MICROSOFT WINDOWS 10)를 실행하는 프로세서를 포함할 수 있다. 또한, 프로세서들(210, 212, 214, 216, 218, 252, 260) 중 임의의 또는 모든 프로세서들은 프로세서 클러스터 아키텍처(예컨대, 동기식 프로세서 클러스터 아키텍처, 비동기식 또는 이종 프로세서 클러스터 아키텍처 등)의 일부로서 포함될 수 있다.
[0066] 제1 및 제2 SOC들(202, 204)은, 센서 데이터, 아날로그-디지털 변환들, 무선 데이터 송신들을 관리하기 위한, 그리고 다른 특수 동작들, 이를테면 데이터 패킷들의 디코딩 및 웹 브라우저에서 렌더링하기 위한 인코딩된 오디오 및 비디오 신호들의 프로세싱을 수행하기 위한 다양한 시스템 컴포넌트들, 자원들 및 주문형 회로를 포함할 수 있다. 예컨대, 제1 SOC(202)의 시스템 컴포넌트들 및 자원들(224)은 전력 증폭기들, 전압 조정기들, 발진기들, 위상-고정 루프들, 주변 브리지들, 데이터 제어기들, 메모리 제어기들, 시스템 제어기들, 액세스 포트들, 타이머들, 및 무선 디바이스에서 실행되는 프로세서들 및 소프트웨어 클라이언트를 지원하는데 사용되는 다른 유사한 컴포넌트들을 포함할 수 있다. 시스템 컴포넌트들 및 자원들(224) 및/또는 주문형 회로(222)는 또한 주변 디바이스들, 이를테면 카메라들, 전자 디스플레이들, 무선 통신 디바이스들, 외부 메모리 칩들 등과 인터페이스하기 위한 회로를 포함할 수 있다.
[0067] 제1 및 제2 SOC들(202, 204)은 상호연결/버스 모듈(250)을 통해 통신할 수 있다. 다양한 프로세서들(210, 212, 214, 216, 218)은 상호연결/버스 모듈(226)을 통해 하나 이상의 메모리 엘리먼트들(220), 시스템 컴포넌트들 및 자원들(224), 주문형 회로(222), 및 열 관리 유닛(232)에 상호연결될 수 있다. 유사하게, 프로세서(252)는 상호연결/버스 모듈(264)을 통해 전력 관리 유닛(254), mmWave 트랜시버들(256), 메모리(258), 및 다양한 추가 프로세서들(260)에 상호연결될 수 있다. 상호연결/버스 모듈(226, 250, 264)은 재구성가능 논리 게이트들의 어레이를 포함할 수 있고 그리고/또는 버스 아키텍처(예컨대, CoreConnect, AMBA 등)를 구현할 수 있다. 통신들은 어드밴스드 상호연결들, 이를테면 고성능 NoC(network-on chip)들에 의해 제공될 수 있다.
[0068] 제1 및/또는 제2 SOC들(202, 204)은 SOC 외부의 자원들, 이를테면 클록(206) 및 전압 조정기(208)와 통신하기 위한 입력/출력 모듈(미도시됨)을 더 포함할 수 있다. SOC 외부의 자원들(예컨대, 클록(206), 전압 조정기(208))은 내부 SOC 프로세서들/코어들 중 2개 이상에 의해 공유될 수 있다.
[0069] 위에서 논의된 예시적인 SIP(200)에 추가하여, 다양한 실시예들은 단일 프로세서, 다수의 프로세서들, 멀티코어 프로세서들, 또는 이것들의 임의의 조합을 포함할 수 있는 매우 다양한 컴퓨팅 시스템들에서 구현될 수 있다.
[0070] 도 3은 다양한 실시예들 중 임의의 실시예를 구현하기에 적합한 무선 통신들에서 사용자 및 제어 평면들에 대한 라디오 프로토콜 스택을 포함하는 소프트웨어 아키텍처(300)를 예시하는 소프트웨어 아키텍처 다이어그램이다. 도 1 내지 도 3을 참조하면, 무선 디바이스(UE 컴퓨팅 디바이스)(320)는 통신 시스템(예컨대, 100)의 기지국(350)(예컨대, 기지국(110a))과 무선 디바이스(320)(예컨대, 무선 디바이스(120a-120e, 200)) 사이의 통신을 용이하게 하기 위한 소프트웨어 아키텍처(300)를 구현할 수 있다. 다양한 실시예들에서, 소프트웨어 아키텍처(300)의 계층들은 기지국(350)의 소프트웨어에서 대응하는 계층들과의 논리적 연결들을 형성할 수 있다. 소프트웨어 아키텍처(300)는 하나 이상의 프로세서들(예컨대, 프로세서들(212, 214, 216, 218, 252, 260))에 분배될 수 있다. 하나의 라디오 프로토콜 스택과 관련하여 예시되지만, 멀티-SIM(subscriber identity module) 무선 디바이스에서, 소프트웨어 아키텍처(300)는 다수의 프로토콜 스택들을 포함할 수 있으며, 그 프로토콜 스택들 각각은 상이한 SIM(예컨대, 듀얼-SIM 무선 통신 디바이스에서 2개의 SIM들과 각각 연관된 2개의 프로토콜 스택들)과 연관될 수 있다. LTE 통신 계층들을 참조하여 아래에서 설명되지만, 소프트웨어 아키텍처(300)는 무선 통신들을 위한 다양한 표준들 및 프로토콜들 중 임의의 것을 지원할 수 있고, 그리고/또는 다양한 표준들 및 프로토콜 무선 통신들 중 임의의 것을 지원하는 추가 프로토콜 스택들을 포함할 수 있다.
[0071] 소프트웨어 아키텍처(300)는 NAS(Non-Access Stratum)(302) 및 AS(Access Stratum)(304)를 포함할 수 있다. NAS(302)는 패킷 필터링, 보안 관리, 이동성 제어, 세션 관리, 및 무선 디바이스의 SIM(들)(예컨대, SIM(들)(204))과 그것의 코어 네트워크(140) 간의 트래픽 및 시그널링을 지원하기 위한 기능들 및 프로토콜들을 포함할 수 있다. AS(304)는 SIM(들)(예컨대, SIM(들)(204))과 지원되는 액세스 네트워크들의 엔티티들(예컨대, 기지국) 간의 통신을 지원하는 기능들 및 프로토콜들을 포함할 수 있다. 특히, AS(304)는 적어도 3개의 계층들(계층 1, 계층 2, 및 계층 3)을 포함할 수 있고, 그 계층들 각각은 다양한 서브-계층들을 포함할 수 있다.
[0072] 사용자 및 제어 평면들에서, AS(304)의 계층 1(L1)은 에어 인터페이스를 통한 송신 및/또는 수신을 가능하게 하는 기능들을 감독할 수 있는 물리 계층(PHY)(306)일 수 있다. 이러한 물리 계층(306) 기능들의 예들은 CRC(cyclic redundancy check) 부착, 코딩 블록들, 스크램블링 및 디스크램블링, 변조 및 복조, 신호 측정들, MIMO 등을 포함할 수 있다. 물리 계층은 PDCCH(Physical Downlink Control Channel) 및 PDSCH(Physical Downlink Shared Channel)을 포함하는 다양한 논리 채널들을 포함할 수 있다.
[0073] 사용자 및 제어 평면들에서, AS(304)의 계층 2(L2)는 물리 계층(306)을 통해 무선 디바이스(320)와 기지국(350) 간의 링크를 담당할 수 있다. 다양한 실시예들에서, 계층 2는 MAC(media access control) 서브계층(308), RLC(radio link control) 서브계층(310), 및 PDCP(packet data convergence protocol)(312) 서브계층을 포함할 수 있고, 이들 각각은 기지국(350)에서 종결하는 논리적 연결들을 형성한다.
[0074] 제어 평면에서, AS(304)의 계층 3(L3)은 RRC(radio resource control) 서브계층 3을 포함할 수 있다. 도시되지 않았지만, 소프트웨어 아키텍처(300)는 추가적인 계층 3 서브계층뿐만 아니라 계층 3 위의 다양한 상위 계층들을 포함할 수 있다. 다양한 실시예들에서, RRC 서브계층(313)은 시스템 정보의 브로드캐스트, 페이징, 및 무선 디바이스(320)와 기지국(350) 간의 RRC 시그널링 연결의 설정 및 해제를 포함하는 기능들을 제공할 수 있다.
[0075] 다양한 실시예들에서, PDCP 서브계층(312)은 상이한 라디오 베어러들과 논리 채널들 간의 다중화, 시퀀스 번호 추가, 핸드오버 데이터 처리, 무결성 보호, 암호화, 및 헤더 압축을 포함하는 업링크 기능들을 제공할 수 있다. 다운링크에서, PDCP 서브계층(312)은 데이터 패킷들의 순차적인 전달, 중복 데이터 패킷 검출, 무결성 검정, 암호해독, 및 헤더 압축해제를 포함하는 기능들을 제공할 수 있다.
[0076] 업링크에서, RLC 서브계층(310)은 상위 계층 데이터 패킷들의 세그먼트화 및 연결, 손실된 데이터 패킷들의 재송신, 및 ARQ(Automatic Repeat Request)를 제공할 수 있다. 다운링크에서, RLC 서브계층(310) 기능들은 비순차적 수신을 보상하기 위한 데이터 패킷들의 재정렬, 상위 계층 데이터 패킷들의 재조립, 및 ARQ를 포함할 수 있다.
[0077] 업링크에서, MAC 서브계층(308)은 논리 채널과 전송 채널 간의 다중화, 랜덤 액세스 절차, 논리 채널 우선순위, 및 HARQ(hybrid-ARQ) 동작들을 포함하는 기능들을 제공할 수 있다. 다운링크에서, MAC 계층 기능들은 셀 내의 채널 맵핑, 역다중화, DRX(discontinuous reception), 및 HARQ 동작들을 포함할 수 있다.
[0078] 소프트웨어 아키텍처(300)는 물리 매체들을 통해 데이터를 송신하기 위한 기능들을 제공할 수 있지만, 소프트웨어 아키텍처(300)는 무선 디바이스(320)에서 다양한 애플리케이션들에 데이터 전송 서비스들을 제공하기 위해 적어도 하나의 호스트 계층(314)을 더 포함할 수 있다. 일부 실시예들에서, 적어도 하나의 호스트 계층(314)에 의해 제공되는 애플리케이션-특정 기능들은 소프트웨어 아키텍처와 범용 프로세서(206) 간에 인터페이스를 제공할 수 있다.
