KR20230066330A - 인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신 - Google Patents

인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신 Download PDF

Info

Publication number
KR20230066330A
KR20230066330A KR1020237007043A KR20237007043A KR20230066330A KR 20230066330 A KR20230066330 A KR 20230066330A KR 1020237007043 A KR1020237007043 A KR 1020237007043A KR 20237007043 A KR20237007043 A KR 20237007043A KR 20230066330 A KR20230066330 A KR 20230066330A
Authority
KR
South Korea
Prior art keywords
payload
known payload
trp
transmitting
request
Prior art date
Application number
KR1020237007043A
Other languages
English (en)
Inventor
하메드 페제쉬키
타오 루오
소니 아카라카란
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 KR20230066330A publication Critical patent/KR20230066330A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/231—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the layers above the physical layer, e.g. RRC or MAC-CE signalling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/022—Site diversity; Macro-diversity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
    • H04W72/1268—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows of uplink data flows
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
    • H04W72/1273—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows of downlink data flows
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/21—Control channels or signalling for resource management in the uplink direction of a wireless link, i.e. towards the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/232—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the physical layer, e.g. DCI signalling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria
    • H04W72/563—Allocation or scheduling criteria for wireless resources based on priority criteria of the wireless resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • 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
    • H04L5/0032—Distributed allocation, i.e. involving a plurality of allocating devices, each making partial allocation
    • H04L5/0035—Resource allocation in a cooperative multipoint environment
    • 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
    • H04L5/0091—Signaling for the administration of the divided path
    • H04L5/0094—Indication of how sub-channels of the path are allocated

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

수신 디바이스에 의해 수행되는 무선 통신의 방법은 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신하는 단계를 포함한다. 송신 디바이스들의 세트는 멀티-TRP 그룹 또는 사용자 장비들 (UE들) 의 세트일 수도 있다. 제 1 송신 디바이스는 서빙 TRP 또는 UE들의 세트 중 하나의 UE일 수도 있다. 방법은 요청에 응답하여 제 1 송신 디바이스로부터 제 1 기지의 페이로드를 수신하는 단계를 또한 포함한다. 방법은 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 수신 디바이스에서 업데이트하는 단계를 더 포함한다.

Description

인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신
관련 출원에 대한 상호 참조
본 출원은 "TRANSMISSION OF KNOWN DATA FOR COOPERATIVE TRAINING OF 인공 뉴럴 네트워크S" 라는 명칭으로 2020년 9월 11일 출원된 미국 특허출원 제17/019,125호에 우선권을 주장하며, 그 개시 내용은 그 전체가 참조에 의해 본원에 포함된다.
본 개시의 양태들은 일반적으로 무선 통신에 관한 것이며, 더 구체적으로는 인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 (known) 페이로드를 송신하기 위한 기법들 및 장치들에 관한 것이다.
무선 통신 시스템들은 텔레포니, 비디오, 데이터, 메시징, 및 브로드캐스트와 같은 다양한 전기통신 서비스들을 제공하기 위해 널리 전개되어 있다. 통상의 무선 통신 시스템들은 가용 시스템 리소스들 (예를 들어, 대역폭, 송신 전력 등) 을 공유함으로써 다중 사용자들과의 통신을 지원할 수 있는 다중 액세스 기술들을 채용할 수도 있다. 이러한 다중 액세스 기술들의 예들은 코드 분할 다중 액세스 (CDMA) 시스템, 시간 분할 다중 액세스 (TDMA) 시스템, 주파수 분할 다중 액세스 (FDMA) 시스템, 직교 주파수 분할 다중 액세스 (OFDMA) 시스템, 단일-캐리어 주파수 분할 다중 액세스 (SC-FDMA) 시스템, 시간 분할 동기식 코드 분할 다중 액세스 (TD-SCDMA) 시스템, 및 롱텀 에볼루션 (LTE) 을 포함한다. LTE/LTE-어드밴스드는 제 3 세대 파트너쉽 프로젝트 (3GPP) 에 의해 공표된 유니버셜 모바일 전기통신 시스템 (UMTS) 모바일 표준에 대한 인핸스먼트들의 세트이다.
무선 통신 네트워크는, 다수의 사용자 장비 (UE들) 에 대한 통신을 지원할 수 있는 다수의 기지국들 (BS들) 을 포함할 수도 있다. 사용자 장비 (UE) 는 다운링크 및 업링크를 통해서 기지국 (BS) 과 통신할 수도 있다. 다운링크 (또는, 순방향 링크) 는 BS 로부터 UE 로의 통신 링크를 지칭하며, 업링크 (또는, 역방향 링크) 는 UE 로부터 BS 로의 통신 링크를 지칭한다. 본 명세서에서 더 상세하게 설명될 바와 같이, BS 는 노드 B, gNB, 액세스 포인트 (AP), 무선 헤드, TRP (transmit and receive point), New Radio (NR) BS, 5세대 (5G) 노드 B 등으로 지칭될 수도 있다.
상기 다중 액세스 기술들은, 상이한 사용자 장비로 하여금 도시의, 국가의, 지방의, 및 심지어 글로벌 레벨에서 통신할 수 있게 하는 공통 프로토콜을 제공하기 위해 다양한 전기통신 표준들에서 채택되었다. 5G 로도 또한 지칭될 수도 있는 뉴 라디오 (NR) 는 제 3 세대 파트너쉽 프로젝트 (3GPP) 에 의해 공포된 LTE 모바일 표준에 대한 향상물들의 세트이다. NR 은, 빔포밍, 다중 입력 다중 출력 (MIMO) 안테나 기술, 및 캐리어 집성 (carrier aggregation) 을 지원할 뿐만 아니라, 다운링크 (DL) 상에서 순환 전치 (cyclic prefix; CP) 를 가진 직교 주파수 분할 멀티플렉싱 (OFDM)(CP-OFDM) 을 사용하여, 업링크 (UL) 상에서 CP-OFDM 및/또는 SC-FDM (예를 들어, 이산 푸리에 변환 확산 OFDM (DFT-s-OFDM) 으로서도 알려져 있음) 을 사용하여 스펙트럼 효율을 개선하는 것, 비용을 저감시키는 것, 서비스들을 개선하는 것, 새로운 스펙트럼을 이용하는 것, 및 다른 개방 표준들과 더 우수하게 통합하는 것에 의해 이동 브로드밴드 인터넷 액세스를 더 우수하게 지원하도록 설계된다. 하지만, 모바일 브로드밴드 액세스에 대한 수요가 계속 증가함에 따라, NR 및 LTE 기술들에서 추가 개선들의 필요성이 존재한다. 바람직하게, 이 개선들은 다른 다중 액세스 기술들에 그리고 이 기술들을 채용하는 전기통신 표준들에 적용가능해야 한다.
인공 뉴럴 네트워크들은 인공 뉴런들의 상호연결된 그룹들 (예를 들어, 뉴런 모델들) 을 포함할 수도 있다. 인공 뉴럴 네트워크는 계산 디바이스일 수도 있거나, 계산 디바이스에 의해 수행될 방법으로 나타낼 수도 있다. 딥 컨볼루션 뉴럴 네트워크와 같은 컨볼루션 뉴럴 네트워크는 피드-포워드 인공 뉴럴 네트워크의 타입이다. 컨볼루션 뉴럴 네트워크는 타일링된 수용 필드에서 구성될 수도 있는 뉴런들의 계층들을 포함할 수도 있다. 더 큰 효율을 달성하기 위해 무선 통신에 뉴럴 네트워크 프로세싱을 적용하는 것이 바람직할 것이다.
본 개시의 일 양태에 따르면, 수신 디바이스에 의해 수행되는 무선 통신의 방법은 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신한다. 방법은 또한 요청에 응답하여 제 1 기지의 페이로드를 제 1 송신 디바이스로부터 수신한다. 방법은 추가로, 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 수신 디바이스에서 업데이트한다.
본 개시의 다른 양태에 따르면, 송신 디바이스들의 세트 중 적어도 제 1 송신 디바이스에 의해 수행되는 무선 통신의 방법은 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 (unknown) 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신한다. 방법은 또한, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 수신 디바이스로부터 수신한다. 방법은 추가로, 제 1 송신 설정들에 기초하여 제 1 기지의 페이로드를 수신 디바이스에 송신한다.
본 개시의 다른 양태에 따르면, 수신 디바이스에 의해 수행되는 무선 통신들을 위한 장치가 프로세서 및 프로세서와 커플링된 메모리를 포함한다. 메모리에 저장된 명령들은, 프로세서에 의해 실행될 때, 장치로 하여금, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신하게 하도록 작동 가능하다. 장치는 또한, 요청에 응답하여 제 1 기지의 페이로드를 제 1 송신 디바이스로부터 수신할 수 있다. 장치는 추가로, 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 수신 디바이스에서 업데이트할 수 있다.
본 개시의 다른 양태에 따르면, 송신 디바이스들의 세트 중 적어도 제 1 송신 디바이스에 의해 수행되는 무선 통신들을 위한 장치가 프로세서 및 프로세서와 커플링된 메모리를 포함한다. 메모리에 저장된 명령들은, 프로세서에 의해 실행될 때, 장치로 하여금, 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신하게 하도록 작동 가능하다. 장치는 또한, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 수신 디바이스로부터 수신할 수 있다. 장치는 추가로, 제 1 송신 설정들에 기초하여 제 1 기지의 페이로드를 수신 디바이스에 송신할 수 있다.
본 개시의 다른 양태에 따르면, 수신 디바이스가 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신하기 위한 수단을 포함한다. 수신 디바이스는 또한 요청에 응답하여 제 1 기지의 페이로드를 제 1 송신 디바이스로부터 수신하기 위한 수단을 포함한다. 수신 디바이스는 추가로, 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 수신 디바이스에서 업데이트하기 위한 수단을 포함한다.
본 개시의 다른 양태에 따르면, 송신 디바이스가 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신하기 위한 수단을 포함한다. 송신 디바이스는 또한, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 수신 디바이스로부터 수신하기 위한 수단을 포함한다. 송신 디바이스는 추가로, 제 1 송신 설정들에 기초하여 제 1 기지의 페이로드를 수신 디바이스에 송신하기 위한 수단을 포함한다.
본 개시의 다른 양태에서, 프로그램 코드가 기록된 비일시적 컴퓨터 판독가능 매체가 개시된다. 프로그램 코드는 수신 디바이스에 의해 실행되며, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신하기 위한 프로그램 코드를 포함한다. 수신 디바이스는 또한, 요청에 응답하여 제 1 기지의 페이로드를 제 1 송신 디바이스로부터 수신하기 위한 프로그램 코드를 포함한다. 수신 디바이스는 추가로, 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 수신 디바이스에서 업데이트하기 위한 프로그램 코드를 포함한다.
본 개시의 다른 양태에서, 프로그램 코드가 기록된 비일시적 컴퓨터 판독가능 매체가 개시된다. 프로그램 코드는 송신 디바이스에 의해 실행되며, 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신하기 위한 프로그램 코드를 포함한다. 송신 디바이스는 또한, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 수신 디바이스로부터 수신하기 위한 프로그램 코드를 포함한다. 송신 디바이스는 추가로, 제 1 송신 설정들에 기초하여 제 1 기지의 페이로드를 수신 디바이스에 송신하기 위한 프로그램 코드를 포함한다.
양태들은 일반적으로, 첨부 도면들과 명세서를 참조하여 실질적으로 설명된 바와 같은 그리고 첨부 도면들과 명세서에 의해 예시된 바와 같은 방법, 장치, 시스템, 컴퓨터 프로그램 제품, 비일시적인 컴퓨터 판독가능 매체, 사용자 장비, 기지국, 무선 통신 디바이스, 및 프로세싱 시스템을 포함한다.
전술한 것은 후속하는 상세한 설명이 더 잘 이해될 수도 있도록 본 개시에 따른 예들의 피처들 및 기술적 이점들을 다소 넓게 서술하였다. 부가적인 특징들 및 이점들이 이하에서 설명될 것이다. 개시된 개념 및 특정 예들은 본 개시의 동일한 목적들을 수행하기 위한 다른 구조들을 수정 및 설계하기 위한 기초로서 용이하게 활용될 수도 있다. 그러한 균등한 구성들은 첨부된 청구항들의 범위로부터 벗어나지 않는다. 본원에 개시된 개념들의 특징들, 그 구성 및 동작 방법 쌍방은, 관련된 이점들과 함께, 첨부 도면들과 관련하여 고려되는 때에 이하의 설명으로부터 더 잘 이해될 것이다. 도면들 각각은, 청구항들의 제한들에 대한 정의로서가 아니라, 예시 및 설명의 목적으로 제공된다.
본 개시의 위에 언급된 특징들이 상세히 이해될 수 있도록, 위에서 간략하게 요약된 보다 특정한 설명이 양태들을 참조하여 이루어질 수도 있으며, 그 양태들 중 일부가 첨부된 도면들에 예시된다. 그러나, 본 설명은 다른 동일 효과의 양태들을 허용할 수도 있으므로, 첨부된 도면들은 본 개시의 소정의 전형적인 양태들만을 예시하고 따라서 본 개시의 범위를 제한하는 것으로 고려되어서는 안 된다는 점에 유의해야 한다. 상이한 도면들에서의 동일한 참조 번호들은 동일하거나 또는 유사한 엘리먼트들을 식별할 수도 있다.
도 1 은 본 개시의 다양한 양태들에 따른, 무선 통신 네트워크의 예를 개념적으로 도시하는 블록 다이어그램이다.
도 2 는 본 개시의 다양한 양태들에 따른, 무선 통신 네트워크에서 사용자 장비 (UE) 와 통신하는 기지국의 예를 개념적으로 도시하는 블록 다이어그램이다.
도 3 은 본 개시의 소정의 양태들에 따른 범용 프로세서를 포함하는, 시스템-온-칩 (SOC) 을 사용하여 뉴럴 네트워크를 설계하는 예시의 구현을 도시한다.
도 4a, 도 4b 및 도 4c 는 본 개시의 양태들에 따른 뉴럴 네트워크를 도시하는 다이어그램들이다.
도 4d 는 본 개시의 양태들에 따른 예시적인 딥 컨볼루션 네트워크 (DCN) 를 도시하는 다이어그램이다.
도 5 는 본 개시의 양태들에 따른 예시적인 딥 컨볼루션 네트워크 (DCN) 를 도시하는 블록 다이어그램이다.
도 6 은 본 개시의 다양한 양태들에 따른, 멀티-TRP (mTRP) 통신의 일 예를 도시하는 다이어그램이다.
도 7 은 본 개시의 양태들에 따른, 인공 뉴럴 네트워크의 일 예를 도시하는 블록 다이어그램이다.
도 8 및 도 9 는 본 개시의 양태들에 따라, 공지된 페이로드들을 전송하는 예들을 도시하는 타이밍 다이어그램들이다.
도 10 는 본 개시의 다양한 양태들에 따른, 예를 들어 수신 디바이스에 의해 수행된 예시의 프로세스를 도시하는 다이어그램이다.
도 11 은 본 개시의 다양한 양태들에 따른, 예를 들어 송신 디바이스에 의해 수행된 예시의 프로세스를 도시하는 다이어그램이다.
본 개시의 다양한 양태들은 첨부 도면들을 참조하여 하기에서 보다 충분히 설명된다. 하지만, 본 개시는 많은 상이한 형태들로 실시될 수도 있고 본 개시 전체에 걸쳐 제시된 임의의 특정 구조 또는 기능에 제한되는 것으로 해석되지 않아야 한다. 오히려, 이들 양태들은 본 개시가 철저하고 완전하게 되고, 그리고 본 개시의 범위를 당업자에게 충분히 전달하도록 제공된다. 본 명세서의 교시들에 기초하여 당업자는 본 개시의 범위가 본 명세서에 개시된 본 개시의 임의의 양태를, 본 개시의 임의의 다른 양태와 독립적으로 구현되든 조합으로 구현되든 커버하도록 의도된다는 것을 알아야 한다. 예를 들어, 기술된 임의의 수의 양태를 이용하여 장치가 구현될 수도 있거나 방법이 실시될 수도 있다. 또한, 본 개시의 범위는 기술된 본 개시의 다양한 양태들 외에 또는 추가하여 다른 구조, 기능, 또는 구조 및 기능을 이용하여 실시되는 그러한 장치 또는 방법을 커버하도록 의도된다. 개시된 본 개시의 임의의 양태는 청구항의 하나 이상의 엘리먼트에 의해 구체화될 수도 있음을 이해해야 한다.
전기통신 시스템들의 여러 양태들이 이제 다양한 장치들 및 기법들을 참조하여 제시될 것이다. 이들 장치들 및 기법들은 다음의 상세한 설명에서 설명되고, 다양한 블록들, 모듈들, 컴포넌트들, 회로들, 단계들, 프로세스들, 알고리즘들 등 (총괄적으로, "엘리먼트들" 로서 지칭됨) 에 의해 첨부 도면들에 예시될 것이다. 이들 엘리먼트들은 하드웨어, 소프트웨어, 또는 이들의 조합을 사용하여 구현될 수도 있다. 그러한 엘리먼트들이 하드웨어로 구현되는지 또는 소프트웨어로 구현되는지는 전체 시스템에 부과된 설계 제약들 및 특정 애플리케이션에 의존한다.
양태들은 5G 및 그 후속의 무선 기술들과 공통으로 연관된 용어를 사용하여 설명될 수도 있지만, 본 개시의 양태들은 3G 및/또는 4G 기술들과 같은 그리고 이들을 포함한, 다른 세대-기반 통신 시스템들에 적용될 수 있음을 유의해야 한다.
도 1 은 본 개시의 양태들이 실시될 수도 있는 네트워크 (100) 를 도시하는 다이어그램이다. 네트워크 (100) 는 5G 또는 NR 네트워크 또는 LTE 네트워크와 같은 일부 다른 무선 네트워크일 수도 있다. 무선 네트워크 (100) 는 다수의 BS들 (110)(BS (110a), BS (110b), BS (110c) 및 BS (110d) 로 나타냄) 및 다른 네트워크 엔티티들을 포함할 수도 있다. BS 는 사용자 장비 (UE들) 와 통신하는 엔티티이고, 기지국, NR BS, 노드 B, gNB, 5G 노드 B (NB), 액세스 포인트, 송신 및 수신 포인트 (TRP) 등으로서 또한 지칭될 수도 있다. 각각의 BS는 특정한 지리적 영역을 위한 통신 커버리지를 제공할 수도 있다. 3GPP 에서, 용어 "셀" 은, 그 용어가 사용되는 맥락에 의존하여, BS 의 커버리지 영역 및/또는 이 커버리지 영역을 서빙하는 BS 서브시스템을 지칭할 수 있다.
BS 는 매크로 셀, 피코 셀, 펨토 셀, 및/또는 다른 타입의 셀에 대한 통신 커버리지를 제공할 수도 있다. 매크로 셀은 상대적으로 큰 지리적 영역 (예를 들어, 반경이 수 킬로미터) 을 커버할 수도 있고, 서비스 가입으로 UE들에 의한 비제한적 액세스를 허용할 수도 있다. 피코 셀은, 상대적으로 작은 지리적 영역을 커버할 수도 있고, 서비스 가입으로 UE들에 의한 비제한적 액세스를 허용할 수도 있다. 펨토 셀은, 상대적으로 작은 지리적 영역 (예를 들어, 홈) 을 커버할 수도 있고, 펨토 셀과 연관을 갖는 UE들 (예를 들어, 폐쇄 가입자 그룹 (CSG) 에 있는 UE들) 에 의한 제한된 액세스를 허용할 수도 있다. 매크로 셀에 대한 BS 는 매크로 BS 로서 지칭될 수도 있다. 피코 셀에 대한 BS 는 피코 BS 로서 지칭될 수도 있다. 펨토 셀에 대한 BS 는 펨토 BS 또는 홈 BS 로서 지칭될 수도 있다. 도 1 에 나타낸 예에서, BS (110a) 는 매크로 셀 (102a) 에 대한 매크로 BS 일 수도 있고, BS (110b) 는 피코 셀 (102b) 에 대한 피코 BS 일 수도 있으며, BS (110c) 는 펨토 셀 (102c) 에 대한 펨토 BS 일 수도 있다. BS 는 하나 또는 다중의 (예를 들어, 3개의) 셀들을 지원할 수도 있다. 용어들 "eNB", "기지국", "NR BS", "gNB", "TRP", "AP", "노드 B", "5G NB” 및 "셀” 은 본 명세서에서 상호교환가능하게 사용될 수도 있다.
일부 양태들에서, 셀은 반드시 정지식일 필요는 없을 수도 있으며, 셀의 지리적 영역은 모바일 BS 의 위치에 따라 이동할 수도 있다. 일부 양태들에서, BS들은 임의의 적절한 전송 네트워크를 사용하여 직접 물리적 접속, 가상 네트워크 등과 같은 여러 다양한 타입들의 백홀 인터페이스들을 통해 무선 네트워크 (100) 에서 서로에 대해 및/또는 하나 이상의 다른 BS 또는 네트워크 노드 (미도시) 에 상호접속될 수도 있다.
무선 네트워크 (100) 는 또한 중계국들을 포함할 수도 있다. 중계국은 업스트림 국 (예를 들어, BS 또는 UE) 로부터 데이터의 송신을 수신하고 다운스트림 국 (예를 들어, UE 또는 BS) 으로 그 데이터의 송신을 전송할 수 있는 엔티티이다. 중계국은 또한 다른 UE들을 위한 송신을 중계할 수 있는 UE 일 수도 있다. 도 1 에 도시된 예에 있어서, 중계국 (110d) 은 BS (110a) 와 UE (120d) 간의 통신을 용이하게 하기 위해 매크로 BS (110a) 및 UE (120d) 와 통신할 수도 있다. 중계국은 또한, 중계 BS, 중계 기지국, 중계기 등으로서 지칭될 수도 있다.
무선 네트워크 (100) 는 상이한 타입들의 BS들, 예를 들어, 매크로 BS들, 피코 BS들, 펨토 BS들, 중계 BS들 등을 포함하는 이종 네트워크일 수도 있다. 이 상이한 타입들의 BS들은 상이한 송신 전력 레벨들, 상이한 커버리지 영역들, 및 무선 네트워크 (100) 에서의 간섭에 대한 상이한 영향을 가질 수도 있다. 예를 들어, 매크로 BS들은 높은 송신 전력 레벨 (예를 들어, 5 내지 40 와트) 을 가질 수도 있는 반면에, 피코 BS들, 펨토 BS들, 그리고 중계 BS들은 보다 낮은 송신 전력 레벨 (예를 들어, 0.1 내지 2 와트) 을 가질 수도 있다.
네트워크 제어기 (130) 가 BS들의 세트에 커플링할 수도 있고 이 BS들에 대한 조정 및 제어를 제공할 수도 있다. 네트워크 제어기 (130) 는 백홀을 통해 BS들과 통신할 수도 있다. BS들은 또한, 무선 또는 유선 백홀을 통해 예를 들어 직접적으로 또는 간접적으로 서로 통신할 수도 있다.
UE들 (120)(예를 들어, 120a, 120b, 120c) 은 무선 네트워크 (100) 전체에 걸쳐 산재될 수도 있으며, 각각의 UE 는 정지식 또는 이동식일 수도 있다. UE 는 또한, 액세스 단말기, 단말기, 이동국, 가입자 유닛, 스테이션 등으로서 지칭될 수도 있다. UE 는 셀룰러 폰 (예를 들어, 스마트 폰), 개인용 디지털 보조기 (PDA), 무선 모뎀, 무선 통신 디바이스, 핸드헬드 디바이스, 랩탑 컴퓨터, 코드리스 폰, 무선 로컬 루프 (WLL) 스테이션, 태블릿, 카메라, 게이밍 디바이스, 넷북, 스마트북, 울트라북, 의료용 디바이스 또는 장비, 생체인식 센서들/디바이스들, 웨어러블 디바이스들 (스마트 시계들, 스마트 의류, 스마트 안경, 스마트 손목 밴드들, 스마트 보석 (예를 들어, 스마트 반지, 스마트 팔찌)), 엔터테인먼트 디바이스 (예를 들어, 뮤직 또는 비디오 디바이스, 또는 위성 무선기기), 차량용 컴포넌트 또는 센서, 스마트 미터들/센서들, 산업용 제조 장비, 글로벌 포지셔닝 시스템 디바이스, 또는 무선 또는 유선 매체를 통해 통신하도록 구성된 임의의 다른 적합한 디바이스일 수도 있다.
일부 UE들은 머신 타입 통신 (MTC) 또는 진화된 또는 향상된 머신 타입 통신 (eMTC) UE들로 고려될 수도 있다. MTC 및 eMTC UE들은, 예를 들어, 기지국, 다른 디바이스 (예를 들어, 원격 디바이스), 또는 일부 다른 엔티티와 통신할 수도 있는 로봇들, 드론들, 원격 디바이스들, 센서들, 미터들, 모니터들, 위치 태그들 등을 포함한다. 무선 노드는, 예를 들어, 유선 또는 무선 통신 링크를 통해 네트워크 (예컨대, 인터넷과 같은 광역 네트워크 또는 셀룰러 네트워크) 에 대한 또는 네트워크에의 접속성을 제공할 수도 있다. 일부 UE들은 사물 인터넷 (Internet-of-Things; IoT) 디바이스들로 간주될 수 있고 및/또는 NB-IoT (narrowband internet of things) 디바이스들로서 구현될 수도 있다. 일부 UE들은 CPE (Customer Premises Equipment) 로 고려될 수도 있다. UE (120) 는, 프로세서 컴포넌트들, 메모리 컴포넌트들 등과 같은 UE (120) 의 컴포넌트들을 수용하는 하우징 내부에 포함될 수도 있다.
일반적으로, 임의의 수의 무선 네트워크들이 주어진 지리적 영역에 전개될 수도 있다. 각각의 무선 네트워크는 특정 RAT 를 지원할 수도 있고, 하나 이상의 주파수 상에서 동작할 수도 있다. RAT 는 또한 무선 기술, 에어 인터페이스 등으로서 지칭될 수도 있다. 주파수는 또한 캐리어, 주파수 채널 등으로서 지칭될 수도 있다. 각각의 주파수는, 상이한 RAT들의 무선 네트워크들 사이의 간섭을 회피하기 위하여 주어진 지리적 영역에서 단일 RAT 를 지원할 수도 있다. 일부 경우들에서, NR 또는 5G RAT 네트워크들이 전개될 수도 있다.
일부 양태들에서, (예를 들어, UE (120a) 및 UE (120e) 로 나타낸) 2 이상의 UE들 (120) 은 하나 이상의 사이드링크 채널을 사용하여 직접 (예를 들어, 서로 통신하기 위한 중개자로서 기지국 (110) 을 사용하지 않으면서) 통신할 수도 있다. 예를 들어, UE들 (120) 은 피어-대-피어 (P2P) 통신들, 디바이스-대-디바이스 (D2D) 통신들, 차량-대-만물 (vehicle-to-everything; V2X) 프로토콜 (예를 들어, 차량-대-차량 (V2V) 프로토콜, 차량-대-인프라스트럭처 (V2I) 프로토콜 등을 포함할 수도 있음), 메시 네트워크 등을 사용하여 통신할 수도 있다. 이 경우, UE (120) 는 기지국 (110) 에 의해 수행되고 있는 것으로서 본 명세서의 다른 곳에서 설명된 스케줄링 동작들, 리소스 선택 동작들, 및/또는 다른 동작들을 수행할 수도 있다.
위에 나타낸 바와 같이, 도 1 은 단지 예로서 제공된다. 다른 예들은 도 1 과 관련하여 설명되는 것과 상이할 수도 있다.
도 2 는 도 1 에서의 UE들 중 하나 및 기지국들 중 하나일 수도 있는, UE (120) 및 기지국 (110) 의 설계 (200) 의 블록 다이어그램을 나타낸다. 기지국 (110) 에는 T개의 안테나 (234a 내지 234t) 가 장착될 수도 있고, UE (120) 에는 R개의 안테나 (252a 내지 252r) 가 장착될 수도 있으며, 여기서 일반적으로 T ≥ 1 이고 R ≥ 1 이다.
기지국 (110) 에서, 송신 프로세서 (220) 는 하나 이상의 UE들에 대한 데이터를 데이터 소스 (212) 로부터 수신하고, UE 로부터 수신된 채널 품질 표시자들 (CQI들) 에 적어도 부분적으로 기초하여 각각의 UE 에 대한 하나 이상의 변조 및 코딩 방식들 (MCS) 을 선택하고, UE 에 대해 선택된 MCS (들) 에 적어도 부분적으로 기초하여 각각의 UE 에 대한 데이터를 프로세싱 (예를 들어, 인코딩 및 변조) 하고, 모든 UE들에 대해 데이터 심볼들을 제공할 수도 있다. 송신 프로세서 (220) 는 또한, 참조 신호들 (예를 들어, 셀 특정 참조 신호 (CRS)) 및 동기화 신호들 (예를 들어, 프라이머리 동기화 신호 (PSS) 및 세컨더리 동기화 신호 (SSS)) 에 대한 참조 심볼들을 생성할 수도 있다. 송신 프로세서 (220) 는 또한 참조 신호들 (예를 들어, 셀 특정 참조 신호 (CRS)) 및 동기화 신호들 (예를 들어, 프라이머리 동기화 신호 (PSS) 및 세컨더리 동기화 신호 (SSS)) 에 대한 참조 심볼들을 생성할 수도 있다. 송신 (TX) 다중 입력 다중 출력 (MIMO) 프로세서 (230) 는 적용가능한 경우, 데이터 심볼들, 제어 심볼들, 오버헤드 심볼들, 및/또는 참조 심볼들에 대해 공간 프로세싱 (예를 들어, 프리코딩) 을 수행할 수도 있고, T 개의 출력 심볼 스트림들을 T 개의 변조기들 (MOD들)(232a 내지 232t) 에 제공할 수도 있다. 각각의 변조기 (232) 는 출력 샘플 스트림을 획득하기 위하여 (예를 들어, OFDM 등에 대해) 개별 출력 심볼 스트림들을 프로세싱할 수도 있다. 각각의 변조기 (232) 는 또한, 다운링크 신호를 획득하기 위하여 출력 샘플 스트림을 프로세싱 (예를 들어, 아날로그로 변환, 증폭, 필터링 및 상향변환) 할 수도 있다. 변조기들 (232a 내지 232t) 로부터의 T 개의 다운링크 신호들은 각각 T 개의 안테나들 (234a 내지 234t) 을 통해 송신될 수도 있다. 하기에 더 상세히 설명되는 다양한 양태들에 따르면, 동기화 신호들은, 추가적인 정보를 전달하기 위해 위치 인코딩으로 생성될 수 있다.
UE (120) 에서, 안테나들 (252a 내지 252r) 은 기지국 (110) 및/또는 다른 기지국들로부터 다운링크 신호들을 수신할 수도 있고 수신된 신호들을 복조기들 (DEMOD들)(254a 내지 254r) 에 각각 제공할 수도 있다. 각각의 복조기 (254) 는 수신된 신호를 컨디셔닝 (예를 들어, 필터링, 증폭, 다운컨버팅, 및 디지털화) 하여, 입력 샘플들을 획득할 수도 있다. 각각의 복조기 (254) 는 수신된 심볼들을 획득하기 위하여 (예를 들어, OFDM 등에 대해) 입력 샘플들을 추가로 프로세싱할 수도 있다. MIMO 검출기 (256) 는 모든 R개의 복조기들 (254a 내지 254r) 로부터의 수신된 심볼들을 획득하고, 적용 가능하다면, 수신된 심볼들에 대한 MIMO 검출을 수행하며, 검출된 심볼들을 제공할 수도 있다. 수신 프로세서 (258) 는 검출된 심볼들을 프로세싱 (예를 들어, 복조 및 디코딩) 하고, UE (120) 를 위한 디코딩된 데이터를 데이터 싱크 (260) 에 제공하고, 디코딩된 제어 정보 및 시스템 정보를 제어기/프로세서 (280) 에 제공할 수도 있다. 채널 프로세서는 참조 신호 수신 전력 (RSRP), 수신 신호 강도 표시자 (RSSI), 참조 신호 수신 품질 (RSRQ), 채널 품질 표시자 (CQI) 등을 결정할 수도 있다. 일부 양태들에서, UE (120) 의 하나 이상의 컴포넌트는 하우징에 포함될 수도 있다.
업링크 상에서, UE (120) 에서, 송신 프로세서 (264) 는 데이터 소스 (262) 로부터 데이터를, 그리고 제어기/프로세서 (280) 로부터 (예컨대, RSRP, RSSI, RSRQ, CQI 등을 포함하는 리포트들에 대한) 제어 정보를 수신 및 프로세싱할 수도 있다. 송신 프로세서 (264) 는 또한 하나 이상의 참조 신호에 대한 참조 심볼들을 생성할 수도 있다. 송신 프로세서 (264) 로부터의 심볼들은, 적용가능하다면, TX MIMO 프로세서 (266) 에 의해 프리코딩되고, (예를 들어, DFT-s-OFDM, CP-OFDM 등을 위해) 변조기들 (254a 내지 254r) 에 의해 더 프로세싱되고, 그리고/또는 기지국 (110) 으로 송신될 수도 있다. 기지국 (110) 에서, UE (120) 및 다른 UE들로부터의 업링크 신호들은 안테나들 (234) 에 의해 수신되고, 복조기들 (254) 에 의해 프로세싱되고, 적용가능하다면, MIMO 검출기 (236) 에 의해 검출되고, 수신 프로세서 (238) 에 의해 더 프로세싱되어, UE (120) 에 의해 전송된 디코딩된 데이터 및 제어 정보를 획득할 수도 있다. 수신 프로세서 (238) 는 디코딩된 데이터를 데이터 싱크 (239) 에 그리고 디코딩된 제어 정보를 제어기/프로세서 (240) 에 제공할 수도 있다. 기지국 (110) 은 통신 유닛 (244) 을 포함하고 통신 유닛 (244) 을 통해 네트워크 제어기 (130) 와 통신할 수도 있다. 네트워크 제어기 (130) 는 통신 유닛 (294), 제어기/프로세서 (290) 및 메모리 (292) 를 포함할 수도 있다.
기지국 (110) 의 제어기/프로세서 (240), UE (120) 의 제어기/프로세서 (280) 및/또는 도 2 의 임의의 다른 컴포넌트들은 후술하는 바와 같이, 협력 뉴럴 네트워크 트레이닝을 위해 공지된 페이로드들을 송신하거나 수신하는 것과 관련된 하나 이상의 기법들을 수행할 수도 있다. 예를 들어, 도 2 의 기지국 (110) 의 제어기/프로세서 (240), UE (120) 의 제어기/프로세서 (280), 및/또는 임의의 다른 컴포넌트 (들) 은, 예를 들어 도 10 및 도 11 의 프로세스들 (1000, 1100) 및/또는 설명된 바와 같은 다른 프로세스들의 동작들을 수행하거나 지시할 수도 있다. 메모리들 (242 및 282) 은, 각각, 기지국 (110) 및 UE (120) 에 대한 데이터 및 프로그램 코드들을 저장할 수도 있다. 스케줄러 (246) 는 다운링크 및/또는 업링크 상의 데이터 송신을 위해 UE들을 스케줄링할 수도 있다.