[0079] 다른 실시예들에서, 소프트웨어 아키텍처(300)는 호스트 계층 기능들을 제공하는 하나 이상의 상위 논리 계층(예컨대, 전송, 세션, 프리젠테이션, 애플리케이션 등)을 포함할 수 있다. 예컨대, 일부 실시예들에서, 소프트웨어 아키텍처(300)는 논리적 연결이 PGW(PDN(packet data network) gateway)에서 종결되는 네트워크 계층(예컨대, IP(Internet Protocol) 계층)을 포함할 수 있다. 일부 실시예들에서, 소프트웨어 아키텍처(300)는 논리적 연결이 다른 디바이스(예컨대, 최종 사용자 디바이스, 서버 등)에서 종결되는 애플리케이션 계층을 포함할 수 있다. 일부 실시예들에서, 소프트웨어 아키텍처(300)는 물리 계층(306)과 통신 하드웨어(예컨대, 하나 이상의 RF(radio frequency) 트랜시버들) 간의 하드웨어 인터페이스(316)를 AS(304)에 추가로 포함시킬 수 있다.
[0080] 도 4는 다양한 실시예들 중 임의의 실시예를 구현하기 위한 컴퓨팅 디바이스에서 구현될 수 있는 예시적인 뉴럴 네트워크(400)를 예시한다. 도 1 내지 도 4를 참조하면, 통신 시스템(예컨대, 100) 내의 임의의 디바이스, 이를테면 무선 디바이스(UE 컴퓨팅 디바이스)(예컨대, 무선 디바이스(120a-120e), 200, 320) 및/또는 기지국(예컨대, 기지국(110a, 350) 등)은 뉴럴 네트워크(400)를 구현할 수 있다. 뉴럴 네트워크(400)는 인코더 뉴럴 네트워크, 디코더 뉴럴 네트워크 등과 같은 임의의 목적에 전용된 뉴럴 네트워크일 수 있다. 일 예로서, 뉴럴 네트워크(400)는 피드-포워드 딥 뉴럴 네트워크일 수 있다. 뉴럴 네트워크(400)는 하나 이상의 프로세서들(예컨대, 프로세서들(212, 214, 216, 218, 252, 260)) 간에 분배될 수 있다.
[0081] 뉴럴 네트워크(400)는 입력 계층(402), 중간 계층(들)(404) 및 출력 계층(406)을 포함할 수 있다. 계층들(402, 404, 406) 각각은, 입력 값들을 수신하고, 입력 값들에 기반하여 컴퓨테이션들을 수행하고, 결과(활성화)를 다음 계층에 전파하는 하나 이상의 프로세싱 노드들을 포함할 수 있다. 뉴럴 네트워크의 구조는 뉴럴 네트워크(400) 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 층들(402, 404, 406) 레이아웃)의 설명일 수 있다. 모델 타입들은 뉴럴 네트워크 엘리먼트들 자체(예컨대, 계층들(402, 404, 406) 및 그 안의 노드들)의 실제 표현들 및/또는 뉴럴 네트워크(400)의 구조를 나타내는 설명자들(예컨대, 모델 이름들, 모델 번호들, 모델 태그들), 이를테면, 뉴럴 네트워크(400) 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층(402, 404, 406) 레이아웃)의 설명일 수 있다. 일 예로서, 도 4에 예시된 바와 같은 뉴럴 네트워크(400)의 모델은 단일 입력 노드(X)를 갖는 입력 계층(402), 4개의 노드들(Y1, Y2, Y3 및 Y4)을 갖는 중간 계층(404), 및 단일 출력 노드(Z)를 갖는 출력 계층(406)일 수 있다. 특정 계층들(402, 404, 406) 및 노드들(X, Y1, Y2, Y3, Y4, Z)에 대해 예시되지만, 뉴럴 네트워크(400)는 부가적인 계층들, 노드들 및/또는 그들 사이의 상호연결들을 포함할 수 있고, 뉴럴 네트워크(400)는 임의의 타입의 뉴럴 네트워크(400)일 수 있다.
[0082] 뉴럴 네트워크(400)와 같은 피드-포워드 뉴럴 네트워크들에서, 모든 컴퓨테이션들은 이전 계층의 출력들에 대한 동작들의 시퀀스로서 수행된다. 동작들의 최종 세트는 인코더 뉴럴 네트워크의 압축된 정보, 디코더 뉴럴 네트워크의 압축해제된 정보 등과 같은 뉴럴 네트워크의 출력을 생성한다. 뉴럴 네트워크(400)의 가중치들은 뉴럴 네트워크(400)의 트레이닝 후의 뉴럴 네트워크(400)의 노드들 사이의 상호연결들과 연관된 값들일 수 있다. 예컨대, 도 4에 예시된 가중치들(W11)은 뉴럴 네트워크(400)의 트레이닝 후, 뉴럴 네트워크(400)의 X 노드와 Y 노드들(Y1, Y2, Y3, Y4) 사이의 상호연결들과 연관된 값들이다. 뉴럴 네트워크(400)의 최종 출력은 뉴럴 네트워크(400)가 수행하고 있을 수 있는 태스크, 이를테면 TX 파형 왜곡 정보를 압축하기 위한 인코더로서 동작하는 것, 압축된 TX 파형 정보로부터 TX 파형 왜곡 정보를 복원하기 위한 디코더로서 동작하는 것 등에 대응할 수 있다.
[0083] 뉴럴 네트워크(400)에서, 학습은 각각의 계층(402, 404, 406)의 가중치들의 값들이 결정되는 트레이닝 프로세스 동안 달성될 수 있다. 트레이닝 프로세스가 완료된 후, 뉴럴 네트워크(400)는 자신의 의도된 목적을 성공적으로 수행할 수 있다. 예컨대, 트레이닝된 인코더 네트워크는 TX 파형 왜곡 정보를 압축된 TX 왜곡 파형 정보로 성공적으로 압축하는 것과 같이 정보를 성공적으로 압축할 수 있다. 다른 예로서, 트레이닝된 디코더 뉴럴 네트워크는 정보를 성공적으로 압축해제할 수 있는데, 이를테면, 압축된 TX 왜곡 파형 정보를 TX 파형 왜곡 정보(복원된 TX 파형 왜곡 정보로 또한 지칭됨)로 성공적으로 압축해제할 수 있다.
[0084] 뉴럴 네트워크(400)를 트레이닝하는 것은, 뉴럴 네트워크(400)로 하여금 예상된/원하는 출력이 알려진 태스크를 프로세싱하게 하는 것, 및 뉴럴 네트워크(400)에 의해 생성된 출력을 예상된/원하는 출력과 비교하는 것을 포함할 수 있다. 트레이닝은 지도식(supervised) 또는 비지도식(unsupervised) 트레이닝일 수 있다. 트레이닝 동안, 뉴럴 네트워크(400)의 가중치들은 뉴럴 네트워크(400)의 출력이 예상된/원하는 출력에 매칭할 때까지 업데이트될 수 있다. 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들은 송신 디바이스에서의 트레이닝 후의 디코더 뉴럴 네트워크의 각각의 노드 사이의 상호연결들과 연관된 값들일 수 있다. 예컨대, 도 4에 예시된 바와 같은 트레이닝된 뉴럴 네트워크(400)의 가중치들은, 뉴럴 네트워크(400)의 트레이닝 후, 뉴럴 네트워크(400)의 X 노드와 Y 노드들(Y1, Y2, Y3, Y4) 사이의 상호연결들과 연관된 값들인 가중치들(W11)을 포함할 수 있다. 예컨대, 도 4에 예시된 예에서, Y는 수학식 Y = W11 * X에 의해 X와 관련될 수 있으며, 여기서 Y = [Y1, Y2, Y3, Y4]이고, W11은 1x4 행렬이고, 그에 따라, W11은 가중치들이고, 유사하게 Z는 다른 가중치들에 의해 Y와 관련될 수 있다.
[0085] 뉴럴 네트워크(400)의 모델 및 트레이닝된 뉴럴 네트워크(400)의 가중치들을 제공하는 것은 동일한 뉴럴 네트워크(400)의 다른 인스턴스가 생성되는 것을 가능하게 할 수 있다. 다양한 실시예들에서, 동일한 모델 타입을 갖는 2개의 디코더 뉴럴 네트워크들은 동일한 구조를 가질 수 있어서, 2개의 디코더 뉴럴 네트워크들에 동일한 가중치들을 적용하는 것은, 동일한 입력(예컨대, 동일한 압축된 입력, 이를테면 압축된 TX 파형 왜곡 정보)에 기반한 2개의 뉴럴 네트워크들의 동일한 출력(예컨대, 뉴럴 네트워크(400)가 디코더 뉴럴 네트워크일 때 동일한 압축해제된 출력)이 각각의 디코더 뉴럴 네트워크에 제공되는 것을 초래할 것이다. 이러한 방식으로, 트레이닝된 뉴럴 네트워크(400)의 모델 타입 및 트레이닝된 뉴럴 네트워크(400)의 가중치들을 갖는 디바이스는, 제2 뉴럴 네트워크를 실제로 트레이닝하기 위해 시간을 소비할 필요 없이 동일한 입력에 대해 트레이닝된 뉴럴 네트워크(400)에 의해 생성될 것과 동일한 출력을 생성하기 위해 제2 뉴럴 네트워크를 뉴럴 네트워크(400)에 대응하도록 구성(예컨대, 제2 뉴럴 네트워크가 트레이닝된 뉴럴 네트워크(400)의 카피가 되도록 구성)할 수 있다.
[0086] 도 5는 다양한 실시예들에 따라 수신 디바이스에 파형을 송신하는 송신 디바이스의 프로세서에 의해 수행되는 무선 통신을 위한 일 예(500)의 프로세스 흐름도이다. 도 1 내지 도 5를 참조하면, 방법(500)은, 하나 이상의 뉴럴 네트워크들(예컨대, 뉴럴 네트워크(400))을 구현하는 기지국(예컨대, 기지국(110a, 350) 등) 및/또는 무선 디바이스(UE 컴퓨팅 디바이스)(예컨대, 무선 디바이스(120a-120e, 200, 320))와 같은 송신 디바이스의 프로세서(이를테면 212, 216, 252 또는 260)에 의해 구현될 수 있다. 일 예로서, 3GPP 네트워크에서의 UL 통신들에서, 송신 디바이스는 UE 컴퓨팅 디바이스일 수 있고, 수신 디바이스는 기지국(예컨대, gNB)일 수 있다. 다른 예로서, 3GPP 네트워크에서의 DL 통신들에서, 송신 디바이스는 기지국(예컨대, gNB)일 수 있고, 수신 디바이스는 UE 컴퓨팅 디바이스일 수 있다.