일부 양태들에서, UE (120) 또는 기지국 (110) 은 송신 디바이스들의 세트의 제 1 송신 디바이스에, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신하기 위한 수단; 제 1 송신 디바이스로부터, 요청에 응답하여 제 1 기지의 페이로드를 수신하기 위한 수단; 및 수신 디바이스에서, 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 업데이트하기 위한 수단을 포함할 수도 있다.
다른 양태들에서, UE (120) 또는 기지국 (110) 은 수신 디바이스들의 세트의 수신 디바이스에, 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 송신하기 위한 수단; 수신 디바이스로부터, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 수신하기 위한 수단; 및 수신 디바이스에, 제 1 송신 설정들에 기초하여 제 1 기지의 페이로드를 송신하기 위한 수단을 포함할 수도 있다.
이러한 수단은 도 2 와 관련하여 설명된 UE (120) 및/또는 기지국 (110) 의 하나 이상의 컴포넌트를 포함할 수도 있다.
위에 나타낸 바와 같이, 도 2 는 단지 예로서 제공된다. 다른 예들은 도 2 와 관련하여 설명되는 것과 상이할 수도 있다.
일부 경우들에서, 상이한 타입들의 애플리케이션들 및/또는 서비스들을 지원하는 상이한 타입들의 디바이스들이 셀 내에 공존할 수도 있다. 상이한 타입들의 디바이스들의 예들은 UE 핸드셋들, CPE (customer premises equipment) 들, 차량들, 사물 인터넷 (Internet of Things)(IoT) 디바이스들 등을 포함한다. 상이한 타입들의 애플리케이션들의 예들은 초-신뢰성 저-레이턴시 통신 (URLLC) 애플리케이션들, 대규모 머신-타입 통신 (mMTC) 애플리케이션들, 강화된 모바일 브로드밴드 (eMBB) 애플리케이션들, V2X (vehicle-to-anything) 애플리케이션들 등을 포함한다. 또한, 일부 경우들에서, 단일 디바이스는 상이한 애플리케이션들 또는 서비스들을 동시에 지원할 수도 있다.
도 3 은 본 개시의 소정의 양태들에 따른, 협력 뉴럴 네트워크 트레이닝을 위한 기지의 페이로드들을 송신 또는 수신하도록 구성된 중앙 프로세싱 유닛 (CPU)(302) 또는 멀티-코어 CPU 를 포함할 수도 있는, 시스템-온-칩 (SOC)(300) 의 예시적인 구현을 도시한다. SOC (300) 는 기지국 (110) 또는 UE (120) 에 포함될 수도 있다. 변수들 (예를 들어, 뉴럴 신호들 및 시냅스 (synaptic) 가중치들), 계산 디바이스와 연관된 시스템 파라미터들 (예를 들어, 가중치들을 갖는 뉴럴 네트워크), 지연들, 주파수 빈 정보, 및 태스크 정보는 뉴럴 프로세싱 유닛 (NPU)(108) 과 연관된 메모리 블록, CPU (302) 와 연관된 메모리 블록, 그래픽 프로세싱 유닛 (GPU)(304) 과 연관된 메모리 블록, 디지털 신호 프로세서 (DSP)(306) 와 연관된 메모리 블록, 메모리 블록 (318) 에 저장될 수도 있거나, 또는 다중 블록들에 걸쳐 분산될 수도 있다. CPU (302) 에서 실행되는 명령들은 CPU (302) 와 연관된 프로그램 메모리로부터 로딩될 수도 있거나 메모리 블록 (318) 으로부터 로딩될 수도 있다.
SOC (300) 는 또한, GPU (304), DSP (306), 5세대 (5G) 접속성, 4세대 롱 텀 에볼루션 (4G LTE) 접속성, Wi-Fi 접속성, USB 접속성, 블루투스 접속성 등을 포함할 수도 있는 접속성 블록 (310), 및 예를 들어, 제스처들을 검출 및 인식할 수도 있는 멀티미디어 프로세서 (312) 와 같은, 특정 기능들에 맞게 조정된 부가 프로세싱 블록들을 포함할 수도 있다. 일 구현에서, NPU 는 CPU, DSP, 및/또는 GPU 에서 구현된다. SOC (300) 는 또한 센서 프로세서 (314), 이미지 신호 프로세서들 (ISP들)(316), 및/또는 내비게이션 모듈 (320) 을 포함할 수 있으며, 이는 글로벌 포지셔닝 시스템을 포함할 수도 있다.
SOC (300) 는 ARM 명령 세트에 기초할 수도 있다. 본 개시의 일 양태에서, 범용 프로세서 (302) 에 로드된 명령들은 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 전송하는 코드; 요청에 응답하여 제 1 기지의 페이로드를 제 1 송신 디바이스로부터 수신하는 코드; 및 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 수신 디바이스에서 업데이트하는 코드를 포함할 수도 있다.
본 개시의 다른 양태에서, 범용 프로세서 (302) 에 로딩된 명령들은 수신 디바이스들의 세트의 수신 디바이스에, 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 송신하는 코드; 수신 디바이스로부터, 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 수신하는 코드; 및 수신 디바이스에, 제 1 송신 설정들에 기초하여 제 1 기지의 페이로드를 송신하는 코드를 포함할 수도 있다.
딥 러닝 아키텍처들은 각각의 계층에서 연속적으로 더 높은 추상화 레벨들로 입력들을 나타내는 것을 학습하는 것에 의해 객체 인식 태스크를 수행하여, 입력 데이터의 유용한 특징 표현을 구축할 수도 있다. 이러한 방식으로, 딥 러닝은 전형적인 기계 학습의 주요 병목현상을 해결한다. 딥 러닝의 도래 이전에, 객체 인식 문제에 대한 기계 학습 접근법은 아마도 얕은 분류기 (shallow classifier) 와 조합으로, 인간 공학기술 (human engineered) 특징들에 크게 의존했을 수도 있다. 얕은 분류기는 예를 들어, 입력이 어느 클래스에 속하는지를 예측하기 위해 특징 벡터 성분들의 가중 합이 임계치와 비교될 수 있는, 2-클래스 선형 분류기일 수도 있다. 인간 공학기술 특징들은 도메인 전문지식을 갖는 엔지니어에 의해 특정 문제 도메인에 맞게 조정된 템플릿들 또는 커널들일 수도 있다. 이와 대조적으로, 딥 러닝 아키텍처는 인간 엔지니어가 설계할 수도 있는 것과 유사하지만, 훈련을 통해 특징들을 나타내는 것을 학습할 수도 있다. 또한, 딥 네트워크는 인간이 고려하지 않았을 수도 있는 새로운 타입의 특징들을 나타내고 인식하는 것을 학습할 수도 있다.
딥 러닝 아키텍처는 특징들의 계위를 학습할 수도 있다. 예를 들어, 시각적 데이터로 제시되면, 제 1 계층은 입력 스트림에서, 에지들과 같은 비교적 간단한 특징들을 인식하는 것을 학습할 수도 있다. 다른 예에서, 청각적 데이터로 제시되면, 제 1 계층은 특정 주파수들에서의 스펙트럼 전력을 인식하는 것을 학습할 수도 있다. 제 1 계층의 출력을 입력으로서 취하는 제 2 계층은, 시각 데이터에 대한 간단한 형상들 또는 청각 데이터에 대한 사운드들의 조합들과 같은 특징들의 조합들을 인식하는 것을 학습할 수도 있다. 예를 들어, 상위 계층들은 시각적 데이터에서의 복잡한 형상들 또는 청각적 데이터에서의 단어들을 나타내는 것을 학습할 수도 있다. 여전히 상위 계층들은 공통 시각적 객체들 또는 구어체들을 인식하는 것을 학습할 수도 있다.
딥 러닝 아키텍처들은 자연스러운 계위 구조를 갖는 문제들에 적용될 때 특히 잘 수행할 수도 있다. 예를 들어, 모터구동 차량들 (motorized vehicle) 의 분류는 휠들, 윈드쉴드들 및 다른 특징들을 인식하는 것을 먼저 학습하는 것으로 이익을 얻을 수 있다. 이러한 특징들은 자동차, 트럭, 및 비행기를 인식하기 위해 상이한 방식들로 상위 계층에서 조합될 수도 있다.
뉴럴 네트워크들은 다양한 접속성 패턴들로 설계될 수도 있다. 피드-포워드 네트워크들에서, 정보는 하위 계층에서 상위 계층으로 전달되고, 주어진 계층에서의 각각의 뉴런은 상위 계층들에서의 뉴런들에 통신한다. 계위적 표현은 상술한 바와 같이, 피드-포워드 네트워크의 연속적인 계층들에 구축될 수도 있다. 뉴럴 네트워크들은 또한 순환 (recurrent) 또는 피드백 (또한 하향식이라 함) 연결들을 가질 수도 있다. 순환 연결에서, 주어진 계층의 뉴런으로부터의 출력은 동일한 계층의 다른 뉴런으로 통신될 수도 있다. 순환 아키텍처는 시퀀스로 뉴럴 네트워크에 전달되는 입력 데이터 청크들 중 하나보다 많은 청크들에 걸쳐 있는 패턴들을 인식하는데 도움이 될 수도 있다. 주어진 계층의 뉴런에서 하위 계층의 뉴런으로의 연결은 피드백 (또는 하향식) 연결이라고 한다. 많은 피드백 연결들을 갖는 네트워크는 하이-레벨 개념의 인식이 입력의 특정 로우-레벨 특징들을 식별하는 것을 보조할 수도 있을 때 도움이 될 수도 있다.
뉴럴 네트워크의 계층들 사이의 연결들은 완전히 연결되거나 로컬로 연결될 수도 있다. 도 4a 는 완전히 연결된 뉴럴 네트워크 (402) 의 예를 도시한다. 완전히 연결된 뉴럴 네트워크 (402) 에서, 제 1 계층에서의 뉴런은 제 2 계층에서의 모든 뉴런에 그의 출력을 통신할 수도 있으므로, 제 2 계층에서의 각각의 뉴런이 제 1 계층에서의 모든 뉴런으로부터 입력을 수신할 것이다. 도 4b 는 로컬로 연결된 뉴럴 네트워크 (404) 의 예를 도시한다. 로컬로 연결된 뉴럴 네트워크 (404) 에서, 제 1 층에서의 뉴런은 제 2 계층에서의 제한된 수의 뉴런들에 연결될 수도 있다. 보다 일반적으로, 로컬로 연결된 뉴럴 네트워크 (404) 의 로컬로 연결된 계층은 계층에서의 각각의 뉴런이 동일하거나 유사한 접속성 패턴을 가질 것이지만, 상이한 값들 (예를 들어, 410, 412, 414, 및 416) 을 가질 수도 있는 연결 강도들을 갖도록 구성될 수도 있다. 로컬로 연결된 접속성 패턴은 상위 계층에서 공간적으로 별개의 수용 필드들을 발생할 수도 있는데, 이는 주어진 영역에서 상위 계층 뉴런들이 네트워크에 대한 총 입력의 제한된 부분의 특성들에 대한 훈련을 통해 튜닝되는 입력들을 수신할 수도 있기 때문이다.
로컬로 연결된 뉴럴 네트워크의 일 예는 컨볼루션 뉴럴 네트워크이다. 도 4c 는 컨볼루션 뉴럴 네트워크 (406) 의 예를 도시한다. 컨볼루션 뉴럴 네트워크 (406) 는 제 2 계층에서의 각각의 뉴런에 대한 입력들과 연관된 연결 강도들이 공유되도록 (예를 들어, 408) 구성될 수도 있다. 컨볼루션 뉴럴 네트워크들은 입력들의 공간적 위치가 의미있는 문제들에 매우 적합할 수도 있다.
컨볼루션 뉴럴 네트워크의 하나의 타입은 딥 컨볼루션 네트워크 (DCN) 이다. 도 4d 는 자동차-탑재형 (car-mounted) 카메라와 같은 이미지 캡처 디바이스 (430) 로부터 입력된 이미지 (426) 로부터 시각적 특징들을 인식하도록 설계된 DCN (400) 의 상세한 예를 도시한다. 본 예의 DCN (400) 은 교통 표지판 및 교통 표지판 상에 제공된 번호를 식별하도록 훈련될 수도 있다. 물론, DCN (400) 은 차선 마킹들을 식별하거나 신호등들을 식별하는 것과 같은 다른 태스크들을 위해 훈련될 수도 있다.
DCN (400) 은 지도 학습으로 훈련될 수도 있다. 훈련 동안, DCN (400) 은 속도 제한 표지판의 이미지 (426) 와 같은 이미지로 제시될 수도 있고, 그 후 순방향 패스가 출력 (422) 을 생성하기 위해 계산될 수도 있다. DCN (400) 은 특징 추출 섹션 및 분류 섹션을 포함할 수도 있다. 이미지 (426) 를 수신하면, 컨볼루션 계층 (432) 은 이미지 (426) 에 컨볼루션 커널들 (미도시) 을 적용하여 특징 맵들 (418) 의 제 1 세트를 생성할 수도 있다. 예로서, 컨볼루션 계층 (432) 에 대한 컨볼루션 커널은 28x28 특징 맵들을 생성하는 5x5 커널일 수도 있다. 본 예에서, 4개의 상이한 특징 맵이 특징 맵들의 제 1 세트 (418) 에서 생성되기 때문에, 4개의 상이한 컨볼루션 커널이 컨볼루션 계층 (432) 에서 이미지 (426) 에 적용되었다. 컨볼루션 커널들은 또한 필터들 또는 컨볼루션 필터들로 지칭될 수도 있다.
특징 맵들의 제 1 세트 (418) 는 특징 맵들의 제 2 세트 (420) 를 생성하기 위해 최대 풀링 계층 (미도시) 에 의해 서브샘플링될 수도 있다. 최대 풀링 계층은 특징 맵들 (418) 의 제 1 세트의 사이즈를 감소시킨다. 즉, 14x14 와 같은 특징 맵들의 제 2 세트 (420) 의 사이즈는 28x28 과 같은 특징 맵들의 제 1 세트 (418) 의 사이즈보다 작다. 감소된 사이즈는 메모리 소비를 감소시키면서 후속 계층에 유사한 정보를 제공한다. 특징 맵들의 제 2 세트 (420) 는 추가로, 특징 맵들의 하나 이상의 후속 세트 (미도시) 를 생성하기 위해 하나 이상의 후속 컨볼루션 계층 (미도시) 을 통해 컨볼루션될 수도 있다.
도 4d 의 예에서, 특징 맵들의 제 2 세트 (420) 는 제 1 특징 벡터 (424) 를 생성하도록 컨볼루션된다. 또한, 제 1 특징 벡터 (424) 는 제 2 특징 벡터 (428) 를 생성하도록 추가로 컨볼루션된다. 제 2 특징 벡터 (428) 의 각각의 특징은 "표지판", "60" 및 "100” 과 같은 이미지 (426) 의 가능한 특징에 대응하는 수를 포함할 수도 있다. 소프트맥스 함수 (softmax function)(미도시) 는 제 2 특징 벡터 (428) 에서의 수들을 확률로 변환할 수도 있다. 이와 같이, DCN (400) 의 출력 (422) 은 하나 이상의 특징을 포함하는 이미지 (426) 의 확률이다.
본 예에서, "표지판" 및 "60” 에 대한 출력 (422) 에서의 확률들은 "30", "40", "50", "70", "80", "90" 및 "100” 과 같은 출력 (422) 의 다른 것들의 확률들보다 높다. 훈련 전에, DCN (400) 에 의해 생성된 출력 (422) 은 부정확할 가능성이 있다. 따라서, 출력 (422) 과 타겟 출력 사이에 에러가 계산될 수도 있다. 타겟 출력은 이미지 (426) 의 실측 자료(ground truth)(예를 들어, "표지판" 및 "60") 이다. DCN (400) 의 가중치들은 그 후 DCN (400) 의 출력 (422) 이 타겟 출력과 더 밀접하게 정렬되도록 조정될 수도 있다.
가중치들를 조정하기 위해, 러닝 알고리즘은 가중치들에 대한 그래디언트 벡터를 계산할 수도 있다. 그래디언트는 가중치가 조정되었으면 에러가 증가 또는 감소할 양을 표시할 수도 있다. 최상위 계층에서, 그래디언트는 끝에서 두번째 계층에서의 활성화된 뉴런 및 출력 계층에서의 뉴런을 연결하는 가중치의 값에 직접 대응할 수도 있다. 하위 계층들에서, 그래디언트는 가중치들의 값 및 상위 계층들의 계산된 에러 그래디언트들에 의존할 수도 있다. 가중치들은 그 후 에러를 감소시키기 위해 조정될 수도 있다. 가중치를 조정하는 이러한 방식은 뉴럴 네트워크를 통한 "역방향 패스” 를 수반하기 때문에 "역 전파” 로 지칭될 수도 있다.