[0087] 블록(502)에서, 송신 디바이스의 프로세서는 송신 디바이스의 TX 파형 왜곡 정보를 획득하는 것을 포함하는 동작들을 수행할 수 있다. 일부 실시예들에서, TX 파형 왜곡 정보는 송신 디바이스의 하나 이상의 안테나들에 대한 슬롯 내의 OFDM(orthogonal frequency division multiplexing) 심볼들의 신호 클리핑으로 인한 왜곡 에러의 2차원 맵일 수 있다. TX 파형 왜곡 정보는, 수신 디바이스가 송신 디바이스로부터 수신된 TX 파형의 파형 왜곡을 완화시키기 위해 송신 디바이스의 TX 파형 왜곡 정보를 사용할 수 있도록 구성될 수 있다. 예컨대, TX 파형 왜곡 정보는 다수의 OFDM 심볼들의 TX 파형 왜곡을 완화시키기 위해 수신 디바이스에 의해 사용될 수 있다.
[0088] 블록(504)에서, 송신 디바이스의 프로세서는, 송신 디바이스의 TX 파형 왜곡 정보를 송신 디바이스의 압축된 TX 파형 왜곡 정보로 압축하기 위해 인코더 뉴럴 네트워크를 트레이닝하는 것을 포함하는 동작들을 수행할 수 있다.
[0089] 블록(506)에서, 송신 디바이스의 프로세서는, 송신 디바이스의 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 TX 파형 왜곡 정보를 복원하기 위해 디코더 뉴럴 네트워크를 트레이닝하는 것을 포함하는 동작들을 수행할 수 있다.
[0090] 다양한 실시예들에서, 송신 디바이스는 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크 쌍을 포함할 수 있다. 일부 실시예들에서, 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크는 딥 뉴럴 네트워크들일 수 있다. 일부 실시예들에서, 송신 디바이스의 각각의 송신 안테나에 대한 인코더 및 디코더 쌍이 존재할 수 있다. 인코더 뉴럴 네트워크는 정보를 압축하도록 구성될 수 있다. 예컨대, 인코더 뉴럴 네트워크는 TX 파형 왜곡 정보를 압축된 TX 파형 왜곡 정보로 압축하도록 구성될 수 있다. 디코더 뉴럴 네트워크는 정보를 압축해제하도록 구성될 수 있다. 예컨대, 디코더 뉴럴 네트워크는 압축된 TX 파형 왜곡 정보로부터 TX 파형 왜곡 정보를 복원하도록 구성될 수 있다.
[0091] 일부 실시예들에서, 송신 디바이스의 인코더 뉴럴 네트워크 및 송신 디바이스의 디코더 뉴럴 네트워크는 비지도 학습 알고리즘들을 사용하여 트레이닝될 수 있다. 일부 실시예들에서, 송신 디바이스의 인코더 뉴럴 네트워크를 트레이닝하는 것 및 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 것은 송신 디바이스의 하나의 송신 안테나에 대해 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크를 트레이닝하는 것을 포함할 수 있다. 일부 실시예들에서, 송신 디바이스의 인코더 뉴럴 네트워크를 트레이닝하는 것 및 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 것은 주기적으로 수행될 수 있다. 예컨대, 트레이닝은 송신 디바이스의 초기 스타트-업 시에, 매일, 새로운 네트워크에 등록할 때 등에 발생할 수 있다. 일부 실시예들에서, 송신 디바이스의 인코더 뉴럴 네트워크 및 송신 디바이스의 디코더 뉴럴 네트워크는 비지도 학습 알고리즘들을 사용하여 트레이닝될 수 있다.
[0092] 블록(508)에서, 송신 디바이스의 프로세서는, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 결정하는 것을 포함하는 동작들을 수행할 수 있다. 모델 타입은 뉴럴 네트워크의 구조, 이를테면 뉴럴 네트워크 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층 레이아웃)의 설명일 수 있다. 모델 타입들은 뉴럴 네트워크 엘리먼트들 자체(예컨대, 계층들 및 그 안의 노드들)의 실제 표현들 및/또는 뉴럴 네트워크의 구조를 나타내는 설명자들(예컨대, 모델 이름들, 모델 번호들, 모델 태그들), 이를테면, 뉴럴 네트워크 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층 레이아웃)의 설명일 수 있다. 일부 실시예들에서, 송신 디바이스의 디코더 뉴럴 네트워크의 모델 타입은, 디코더 뉴럴 네트워크의 특정 구조를 송신 디바이스에서 트레이닝되었던 바와 같이 재구성하기 위한 정보를 수신 디바이스에 제공할 수 있다. 뉴럴 네트워크의 가중치들은 뉴럴 네트워크의 트레이닝 후의 뉴럴 네트워크의 노드들 사이의 상호연결들과 연관된 값들일 수 있다. 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들은 송신 디바이스에서의 트레이닝 후의 디코더 뉴럴 네트워크의 노드들 사이의 상호연결들과 연관된 값들일 수 있다. 일부 실시예들에서, 동일한 모델 타입을 갖는 2개의 디코더 뉴럴 네트워크들은 동일한 구조를 가질 수 있어서, 2개의 디코더 뉴럴 네트워크들에 동일한 가중치들을 적용하는 것은, 동일한 압축된 입력에 기반한 2개의 디코더 뉴럴 네트워크들의 동일한 압축해제된 출력이 각각의 디코더 뉴럴 네트워크에 제공되는 것을 초래할 것이다. 이러한 방식으로, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들을 갖는 수신 디바이스는 수신 디바이스의 디코더 뉴럴 네트워크를 실제로 트레이닝하기 위해 시간을 소비할 필요 없이, 공통 압축된 입력으로부터 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크에 의해 복원될 것과 동일한 압축해제된 출력을 복원하도록 수신 디바이스의 디코더 뉴럴 네트워크를 구성할 수 있다.
[0093] 블록(509)에서, 송신 디바이스의 프로세서는 인코더 뉴럴 네트워크를 사용하여 송신 디바이스에 대한 송신 파형 왜곡 정보를 압축된 송신 파형 왜곡 정보로 압축하는 것을 포함하는 동작들을 수행할 수 있다. 일부 실시예들에서, 송신 디바이스에 대한 송신 파형 왜곡 정보의 압축된 송신 파형 왜곡 정보로의 압축은, 인코더 뉴럴 네트워크가 송신 파형 왜곡 정보에 대해 선택된 레벨의 압축을 달성하도록 트레이닝된 후에 수행될 수 있다. 예컨대, 트레이닝된 인코더 뉴럴 네트워크는 획득된 TX 파형 왜곡 정보를 수신 디바이스에 전송하기 위해 선택된 압축 레벨로 압축할 수 있다.
[0094] 블록(510)에서, 송신 디바이스의 프로세서는, 수신 디바이스가 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 TX 파형 왜곡 정보를 복원하도록 수신 디바이스의 디코더 뉴럴 네트워크를 구성하기 위해 하나 이상의 가중치들 및/또는 모델 타입을 사용할 수 있게 하는 구성에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 하나 이상의 가중치들, 및/또는 모델 타입을 수신 디바이스에 전송하는 것을 포함하는 동작들을 수행할 수 있다. 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은, 수신 디바이스가 송신 디바이스의 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 TX 파형 왜곡 정보를 복원하도록 수신 디바이스의 디코더 뉴럴 네트워크를 구성하기 위해 모델 타입 및 가중치들을 사용할 수 있게 하는 구성에서, 수신 디바이스에 전송될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입 및 가중치들은 함께 전송될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은 개별적으로 전송될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은 송신 컴퓨팅 디바이스와 수신 컴퓨팅 디바이스 사이에서 교환되는 오버헤드 정보에서 전송될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보는 송신될 각각의 슬롯에 대한 제어 정보에서 전송될 수 있다. 압축된 TX 파형 왜곡 정보는 각각의 슬롯 상에서 전송될 수 있는 데이터에 의존할 수 있는데, 이는 전송될 데이터가 OFDM 파형에 영향을 미칠 수 있기 때문이다. 슬롯 단위 기반으로 압축된 TX 파형 왜곡 정보를 제공하는 것은 수신 디바이스가 슬롯 단위 기반으로 TX 파형 왜곡을 완화시키는 것을 가능하게 할 수 있다. 일부 실시예들에서, 압축된 TX 파형 왜곡 정보 및 모델 타입 및 가중치들은 상이한 주기들로 시그널링될 수 있다. 일부 실시예들에서, 모델 타입 및 가중치들은 송신 디바이스의 압축된 TX 파형 왜곡 정보보다 덜 빈번하게 시그널링될 수 있다. 예컨대, 압축된 TX 파형 왜곡 정보는 각각의 슬롯에 대한 제어 정보에서 전송될 수 있고, 가중치들은 모든 슬롯보다 더 큰 주기성으로(예컨대, 압축된 TX 파형 왜곡 정보보다 덜 빈번하게) 전송될 수 있다. 송신 디바이스의 인코더 뉴럴 네트워크 및 디코더 뉴럴 네트워크가 드물게 업데이트될 수 있기 때문에, 가중치들 및/또는 모델 타입들은 압축된 TX 파형 왜곡 정보보다 훨씬 더 큰 시간 스케일들로 전송될 수 있다.
[0095] 도 6은 다양한 실시예들에 따라 송신 디바이스로부터 파형을 수신하는 수신 디바이스의 프로세서에 의해 수행되는 무선 통신을 위한 예시적인 방법(600)의 프로세스 흐름도이다. 도 1 내지 도 6를 참조하면, 방법(600)은, 하나 이상의 뉴럴 네트워크들(예컨대, 뉴럴 네트워크(400))을 구현하는 기지국(예컨대, 기지국(110a, 350) 등) 및/또는 무선 디바이스(UE 컴퓨팅 디바이스)(예컨대, 무선 디바이스(120a-120e, 200, 320))와 같은 수신 디바이스의 프로세서(이를테면 212, 216, 252 또는 260)에 의해 구현될 수 있다. 방법(600)의 동작들은 방법(500)(도 5)의 동작들과 함께 수행될 수 있다. 일 예로서, 3GPP 네트워크에서의 UL 통신들에서, 수신 디바이스는 기지국(예컨대, gNB)일 수 있고, 송신 디바이스는 UE 컴퓨팅 디바이스일 수 있다. 다른 예로서, 3GPP 네트워크에서의 DL 통신들에서, 수신 디바이스는 UE 컴퓨팅 디바이스일 수 있고, 송신 디바이스는 기지국(예컨대, gNB)일 수 있다.
[0096] 블록(602)에서, 수신 디바이스의 프로세서는, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들, 및/또는 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입을 수신하는 것을 포함하는 동작들을 수행할 수 있다. 예컨대, 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은 도 5의 방법(500)의 동작들을 수행하는 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들일 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보, 모델 타입, 및 가중치들은 오버헤드 정보에서 수신될 수 있다. 일부 실시예들에서, 송신 디바이스의 압축된 TX 파형 왜곡 정보는 송신될 각각의 슬롯에 대한 제어 정보에서 수신될 수 있다.