실제로, 가중치들의 에러 그래디언트는 작은 수의 예들에 걸쳐 계산될 수도 있어서, 계산된 그래디언트는 실제 에러 그래디언트에 근사한다. 이러한 근사화 방법은 확률적 그래디언트 하강법 (stochastic gradient descent) 으로 지칭될 수도 있다. 확률적 그래디언트 하강법은 전체 시스템의 달성가능한 에러율이 감소하는 것을 멈출 때까지 또는 에러율이 타겟 레벨에 도달할 때까지 반복될 수도 있다. 학습 후, DCN 이 새로운 이미지들 (예를 들어, 이미지 (426) 의 속도 제한 표지판) 로 제시될 수도 있고, 네트워크를 통한 순방향 패스가 DCN 의 추론 또는 예측으로 간주될 수도 있는 출력 (422) 을 산출할 수도 있다.
DBN (deep belief network) 은 은닉된 노드들의 다중 계층들을 포함하는 확률 모델이다. DBN 은 훈련 데이터 세트의 계위적 표현을 추출하는데 사용될 수도 있다. DBN 은 제한된 볼츠만 머신 (Restricted Boltzmann Machines)(RBM) 의 계층들을 적층하여 획득될 수도 있다. RBM 은 입력들의 세트에 걸친 확률 분포를 학습할 수 있는 인공 뉴럴 네트워크의 타입이다. RBM들은 각각의 입력이 카테고리화되어야 하는 클래스에 관한 정보의 부재 시 확률 분포를 학습할 수 있기 때문에, RBM들은 종종 비지도 학습에 사용된다. 하이브리드 비지도 및 지도 패러다임을 사용하여, DBN 의 최하위 RBM들은 비지도 방식으로 훈련될 수도 있고 특징 추출기들로서 작용할 수도 있으며, 최상위 RBM 은 (이전 계층 및 타겟 클래스들로부터의 입력들의 공동 분포에 대해) 지도 방식으로 훈련될 수도 있고 분류기로서 작용할 수도 있다.
딥 컨볼류션 네트워크 (DCN) 는 부가 풀링 및 정규화 계층들로 구성된, 컨볼루션 네트워크의 네트워크이다. DCN들은 많은 태스크들에 대해 최첨단 성능을 달성하였다. DCN들은 입력 및 출력 타겟들 양자 모두가 많은 예시들에 대해 알려져 있고 그래디언트 하강 방법들의 사용에 의해 네트워크의 가중치들을 수정하는데 사용되는 지도 학습을 사용하여 훈련될 수 있다.
DCN 은 피드-포워드 네트워크일 수도 있다. 또한, 상술한 바와 같이, DCN 의 제 1 계층에서의 뉴런으로부터 다음 상위 계층에서의 뉴런들의 그룹으로의 연결들은 제 1 계층에서의 뉴런들에 걸쳐 공유된다. DCN들의 피드-포워드 및 공유 연결들은 빠른 프로세싱을 위해 이용될 수도 있다. DCN 의 계산 부담은 예를 들어, 순환 또는 피드백 연결들을 포함하는 유사하게 사이징된 뉴럴 네트워크의 것보다 훨씬 적을 수도 있다.
컨볼루션 네트워크의 각각의 계층의 프로세싱은 공간적으로 불변 템플릿 또는 기저 투영으로 간주될 수도 있다. 입력이 컬러 이미지의 적색, 녹색 및 청색 채널들과 같은 다중 채널들로 먼저 분해되면, 그 입력에 대해 훈련된 컨볼루션 네트워크는 이미지의 축들을 따라 2개의 공간 차원 및 컬러 정보를 캡처하는 제 3 차원을 갖는, 3 차원으로 간주될 수도 있다. 컨볼루션 연결들의 출력들은 후속 계층에서 특징 맵을 형성하는 것으로 간주될 수도 있고, 특징 맵의 각각의 엘리먼트 (예를 들어, 220) 는 이전 계층에서의 뉴런들의 범위 (예를 들어, 특징 맵들 (218)) 로부터 그리고 다중 채널들 각각으로부터 입력을 수신한다. 특징 맵에서의 값들은 추가로, 정류, max (0,x) 와 같은 비선형성으로 프로세싱될 수도 있다. 인접한 뉴런들로부터의 값들은 추가로 풀링될 수도 있으며, 이는 다운 샘플링에 대응하고, 부가적인 로컬 불변 및 차원성 감소를 제공할 수도 있다. 화이트닝에 대응하는 정규화는, 또한 특징 맵에서의 뉴런들 사이의 측면 억제를 통해서 적용될 수도 있다.
딥 러닝 아키텍처들의 성능은 더 많은 라벨링된 데이터 포인트들이 이용가능하게 되거나 또는 계산 파워가 증가함에 따라 증가할 수도 있다. 현대의 딥 뉴럴 네트워크는 불과 15년 전에 통상의 연구자에 이용가능했던 것보다 수천 배 더 큰 컴퓨팅 리소스들로 일상적으로 훈련된다. 새로운 아키텍처 및 교육 패러다임은 딥 러닝의 성능을 부스팅할 수도 있다. 정류된 선형 유닛들은 소실 그래디언트들 (vanishing gradients) 로 알려진 훈련 이슈를 감소시킬 수도 있다. 새로운 훈련 기법들은 오버-피팅 (over-fitting) 을 감소시킬 수도 있고, 따라서 더 큰 모델들이 우수한 일반화를 달성하는 것을 가능하게 한다. 캡슐화 기법들은 주어진 수용 필드에서 데이터를 추상화하고 추가로 전체 성능을 부스팅할 수도 있다.
도 5 는 딥 컨볼루션 네트워크 (550) 를 도시하는 블록 다이어그램이다. 딥 컨볼루션 네트워크 (550) 는 접속성 및 가중치 공유에 기초하여 다중의 상이한 타입들의 계층들을 포함할 수도 있다. 도 5 에 나타낸 바와 같이, 딥 컨볼루션 네트워크 (550) 는 컨볼루션 블록들 (554A, 554B) 을 포함한다. 컨볼루션 블록들 (554A, 554B) 의 각각은 컨볼루션 계층 (CONV)(356), 정규화 계층 (LNorm)(558), 및 최대 풀링 계층 (MAX POOL)(560) 으로 구성될 수도 있다.
컨볼루션 계층들 (556) 은 특징 맵을 생성하기 위해 입력 데이터에 적용될 수도 있는 하나 이상의 컨볼루션 필터를 포함할 수도 있다. 컨볼루션 블록들 (554A, 554B) 중 2개만이 나타나 있지만, 본 개시는 그렇게 제한되지 않으며, 대신에, 설계 선호도에 따라 임의의 수의 컨볼루션 블록들 (554A, 554B) 이 딥 컨볼루션 네트워크 (550) 에 포함될 수도 있다. 정규화 계층 (558) 은 컨볼루션 필터들의 출력을 정규화할 수도 있다. 예를 들어, 정규화 계층 (558) 은 화이트닝 또는 측면 억제를 제공할 수도 있다. 최대 풀링 계층 (560) 은 로컬 불변 및 차원성 감소를 위해 공간에 걸쳐 다운 샘플링 집성을 제공할 수도 있다.
예를 들어, 딥 컨볼루션 네트워크의 병렬 필터 뱅크들은 고성능 및 저전력 소비를 달성하기 위해 SOC (300) 의 CPU (302) 또는 GPU (304) 상에 로딩될 수도 있다. 대안의 실시형태들에서, 병렬 필터 뱅크들은 SOC (300) 의 DSP (306) 또는 ISP (316) 상에 로딩될 수도 있다. 또한, 딥 컨볼루션 네트워크 (550) 는 센서들 및 내비게이션에 각각 전용된, 센서 프로세서 (314) 및 내비게이션 모듈 (320) 과 같은 SOC (300) 상에 존재할 수도 있는 다른 프로세싱 블록들에 액세스할 수도 있다.
딥 컨볼루션 네트워크 (550) 는 또한 하나 이상의 완전히 연결된 계층 (562)(FC1 및 FC2) 을 포함할 수도 있다. 딥 컨볼루션 네트워크 (550) 는 로지스틱 회귀 (LR) 계층 (564) 을 더 포함할 수도 있다. 딥 컨볼루션 네트워크 (550) 의 각각의 계층 (556, 558, 560, 562, 564) 사이에는 업데이트될 가중치들 (미도시) 이 있다. 계층들 (예를 들어, 556, 558, 560, 562, 564) 각각의 출력은 컨볼루션 블록들 (554A) 중 첫번째에 공급된 입력 데이터 (552)(예를 들어, 이미지들, 오디오, 비디오, 센서 데이터 및/또는 다른 입력 데이터) 로부터 계위적 특징 표현들을 학습하기 위해 딥 컨볼루션 네트워크 (550) 에서 계층들 (예를 들어, 556, 558, 560, 562, 564) 중 후속하는 하나의 입력으로서 작용할 수도 있다. 딥 컨볼루션 네트워크 (550) 의 출력은 입력 데이터 (552) 에 대한 분류 스코어 (566) 이다. 분류 스코어 (566) 는 확률들의 세트일 수도 있으며, 여기서 각각의 확률은 특징들의 세트로부터의 특징을 포함하는, 입력 데이터의 확률이다.
도 6 은 본 개시의 다양한 양태들에 따른, 멀티-TRP (mTRP) 통신의 일 예 (600) 를 도시하는 다이어그램이다. 도 6 에 도시된 바와 같이, (TRP A 및 B 로서 도시된) 다수의 TRP들 (610) 은 신뢰성을 개선하고 스루풋을 증가시키는 등의 조정된 방식 (예를 들어, 조정된 멀티포인트 송신들 등을 사용하는 방식) 으로 동일한 UE (620) 와 통신할 수도 있다. UE (620) 는 도 1 을 참조하여 설명된 UE들 (120) 의 일 예일 수도 있다. TRP들 (610) 은 백홀을 통해 통신을 조정할 수도 있으며, 이는 TRP들 (610) 이 도 1 을 참조하여 설명된 기지국 (110) 과 같은 동일한 기지국에 공동 위치될 때 더 작은 지연 및/또는 더 높은 송신 용량을 가질 수도 있다. TRP들 (610) 은 동일한 기지국의 상이한 안테나 어레이들에 대응할 수도 있다. 대안적으로, TRP들 (610) 이 상이한 기지국들에 위치될 때 지연이 증가할 수도 있고/있거나 송신 용량이 감소할 수도 있다. 도 6 의 TRP들 (610)(예컨대, TRP A 및 TRP B) 은 멀티-TRP 그룹의 일 예일 수도 있다. 일부 예들에서, 멀티-TRP 그룹은, 액세스 노드 제어기에 의해 그룹으로서 관리되는 동일한 UE와 통신하고, 동일한 물리 다운링크 공유 채널 (PDSCH; 640) 을 송신하고, 개별 PDSCH들 (640) 을 동시에 또는 동시기에 (contemporaneously) 송신하는 등의 TRP들 (610) 의 세트일 수도 있다.
도 6 에 도시된 바와 같이, 물리 다운링크 제어 채널 (PDCCH; 630) 은 TRP들 (610) 중 하나 또는 둘 모두에 대한 다운링크 통신들을 스케줄링할 수도 있다. PDCCH (630) 에 의해 스케줄링된 다운링크 통신들은 물리 다운링크 공유 채널 (PDSCH; 640) 을 통해 송신될 수도 있다. 일 구성에서, TRP A 및 TRP B 는 PDSCH (640) 를 통해 송신을 조정한다. 즉, TRP A 및 TRP B 는 동일한 송신을 수행할 수도 있다. 다른 구성에서, TRP A 및 TRP B 는 PDSCH (640) 를 통해 상이한 송신들을 수행한다. 예를 들어, 송신들은 상이한 페이로드, 상이한 변조 및 코딩 스킴들, 상이한 송신 전력들, 및/또는 상이한 반복 스킴들 중 하나 이상을 포함할 수도 있다. 예를 들어, 제 1 멀티-TRP 송신 모드 (예를 들어, 모드 1) 에서, PDCCH (630) 는 TRP들 (610) 둘 모두에 대해 PDSCH (640) 를 통해 다운링크 데이터 통신들을 스케줄링할 수도 있다. 이 예에서, TRP들 (610)(예를 들어, TRP A 및 TRP B) 둘 모두는 동일한 PDSCH (640) 상에서 UE (620) 에 통신들을 송신할 수도 있다. 다른 예에서, TRP들 (610) 은 리소스 블록들 (RB들) 의 상이한 (예를 들어, 분리된) 세트들 및/또는 심볼들의 상이한 세트들에서 독립적으로 송신할 수도 있다. 추가적으로 또는 대안적으로, TRP들 (610) 은 상이한 계층들 (예를 들어, 상이한 MIMO (multiple input multiple output) 계층들) 을 사용하여 독립적으로 송신할 수도 있다. 일부 양태들에서, 상이한 계층들 상의 송신들은 중첩하는 리소스 블록들 및/또는 중첩하는 심볼들에서 발생할 수도 있다. 다른 예로서, 제 2 멀티-TRP 송신 모드 (예를 들어, 모드 2) 에서, 다수의 PDCCH들 (630) 은 다수의 대응하는 PDSCH들 (640) 에 대한 다운링크 데이터 통신들을 스케줄링할 수도 있다.
위에 나타낸 바와 같이, 도 3 내지 도 6 은 예로서 제공된다. 다른 예들은 도 3 내지 도 6 과 관련하여 설명되는 것과 상이할 수도 있다.
인공 지능 (AI)/기계 학습 (ML) 기능들은 기지국 및/또는 사용자 장비 (UE) 에서의 무선 통신을 개선할 수 있다. AI/ML 기능들을 실행하기 위한, 도 3 을 참조하여 설명된 바와 같은 SOC (300) 와 같은 AI/ML 모듈은 UE, 기지국에서, 또는 UE 및 기지국에 걸쳐 공동으로 분산된 기능들을 위해 구현될 수도 있다. 보다 구체적으로, AI/ML 모듈은 뉴럴 네트워크 또는 기계 학습 모델을 실행할 수도 있다. 본 개시가 UE 측의 AI/ML 모듈을 참조할 수 있지만, 본 개시는 오토-인코더 시나리오를 명시적으로 고려한다. 오토-인코더 시나리오에서, 조인트 트레이닝이 일어난다.
AI/ML 모듈은 하나 이상의 태스크를 수행하도록 트레이닝될 수도 있다. 뉴럴 네트워크 또는 기계 학습 모델의 가중치 및 바이어스는 오프라인 트레이닝 단계 동안 트레이닝 데이터로부터 도출될 수도 있다. 설명의 편의를 위해, 이하에 제공되는 예들은 기계 학습 모델을 참조한다. 본 개시는 또한 뉴럴 네트워크 또는 다른 유형의 트레이닝가능 모델을 고려한다. 오프라인 트레이닝 이전에, 가중치들 및 바이어스들은 디폴트 값 (예를 들어, 초기 값) 으로 설정될 수도 있다. 그러나, 오프라인 트레이닝은 동적 현실세계 환경을 고려하지 않는다. 여전히, 온라인 트레이닝은 동적 현실세계 환경을 고려한다. 일 예로서, 온라인 트레이닝은 무선 환경을 반영하는 기지의 공중 송신들 (또는 시그널링) 로 완수될 수 있다. 온라인 트레이닝 단계 (예를 들어, 트레이닝 절차) 에 대해, 가중치들 및 바이어스들은 이전 오프라인 트레이닝 단계로부터 설정될 수도 있다. 온라인 트레이닝은 무선 채널들, 노이즈, 및/또는 다른 환경 특성들과 관련하여 뉴럴 네트워크를 미세 조정할 수도 있다. 온라인 트레이닝은 뉴럴 네트워크를 재트레이닝 또는 업데이트하는 것으로 지칭될 수도 있다.
일 예로서, 기계 학습 모델은 MIMO 디매퍼에 대한 심볼들을 추정할 수도 있다. 기계 학습 모델은 예를 들어, y = Hx + n 과 같은 함수를 구현할 수도 있으며, 여기서 y 는 수신된 벡터이고, x 는 송신된 심볼 벡터이고, n 은 노이즈 벡터이고, H 는 채널 매트릭스이다. 기계 학습 모델은
Figure pct00001
(추정된 심볼들) 을 추정하기 위해 오프라인으로 트레이닝될 수도 있다. 기계 학습 모델에 의해 생성된 추정들의 정확도는 온라인 트레이닝을 통해 기계 학습 모델을 미세 조정함으로써 향상될 수도 있다. 온라인 트레이닝 단계 동안, 수신된 관측치들 (y) 및 추정된 채널 매트릭스 (H) 가 기계 학습 모델에 입력된다. 추가적으로, 기계 학습 모델은 추정된 심볼
Figure pct00002
과 같은 검출된 송신된 심볼들을 출력한다. 종래의 시스템들에서, 디바이스 (예를 들어, UE 또는 gNB) 는 y 를 디코딩하여 뉴럴 네트워크에 대한 실측 자료 데이터로서 디코딩된
Figure pct00003
을 사용할 수도 있다. 본 개시의 양태들에 따르면, 기지의 페이로드에 대한 실측 자료 데이터는 뉴럴 네트워크를 트레이닝하기 위해 사용된다. 페이로드들이 알려져 있기 때문에, ML 모델은 채널 특성들, 노이즈 특성들 등의 존재 하에 심볼들을 해석하는 방법을 학습하기 위해 트레이닝 데이터를 사용할 수 있다.
전술한 예는 온라인 트레이닝을 위해 기지의 데이터 송신을 사용하는 일 예이다. 상기 예는 다수의 송신 및 수신 포인트들 (TRP들) 및/또는 기지국들을 갖는 네트워크에서 구현될 수도 있으며, 여기서 다수의 TRP들 및/또는 기지국들은 기지의 페이로드를 트레이닝 데이터로서 주어진 UE (주어진 MIMO 랭크, MCS 등) 에 송신하고, UE 는 기지의 데이터를 사용하여 기계 학습 모델을 트레이닝한다. 본 개시의 양태들은 MIMO 디매퍼로 제한되지 않는다. 다른 유형의 기능들이 기계 학습 모델에 대해 고려된다. 본 개시에서, 기지의 데이터는 기지의 페이로드와 상호 교환적으로 사용될 수도 있다.
설명된 바와 같이, 일부 기계 학습 모델들은 참조 신호와 같은 기지의 송신들을 사용하여 트레이닝될 수도 있다. 예를 들어, 복조 참조 신호 (DMR) 또는 채널 상태 정보 참조 신호 (CSI-RS) 는 기지의 송신의 일 유형일 수도 있다. 그러나, 참조 신호들은 일부 유형들의 기계 학습 모델들 (예를 들어, 뉴럴 네트워크들) 에 대한 적절한 정보를 제공하지 않을 수도 있다. LLR (log-likelihood ratio) 계산 또는 MIMO 디매핑에 대해 특정된 기계 학습 모델들과 같은 특정 기계 학습 모델들은 기지의 송신에 부가하여 또는 그로부터 교번하여 기지의 데이터 송신을 사용할 수도 있다. 기지의 데이터 송신은, 예를 들어, 물리 다운링크 제어 채널 (PDCCH), 물리 업링크 제어 채널 (PUCCH), 물리 다운링크 공유 채널 (PDSCH), 및/또는 물리 업링크 공유 채널 (PUSCH) 상에서 송신되는 데이터 메시지 또는 제어 시그널링과 같은 페이로드를 포함할 수도 있다.
종래의 시스템들에서, 기지의 데이터 전송들은 데이터가 디코딩된 후에 기지의 페이로드로 간주될 수도 있다. 일 예에서, 기지의 데이터 송신은, 예를 들어, 주기적으로 반복하는 것으로 알려진 시스템 정보 블록들 (SIB들) 을 포함할 수도 있다. 예를 들어, SIB들은 시스템 정보 (SI) 가 변경될 때 경계들 사이에서 반복될 수도 있다. 추가적으로, 종래의 시스템들에서, 유니캐스트 송신들은 CRC (cyclic redundancy check) 를 통과하는 것에 응답하여 기지의 송신들로서 분류될 수도 있다. 종래의 시스템들에서, 기계 학습 모델을 트레이닝하기 위한 디코딩 송신들은 메모리 사용 및 계산 오버헤드 둘 모두를 증가시켜, 높은 레이턴시를 초래할 수도 있다. 예를 들어, 수신된 변조 심볼들은 디코딩이 완료될 때까지 저장되며, 이에 의해 메모리 사용 및 계산 오버헤드를 증가시킨다. 심볼들은 디코딩이 완료된 후에만 트레이닝을 위해 사용될 수도 있다.
따라서, 기지국 및 UE 쌍방이 특정 물리 채널 송신들의 페이로드를 미리 알고 (예를 들어, 동의하고) 있는 것이 바람직할 수도 있다. 일 구성에서, 기지의 페이로드는 뉴럴 네트워크의 온라인 트레이닝을 위한 실측 자료 데이터를 위해 사용될 수도 있다. 일 구성에서, 기지의 페이로드는 다수의 TRP들 및/또는 기지국들로부터 송신된다. 설명의 편의를 위해, 아래에 제공되는 예들은 다수의 TRP들을 설명한다. 또한, 본 개시의 양태들은 다수의 TRP들로 제한되지 않으며; 다수의 TRP들 및/또는 기지국들이 또한 고려된다.
온라인 트레이닝 목적을 위해, 시그널링 프레임워크는 UE 및/또는 다수의 TRP들이 그들 각각의 뉴럴 네트워크들 (예를 들어, 기계 학습 모델들) 을 트레이닝하게 할 수도 있다. 양 측에 알려진 기지의 페이로드는, 수신기가 트레이닝을 위한 라벨들 (예를 들어, 실측 자료) 을 찾기 위해 페이로드를 완전히 디코딩할 필요가 없기 때문에, 다수의 콘텍스트들에서 유익할 수 있다.
도 7 은 본 개시의 양태들에 따른, 인공 뉴럴 네트워크 (700) 의 일 예를 도시하는 블록 다이어그램이다. 도 7 의 예에서, 뉴럴 네트워크 (700) 는 UE 또는 기지국과 같은 디바이스에서 구현된다. UE 는 도 1 에 설명된 바와 같은 UE (120) 일 수도 있고, 기지국은 도 1 에 설명된 바와 같은 기지국 (110) 일 수도 있다. 기지국은 또한 TRP 로 지칭될 수도 있다. 뉴럴 네트워크 (700) 는 오프라인 트레이닝 단계 동안 구현될 수도 있다. 뉴럴 네트워크 (700) 는 기지의 데이터 (xk) 에 기초하여 추정치 (y) 를 생성하도록 트레이닝될 수도 있다. 뉴럴 네트워크 (700) 의 가중치들 및 바이어스들과 같은 파라미터들 (w) 의 세트가 오프라인 트레이닝에 기초하여 학습될 수도 있다. 파라미터들 (w) 은 계층 1, 계층 2, 및 계층 3 과 같은 뉴럴 네트워크 (700) 의 계층들에 의해 사용될 수도 있다. 계층 3 은 완전히 연결된 계층일 수도 있다.
UE 와 같은 디바이스가 전개될 때, UE 는 채널 특성들 및/또는 노이즈 특성들과 같은 하나 이상의 특성들의 변화들을 고려하도록 뉴럴 네트워크 (700) 를 업데이트할 수도 있다. 온라인 트레이닝은 하나 이상의 변화를 설명하기 위해 수행될 수도 있다. 즉, 하나 이상의 파라미터 (w) 는 하나 이상의 변화를 고려하도록 업데이트될 수도 있다. 일 구성에서, 파라미터들 (w) 은 손실 함수 (708) 에 의해 결정된 에러 (예를 들어, 에러 그래디언트) 에 기초하여 업데이트된다. 손실 함수 (708) 는 추정치 (y) 를 실측 자료 값 (예를 들어, 기대값) 과 비교한다. 에러는 추정치 (y) 와 실측 자료 값 사이의 차이 (예를 들어, 손실) 이다. 에러는 손실 함수 (708) 로부터 뉴럴 네트워크 (700) 로 출력되고, 에러는 뉴럴 네트워크 (700) 를 통해 다시 전파되어 파라미터 (w) 를 업데이트한다.
기술된 바와 같이, 본 개시의 양태들은 온라인 트레이닝을 개선하기 위해 기지의 페이로드를 사용한다. 일 구성에서, 디바이스는 디바이스의 메모리 및/또는 뉴럴 네트워크 (700) 와 연관된 메모리와 같은 메모리에 기지의 페이로드의 추정치의 값 (y*) 을 저장한다. 예를 들어, 값은 기지의 데이터 (xk) 의 수신에 응답하여 MIMO 디매퍼에 대해 추정된 심볼들일 수도 있다. 즉, 오프라인 트레이닝에 기초하여, 뉴럴 네트워크 (700) 는 기지의 데이터 (xk) 를 수신하는 것에 응답하여 추정 값 (y*) 이 생성되어야 한다고 결정할 수도 있다. 기지의 추정 값 (y*) 은 실측 자료 데이터 또는 실측 자료 라벨로 지칭될 수도 있다.
본 개시의 양태들에 따르면, 온라인 트레이닝 단계 동안, 하나 이상의 특성들의 변화들을 고려하기 위해, 디바이스는 기지의 데이터 (xk) 를 송신하도록 다수의 TRP들과 같은 하나 이상의 송신기들 (710) 에 요청한다. 기지의 데이터 (xk) 는 뉴럴 네트워크 (700) 에 의해 처리되어 추정치 (y) 를 생성할 수도 있다. 이 예에서, 변화된 특성들로 인해, 추정치 (y) 는 실측 자료 데이터 (y*) 와 상이할 수도 있다. 이 예에서, 손실 함수 (708) 는 추정치 (y) 와 실측 자료 데이터 (y*) 사이의 손실을 결정한다. 파라미터들 (w) 은 손실에 기초하여 업데이트될 수도 있다. 파라미터들 (w) 을 업데이트하는 것은 미지의 데이터 (xu) 에 기초하여 뉴럴 네트워크 (700) 에 의해 생성된 추정치들 (y) 의 정확도를 개선할 수도 있다. 온라인 트레이닝 동안, 기지의 데이터 (xk) 는 미지의 데이터 (xu) 를 송신하기 위해 사용되는 송신 설정들에 기초하여 송신될 수도 있다. 트레이닝 (예를 들어, 온라인 트레이닝 및/또는 오프라인 트레이닝) 후에, 손실 함수 (708) 는 추정치 (y) 를 생성하기 위한 프로세스로부터 배제될 수도 있다.
설명된 바와 같이, 다수의 TRP들은 기지의 데이터를 UE 에 송신할 수도 있다. 송신들은 특정 뉴럴 네트워크에 대해 맞춤화될 수도 있다. 즉, 수신 디바이스는 뉴럴 네트워크의 유형에 기초하여 상이한 유형들의 데이터를 필요로 할 수도 있다. 따라서, 수신기-특정 기지의 페이로드는 특정 수신기를 타겟으로 하는 데이터를 포함하도록 생성될 수도 있다. 예를 들어, 다수의 TRP들은 특정 변조 및 코딩 스킴 (MCS) 으로 그리고/또는 하나 이상의 특정 랭크로 빔 쌍들의 특정 세트 상에서 기지의 데이터를 송신할 수도 있다. 유사하게, UE 는 다수의 TRP들이 그들의 뉴럴 네트워크들을 트레이닝할 수 있도록 다수의 TRP들에 기지의 데이터를 송신할 수도 있다. 트레이닝 데이터는 하나 이상의 특정 수신 디바이스들에 구체적으로 맞춤화된다.
기지의 페이로드는 UE 또는 다수의 TRP들에 의해 독립적으로 생성될 수도 있다. 예를 들어, 기지의 페이로드는 RRC (radio resource control) 구성된 스크램블링 시드에 기초할 수 있거나, 또는 UE 및 다수의 TRP들 쌍방에 알려진 임의의 시퀀스일 수 있다.
일 구성에서, UE 요청은 기지의 페이로드의 송신을 트리거한다. 이 구성에서, 기지의 페이로드는 다운링크 공유 채널 (예를 들어, PDSCH) 에서 송신된다. 다른 구성에서, 다수의 TRP들 중 하나 이상으로부터의 요청은 UE 로부터의 기지의 페이로드의 송신을 트리거한다. UE 는 업링크 공유 채널 (예를 들어, PUSCH) 상에서 기지의 페이로드를 송신할 수도 있다. UE 및 기지국 요청은 특정 특성들, 예를 들어, MCS, 빔 쌍, 랭크 등을 포함할 수 있다. 특정 뉴럴 네트워크에 대한 트레이닝은 이러한 요청된 특성에 기초할 것이다.
트레이닝을 위한 다운링크 공유 채널에서의 기지의 페이로드의 송신은 또한 TRP들 중 하나 이상에 의해 송신되는 표시에 의해 개시될 수 있다. 표시는 다운링크 제어 채널 또는 MAC (media access control) 계층 제어 엘리먼트 (MAC-CE) 에서 송신될 수도 있다. 다른 구성들에서, 업링크 공유 채널에서의 기지의 페이로드의 송신은 UE 표시에 의해 개시될 수도 있다. 표시는 업링크 제어 채널 또는 MAC-CE 에서 송신될 수도 있다.
일 구성에서, 기지의 페이로드의 위치 (예를 들어, 어느 물리 채널 상에서) 및 기지의 페이로드의 정확한 시간-주파수 리소스들, 주기성 (비주기적, 반-지속적, 주기적 등), 지속기간, (PDCCH 에 대한) 집성 레벨, 페이로드 크기 등은 페이로드와 별개로 명시적으로 시그널링된다. 예를 들어, 기지국은 기지의 페이로드에 관한 정보를 전송할 수 있다. 명시적 시그널링은 RRC, MAC-CE, 또는 다운링크 제어 정보 (DCI) 를 통할 수 있다.
기지의 데이터 위치들에 대한 일부 비제한적인 예들은 PDSCH, PUSCH, PUCCH, 및 PDCCH 를 포함한다. 다운링크 제어 채널 (예를 들어, PDCCH) 에 대해, 기지의 페이로드는 다운링크 공유 채널 (예를 들어, PDSCH) 에서 송신된 기지의 페이로드 또는 업링크 공유 채널 (예를 들어, PUSCH) 을 통해 UE 에 의해 송신된 기지의 페이로드와 페어링될 수 있다. 다운링크 및 업링크 제어 채널들 (예를 들어, PDCCH 및 PUCCH) 의 경우, 기지의 페이로드는 전술한 바와 같이, 주기적, 비주기적, 또는 반영구적일 수 있으며, 파라미터들이 개별적으로 시그널링된다. 파라미터들은 기지의 페이로드의 송신을 위한 위치 및 시간 (예를 들어, 지속기간) 을 포함할 수 있다. 주기적 송신의 경우, 반영구적 스케줄 또는 CG (configured grant) 가 정의될 수 있다. 기지의 페이로드는 반영구적 스케줄 또는 CG 에 매핑될 수도 있다.
일 구성에서, UE 의 뉴럴 네트워크는 다수의 TRP들로부터의 공동 송신들에 기초하여 트레이닝된다. 즉, 다수의 TRP들로부터의 기지의 페이로드들은 멀티플렉싱되어 UE 에서 수신될 수도 있다. 일 구성에서, 전개 단계 (예를 들어, 현실세계 시나리오) 에서 미지의 페이로드들을 송신하기 위해 사용되는 송신 설정들은 온라인 및/또는 오프라인 트레이닝 단계 동안 기지의 페이로드들을 송신하기 위해 사용된다. 미지의 페이로드들은 다수의 TRP들로부터 UE 로의 데이터 또는 제어 채널 송신들뿐만 아니라, UE 로부터 다수의 TRP들로의 데이터 또는 제어 채널 송신들을 지칭할 수도 있다. 설정들은, 예를 들어, 송신들을 위해 사용되는 멀티플렉싱의 유형, 빔 쌍들, 랭크들, 변조 및 코딩 스킴들 (MCS들), 및/또는 다른 송신 설정들을 포함할 수도 있다.
일 예로서, 다수의 TRP들은 상이한 프리코딩들을 가질 수도 있다. 일 구성에서, UE 는 프리코딩들을 인식한다. 즉, 프리코딩들은 기지의 프리코딩들일 수도 있다. 프리코딩들은 기지의 페이로드와 별도로 UE 에 시그널링될 수도 있다. 각각의 TRP 에 대해, 전개 단계에서 미지의 페이로드에 사용되는 프리코딩은 오프라인 트레이닝 단계 또는 온라인 트레이닝 단계 동안 기지의 페이로드를 송신하기 위해 사용되는 프리코딩과 동일해야 한다.
추가적으로, 다수의 TRP들은 전개 단계 동안 송신들을 멀티플렉싱할 수도 있다. 멀티플렉싱은 공간 분할 멀티플렉싱 (SDM), 시간 분할 멀티플렉싱 (TDM), 또는 주파수 분할 멀티플렉싱 (FDM) 일 수도 있다. 일 구성에서, 전개 단계에서 미지의 페이로드를 송신하기 위해 사용되는 멀티플렉싱 유형은 오프라인 트레이닝 단계 또는 온라인 트레이닝 단계 동안 기지의 페이로드를 송신하기 위해 사용되는 동일한 멀티플렉싱 유형이어야 한다.
일 예에서, 전개 단계에서, TRP들은 송신들을 위해 시간 분할 멀티플렉싱을 사용한다. 일 예로서, 제 1 TRP 가 데이터를 송신한 후, 제 2 TRP 가 데이터를 송신한 후, 제 3 TRP 가 데이터를 송신할 수도 있다. 제 1, 제 2 및 제 3 TRP들로부터의 데이터는 멀티플렉싱될 수도 있다. 이 예에서, 기지의 페이로드는 또한 데이터 (예컨대, 미지의 페이로드) 를 송신하기 위해 사용되는 시간 분할 멀티플렉싱에 따라 송신된다. 일 구성에서, 다수의 TRP들에 걸친 랭크들이 조정될 수도 있다. 예를 들어, 제 1 TRP 로부터 UE 로의 송신들은 랭크 1 일 수도 있고, 제 2 TRP 로부터 UE 로의 송신들은 랭크 2 일 수도 있다. 오프라인 트레이닝 단계 및 온라인 트레이닝 단계 동안 기지의 페이로드의 송신은 전개 단계에서 사용되는 TRP들의 랭크들을 뒤따르도록 다수의 TRP들 사이에서 조정될 수도 있다.
기지의 페이로드가 업링크 제어 채널 상에서 송신될 때, 기지의 페이로드와 관련된 파라미터들은 별도로 시그널링될 수 있다. 이 시그널링은 RRC 메시지일 수도 있거나 MAC-CE 를 통할 수도 있다. 개별적으로 시그널링된 파라미터들은, 예를 들어, PUCCH 포맷, 업링크 제어 정보 (UCI) 유형들, 및/또는 페이로드 사이즈들을 포함할 수도 있다.