[0097] 일부 실시예들에서, 모델 타입 및 가중치들은 송신 디바이스로부터 직접 수신될 수 있다. 예컨대, 송신 디바이스는 UE 컴퓨팅 디바이스일 수 있고, UE 컴퓨팅 디바이스는 기지국에 의해 서빙되는 셀에서 서비스들을 수신하기 위해 UE 컴퓨팅 디바이스와 기지국 사이의 초기 등록 절차들의 일부로서 모델 타입 및 가중치들을 기지국에 전송할 수 있다. 기지국은 수신 디바이스일 수 있고, UE 컴퓨팅 디바이스에 의해 전송된 TX 파형의 왜곡을 완화시키기 위해 모델 타입 및 가중치들을 활용할 수 있다. 일부 실시예들에서, 모델 타입 및 가중치들은 송신 디바이스가 아닌 기지국으로부터 수신될 수 있다. 예컨대, 모델 타입 및 가중치들은 통신 네트워크에서 디바이스들 사이에 저장 및 공유되는 값들일 수 있다. 기지국들의 모델 타입 및 가중치들은, 디바이스가 다른 디바이스에 대한 모델 타입 및 가중치들을 간접적으로 수신할 수 있도록 디바이스들 사이에서 공유될 수 있다. 일 예로서, 이웃 셀들의 기지국들은 UE 컴퓨팅 디바이스 모빌리티 및 핸드오프를 지원하기 위해 자신들의 모델 타입들 및 가중치들을 서로 그리고 자신들의 개개의 셀들 내의 UE 컴퓨팅 디바이스들과 공유할 수 있다. 다른 예로서, UE 컴퓨팅 디바이스가 모델 타입 및 가중치들을 기지국 등으로 직접 송신할 필요 없이, 기지국이 UE 컴퓨팅 디바이스의 발견 시에 UE 컴퓨팅 디바이스에 대한 모델 타입 및 가중치들을 리트리브할 수 있도록, UE 컴퓨팅 모델 타입 및 가중치들이 중앙에 저장될 수 있다.
[0098] 일부 실시예들에서, UE 컴퓨팅 디바이스가 압축된 TX 파형 왜곡 정보, 모델 타입, 및/또는 가중치들을 다음 기지국 등으로부터 직접 수신할 필요 없이, UE 컴퓨팅 디바이스가 기지국의 커버리지 영역으로 들어가기 전에 다음 기지국에 대한 압축된 TX 파형 왜곡 정보, 모델 타입, 및/또는 가중치들을 리트리브할 수 있도록, 기지국 압축된 TX 파형 왜곡 정보가, 모델 타입, 및/또는 가중치들에 부가하여, 중앙에 저장될 수 있다. 압축된 TX 파형 왜곡 정보의 저장은, 네트워크 측 송신기들이 동일한 데이터를 다수 번(예컨대, 주기적으로 전송되는 서비스 설명) 전송하고 UE 컴퓨팅 디바이스가 다음 셀로부터 동일한 데이터를 수신하기 위해 사전에 설정될 다음 셀로부터의 압축된 TX 파형 왜곡 정보를 사용하는 환경들에서 유용할 수 있다.
[0099] 블록(604)에서, 수신 디바이스의 프로세서는 수신된 하나 이상의 가중치들 및/또는 수신된 모델 타입을 사용하여 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 것을 포함하는 동작들을 수행할 수 있다. 모델 타입은 뉴럴 네트워크의 구조, 이를테면 뉴럴 네트워크 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층 레이아웃)의 설명일 수 있다. 모델 타입들은 뉴럴 네트워크 엘리먼트들 자체(예컨대, 계층들 및 그 안의 노드들)의 실제 표현들 및/또는 뉴럴 네트워크의 구조를 나타내는 설명자들(예컨대, 모델 이름들, 모델 번호들, 모델 태그들), 이를테면, 뉴럴 네트워크 내의 노드들의 타입들, 번호들 및/또는 상호연결들(예컨대, 계층 레이아웃)의 설명일 수 있다. 뉴럴 네트워크의 가중치들은 뉴럴 네트워크의 트레이닝 후의 뉴럴 네트워크의 노드들 사이의 상호연결들과 연관된 값들일 수 있다. 일부 실시예들에서, 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입 및 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 가중치들을 갖는 수신 디바이스는 송신 디바이스로부터 수신된 송신 디바이스의 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크에 의해 복원될 것과 동일한 압축해제된 출력을 복원하도록 수신 디바이스의 디코더 뉴럴 네트워크를 구성할 수 있다. 이러한 방식으로, 수신 디바이스는 자신의 디코더 뉴럴 네트워크를 실제로 트레이닝하기 위해 시간을 소비할 필요 없이 자신의 디코더 뉴럴 네트워크를 트레이닝된 뉴럴 네트워크로서 구성할 수 있다.
[0100] 블록(606)에서, 수신 디바이스의 프로세서는, 수신 디바이스의 구성된 디코더 뉴럴 네트워크를 사용하여, 압축된 TX 파형 왜곡 정보로부터 송신 디바이스의 TX 파형 왜곡 정보를 복원하는 것을 포함하는 동작들을 수행할 수 있다. 일부 실시예들에서, TX 파형 왜곡 정보는 송신 디바이스의 하나 이상의 안테나들에 대한 슬롯 내의 OFDM 심볼들의 신호 클리핑으로 인한 왜곡 에러의 2차원 맵을 포함할 수 있다. 수신 디바이스는 송신 디바이스에서 원래 생성되었던 동일한 2-차원 왜곡 맵을 복원할 수 있다.
[0101] 블록(608)에서, 수신 디바이스의 프로세서는, 송신 디바이스로부터 수신된 TX 파형의 파형 왜곡을 완화시키기 위해 송신 디바이스의 TX 파형 왜곡 정보를 사용하는 것을 포함하는 동작들을 수행할 수 있다. 파형 왜곡을 완화시키는 것은, 수신 디바이스에서 오리지널 TX 파형 신호를 재구성하기 위해 TX 파형 왜곡 정보를 사용하는 것을 포함할 수 있다. 이러한 방식으로, 파형 왜곡을 완화시킴으로써, 수신 디바이스는 송신 디바이스 자체에 의해 야기된 임의의 왜곡, 이를테면 송신 디바이스의 전력 증폭기들에 의해 야기된 왜곡에 대해 보상할 수 있다.
[0102] 도 7a는 송신 디바이스로부터 수신 디바이스에 왜곡 정보를 제공하기 위해 뉴럴 네트워크들을 레버리지하기 위한 방법들(500 및 600)의 동작들을 수행하는 수신 디바이스와 송신 디바이스의 예시적인 상호작용들을 예시한다. 도 1 내지 도 7a를 참조하면, 예시되고 논의된 상호작용들은, 하나 이상의 뉴럴 네트워크들(예컨대, 뉴럴 네트워크(400))을 구현하는 기지국(예컨대, 기지국(110a, 350), 등) 및/또는 무선 디바이스(UE 컴퓨팅 디바이스)(예컨대, 무선 디바이스(120a-120e, 200, 320))와 같은 수신 디바이스(752)에 TX 파형을 송신하는, 하나 이상의 뉴럴 네트워크들(예컨대, 뉴럴 네트워크(400))을 구현하는 기지국(예컨대, 기지국(110a, 350) 등) 및/또는 무선 디바이스(UE 컴퓨팅 디바이스)(예컨대, 무선 디바이스(120a-120e, 200, 320))와 같은 송신 디바이스(750)의 프로세서(이를테면, 212, 216, 252 또는 260)에 의해 구현될 수 있다.
[0103] 송신 디바이스(750)는 송신 디바이스(750)의 각각의 송신 안테나에 대한 신호 클리핑으로 인한 왜곡 에러의 2-차원 왜곡 맵(700)을 획득할 수 있다. 2-차원 왜곡 맵(700)은 예시의 용이함을 위해 단일 송신 안테나의 에러 맵으로서 도시된다. 그리드 내의 각각의 셀은 OFDM 심볼 내의 시간 도메인 샘플을 표현하며, 음영 블록들(702, 704, 706, 708, 및 710)은 통상적으로 복소수로서 표현되는 상이한 레벨들의 송신 파형 왜곡을 표현한다.
[0104] 송신 디바이스(750)는 2-차원 왜곡 맵(700)을 송신 디바이스(750)의 인코더 뉴럴 네트워크(714)(예컨대, 뉴럴 네트워크(400))에 입력할 수 있다. 인코더 뉴럴 네트워크(714)의 출력은 압축된 TX 파형 왜곡 정보(716)일 수 있다. 압축된 TX 파형 왜곡 정보(716)는 디코더 뉴럴 네트워크(718)에 대한 입력으로서 송신 디바이스(750)에 의해 송신 디바이스(750)의 디코더 뉴럴 네트워크(718)(예컨대, 뉴럴 네트워크(400))에 출력될 수 있다.
[0105] 송신 디바이스(750)는 선택된 레벨의 압축이 인코더 뉴럴 네트워크(714)에 의해 달성되고 2-차원 왜곡 맵(700)이 디코더 뉴럴 네트워크(718)에 의해 정확하게 출력될 때까지 자신의 인코더 뉴럴 네트워크(714) 및 디코더 뉴럴 네트워크(718)를 트레이닝할 수 있다. 예컨대, 송신 디바이스(750)의 디코더 뉴럴 네트워크(718)는, 송신 디바이스(750)의 디코더 뉴럴 네트워크(718)에 입력으로서 제공되는 압축된 TX 파형 왜곡 맵(700)인 출력된 압축된 TX 파형 왜곡 정보(716)가, 오리지널 왜곡 맵(700)의 정확한 사본을 출력하는 디코더 뉴럴 네트워크(718)를 초래할 때, 트레이닝된 것으로 고려될 수 있다.
[0106] 송신 디바이스(750)의 디코더 뉴럴 네트워크(718)가 트레이닝되는 것에 대한 응답으로, 송신 디바이스(750)는 송신 디바이스(750)의 트레이닝된 디코더 뉴럴 네트워크(718)의 모델 타입 및 송신 디바이스(750)의 트레이닝된 디코더 뉴럴 네트워크(718)의 가중치들을 결정할 수 있다. 인코더 뉴럴 네트워크(714) 및 디코더 뉴럴 네트워크(718)가 트레이닝되면, 송신 디바이스(750)는 압축된 TX 파형 왜곡 정보(716) 및 트레이닝된 디코더 뉴럴 네트워크(718)의 모델 타입 및 가중치들을 수신 디바이스(752)에 전송할 수 있다.