도 8 은 본 개시의 양태들에 따른, 기지의 페이로드를 송신하기 위한 일 예 (800) 를 예시하는 타이밍 다이어그램이다. 도 8 에 도시된 바와 같이, 시간 t1 에서, UE (802) 의 인공 뉴럴 네트워크가 트레이닝된다. 도 8 의 UE (802) 는 UE들의 세트 (예를 들어, UE들의 그룹) 중 하나의 UE 일 수도 있다. 설명의 편의를 위해, 도 8 의 예에서는 단 하나의 UE (802) 가 예시된다. 인공 뉴럴 네트워크는 (예를 들어, UE (802) 의 전개 이전에) 오프라인으로 트레이닝될 수도 있다. UE (802) 가 전개된 후, UE (802) 는 기지의 페이로드 요청을 시간 t2a 에서 제 1 TRP (804) 로 송신할 수도 있다. 요청은 물리 업링크 제어 채널 (PUCCH) 또는 MAC (media access control layer) CE (control element) 를 통해 송신될 수도 있다. 일 구성에서, 기지의 페이로드 요청은 셀프-트레이닝 (예를 들어, 하나의 UE) 또는 조인트 트레이닝 (예를 들어, UE들의 세트) 을 위해 페이로드가 요청되는지를 표시한다. 일 예로서, 조인트 트레이닝은 다수의 TRP들 및 다수의 UE들을 갖는 CoMP (coordinated multipoint) 그룹을 위해 요청될 수도 있으며, 여기서 하나의 UE 는 각각의 TRP 에 대해 특정될 수도 있다. 본 개시의 양태들에 따르면, 기지의 페이로드들은 CoMP 그룹 내의 미지의 페이로드들과 동일한 방식으로 송신된다. 일 구성에서, 제 1 TRP (804) 는 멀티-TRP (mTRP) 그룹의 서빙 TRP 이다. 도 8 의 예에서, 제 1 TRP (804) 및 제 2 TRP (806) 은 멀티-TRP 그룹을 형성한다. 멀티-TRP 그룹은 2 개의 TRP들로 제한되지 않으며, 추가적인 TRP들이 또한 고려된다. 설명된 바와 같이, 기지의 페이로드 요청은 인공 뉴럴 네트워크를 업데이트하기 위해 기지의 데이터를 수신하도록 송신될 수도 있다. 일 구성에서, 기지의 페이로드 요청은 트레이닝 (예를 들어, 업데이트) 의 목표에 의존할 수도 있다. 추가적으로, 기지의 페이로드 요청은 기지의 데이터를 송신하도록 요청되는 다른 TRP들의 리스트를 포함할 수도 있다. 다른 TRP들의 리스트는 랭킹 기준에 기초하여 랭크될 수도 있다. 예를 들어, 다른 TRP들의 리스트는 최대 RSRP (reference signal received power) 로부터 최소 RSRP 까지 랭크될 수도 있다. 또한, 기지의 페이로드 요청은 뉴럴 네트워크를 트레이닝하기 위해 특정된 송신 설정들을 포함할 수도 있다. 송신 설정들은 미지의 데이터에 대한 송신 설정들에 대응할 수도 있다. 예를 들어, 송신 설정들은 멀티-TRP 그룹의 각각의 TRP 의 랭크, 멀티-TRP 그룹의 각각의 TRP 의 프리코딩, 빔 쌍, 및/또는 변조 및 코딩 스킴 (MCS) 을 포함할 수도 있다.
도 8 의 예에서, 제 2 TRP (806) 은 다른 TRP들의 리스트에 포함된다. 따라서, 도 8 의 예에서, 시간 t2b 에서, 제 1 TRP (804) 는 기지의 페이로드 요청을 제 2 TRP (806) 에게 전송한다. 즉, 제 1 TRP (804)(예를 들어, 서빙 TRP) 는 기지의 페이로드 요청을 다른 TRP들의 리스트에 포함된 다른 TRP들로 전송한다. 시간 t3 에서, TRP들 (804 및 806) 은 송신 설정들에 따라 기지의 페이로드들을 UE (802) 에 송신한다. 도 8 의 예에서, 기지의 페이로드들은 UE (802) 에 의해 송신된 기지의 페이로드 요청에 응답하여 송신된다. 다른 구성에서, 기지의 페이로드의 송신은 하나 이상의 TRP들 (804 및 806) 로부터의 표시에 의해 트리거된다. 표시는 다운링크 제어 채널 또는 MAC-CE 를 통해 송신될 수도 있다. 본 개시의 양태들에 따르면, 각각의 TRP (804 및 806) 는 상이한 기지의 페이로드를 송신할 수도 있다. 또한, 기지의 페이로드는 공간 분할 멀티플렉싱 (SDM), 시간 분할 멀티플렉싱 (TDM), 또는 주파수 분할 멀티플렉싱 (FDM) 과 같은 멀티플렉싱 스킴에 따라 멀티플렉싱될 수도 있다. 일 구성에서, 기지의 페이로드들을 송신하기 전에, TRP들 (804 및 806) 중 하나 이상은 기지의 페이로드들의 주기성, 시간 및 주파수 리소스들, 및 페이로드 사이즈 중 하나 이상을 포함하는 기지의 페이로드 정보를 송신할 수도 있다. 기지의 페이로드 정보는 RRC (radio resource control) 시그널링, MAC-CE, 또는 다운링크 제어 정보 (DCI) 를 통해 송신될 수도 있다. 기지의 페이로드들은 다운링크 제어 채널 (예를 들어, PDCCH) 상에서 송신하고 있을 수도 있다. 일 구성에서, PDCCH 상에서 송신되는 각각의 기지의 페이로드는 다운링크 공유 채널 (예를 들어, PDSCH) 상에서 송신되는 다른 기지의 페이로드에 대응할 수도 있다. 또는, 기지의 페이로드들은 다운링크 공유 채널에서만 송신될 수도 있다. 또한, 기지의 페이로드들은 주기적 스케줄, 반영구적 스케줄에 따라 또는 비주기적으로 송신될 수도 있다. 일 구성에서, 기지의 페이로드들은 RRC (radio resource control) 스크램블링 시드에 기초하여 스크램블링될 수도 있다. 페이로드들은 RRC 스크램블링 시드에 기초하여 UE (802), 제 1 TRP (804) 및 제 2 TRP (806) 에게 알려질 수도 있다.
도 8 의 예에서, 시간 t4 에서, UE (802) 는 인공 뉴럴 네트워크를 업데이트한다. 업데이트는 인공 뉴럴 네트워크를 재트레이닝하는 일 예일 수도 있다. 시간 t4 에서 수행되는 업데이트는 온라인 업데이트일 수도 있다. 일 구성에서, 도 7 의 예와 관련하여 설명된 바와 같이, 인공 뉴럴 네트워크는 TRP들 (804 및 806) 로부터 수신된 기지의 페이로드들에 기초하여 실측 자료 값을 생성한다. 일 구성에서, 인공 뉴럴 네트워크는 각각의 기지의 페이로드를 프로세싱하여 추정 값을 생성한다. 인공 뉴럴 네트워크의 가중치 및 파라미터는 추정 값을 대응하는 실측 값과 비교함으로써 업데이트될 수도 있다.
도 9 는 본 개시의 양태들에 따른, 기지의 데이터를 송신하기 위한 일 예 (900) 를 예시하는 타이밍 다이어그램이다. 도 9 에 도시된 바와 같이, 시간 t1a 에서, 제 1 TRP (904) 의 인공 뉴럴 네트워크가 트레이닝된다. 추가적으로, 시간 t1b 에서, 제 2 TRP (906) 의 인공 뉴럴 네트워크가 트레이닝된다. 인공 뉴럴 네트워크들은 오프라인으로 트레이닝될 수도 있다. 제 1 TRP (904) 는 멀티-TRP (mTRP) 그룹의 서빙 TRP 일 수도 있다. 도 9 의 예에서, 제 1 TRP (904) 및 제 2 TRP (906) 은 멀티-TRP 그룹을 형성한다. 멀티-TRP 그룹은 2 개의 TRP들로 제한되지 않으며, 추가적인 TRP들이 또한 고려된다. 일단 전개되면 (예를 들어, 온라인), TRP들 (904 및 906) 중 하나 이상은 시간 t2 에서 기지의 페이로드 요청을 UE (902) 에 송신할 수도 있다. 기지의 페이로드 요청은 하나의 UE (902) 에 유니캐스트되거나 또는 UE들의 세트에 그룹캐스트될 수도 있다.
도 9 의 UE (902) 는 UE들의 세트 (예를 들어, UE들의 그룹) 중 하나의 UE 일 수도 있다. 설명의 편의를 위해, 도 9 의 예에서는 단 하나의 UE (902) 가 예시된다. 요청은 물리 다운링크 제어 채널 (PUCCH) 또는 MAC (media access control layer) CE (control element) 를 통해 송신될 수도 있다. 설명된 바와 같이, 기지의 페이로드 요청은 인공 뉴럴 네트워크를 업데이트하기 위해 기지의 데이터를 수신하도록 송신될 수도 있다. 일 구성에서, 기지의 페이로드 요청은 트레이닝 (예를 들어, 업데이트) 의 목표에 의존할 수도 있다. 또한, 기지의 페이로드 요청은 뉴럴 네트워크를 트레이닝하기 위해 특정된 송신 설정들을 포함할 수도 있다. 송신 설정들은 미지의 데이터에 대한 송신 설정들에 대응할 수도 있다. 예를 들어, 송신 설정들은 빔 쌍, 및/또는 MCS (modulation and coding scheme) 를 포함할 수도 있다.
시간 t3 에서, UE (902) 는 송신 설정들에 따라 기지의 페이로드를 TRP들 (904 및 906) 에 송신한다. UE (902) 는 TRP들 (904 및 906) 에 동일한 기지의 페이로드를 송신하거나, 각각의 TRP (904 및 906) 에 상이한 기지의 페이로드를 송신할 수도 있다. 도 9 의 예에서, 기지의 페이로드는 하나 이상의 TRP들 (904 및 906) 에 의해 송신된 기지의 페이로드 요청에 응답하여 송신된다. 다른 구성에서, 기지의 페이로드 송신은 UE (902) 로부터의 표시에 의해 트리거될 수도 있다. 통지는 업링크 제어 채널 또는 MAC-CE 를 통해 송신될 수도 있다. 일 구성에서, 기지의 페이로드들을 송신하기 전에, UE (902) 는 기지의 페이로드들의 주기성, 시간 및 주파수 리소스들, 및 페이로드 사이즈 중 하나 이상을 포함하는 기지의 페이로드 정보를 송신할 수도 있다. 기지의 페이로드 정보는 RRC (radio resource control) 시그널링 또는 MAC-CE 를 통해 송신될 수도 있다. 기지의 페이로드는 업링크 제어 채널 (예를 들어, PUCCH) 상에서 송신하고 있을 수도 있다. 일 구성에서, PUCCH 상에서 송신되는 기지의 페이로드는 업링크 공유 채널 (예를 들어, PUSCH) 상에서 송신되는 기지의 페이로드에 대응할 수도 있다. 또는, 기지의 페이로드들은 업링크 공유 채널에서만 송신될 수도 있다. 또한, 기지의 페이로드들은 주기적 스케줄, 반영구적 스케줄에 따라 또는 비주기적으로 송신될 수도 있다. 일 구성에서, 기지의 페이로드들은 RRC (radio resource control) 스크램블링 시드에 기초하여 스크램블링될 수도 있다. 페이로드들은 RRC 스크램블링 시드에 기초하여 UE (902), 제 1 TRP (904) 및 제 2 TRP (906) 에게 알려질 수도 있다.
도 9 의 예에서, 시간 t4a 에서, 제 1 TRP (904) 는 인공 뉴럴 네트워크를 업데이트한다. 추가적으로, 시간 t4b 에서, 제 2 TRP (906) 는 인공 뉴럴 네트워크를 업데이트한다. 업데이트는 인공 뉴럴 네트워크를 재트레이닝하는 일 예일 수도 있다. 시간 t4a 및 t4b 에서 수행되는 업데이트는 온라인 업데이트일 수도 있다. 일 구성에서, 도 7 의 예와 관련하여 설명된 바와 같이, 인공 뉴럴 네트워크는 UE (902) 로부터 수신된 기지의 페이로드에 기초하여 실측 자료 값을 생성한다. 일 구성에서, 인공 뉴럴 네트워크는 각각의 기지의 페이로드를 프로세싱하여 추정 값을 생성한다. 인공 뉴럴 네트워크의 가중치 및 파라미터는 추정 값을 대응하는 실측 값과 비교함으로써 업데이트될 수도 있다.
도 10 은 본 개시의 다양한 양태들에 따른, 예를 들어 수신 디바이스에 의해 수행된 예시적인 프로세스 (1000) 를 도시하는 다이어그램이다. 예시적인 프로세스 (1000) 는, 예를 들어 인공 뉴럴 네트워크들을 트레이닝하기 위해 기지의 페이로드를 요청하는 일 예이다.
도 10 에 도시된 바와 같이, 일부 양태들에서, 프로세스 (1000) 는 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트 중 제 1 송신 디바이스에 송신하는 단계 (블록 1002) 를 포함할 수 있다. 예를 들어, 수신 디바이스 (예를 들어, 안테나 (252), DEMOD/MOD (254), TX MIMO 프로세서 (266), 송신 프로세서 (264), 제어기/프로세서 (280), 및/또는 메모리 (282) 를 사용함) 는 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트 중 제 1 송신 디바이스에 송신할 수 있다. 프로세스 (1000) 는 또한 요청에 응답하여 제 1 송신 디바이스로부터 제 1 기지의 페이로드를 수신하는 단계 (블록 1004) 를 포함할 수도 있다. 예를 들어, 수신 디바이스 (예를 들어, 안테나 (252), DEMOD/MOD (254), MIMO 검출기 (256), 수신 프로세서 (258), 제어기/프로세서 (280), 및/또는 메모리 (282) 를 사용함) 는 요청에 응답하여 제 1 송신 디바이스로부터 제 1 기지의 페이로드를 수신할 수 있다. 프로세스 (1000) 는 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 수신 디바이스에서 업데이트하는 단계 (블록 1006) 를 포함할 수도 있다. 예를 들어, 수신 디바이스 (예를 들어, 안테나 (252), DEMOD/MOD (254), MIMO 검출기 (256), TX MIMO 프로세서 (266), 수신 프로세서 (258), 송신 프로세서 (264), 제어기/프로세서 (280), 및/또는 메모리 (282) 를 사용함) 는 적어도 제 1 기지의 페이로드에 기초하여 인공 뉴럴 네트워크를 수신 디바이스에서 업데이트할 수 있다.
도 11 은 본 개시의 다양한 양태들에 따른, 예를 들어 송신 디바이스에 의해 수행된 예시적인 프로세스 (1100) 를 도시하는 다이어그램이다. 예시적인 프로세스 (1100) 는 인공 뉴럴 네트워크들을 트레이닝하기 위해 기지의 데이터를 송신하는 일 예이다.
도 11 에 도시된 바와 같이, 일부 양태들에서, 프로세스 (1100) 는 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신하는 단계 (블록 1102) 를 포함할 수도 있다. 예를 들어, 송신 디바이스 (예를 들어, 안테나 (252), DEMOD/MOD (254), TX MIMO 프로세서 (266), 송신 프로세서 (264), 제어기/프로세서 (280), 및/또는 메모리 (282) 를 사용함) 는 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신할 수 있다. 프로세스 (1100) 는 또한 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 수신 디바이스로부터 수신하는 단계 (블록 1104) 를 포함할 수도 있다. 예를 들어, 송신 디바이스 (예를 들어, 안테나 (252), DEMOD/MOD (254), MIMO 검출기 (256), 수신 프로세서 (258), 제어기/프로세서 (280) 및/또는 메모리 (282) 를 사용함) 는 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 수신 디바이스로부터 수신할 수 있다. 프로세스 (1100) 는 제 1 송신 설정들에 기초하여 제 1 기지의 페이로드를 수신 디바이스에 송신하는 단계 (블록 1106) 를 더 포함할 수도 있다. 예를 들어, 송신 디바이스 (예를 들어, 안테나 (252), DEMOD/MOD (254), TX MIMO 프로세서 (266), 송신 프로세서 (264), 제어기/프로세서 (280), 및/또는 메모리 (282) 를 사용함) 는 제 1 송신 설정들에 기초하여 제 1 기지의 페이로드를 수신 디바이스에 송신할 수 있다.
전술한 개시는 예시 및 설명을 제공하지만, 완전한 것으로 또는 양태들을 개시된 정확한 형태로 제한하는 것으로 의도되지 않는다. 수정들 및 변형들이 상기 개시를 고려하여 이루어질 수도 있거나 양태들의 실시로부터 취득될 수도 있다.
본 명세서에서 사용된 바와 같이, 용어 "컴포넌트"는 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로서 폭넓게 해석되도록 의도된다. 본 명세서에서 사용된 바와 같이, 프로세서는 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합에서 구현된다.
일부 양태들은 임계치들과 관련하여 본 명세서에서 설명된다. 본 명세서에서 사용된 바와 같이, 임계치를 만족하는 것은, 맥락에 의존하여, 값이 임계치 초과인 것, 임계치 이상인 것, 임계치 미만인 것, 임계치 이하인 것, 임계치와 동일한 것, 임계치와 동일하지 않은 것 등을 지칭할 수도 있다.
본 명세서에서 설명된 시스템들 및/또는 방법들은 상이한 형태들의 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합에서 구현될 수도 있음이 명백할 것이다. 이들 시스템들 및/또는 방법들을 구현하는데 사용된 실제 특수 제어 하드웨어 또는 소프트웨어 코드는 양태들을 제한하지 않는다. 따라서, 시스템들 및/또는 방법들의 동작 및 거동은 특정 소프트웨어 코드에 대한 참조없이 본 명세서에서 설명되었다 - 소프트웨어 및 하드웨어는 본 명세서에서의 설명에 적어도 부분적으로 기초하여, 시스템들 및/또는 방법들을 구현하도록 설계될 수 있음이 이해된다.