[0107] 수신 디바이스(752)는 수신된 모델 타입 및 가중치들을 사용하여 자신의 디코더 뉴럴 네트워크(720)를 구성할 수 있다. 이러한 방식으로, 디코더 뉴럴 네트워크(720)는, 디코더 뉴럴 네트워크(720)의 트레이닝을 실제로 겪을 필요 없이, 트레이닝된 디코더 뉴럴 네트워크(718)의 사본이 되도록 효과적으로 구성될 수 있다.
[0108] 수신 디바이스(752)는 압축된 TX 파형 왜곡 정보(716)를 자신의 디코더 뉴럴 네트워크(720) 내에 입력할 수 있고 그 출력은 오리지널 왜곡 맵(700)일 수 있다. 수신 디바이스(752)는 송신 디바이스(750)로부터 수신된 송신 파형의 TX 파형 왜곡을 완화시키기 위해 왜곡 맵(700)을 사용할 수 있다.
[0109] 도 7b는 송신 디바이스(750)로부터 수신 디바이스(752)에 왜곡 정보를 제공하기 위해 뉴럴 네트워크들을 레버리지하기 위한 방법들(500 및 600)의 동작들을 수행하는 도 7a의 수신 디바이스(752)와 송신 디바이스(750)의 추가의 예시적인 상호작용들을 예시한다. 도 1 내지 도 7b를 참조하면, 예시되고 논의된 상호작용들은, 하나 이상의 뉴럴 네트워크들(예컨대, 뉴럴 네트워크(400))을 구현하는 기지국(예컨대, 기지국(110a, 350), 등) 및/또는 무선 디바이스(UE 컴퓨팅 디바이스)(예컨대, 무선 디바이스(120a-120e, 200, 320))와 같은 수신 디바이스(752)에 TX 파형을 송신하는, 하나 이상의 뉴럴 네트워크들(예컨대, 뉴럴 네트워크(400))을 구현하는 기지국(예컨대, 기지국(110a, 350) 등) 및/또는 무선 디바이스(UE 컴퓨팅 디바이스)(예컨대, 무선 디바이스(120a-120e, 200, 320))와 같은 송신 디바이스(750)의 프로세서(이를테면, 212, 216, 252 또는 260)에 의해 구현될 수 있다.
[0110] 도 7b는, OFDM 심볼들(764)이, TX 파형(763)에서, 송신 디바이스(750)의 안테나(760)를 통한 송신을 위해 디지털-아날로그 변환기(D2A)(751) 및 전력 증폭기(753)에 전달되는 송신 파형(x)의 디지털 표현으로서 출력될 수 있다는 것을 예시한다. TX 파형(763)은 공중 무선 통신으로(over the air) 수신 디바이스(752)에 전송된 아날로그 신호일 수 있다. TX 파형(763)을 송신하기 위한 동작들, 이를테면 전력 증폭 등은 신호 왜곡을 야기할 수 있으며, 이 신호 왜곡은 안테나(760)에 출력된 신호를 탭핑하고 그 출력을 아날로그-디지털 변환기(A2D)(754)에 전달함으로써 측정될 수 있다. A2D(754)의 출력은 왜곡된 TX 파형(y)의 디지털 표현일 수 있다. 왜곡된 TX 파형(y)에 존재하는 왜곡은 송신 디바이스(750)의 송신 체인에서 야기된 그리고/또는 경험된 왜곡의 함수일 수 있다. 송신 파형(x)의 디지털 표현 및 왜곡된 TX 파형(y)의 디지털 표현은 비교기(756)에 전달될 수 있다. 비교기(756)는 2개의 파형들 사이의 차이, 이를테면 y-x를 결정할 수 있고, 그 차이는 송신 디바이스(750)의 TX 파형 왜곡 정보일 수 있다. 송신 디바이스(750)의 그 TX 파형 왜곡 정보(예컨대, y-x)는 송신 디바이스(750)의 인코더 뉴럴 네트워크(714)에 제공될 수 있다. 인코더 뉴럴 네트워크(714)는 송신 디바이스(750)의 TX 파형 왜곡 정보를 압축된 TX 파형 왜곡 정보(716)로 압축할 수 있다. 추가적으로, 송신 디바이스(750)의 TX 파형 왜곡 정보(예컨대, y-x)는 인코더 뉴럴 네트워크(714) 및 디코더 뉴럴 네트워크(718)의 트레이닝을 제어하도록 구성된 트레이닝 모듈(780)에 제공될 수 있다. 예컨대, 트레이닝 모듈(780)은 인코더 뉴럴 네트워크(714) 및/또는 디코더 뉴럴 네트워크(718)를 트레이닝하기 위해 사용되는 하나 이상의 손실 함수들, 이를테면, MSE(mean squared error) 손실 함수를 적용할 수 있다.
[0111] 트레이닝 동작 모드에서, 압축된 TX 파형 왜곡 정보(716)는 송신 디바이스(750)의 디코더 뉴럴 네트워크(718)에 전달될 수 있고, 디코더 뉴럴 네트워크(718)는 압축된 TX 파형 왜곡 정보(716)로부터 TX 파형 왜곡 정보(예컨대, y-x)를 복원할 수 있다. 디코더 뉴럴 네트워크(718)의 출력은 트레이닝 모듈(780)에 출력되고, 인코더 뉴럴 네트워크(714)에 입력된 TX 파형 왜곡 정보와 비교될 수 있다. 송신 디바이스(750)의 트레이닝 모듈(780)은, 선택된 레벨의 압축이 인코더 뉴럴 네트워크(714)에 의해 달성되고 송신 디바이스(750)의 TX 파형 왜곡 정보(예컨대, y-x)가 디코더 뉴럴 네트워크(718)에 의해 정확하게 출력될 때까지 자신의 인코더 뉴럴 네트워크(714) 및 디코더 뉴럴 네트워크(718)를 트레이닝할 수 있다. 트레이닝은 인코더 뉴럴 네트워크(714)에 대한 입력과 디코더 뉴럴 네트워크(718)의 출력 사이에 손실 함수, 이를테면 MSE 손실을 적용하는 것을 포함할 수 있다. 예컨대, 송신 디바이스(750)의 디코더 뉴럴 네트워크(718)는, 송신 디바이스(750)의 디코더 뉴럴 네트워크(718)에 입력으로서 제공된 압축된 TX 파형 왜곡 정보(716)인 출력된 압축된 TX 파형 왜곡 정보(716)가, 디코더 뉴럴 네트워크(718)가 송신 디바이스(750)의 오리지널 TX 파형 왜곡 정보의 정확한 사본(예컨대, y-x의 정확한 사본)을 출력하는 것을 초래할 때, 트레이닝된 것으로 고려될 수 있다.
[0112] 송신 디바이스(750)의 디코더 뉴럴 네트워크(718)가 트레이닝되는 것에 대한 응답으로, 송신 디바이스(750)는 송신 디바이스(750)의 트레이닝된 디코더 뉴럴 네트워크(718)의 모델 타입 및/또는 송신 디바이스(750)의 트레이닝된 디코더 뉴럴 네트워크(718)의 하나 이상의 가중치들을 결정할 수 있다. 인코더 뉴럴 네트워크(714) 및 디코더 뉴럴 네트워크(718)가 트레이닝되면, 송신 디바이스(750)는 압축된 TX 파형 왜곡 정보(716), 트레이닝된 디코더 뉴럴 네트워크(718)의 모델 타입, 및/또는 트레이닝된 디코더 뉴럴 네트워크(718)의 하나 이상의 가중치들을 수신 디바이스(752)에 전송할 수 있다. 압축된 TX 파형 왜곡 정보(716), 트레이닝된 디코더 뉴럴 네트워크(718)의 모델 타입, 및/또는 트레이닝된 디코더 뉴럴 네트워크(718)의 하나 이상의 가중치들은 다양한 방식들로, 이를테면, 오버헤드 시그널링, 대역외(out-of-band) 시그널링, 등으로 송신될 수 있다.
[0113] 수신 디바이스(752)는 수신된 하나 이상의 가중치들 및/또는 수신된 모델 타입을 사용하여 자신의 디코더 뉴럴 네트워크(720)를 구성할 수 있다. 이러한 방식으로, 디코더 뉴럴 네트워크(720)는, 디코더 뉴럴 네트워크(720)의 트레이닝을 실제로 겪을 필요 없이, 트레이닝된 디코더 뉴럴 네트워크(718)의 사본이 되도록 효과적으로 구성될 수 있다.
[0114] 수신 디바이스(752)는 압축된 TX 파형 왜곡 정보(716)를 자신의 디코더 뉴럴 네트워크(720)에 입력할 수 있고, 출력은 송신 디바이스(750)의 오리지널 TX 파형 왜곡 정보(예컨대, y-x의 복원된 사본)일 수 있다. 수신 디바이스(752)는 송신 디바이스(750)로부터 수신 디바이스(752)의 안테나(761)를 통해 수신된 송신 파형(763)의 TX 파형 왜곡을 완화시키기 위해 송신 디바이스(750)의 이러한 TX 파형 왜곡 정보(예컨대, y-x의 복원된 사본)를 수신기(757)에 전달할 수 있다. 수신 디바이스(752)의 수신기(757)는 파형 왜곡을 완화시키고 송신 파형(763)에서 송신된 OFDM 심볼들(764)을 수신하기 위해 송신 디바이스(750)의 복원된 TX 파형 왜곡 정보(예컨대, y-x의 복원된 사본)를 사용할 수 있다.
[0115] 다양한 실시예들은 다양한 무선 네트워크 디바이스들 상에서 구현될 수 있으며, 그 예가 기지국과 같은 통신 네트워크의 네트워크 엘리먼트로서 기능하는 무선 네트워크 컴퓨팅 디바이스(800)의 형태로 도 8에 예시된다. 그러한 네트워크 컴퓨팅 디바이스들은 도 8에 예시된 컴포넌트들을 적어도 포함할 수 있다. 도 1 내지 도 8을 참조하면, 네트워크 컴퓨팅 디바이스(800)는 통상적으로, 휘발성 메모리(802) 및 대용량 비휘발성 메모리, 이를테면 디스크 드라이브(803)에 커플링된 프로세서(801)를 포함할 수 있다. 네트워크 컴퓨팅 디바이스(800)는 또한, 프로세서(801)에 커플링된 플로피 디스크 드라이브, CD(compact disc) 또는 DVD(digital video disc) 드라이브(806)와 같은 주변 메모리 액세스 디바이스를 포함할 수 있다. 네트워크 컴퓨팅 디바이스(800)는 또한, 다른 시스템 컴퓨터들 및 서버들에 커플링된 인터넷 및/또는 LAN(local area network)과 같은 네트워크와의 데이터 연결들을 설정하기 위해 프로세서(801)에 커플링된 네트워크 액세스 포트들(804)(또는 인터페이스)을 포함할 수 있다. 네트워크 컴퓨팅 디바이스(800)는 무선 통신 링크를 확립하기 위해 전자기 방사를 전송 및 수신하기 위한 하나 이상의 안테나들에 커플링될 수 있다. 네트워크 컴퓨팅 디바이스(800)는 주변 장치들, 외부 메모리 또는 다른 디바이스들에 커플링하기 위한 추가 액세스 포트들, 이를테면 USB, Firewire, Thunderbolt 등을 포함할 수 있다.
[0116] 다양한 실시예들은 다양한 무선 디바이스들(예컨대, 무선 디바이스(120a-120e, 200, 320)) 상에 구현될 수 있고, 그것의 예가 도 9에 스마트폰(900)의 형태로 예시되어 있다. 스마트폰(900)은 제2 SOC(204)(예컨대, 5G-가능 SOC)에 커플링된 제1 SOC(202)(예컨대, SOC-CPU)를 포함할 수 있다. 제1 및 제2 SOC들(202, 204)은 내부 메모리(906, 916), 디스플레이(912), 및 스피커(914)에 커플링될 수 있다. 추가적으로, 스마트폰(900)은 무선 데이터 링크에 연결될 수 있는 전자기 방사를 전송 및 수신하기 위한 안테나(904) 및/또는 제1 및/또는 제2 SOC들(202, 204)의 하나 이상의 프로세서들에 커플링된 셀룰러 전화 트랜시버(908)를 포함할 수 있다. 스마트폰들(900)은 통상적으로 사용자 입력들을 수신하기 위한 메뉴 선택 버튼들 또는 로커(rocker) 스위치들(920)을 또한 포함한다.
[0117] 통상적인 스마트폰(900)은 또한, 사운드를 생성하기 위해 스피커에 제공되는 아날로그 신호들을 생성하기 위해서, 마이크로폰으로부터 수신된 사운드를 무선 송신에 적절한 데이터 패킷들로 디지털화하고 수신된 사운드 데이터 패킷들을 디코딩하는 사운드 인코딩/디코딩(CODEC) 회로(910)를 포함한다. 또한, 제1 및 제2 SOC들(202, 204), 무선 트랜시버(908) 및 CODEC(910)의 프로세서들 중 하나 이상은 DSP(digital signal processor) 회로(별개로 도시되지 않음)를 포함할 수 있다.
[0118] 무선 네트워크 컴퓨팅 디바이스(800) 및 스마트폰(900)의 프로세서들은, 아래에서 설명된 다양한 실시예들의 기능들을 포함하는 다양한 기능들을 수행하도록 소프트웨어 명령들(애플리케이션들)에 의해 구성될 수 있는 임의의 프로그래밍가능 마이크로프로세서, 마이크로컴퓨터 또는 다중 프로세서 칩 또는 칩들일 수 있다. 일부 디바이스들에서, 다수의 모바일 프로세서들, 이를테면 무선 통신 기능들에 전용화되는 SOC(204) 내의 하나의 프로세서 및 다른 애플리케이션들을 실행하는데 전용화되는 SOC(202) 내의 하나의 프로세서가 제공될 수 있다. 통상적으로, 소프트웨어 애플리케이션들은 액세스되고 프로세서에 로딩되기 이전에 메모리(906, 916)에 저장될 수 있다. 프로세서들은 애플리케이션 소프트웨어 명령들을 저장하기에 충분한 내부 메모리를 포함할 수 있다.
[0119] 본 출원에서 사용된 바와 같이, 용어들 "컴포넌트", "모듈", "시스템" 등은 특정 동작들 또는 기능들을 수행하도록 구성되는 하드웨어, 펌웨어, 하드웨어와 소프트웨어의 결합, 소프트웨어, 또는 실행중인 소프트웨어와 같은(그러나 이것들로 제한되지는 않음) 컴퓨터-관련 엔티티를 포함하도록 의도된다. 예컨대, 컴포넌트는 프로세서 상에서 실행되는 프로세스, 프로세서, 오브젝트, 실행가능물, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이것들로 제한되지는 않는다. 예시로서, 무선 디바이스 상에서 실행되는 애플리케이션 및 무선 디바이스 둘 모두는 컴포넌트로 지칭될 수 있다. 하나 이상의 컴포넌트들은 프로세스 및/또는 실행 스레드 내에 상주할 수 있고, 컴포넌트는 하나의 프로세서 또는 코어 상에 로컬화될 수 있고 그리고/또는 2개 이상의 프로세서들 또는 코어들 간에 분배될 수 있다. 또한, 이런 컴포넌트들은 다양한 명령들 및/또는 데이터 구조들이 저장된 다양한 비-일시적인 컴퓨터 판독가능 매체들로부터 실행될 수 있다. 컴포넌트들은 로컬 및/또는 원격 프로세스들, 함수 또는 절차 호출들, 전자 신호들, 데이터 패킷들, 메모리 판독/기록들 및 다른 알려진 네트워크, 컴퓨터, 프로세서 및/또는 프로세스 관련 통신 방법들을 통해 통신할 수 있다.
[0120] 다수의 상이한 셀룰러 및 모바일 통신 서비스들 및 표준들이 장래에 이용 가능하거나 고려되며, 이들 모두는 다양한 실시예들을 구현하고 이들로부터 이익을 얻을 수 있다. 그러한 서비스들 및 표준들은, 예컨대, 3GPP(third generation partnership project), LTE(long term evolution) 시스템들, 3세대 무선 모바일 통신 기술(3G), 4세대 무선 모바일 통신 기술(4G), 5세대 무선 모바일 통신 기술(5G), GSM(global system for mobile communications), UMTS(universal mobile telecommunications system), 3GSM, GPRS(general packet radio service), CDMA(code division multiple access) 시스템들(예컨대, cdmaOne, CDMA1020TM), EDGE(enhanced data rates for GSM evolution), AMPS(advanced mobile phone system), IS-136/TDMA(digital AMPS), EV-DO(evolution-data optimized), DECT(digital enhanced cordless telecommunications), WiMAX(Worldwide Interoperability for Microwave Access), WLAN(wireless local area network), WPA, WPA2(Wi-Fi Protected Access I & II), 및 iDEN(integrated digital enhanced network)을 포함한다. 이런 기술들 각각은, 예컨대, 음성, 데이터, 시그널링 및/또는 콘텐츠 메시지들의 송신 및 수신을 수반한다. 개별 전기 통신 표준 또는 기술과 관련된 용어 및/또는 기술적 세부사항들에 대한 임의의 참조들은 단지 예시적인 목적들을 위한 것이며, 청구항 언어에서 구체적으로 인용되지 않으면 청구항들의 범위를 특정 통신 시스템 또는 기술로 제한하려는 의도가 아님을 이해해야 한다.
[0121] 예시되고 설명된 다양한 실시예들은 청구항들의 다양한 특징들을 예시하기 위해 단지 예들로서 제공된다. 그러나, 임의의 주어진 실시예에 대해 도시되고 설명된 특징들은 반드시 연관된 실시예로 제한되는 것은 아니며, 도시되고 설명된 다른 실시예들과 함께 사용되거나 조합될 수 있다. 추가로, 청구항들은 임의의 하나의 예시적인 실시예에 의해 제한되도록 의도되지 않는다. 게다가, 청구항들은 임의의 하나의 예시적인 실시예에 의해 제한되도록 의도되지 않는다. 예컨대, 방법들(500 및/또는 600)의 동작들 중 하나 이상은 방법들(500 및/또는 600)의 하나 이상의 동작들로 대체되거나 그것들과 조합될 수 있다.
[0122] 전술한 방법 설명들 및 프로세스 흐름도들은 단지 예시적인 예들로서 제공되며, 다양한 실시예들의 동작들이 제시된 순서로 수행되어야 하는 것을 요구 또는 의미하도록 의도되지 않는다. 당업자에 의해 인지될 바와 같이, 전술한 실시예들의 동작들의 순서는 임의의 순서로 수행될 수 있다. "그 후", "그 다음", "다음으로" 등과 같은 단어들은 동작들의 순서를 제한하는 것으로 의도되지 않으며; 이러한 단어들은 방법들의 설명을 통해 독자를 안내하기 위해 사용된다. 추가로, 예를 들어, 단수형 표현을 사용하여 엘리먼트들을 단수로 청구하기 위한 임의의 참조는 엘리먼트를 단수로 제한하는 것으로 해석하지 않아야 한다.
[0123] 본원에 개시된 실시예들과 관련하여 개시되는 다양한 예시적인 논리 블록들, 모듈들, 컴포넌트들, 회로들, 및 알고리즘 동작들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 이 둘의 조합으로서 구현될 수 있다. 하드웨어와 소프트웨어의 이러한 상호교환가능성을 명확하게 예시하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들, 및 동작들이 일반적으로 이들의 기능적 관점에서 위에 설명되었다. 그러한 기능이 하드웨어로 구현되는지 또는 소프트웨어로 구현되는지 여부는 특정 애플리케이션 및 전체 시스템에 부과된 설계 제약들에 의존한다. 당업자들은 설명된 기능을 각각의 특정 애플리케이션에 대해 다양한 방식들로 구현할 수 있지만, 이러한 실시예 결정들이 청구항들의 범위를 벗어나게 하는 것으로 해석되지 않아야 한다.
[0124] 본원에 개시된 실시예들과 관련하여 개시된 다양한 예시적인 로직들, 논리 블록들, 모듈들, 및 회로들을 구현하는데 사용되는 하드웨어는 범용 프로세서, DSP(digital signal processor), ASIC(application specific integrated circuit), FPGA(field programmable gate array) 또는 다른 프로그래밍가능 논리 디바이스, 이산 게이트 또는 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에서 설명된 기능들을 수행하도록 설계된 이것들의 임의의 조합으로 구현 또는 수행될 수 있다. 범용 프로세서는 마이크로프로세서일 수 있지만, 대안적으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수 있다. 프로세서는 또한 수신기 스마트 오브젝트들의 조합, 예컨대, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들, DSP 코어와 결합된 하나 이상의 마이크로프로세서들, 또는 임의의 다른 이러한 구성으로서 구현될 수 있다. 대안적으로, 일부 동작들 또는 방법들은 주어진 기능에 특정된 회로에 의해 수행될 수 있다.