피처들의 특정 조합들이 청구항들에 기재되고 및/또는 명세서에 개시되어 있지만, 이들 조합들은 다양한 양태들의 개시를 제한하도록 의도되지 않는다. 실제로, 이들 특징들 중 다수는 청구항들에 구체적으로 기재되지 않고 및/또는 명세서에 개시되지 않은 방식으로 조합될 수도 있다. 하기에 열거된 각각의 종속 청구항은 하나의 청구항에만 직접 종속할 수도 있지만, 다양한 양태들의 개시는 청구항 세트에 있는 모든 다른 청구항과 조합하여 각각의 종속 청구항을 포함한다. 아이템들의 리스트 "중 적어도 하나" 를 지칭하는 어구는 단일 멤버들을 포함하여 그 아이템들의 임의의 조합을 지칭한다. 예로서, "a, b, 또는 c 중 적어도 하나" 는 a, b, c, a-b, a-c, b-c, 및 a-b-c, 뿐만 아니라 동일한 엘리먼트의 배수들과의 임의의 조합 (예컨대, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b, 및 c 의 임의의 다른 순서화) 을 커버하도록 의도된다.
본 명세서에서 사용된 어떠한 엘리먼트, 액트, 또는 명령도 이와 같이 명시적으로 설명되지 않으면 중요하거나 필수적인 것으로 해석되지 않아야 한다. 또한, 본 명세서에서 사용된 바와 같이, 관사 "a"및 "an” 은 하나 이상의 아이템을 포함하도록 의도되고, "하나 이상” 과 상호교환가능하게 사용될 수도 있다. 또한, 본 명세서에서 사용된 바와 같이, 용어들 "세트” 및 "그룹” 은 하나 이상의 아이템 (예를 들어, 관련된 아이템들, 관련되지 않은 아이템들, 관련된 및 관련되지 않은 아이템들의 조합 등) 을 포함하도록 의도되고, "하나 이상” 과 상호교환가능하게 사용될 수도 있다. 하나의 아이템만이 의도된 경우, 구절 "단 하나만” 또는 유사한 언어가 사용된다. 또한, 본 명세서에서 사용된 바와 같이, 용어들 "갖는다", "가진다", "갖는" 등은 개방형 용어인 것으로 의도된다. 또한, 어구 "에 기초한" 은 달리 명시적으로 언급되지 않는 한 "에 적어도 부분적으로 기초한" 을 의미하는 것으로 의도된다.

Claims (109)

  1. 수신 디바이스에 의해 수행되는 무선 통신의 방법으로서,
    상기 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 (known) 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신하는 단계;
    상기 요청에 응답하여 상기 제 1 기지의 페이로드를 상기 제 1 송신 디바이스로부터 수신하는 단계; 및
    적어도 상기 제 1 기지의 페이로드에 기초하여 상기 인공 뉴럴 네트워크를 상기 수신 디바이스에서 업데이트하는 단계를 포함하는, 무선 통신의 방법.
  2. 제 1 항에 있어서,
    상기 제 1 송신 디바이스는 서빙 TRP (transmit and receive point) 이고, 상기 송신 디바이스들의 세트는 멀티-TRP 그룹의 TRP들의 세트를 포함하고, 상기 수신 디바이스는 사용자 장비 (UE) 인, 무선 통신의 방법.
  3. 제 2 항에 있어서,
    상기 UE 는 UE들의 그룹 내의 하나의 UE 인, 무선 통신의 방법.
  4. 제 2 항에 있어서,
    상기 요청은 상기 멀티-TRP 그룹의 제 2 TRP 로부터의 제 2 기지의 페이로드에 대한 요청 및 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 제 1 송신 설정들을 더 포함하고,
    상기 제 1 송신 설정들은 멀티플렉싱 스킴, 상기 멀티-TRP 그룹의 각각의 TRP 의 랭크, 상기 멀티-TRP 그룹의 각각의 TRP 의 프리코딩, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하는, 무선 통신의 방법.
  5. 제 4 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 상기 제 1 송신 설정들은 상기 서빙 TRP 로부터의 제 1 미지의 (unknown) 페이로드 및 상기 제 2 TRP 로부터의 제 2 미지의 페이로드에 대한 제 2 송신 설정들과 동일한, 무선 통신의 방법.
  6. 제 4 항에 있어서,
    상기 제 1 기지의 페이로드가 상기 제 2 기지의 페이로드와 상이한, 무선 통신의 방법.
  7. 제 4 항에 있어서,
    상기 멀티플렉싱 스킴은 공간 분할 멀티플렉싱 (SDM), 시간 분할 멀티플렉싱 (TDM) 또는 주파수 분할 멀티플렉싱 (FDM) 을 포함하는, 무선 통신의 방법.
  8. 제 4 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드의 페이로드 사이즈, 시간 및 주파수 리소스들, 및 주기성을 포함하는 정보를 수신하는 단계를 더 포함하고, 상기 정보는 무선 리소스 제어 (RRC) 시그널링, 매체 액세스 제어 계층 (MAC) 제어 엘리먼트, 또는 다운링크 제어 정보 (DCI) 를 통해 수신되는, 무선 통신의 방법.
  9. 제 4 항에 있어서,
    물리 다운링크 제어 채널 (PDCCH) 상에서 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드를 수신하는 단계를 더 포함하고, 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드 각각은 물리 다운링크 공유 채널 (PDSCH) 상에서 수신된 페이로드와 페어링되는, 무선 통신의 방법.
  10. 제 4 항에 있어서,
    주기적 스케줄, 반영구적 스케줄에 따라, 또는 비주기적으로 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드를 수신하는 단계를 더 포함하는, 무선 통신의 방법.
  11. 제 4 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드는 RRC (radio resource control) 스크램블링 시드에 기초하여 스크램블링되는, 무선 통신의 방법.
  12. 제 11 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드는 상기 RRC 스크램블링 시드에 기초하여 상기 UE, 상기 서빙 TRP, 및 상기 제 2 TRP 에 알려진, 무선 통신의 방법.
  13. 제 1 항에 있어서,
    상기 요청은 물리 업링크 제어 채널 (PUCCH) 또는 매체 액세스 제어 계층 (MAC) 제어 엘리먼트 (CE) 를 통해 일어나는, 무선 통신의 방법.
  14. 제 13 항에 있어서,
    상기 제 1 기지의 페이로드는 물리 다운링크 공유 채널 (PDSCH) 에서 수신되는, 무선 통신의 방법.
  15. 제 1 항에 있어서,
    오프라인 트레이닝 단계 동안 상기 인공 뉴럴 네트워크를 트레이닝하는 단계를 더 포함하고, 상기 인공 뉴럴 네트워크를 업데이트하는 단계는 온라인 트레이닝 단계 동안 상기 인공 뉴럴 네트워크를 재트레이닝하는 단계를 더 포함하는, 무선 통신의 방법.
  16. 제 1 항에 있어서,
    상기 제 1 기지의 페이로드로부터 상기 인공 뉴럴 네트워크의 트레이닝을 위한 실측 자료 값 (ground truth value) 을 생성하는 단계를 더 포함하는, 무선 통신의 방법.
  17. 제 16 항에 있어서,
    상기 인공 뉴럴 네트워크에 의해 상기 제 1 기지의 페이로드를 처리하여 추정 값을 생성하는 단계; 및
    상기 추정 값을 실측 자료 값과 비교함으로써 상기 인공 뉴럴 네트워크의 가중치들 및 파라미터들을 업데이트하는 단계
    를 더 포함하는, 무선 통신의 방법.
  18. 제 1 항에 있어서,
    상기 제 1 송신 디바이스는 제 1 사용자 장비 (UE) 이고, 상기 수신 디바이스는 멀티-TRP 그룹의 TRP (transmit and receive point) 이고,
    상기 요청은 멀티플렉싱 스킴, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하는 송신 설정들을 포함하는, 무선 통신의 방법.
  19. 제 18 항에 있어서,
    상기 송신 디바이스들의 세트는 UE들의 세트를 포함하는, 무선 통신의 방법.
  20. 제 19 항에 있어서,
    상기 제 1 UE 로부터의 제 1 기지의 페이로드 및 상기 UE들의 세트의 제 2 UE 로부터의 제 2 기지의 페이로드에 기초하여 상기 인공 뉴럴 네트워크를 업데이트하는 단계를 더 포함하는, 무선 통신의 방법.
  21. 제 18 항에 있어서,
    물리 업링크 제어 채널 (PUCCH) 을 통해 상기 제 1 기지의 페이로드를 수신하는 단계를 더 포함하는, 무선 통신의 방법.
  22. 제 21 항에 있어서,
    물리 업링크 공유 채널 (PUSCH) 을 통해 제 2 기지의 페이로드를 수신하는 단계를 더 포함하고, 상기 제 1 기지의 페이로드는 상기 제 2 기지의 페이로드와 페어링되는, 무선 통신의 방법.
  23. 제 18 항에 있어서,
    물리 다운링크 제어 채널 (PDCCH) 또는 매체 액세스 제어 계층 (MAC) 제어 엘리먼트 (CE) 를 통해 상기 요청을 송신하는, 무선 통신의 방법.
  24. 수신 디바이스에서의 무선 통신을 위한 장치로서,
    프로세서;
    상기 프로세서와 커플링된 메모리; 및
    상기 메모리에 저장된 명령들
    을 포함하고, 상기 명령들은, 상기 프로세서에 의해 실행될 때, 상기 장치로 하여금:
    상기 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신하고,
    상기 요청에 응답하여 상기 제 1 기지의 페이로드를 상기 제 1 송신 디바이스로부터 수신하고,
    적어도 상기 제 1 기지의 페이로드에 기초하여 상기 인공 뉴럴 네트워크를 상기 수신 디바이스에서 업데이트하게
    하도록 작동 가능한, 장치.
  25. 제 24 항에 있어서,
    상기 제 1 송신 디바이스는 서빙 TRP (transmit and receive point) 이고, 상기 송신 디바이스들의 세트는 멀티-TRP 그룹의 TRP들의 세트를 포함하고, 상기 수신 디바이스는 사용자 장비 (UE) 인, 장치.
  26. 제 25 항에 있어서,
    상기 UE 는 UE들의 그룹 내의 하나의 UE 인, 장치.
  27. 제 25 항에 있어서,
    상기 요청은 상기 멀티-TRP 그룹의 제 2 TRP 로부터의 제 2 기지의 페이로드에 대한 요청 및 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 제 1 송신 설정들을 더 포함하고,
    상기 제 1 송신 설정들은 멀티플렉싱 스킴, 상기 멀티-TRP 그룹의 각각의 TRP 의 랭크, 상기 멀티-TRP 그룹의 각각의 TRP 의 프리코딩, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하는, 장치.
  28. 제 27 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 상기 제 1 송신 설정들은 상기 서빙 TRP 로부터의 제 1 미지의 페이로드 및 상기 제 2 TRP 로부터의 제 2 미지의 페이로드에 대한 제 2 송신 설정들과 동일한, 장치.
  29. 제 27 항에 있어서,
    상기 제 1 기지의 페이로드가 상기 제 2 기지의 페이로드와 상이한, 장치.
  30. 제 27 항에 있어서,
    상기 멀티플렉싱 스킴은 공간 분할 멀티플렉싱 (SDM), 시간 분할 멀티플렉싱 (TDM) 또는 주파수 분할 멀티플렉싱 (FDM) 을 포함하는, 장치.
  31. 제 27 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드의 페이로드 사이즈, 시간 및 주파수 리소스들, 및 주기성을 포함하는 정보를 수신하게 하고, 상기 정보는 무선 리소스 제어 (RRC) 시그널링, 매체 액세스 제어 계층 (MAC) 제어 엘리먼트, 또는 다운링크 제어 정보 (DCI) 를 통해 수신되는, 장치.
  32. 제 27 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 물리 다운링크 제어 채널 (PDCCH) 상에서 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드를 수신하게 하고, 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드 각각은 물리 다운링크 공유 채널 (PDSCH) 상에서 수신된 페이로드와 페어링되는, 장치.
  33. 제 27 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 주기적 스케줄, 반영구적 스케줄에 따라, 또는 비주기적으로 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드를 수신하게 하는, 장치.
  34. 제 27 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드는 RRC (radio resource control) 스크램블링 시드에 기초하여 스크램블링되는, 장치.
  35. 제 34 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드는 상기 RRC 스크램블링 시드에 기초하여 상기 UE, 상기 서빙 TRP, 및 상기 제 2 TRP 에 알려진, 장치.
  36. 제 24 항에 있어서,
    상기 요청은 물리 업링크 제어 채널 (PUCCH) 또는 매체 액세스 제어 계층 (MAC) 제어 엘리먼트 (CE) 를 통해 일어나는, 장치.
  37. 제 36 항에 있어서,
    상기 제 1 기지의 페이로드는 물리 다운링크 공유 채널 (PDSCH) 에서 수신되는, 장치.
  38. 제 24 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 오프라인 트레이닝 단계 동안 상기 인공 뉴럴 네트워크를 트레이닝하게 하고, 상기 장치로 하여금 상기 인공 뉴럴 네트워크를 업데이트하게 하는 명령들은 상기 장치로 하여금 온라인 트레이닝 단계 동안 상기 인공 뉴럴 네트워크를 재트레이닝하게 하는 명령들을 포함하는, 장치.
  39. 제 24 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 상기 제 1 기지의 페이로드로부터 상기 인공 뉴럴 네트워크의 트레이닝을 위한 실측 자료 값을 생성하게 하는, 장치.
  40. 제 39 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금,
    상기 인공 뉴럴 네트워크에 의해 상기 제 1 기지의 페이로드를 처리하여 추정 값을 생성하고,
    상기 추정 값을 실측 자료 값과 비교함으로써 상기 인공 뉴럴 네트워크의 가중치들 및 파라미터들을 업데이트하게
    하는, 장치.
  41. 제 24 항에 있어서,
    상기 제 1 송신 디바이스는 제 1 사용자 장비 (UE) 이고, 상기 수신 디바이스는 멀티-TRP 그룹의 TRP (transmit and receive point) 이고,
    상기 요청은 멀티플렉싱 스킴, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하는 송신 설정들을 포함하는, 장치.
  42. 제 41 항에 있어서,
    상기 송신 디바이스들의 세트는 UE들의 세트를 포함하는, 장치.
  43. 제 42 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 상기 제 1 UE 로부터의 제 1 기지의 페이로드 및 상기 UE들의 세트의 제 2 UE 로부터의 제 2 기지의 페이로드에 기초하여 상기 인공 뉴럴 네트워크를 업데이트하게 하는, 장치.
  44. 제 41 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 물리 업링크 제어 채널 (PUCCH) 을 통해 상기 제 1 기지의 페이로드를 수신하게 하는, 장치.
  45. 제 44 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 물리 업링크 공유 채널 (PUSCH) 을 통해 제 2 기지의 페이로드를 수신하게 하고, 상기 제 1 기지의 페이로드는 상기 제 2 기지의 페이로드와 페어링되는, 장치.
  46. 제 41 항에 있어서,
    상기 요청은 물리 다운링크 제어 채널 (PDCCH) 또는 매체 액세스 제어 계층 (MAC) 제어 엘리먼트 (CE) 를 통해 송신되는, 장치.
  47. 무선 통신을 위한 수신 디바이스로서,
    상기 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신하기 위한 수단;
    상기 요청에 응답하여 상기 제 1 기지의 페이로드를 상기 제 1 송신 디바이스로부터 수신하기 위한 수단; 및
    적어도 상기 제 1 기지의 페이로드에 기초하여 상기 인공 뉴럴 네트워크를 상기 수신 디바이스에서 업데이트하기 위한 수단을 포함하는, 수신 디바이스.
  48. 제 47 항에 있어서,
    상기 제 1 송신 디바이스는 서빙 TRP (transmit and receive point) 이고, 상기 송신 디바이스들의 세트는 멀티-TRP 그룹의 TRP들의 세트를 포함하고, 상기 수신 디바이스는 사용자 장비 (UE) 인, 수신 디바이스.
  49. 제 48 항에 있어서,
    상기 요청은 상기 멀티-TRP 그룹의 제 2 TRP 로부터의 제 2 기지의 페이로드에 대한 요청 및 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 제 1 송신 설정들을 더 포함하고,
    상기 제 1 송신 설정들은 멀티플렉싱 스킴, 상기 멀티-TRP 그룹의 각각의 TRP 의 랭크, 상기 멀티-TRP 그룹의 각각의 TRP 의 프리코딩, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하는, 수신 디바이스.
  50. 제 49 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 상기 제 1 송신 설정들은 상기 서빙 TRP 로부터의 제 1 미지의 페이로드 및 상기 제 2 TRP 로부터의 제 2 미지의 페이로드에 대한 제 2 송신 설정들과 동일한, 수신 디바이스.
  51. 제 49 항에 있어서,
    상기 제 1 기지의 페이로드가 상기 제 2 기지의 페이로드와 상이한, 수신 디바이스.
  52. 제 47 항에 있어서,
    오프라인 트레이닝 단계 동안 상기 인공 뉴럴 네트워크를 트레이닝하기 위한 수단을 더 포함하고, 상기 인공 뉴럴 네트워크를 업데이트하기 위한 수단은 온라인 트레이닝 단계 동안 상기 인공 뉴럴 네트워크를 재트레이닝하기 위한 수단을 포함하는, 수신 디바이스.