[0125] 하나 이상의 실시예들에서, 설명된 기능들은 하드웨어, 소프트웨어, 펌웨어, 또는 이것들의 임의의 조합으로 구현될 수 있다. 소프트웨어로 구현되면, 기능들은 하나 이상의 명령들 또는 코드로서 비-일시적인 컴퓨터-판독가능 저장 매체 또는 비-일시적인 프로세서-판독가능 저장 매체 상에 저장될 수 있다. 본원에 개시된 방법 또는 알고리즘의 동작들은 비-일시적인 컴퓨터-판독가능 또는 프로세서-판독가능 저장 매체 상에 상주할 수 있는 프로세서-실행가능 소프트웨어 모듈 또는 프로세서-실행가능 명령들로 구현될 수 있다. 비-일시적인 컴퓨터-판독가능 또는 프로세서-판독가능 저장 매체들은 컴퓨터 또는 프로세서에 의해 액세스될 수 있는 임의의 저장 매체들일 수 있다. 제한이 아닌 예로서, 이러한 비-일시적인 컴퓨터-판독가능 또는 프로세서-판독가능 저장 매체들은 RAM, ROM, EEPROM, FLASH 메모리, CD-ROM, 또는 다른 광학 디스크 저장소, 자기 디스크 저장소 또는 다른 자기 저장 스마트 오브젝트들, 또는 명령들 또는 데이터 구조들의 형태로 원하는 프로그램 코드를 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 본원에서 사용된 디스크(disk) 및 디스크(disc)는 CD(compact disc), 레이저 디스크(disc), 광학 디스크(disc), DVD(digital versatile disc), 플로피 디스크(disk) 및 블루-레이 디스크(disc)를 포함하며, 여기서 디스크(disk)들은 일반적으로 데이터를 자기적으로 재생하지만, 디스크(disc)들은 레이저를 이용하여 광학적으로 데이터를 재생한다. 상기의 것들의 조합들이 또한 비-일시적인 컴퓨터-판독가능 및 프로세서-판독가능 매체들의 범위 내에 포함된다. 추가적으로, 알고리즘 또는 방법의 동작들은, 컴퓨터 프로그램 제품에 통합될 수 있는 비-일시적인 프로세서 판독가능 저장 매체 및/또는 컴퓨터-판독가능 저장 매체 상에 명령들 및/또는 코드들 중 하나 또는 이것들의 임의의 조합 또는 이들의 세트로서 상주할 수 있다.
[0126] 개시된 실시예들의 선행 설명은 임의의 당업자가 청구항들을 사용하거나 실시할 수 있게 하도록 제공된다. 이러한 실시예들에 대한 다양한 변형들이 해당 기술분야에서 통상의 지식을 가진 자들에게 쉽게 명백할 것이며, 본 명세서에 정의된 일반 원리들은 청구항들의 범위를 벗어나지 않으면서 다른 실시예들에 적용될 수 있다. 따라서, 본 개시내용은 본원에 도시된 실시예들로 제한되는 것으로 의도되는 것이 아니라, 아래의 청구항들 및 본원에 개시된 원리들 및 신규한 특징들에 부합하는 가장 넓은 범위에 부합할 것이다.

Claims (30)

  1. 수신 디바이스에 파형을 송신하는 송신 디바이스의 프로세서에 의해 수행되는 무선 통신 방법으로서,
    상기 송신 디바이스의 송신 파형 왜곡 정보를 획득하는 단계;
    인코더 뉴럴 네트워크를 사용하여 상기 송신 디바이스의 송신 파형 왜곡 정보를 압축된 송신 파형 왜곡 정보로 압축하는 단계; 및
    상기 수신 디바이스가 상기 압축된 송신 파형 왜곡 정보로부터 상기 송신 디바이스의 송신 파형 왜곡 정보를 복원하도록 상기 수신 디바이스의 디코더 뉴럴 네트워크를 구성하기 위해 하나 이상의 디코더 뉴럴 네트워크 가중치들을 사용할 수 있게 하는 구성에서, 상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들을 상기 수신 디바이스에 전송하는 단계를 포함하는,
    무선 통신 방법.
  2. 제1 항에 있어서,
    상기 송신 디바이스의 디코더 뉴럴 네트워크의 모델 타입을 결정하는 단계를 더 포함하고,
    상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들을 상기 수신 디바이스에 전송하는 단계는, 상기 압축된 송신 파형 왜곡 정보, 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들, 및 상기 모델 타입을 상기 수신 디바이스에 전송하는 단계를 포함하는,
    무선 통신 방법.
  3. 제1 항에 있어서,
    상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들을 상기 수신 디바이스에 전송하는 단계는, 송신될 각각의 슬롯에 대한 제어 정보에서 상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들을 상기 수신 디바이스에 전송하는 단계를 포함하는,
    무선 통신 방법.
  4. 제1 항에 있어서,
    상기 송신 디바이스는 UE(user equipment) 컴퓨팅 디바이스이고 상기 수신 디바이스는 기지국인,
    무선 통신 방법.
  5. 제1 항에 있어서,
    상기 송신 디바이스는 기지국이고 상기 수신 디바이스는 UE(user equipment) 컴퓨팅 디바이스인,
    무선 통신 방법.
  6. 제1 항에 있어서,
    상기 송신 디바이스의 송신 파형 왜곡 정보를 상기 압축된 송신 파형 왜곡 정보로 압축하기 위해 상기 인코더 뉴럴 네트워크를 트레이닝하는 단계; 및
    상기 압축된 송신 파형 왜곡 정보로부터 상기 송신 디바이스의 송신 파형 왜곡 정보를 복원하기 위해 상기 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 단계를 더 포함하며, 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들은 상기 송신 디바이스의 상기 트레이닝된 디코더 뉴럴 네트워크의 가중치들인,
    무선 통신 방법.
  7. 제6 항에 있어서,
    상기 송신 디바이스의 상기 디코더 뉴럴 네트워크 및 상기 인코더 뉴럴 네트워크는 비지도 학습(unsupervised learning) 알고리즘들을 사용하여 트레이닝되는,
    무선 통신 방법.
  8. 제6 항에 있어서,
    상기 인코더 뉴럴 네트워크를 트레이닝 하는 단계 및 상기 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 단계는, 상기 송신 디바이스의 하나의 송신 안테나에 대해 상기 송신 디바이스의 상기 디코더 뉴럴 네트워크 및 상기 인코더 뉴럴 네트워크를 트레이닝하는 단계를 포함하는,
    무선 통신 방법.
  9. 제6 항에 있어서,
    상기 인코더 뉴럴 네트워크를 트레이닝하는 단계 및 상기 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 단계는, 상기 송신 디바이스의 각각의 송신 안테나에 대해 상기 송신 디바이스의 상기 디코더 뉴럴 네트워크 및 상기 인코더 뉴럴 네트워크를 트레이닝하는 단계를 포함하는,
    무선 통신 방법.
  10. 송신 디바이스로부터 파형을 수신하도록 구성된 수신 디바이스의 프로세서에 의해 수행되는 무선 통신 방법으로서,
    상기 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 단계;
    상기 수신된 하나 이상의 가중치들을 사용하여 상기 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 단계;
    상기 수신 디바이스의 상기 구성된 디코더 뉴럴 네트워크를 사용하여 상기 송신 디바이스의 압축된 송신 파형 왜곡 정보로부터 상기 송신 디바이스의 송신 파형 왜곡 정보를 복원하는 단계를 포함하는,
    무선 통신 방법.
  11. 제10 항에 있어서,
    상기 송신 디바이스로부터 수신된 송신 파형의 파형 왜곡을 완화시키기 위해 상기 송신 디바이스의 상기 복원된 송신 파형 왜곡 정보를 사용하는 단계를 더 포함하는,
    무선 통신 방법.
  12. 제10 항에 있어서,
    상기 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 단계는, 상기 송신 디바이스의 압축된 송신 파형 왜곡 정보, 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들, 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입을 수신하는 단계를 포함하고;
    상기 수신된 하나 이상의 가중치들을 사용하여 상기 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 단계는, 상기 수신된 하나 이상의 가중치들 및 상기 수신된 모델 타입을 사용하여 상기 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 단계를 포함하는,
    무선 통신 방법.
  13. 제10 항에 있어서,
    상기 복원된 송신 파형 왜곡 정보는, 상기 송신 디바이스의 하나 이상의 안테나들에 대한 슬롯 내의 OFDM(orthogonal frequency division multiplexing) 심볼들의 신호 클리핑으로 인한 왜곡 에러의 2차원 맵을 포함하는,
    무선 통신 방법.
  14. 제10 항에 있어서,
    상기 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 단계는, 송신될 각각의 슬롯에 대한 제어 정보에서 상기 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 단계를 포함하는,
    무선 통신 방법.
  15. 제10 항에 있어서,
    상기 수신 디바이스는 기지국이고 상기 송신 디바이스는 UE(user equipment) 컴퓨팅 디바이스인,
    무선 통신 방법.
  16. 제15 항에 있어서,
    상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 가중치들은 상기 UE 컴퓨팅 디바이스로부터 직접 수신되는,
    무선 통신 방법.
  17. 제10 항에 있어서,
    상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 가중치들은 상기 송신 디바이스 이외의 기지국으로부터 수신되는,
    무선 통신 방법.
  18. 송신 디바이스로서,
    동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는 프로세서를 포함하고, 상기 동작들은:
    상기 송신 디바이스의 송신 파형 왜곡 정보를 획득하는 동작;
    인코더 뉴럴 네트워크를 사용하여 상기 송신 디바이스의 송신 파형 왜곡 정보를 압축된 송신 파형 왜곡 정보로 압축하는 동작; 및
    수신 디바이스가 상기 압축된 송신 파형 왜곡 정보로부터 상기 송신 디바이스의 송신 파형 왜곡 정보를 복원하도록 상기 수신 디바이스의 디코더 뉴럴 네트워크를 구성하기 위해 하나 이상의 디코더 뉴럴 네트워크 가중치들을 사용할 수 있게 하는 구성에서, 상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들을 상기 수신 디바이스에 전송하는 동작을 포함하는,
    송신 디바이스.
  19. 제18 항에 있어서,
    상기 프로세서는, 상기 송신 디바이스의 디코더 뉴럴 네트워크의 모델 타입을 결정하는 동작을 더 포함하는 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되고; 그리고
    상기 프로세서는, 상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들을 상기 수신 디바이스에 전송하는 동작이 상기 압축된 송신 파형 왜곡 정보, 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들, 및 상기 모델 타입을 상기 수신 디바이스에 전송하는 동작을 포함하도록 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는,
    송신 디바이스.
  20. 제18 항에 있어서,
    상기 프로세서는, 상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들을 상기 수신 디바이스에 전송하는 동작이, 송신될 각각의 슬롯에 대한 제어 정보에서 상기 압축된 송신 파형 왜곡 정보 및 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들을 상기 수신 디바이스에 전송하는 동작을 포함하도록 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는,
    송신 디바이스.
  21. 제18 항에 있어서,
    상기 프로세서는 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되고, 상기 동작들은,
    상기 송신 디바이스의 송신 파형 왜곡 정보를 상기 압축된 송신 파형 왜곡 정보로 압축하기 위해 상기 인코더 뉴럴 네트워크를 트레이닝하는 동작; 및
    상기 압축된 송신 파형 왜곡 정보로부터 상기 송신 디바이스의 송신 파형 왜곡 정보를 복원하기 위해 상기 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 동작을 더 포함하며, 상기 하나 이상의 디코더 뉴럴 네트워크 가중치들은 상기 송신 디바이스의 상기 트레이닝된 디코더 뉴럴 네트워크의 가중치들인,
    송신 디바이스.
  22. 제21 항에 있어서,
    상기 프로세서는, 상기 송신 디바이스의 상기 디코더 뉴럴 네트워크 및 상기 인코더 뉴럴 네트워크가 비지도 학습(unsupervised learning) 알고리즘들을 사용하여 트레이닝되도록 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는,
    송신 디바이스.
  23. 제21 항에 있어서,
    상기 프로세서는, 상기 인코더 뉴럴 네트워크를 트레이닝 하는 동작 및 상기 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 동작이, 상기 송신 디바이스의 하나의 송신 안테나에 대해 상기 송신 디바이스의 상기 디코더 뉴럴 네트워크 및 상기 인코더 뉴럴 네트워크를 트레이닝하는 동작을 포함하도록 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는,
    송신 디바이스.
  24. 제21 항에 있어서,
    상기 프로세서는, 상기 인코더 뉴럴 네트워크를 트레이닝하는 동작 및 상기 송신 디바이스의 디코더 뉴럴 네트워크를 트레이닝하는 동작이, 상기 송신 디바이스의 각각의 송신 안테나에 대해 상기 송신 디바이스의 상기 디코더 뉴럴 네트워크 및 상기 인코더 뉴럴 네트워크를 트레이닝하는 동작을 포함하도록 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는,
    송신 디바이스.
  25. 제21 항에 있어서,
    상기 송신 디바이스는 기지국 또는 UE(user equipment) 컴퓨팅 디바이스인,
    송신 디바이스.
  26. 수신 디바이스로서,
    동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성된 프로세서를 포함하며, 상기 동작들은,
    송신 디바이스의 압축된 송신 파형 왜곡 정보 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 동작;
    상기 수신된 하나 이상의 가중치들을 사용하여 상기 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 동작; 및
    상기 수신 디바이스의 상기 구성된 디코더 뉴럴 네트워크를 사용하여 상기 송신 디바이스의 압축된 송신 파형 왜곡 정보로부터 상기 송신 디바이스의 송신 파형 왜곡 정보를 복원하는 동작을 포함하는,
    수신 디바이스.
  27. 제26 항에 있어서,
    상기 프로세서는 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되고, 상기 동작들은,
    상기 송신 디바이스로부터 수신된 송신 파형의 파형 왜곡을 완화시키기 위해 상기 송신 디바이스의 상기 복원된 송신 파형 왜곡 정보를 사용하는 동작을 더 포함하는,
    수신 디바이스.
  28. 제26 항에 있어서,
    상기 프로세서는,
    상기 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 동작이, 상기 송신 디바이스의 압축된 송신 파형 왜곡 정보, 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들, 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 모델 타입을 수신하는 동작을 포함하고; 그리고
    상기 수신된 하나 이상의 가중치들을 사용하여 상기 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 동작이, 상기 수신된 하나 이상의 가중치들 및 상기 수신된 모델 타입을 사용하여 상기 수신 디바이스의 디코더 뉴럴 네트워크를 구성하는 동작을 포함하도록
    동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는,
    수신 디바이스.
  29. 제26 항에 있어서,
    상기 프로세서는, 상기 복원된 송신 파형 왜곡 정보가 상기 송신 디바이스의 하나 이상의 안테나들에 대한 슬롯 내의 OFDM(orthogonal frequency division multiplexing) 심볼들의 신호 클리핑으로 인한 왜곡 에러의 2차원 맵을 포함하도록 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는,
    수신 디바이스.
  30. 제26 항에 있어서,
    상기 프로세서는, 상기 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 동작이, 송신될 각각의 슬롯에 대한 제어 정보에서 상기 송신 디바이스의 압축된 송신 파형 왜곡 정보 및 상기 송신 디바이스의 트레이닝된 디코더 뉴럴 네트워크의 하나 이상의 가중치들을 수신하는 동작을 포함하도록 동작들을 수행하기 위한 프로세서-실행가능 명령들을 갖도록 구성되는,
    수신 디바이스.
KR1020227028246A 2020-02-24 2021-02-22 Tx 파형 왜곡을 수신기에 전달하기 위한 방법 KR20220143035A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202062980793P 2020-02-24 2020-02-24
US62/980,793 2020-02-24
US16/914,011 US11356305B2 (en) 2020-02-24 2020-06-26 Method to convey the TX waveform distortion to the receiver
US16/914,011 2020-06-26
PCT/US2021/019111 WO2021173500A1 (en) 2020-02-24 2021-02-22 Method to convey the tx waveform distortion to the receiver

Publications (1)

Publication Number Publication Date
KR20220143035A true KR20220143035A (ko) 2022-10-24

Family

ID=77366456

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227028246A KR20220143035A (ko) 2020-02-24 2021-02-22 Tx 파형 왜곡을 수신기에 전달하기 위한 방법

Country Status (7)

Country Link
US (1) US11356305B2 (ko)
EP (1) EP4111593A1 (ko)
JP (1) JP2023514705A (ko)
KR (1) KR20220143035A (ko)
CN (1) CN115136498B (ko)
BR (1) BR112022015819A2 (ko)
WO (1) WO2021173500A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4009597A1 (en) * 2020-12-03 2022-06-08 Nokia Technologies Oy Demapping received data
US11765011B2 (en) * 2021-07-06 2023-09-19 Huawei Technologies Co., Ltd. Method and apparatus for transmitting and receiving data

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3555305B2 (ja) * 1996-03-08 2004-08-18 三菱電機株式会社 ニューラルネットワークを用いた波形歪み補償器
US9565439B2 (en) * 2009-10-15 2017-02-07 Nbcuniversal Media, Llc System and method for enhancing data compression using dynamic learning and control
EP2538553A1 (en) 2011-06-21 2012-12-26 Alcatel Lucent Apparatus and method for mitigating impairments of a transmit signal
WO2017127421A1 (en) * 2016-01-18 2017-07-27 Qoscience, Inc. Method and apparatus for the detection of distortion or corruption of cellular communication signals
GB201609025D0 (en) 2016-05-23 2016-07-06 Univ Edinburgh Communication scheme for intensity modulated systems
CN107104746B (zh) 2017-04-26 2021-02-26 中国人民解放军国防科技大学 跳频电台发信机非线性特性建模方法
CN111512323A (zh) 2017-05-03 2020-08-07 弗吉尼亚科技知识产权有限公司 自适应无线通信的学习与部署
US10680559B2 (en) 2017-10-06 2020-06-09 Qorvo Us, Inc. Envelope tracking system for transmitting a wide modulation bandwidth signal(s)
EP3759654A4 (en) 2018-03-02 2021-09-08 Deepsig Inc. LEARNING COMMUNICATION SYSTEMS USING CHANNEL PROXIMITY
WO2019185987A1 (en) * 2018-03-29 2019-10-03 Nokia Technologies Oy Entropy-friendly neural network representations and their use in training and using neural networks such as autoencoders
WO2019229728A1 (en) * 2018-06-01 2019-12-05 Thales Canada Inc. System for and method of data encoding and/or decoding using neural networks
US11257254B2 (en) 2018-07-20 2022-02-22 Google Llc Data compression using conditional entropy models
GB2576702A (en) * 2018-08-15 2020-03-04 Imperial College Sci Tech & Medicine Joint source channel coding of information sources using neural networks
US10652065B2 (en) 2018-09-19 2020-05-12 Apple Inc. Systems and methods for compression distortion compensation for wireless signals
US11599773B2 (en) * 2018-12-27 2023-03-07 Micron Technology, Inc. Neural networks and systems for decoding encoded data
CN110429965B (zh) * 2019-07-03 2020-10-20 北京科技大学 一种大规模多输入多输出系统上行信号检测方法
CN110569961A (zh) * 2019-08-08 2019-12-13 合肥图鸭信息科技有限公司 一种神经网络训练方法、装置及终端设备
CN110474716B (zh) * 2019-08-14 2021-09-14 安徽大学 基于降噪自编码器的scma编解码器模型的建立方法
US10833920B1 (en) * 2019-12-12 2020-11-10 Sorenson Ip Holdings, Llc Network device maintenance
JP2021121068A (ja) * 2020-01-30 2021-08-19 キオクシア株式会社 学習装置

Also Published As

Publication number Publication date
CN115136498B (zh) 2023-10-03
US20210266203A1 (en) 2021-08-26
US11356305B2 (en) 2022-06-07
BR112022015819A2 (pt) 2022-10-04
JP2023514705A (ja) 2023-04-07
EP4111593A1 (en) 2023-01-04
WO2021173500A1 (en) 2021-09-02
CN115136498A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
US11690081B2 (en) Bandwidth part (BWP) for unicast/multicast and resource allocation for multicast
US11805493B2 (en) Compressed DC location reporting scheme for UL CA
WO2021258259A1 (en) Determining a channel state for wireless communication
CN115136498B (zh) 用于向接收机传送tx波形失真的方法
US11468328B2 (en) Managing information transmission for wireless communication
US11758513B2 (en) Physical uplink control channel with uplink message short data field
US11523301B2 (en) Physical uplink control channel with buffer status report
US11930494B2 (en) Managing transmit timing of data transmissions
US11265263B2 (en) Processing data using remote network computing resources
EP4122213A1 (en) Method to support entv broadcast and unicast modes in ue
US11330665B2 (en) Increasing throughput efficiency in a PDCP channel with ROHC TCP profile
US11523404B2 (en) Radio link prioritization
WO2021174435A1 (en) Managing a downlink bit rate
US20230093720A1 (en) Securing Application Communication
WO2021258392A1 (en) Dynamic srs configuration based on cqi in 5g network
WO2022051985A1 (en) Managing a communication link for transfer control protocol communications
KR20220079538A (ko) 5g/4g 시스템들에서의 up ip(user plane integrity protection) 능력 시그널링