  53. 제 47 항에 있어서,
    상기 제 1 기지의 페이로드로부터 상기 인공 뉴럴 네트워크의 트레이닝을 위한 실측 자료 값을 생성하기 위한 수단을 더 포함하는, 수신 디바이스.
  54. 제 53 항에 있어서,
    상기 인공 뉴럴 네트워크에 의해 상기 제 1 기지의 페이로드를 처리하여 추정 값을 생성하기 위한 수단; 및
    상기 추정 값을 실측 자료 값과 비교함으로써 상기 인공 뉴럴 네트워크의 가중치들 및 파라미터들을 업데이트하기 위한 수단
    을 더 포함하는, 수신 디바이스.
  55. 제 47 항에 있어서,
    상기 제 1 송신 디바이스는 제 1 사용자 장비 (UE) 이고, 상기 수신 디바이스는 멀티-TRP 그룹의 TRP (transmit and receive point) 이고,
    상기 요청은 멀티플렉싱 스킴, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하는 송신 설정들을 포함하는, 수신 디바이스.
  56. 제 55 항에 있어서,
    상기 송신 디바이스들의 세트는 UE들의 세트를 포함하는, 수신 디바이스.
  57. 제 56 항에 있어서,
    상기 제 1 UE 로부터의 제 1 기지의 페이로드 및 상기 UE들의 세트의 제 2 UE 로부터의 제 2 기지의 페이로드에 기초하여 상기 인공 뉴럴 네트워크를 업데이트하기 위한 수단을 더 포함하는, 수신 디바이스.
  58. 수신 디바이스에 의한 무선 통신을 위한 프로그램 코드가 기록된 비일시적 컴퓨터 판독가능 저장 매체로서,
    상기 프로그램 코드는 프로세서에 의해 실행되며,
    상기 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 송신 디바이스들의 세트의 제 1 송신 디바이스에 송신하기 위한 프로그램 코드;
    상기 요청에 응답하여 상기 제 1 기지의 페이로드를 상기 제 1 송신 디바이스로부터 수신하기 위한 프로그램 코드; 및
    적어도 상기 제 1 기지의 페이로드에 기초하여 상기 인공 뉴럴 네트워크를 상기 수신 디바이스에서 업데이트하기 위한 프로그램 코드
    를 포함하는, 비일시적 컴퓨터 판독가능 저장 매체.
  59. 송신 디바이스들의 세트 중 적어도 제 1 송신 디바이스에 의해 수행되는 무선 통신의 방법으로서,
    상기 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신하는 단계;
    상기 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 상기 수신 디바이스로부터 수신하는 단계; 및
    상기 제 1 송신 설정들에 기초하여 상기 제 1 기지의 페이로드를 상기 수신 디바이스에 송신하는 단계를 포함하는, 무선 통신의 방법.
  60. 제 59 항에 있어서,
    상기 수신 디바이스는 사용자 장비 (UE) 이고, 상기 제 1 송신 디바이스는 서빙 TRP (transmit and receive point) 이고, 상기 송신 디바이스들의 세트는 멀티-TRP 그룹을 포함하는, 무선 통신의 방법.
  61. 제 60 항에 있어서,
    수신 디바이스들의 세트는 UE들의 그룹을 포함하고,
    상기 제 1 기지의 페이로드를 송신하는 단계는 상기 제 1 기지의 페이로드를 UE들의 그룹의 각각의 UE 에 송신하는 것을 포함하는, 무선 통신의 방법.
  62. 제 60 항에 있어서,
    상기 요청은 상기 멀티-TRP 그룹의 제 2 TRP 로부터의 제 2 기지의 페이로드에 대한 요청 및 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 제 2 송신 설정들을 더 포함하고,
    상기 제 2 송신 설정들은 멀티플렉싱 스킴, 상기 멀티-TRP 그룹의 각각의 TRP 의 랭크, 상기 멀티-TRP 그룹의 각각의 TRP 의 프리코딩, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하며,
    상기 방법은 상기 제 2 TRP 로부터 상기 제 2 기지의 페이로드를 송신하는 단계를 더 포함하는, 무선 통신의 방법.
  63. 제 62 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 상기 제 2 송신 설정들은 상기 제 2 TRP 로부터의 제 2 미지의 페이로드 및 상기 제 1 미지의 페이로드에 대한 제 1 송신 설정들과 동일한, 무선 통신의 방법.
  64. 제 62 항에 있어서,
    상기 제 1 기지의 페이로드가 상기 제 2 기지의 페이로드와 상이한, 무선 통신의 방법.
  65. 제 62 항에 있어서,
    상기 멀티플렉싱 스킴은 공간 분할 멀티플렉싱 (SDM), 시간 분할 멀티플렉싱 (TDM) 또는 주파수 분할 멀티플렉싱 (FDM) 을 포함하는, 무선 통신의 방법.
  66. 제 62 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드의 페이로드 사이즈, 시간 및 주파수 리소스들, 및 주기성을 포함하는 정보를 송신하는 단계를 더 포함하고, 상기 정보는 무선 리소스 제어 (RRC) 시그널링, 매체 액세스 제어 계층 (MAC) 제어 엘리먼트, 또는 다운링크 제어 정보 (DCI) 를 통해 송신되는, 무선 통신의 방법.
  67. 제 62 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드가 물리 다운링크 제어 채널 (PDCCH) 상에서 송신되고, 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드 각각은 물리 다운링크 공유 채널 (PDSCH) 상에서 수신된 대응하는 페이로드와 페어링되는, 무선 통신의 방법.
  68. 제 62 항에 있어서,
    상기 제 1 기지의 페이로드의 페이로드 사이즈, 시간 및 주파수 리소스들, 및 주기성을 포함하는 정보를 송신하는 단계를 더 포함하고, 상기 정보는 무선 리소스 제어 (RRC) 시그널링, 매체 액세스 제어 계층 (MAC) 제어 엘리먼트, 또는 다운링크 제어 정보 (DCI) 를 통해 수신되는, 무선 통신의 방법.
  69. 제 62 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드가 주기적 스케줄, 반영구적 스케줄에 따라, 또는 비주기적으로 송신되는, 무선 통신의 방법.
  70. 제 62 항에 있어서,
    RRC (radio resource control) 스크램블링 시드에 기초하여 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드를 스크램블링하는 단계를 더 포함하는, 무선 통신의 방법.
  71. 제 70 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드는 상기 RRC 스크램블링 시드에 기초하여 상기 UE, 상기 서빙 TRP, 및 상기 제 2 TRP 에 알려진, 무선 통신의 방법.
  72. 제 59 항에 있어서,
    상기 요청을 수신하는 단계는 물리 업링크 제어 채널 (PUCCH) 또는 매체 액세스 제어 계층 (MAC) 제어 엘리먼트 (CE) 를 통해 요청을 수신하는 것을 포함하는, 무선 통신의 방법.
  73. 제 72 항에 있어서,
    물리 다운링크 공유 채널 (PDSCH) 을 통해 상기 제 1 기지의 페이로드를 송신하는 단계를 더 포함하는, 무선 통신의 방법.
  74. 제 59 항에 있어서,
    상기 제 1 송신 디바이스는 제 1 사용자 장비 (UE) 이고, 상기 수신 디바이스는 멀티-TRP 그룹의 TRP (transmit and receive point) 이고,
    상기 요청은 상기 제 1 기지의 페이로드에 대한 제 2 송신 설정들을 포함하며,
    상기 제 2 송신 설정들은 랭크, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하고,
    상기 제 1 기지의 페이로드를 송신하는 단계는 상기 제 1 기지의 페이로드를 상기 멀티-TRP 그룹의 각각의 TRP 에 송신하는 것을 포함하는, 무선 통신의 방법.
  75. 제 74 항에 있어서,
    상기 송신 디바이스들의 세트는 UE들의 세트를 포함하고,
    상기 요청은 상기 UE들의 세트의 제 2 UE 로부터 제 2 기지의 페이로드에 대한 요청을 더 포함하며,
    상기 제 2 송신 설정들은 상기 제 2 기지의 페이로드에 대한 송신 설정들을 포함하는, 무선 통신의 방법.
  76. 제 74 항에 있어서,
    상기 제 1 기지의 페이로드에 대한 제 2 송신 설정들은 제 1 미지의 페이로드에 대한 제 1 송신 설정들과 동일한, 무선 통신의 방법.
  77. 제 74 항에 있어서,
    물리 업링크 제어 채널 (PUCCH) 을 통해 상기 제 1 기지의 페이로드를 송신하는 단계를 더 포함하는, 무선 통신의 방법.
  78. 제 77 항에 있어서,
    물리 업링크 공유 채널 (PUSCH) 을 통해 제 2 기지의 페이로드를 송신하는 단계를 더 포함하고, 상기 제 1 기지의 페이로드는 상기 제 2 기지의 페이로드와 페어링되는, 무선 통신의 방법.
  79. 제 74 항에 있어서,
    상기 요청을 수신하는 단계는 물리 다운링크 제어 채널 (PDCCH) 또는 매체 액세스 제어 계층 (MAC) 제어 엘리먼트 (CE) 를 통해 상기 요청을 수신하는 것을 포함하는, 무선 통신의 방법.
  80. 송신 디바이스들의 세트의 제 1 송신 디바이스에서의 무선 통신을 위한 장치로서,
    프로세서;
    상기 프로세서와 커플링된 메모리; 및
    상기 메모리에 저장된 명령들
    을 포함하고, 상기 명령들은, 상기 프로세서에 의해 실행될 때, 상기 장치로 하여금:
    상기 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신하고,
    상기 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 상기 수신 디바이스로부터 수신하며,
    상기 제 1 송신 설정들에 기초하여 상기 제 1 기지의 페이로드를 상기 수신 디바이스에 송신하게
    하도록 작동 가능한, 장치.
  81. 제 80 항에 있어서,
    상기 수신 디바이스는 사용자 장비 (UE) 이고, 상기 제 1 송신 디바이스는 서빙 TRP (transmit and receive point) 이고, 상기 송신 디바이스들의 세트는 멀티-TRP 그룹을 포함하는, 장치.
  82. 제 81 항에 있어서,
    수신 디바이스들의 세트는 UE들의 그룹을 포함하고,
    상기 명령들은 추가로, 상기 장치로 하여금, 제 1 기지의 페이로드를 상기 UE들의 그룹의 각각의 UE 에 송신하게 하는, 장치.
  83. 제 81 항에 있어서,
    상기 요청은 상기 멀티-TRP 그룹의 제 2 TRP 로부터의 제 2 기지의 페이로드에 대한 요청 및 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 제 2 송신 설정들을 더 포함하고,
    상기 제 2 송신 설정들은 멀티플렉싱 스킴, 상기 멀티-TRP 그룹의 각각의 TRP 의 랭크, 상기 멀티-TRP 그룹의 각각의 TRP 의 프리코딩, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하는, 장치.
  84. 제 83 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 제 2 송신 설정들은 상기 제 2 TRP 로부터의 제 2 미지의 페이로드 및 상기 제 1 미지의 페이로드에 대한 제 1 송신 설정들과 동일한, 장치.
  85. 제 83 항에 있어서,
    상기 제 1 기지의 페이로드가 상기 제 2 기지의 페이로드와 상이한, 장치.
  86. 제 83 항에 있어서,
    상기 멀티플렉싱 스킴은 공간 분할 멀티플렉싱 (SDM), 시간 분할 멀티플렉싱 (TDM) 또는 주파수 분할 멀티플렉싱 (FDM) 을 포함하는, 장치.
  87. 제 83 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드의 페이로드 사이즈, 시간 및 주파수 리소스들, 및 주기성을 포함하는 정보를 송신하게 하고, 상기 정보는 무선 리소스 제어 (RRC) 시그널링, 매체 액세스 제어 계층 (MAC) 제어 엘리먼트, 또는 다운링크 제어 정보 (DCI) 를 통해 송신되는, 장치.
  88. 제 83 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드가 물리 다운링크 제어 채널 (PDCCH) 상에서 송신되고, 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드 각각은 물리 다운링크 공유 채널 (PDSCH) 상에서 송신된 대응하는 페이로드와 페어링되는, 장치.
  89. 제 83 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 상기 제 1 기지의 페이로드의 페이로드 사이즈, 시간 및 주파수 리소스들, 및 주기성을 포함하는 정보를 송신하게 하고, 상기 정보는 무선 리소스 제어 (RRC) 시그널링, 매체 액세스 제어 계층 (MAC) 제어 엘리먼트, 또는 다운링크 제어 정보 (DCI) 를 통해 수신되는, 장치.
  90. 제 83 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드가 주기적 스케줄, 반영구적 스케줄에 따라, 또는 비주기적으로 송신되는, 장치.
  91. 제 83 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, RRC (radio resource control) 스크램블링 시드에 기초하여 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드를 스크램블링하게 하는, 장치.
  92. 제 91 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드는 상기 RRC 스크램블링 시드에 기초하여 상기 UE, 상기 서빙 TRP, 및 상기 제 2 TRP 에 알려진, 장치.
  93. 제 80 항에 있어서,
    상기 요청은 물리 업링크 제어 채널 (PUCCH) 또는 매체 액세스 제어 계층 (MAC) 제어 엘리먼트 (CE) 를 통해 수신되는, 장치.
  94. 제 93 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 물리 다운링크 공유 채널 (PDSCH) 을 통해 상기 제 1 기지의 페이로드를 송신하게 하는, 장치.
  95. 제 80 항에 있어서,
    상기 제 1 송신 디바이스는 제 1 사용자 장비 (UE) 이고, 상기 수신 디바이스는 멀티-TRP 그룹의 TRP (transmit and receive point) 이고,
    상기 요청은 상기 제 1 기지의 페이로드에 대한 제 2 송신 설정들을 포함하며,
    상기 제 2 송신 설정들은 랭크, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하고,
    상기 제 1 기지의 페이로드를 송신하는 단계는 상기 제 1 기지의 페이로드를 상기 멀티-TRP 그룹의 각각의 TRP 에 송신하는 것을 포함하는, 장치.
  96. 제 95 항에 있어서,
    상기 송신 디바이스들의 세트는 UE들의 세트를 포함하고,
    상기 요청은 상기 UE들의 세트의 제 2 UE 로부터 제 2 기지의 페이로드에 대한 요청을 더 포함하며,
    상기 제 2 송신 설정들은 상기 제 2 기지의 페이로드에 대한 송신 설정들을 포함하는, 장치.
  97. 제 95 항에 있어서,
    상기 제 1 기지의 페이로드에 대한 제 2 송신 설정들은 제 1 미지의 페이로드에 대한 제 1 송신 설정들과 동일한, 장치.
  98. 제 95 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 물리 업링크 제어 채널 (PUCCH) 을 통해 상기 제 1 기지의 페이로드를 송신하게 하는, 장치.
  99. 제 98 항에 있어서,
    상기 명령들은 추가로, 상기 장치로 하여금, 물리 업링크 공유 채널 (PUSCH) 을 통해 제 2 기지의 페이로드를 송신하게 하고, 상기 제 1 기지의 페이로드는 상기 제 2 기지의 페이로드와 페어링되는, 장치.
  100. 제 95 항에 있어서,
    상기 요청은 물리 다운링크 제어 채널 (PDCCH) 또는 매체 액세스 제어 계층 (MAC) 제어 엘리먼트 (CE) 를 통해 수신되는, 장치.
  101. 무선 통신을 위한 송신 디바이스들의 세트의 제 1 송신 디바이스로서,
    상기 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신하기 위한 수단;
    상기 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 상기 수신 디바이스로부터 수신하기 위한 수단; 및
    상기 제 1 송신 설정들에 기초하여 상기 제 1 기지의 페이로드를 상기 수신 디바이스에 송신하기 위한 수단을 포함하는, 제 1 송신 디바이스.
  102. 제 101 항에 있어서,
    상기 수신 디바이스는 사용자 장비 (UE) 이고, 상기 제 1 송신 디바이스는 서빙 TRP (transmit and receive point) 이고, 상기 송신 디바이스들의 세트는 멀티-TRP 그룹을 포함하는, 제 1 송신 디바이스.
  103. 제 102 항에 있어서,
    수신 디바이스들의 세트는 UE들의 그룹을 포함하고,
    상기 제 1 기지의 페이로드를 송신하기 위한 수단은 상기 제 1 기지의 페이로드를 UE들의 그룹의 각각의 UE 에 송신하기 위한 수단을 포함하는, 제 1 송신 디바이스.
  104. 제 102 항에 있어서,
    상기 요청은 상기 멀티-TRP 그룹의 제 2 TRP 로부터의 제 2 기지의 페이로드에 대한 요청 및 상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 제 2 송신 설정들을 더 포함하고,
    상기 제 2 송신 설정들은 멀티플렉싱 스킴, 상기 멀티-TRP 그룹의 각각의 TRP 의 랭크, 상기 멀티-TRP 그룹의 각각의 TRP 의 프리코딩, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하는, 제 1 송신 디바이스.
  105. 제 104 항에 있어서,
    상기 제 1 기지의 페이로드 및 상기 제 2 기지의 페이로드에 대한 상기 제 2 송신 설정들은 상기 제 2 TRP 로부터의 제 2 미지의 페이로드 및 상기 제 1 미지의 페이로드에 대한 제 1 송신 설정들과 동일한, 제 1 송신 디바이스.
  106. 제 101 항에 있어서,
    상기 제 1 송신 디바이스는 제 1 사용자 장비 (UE) 이고, 상기 수신 디바이스는 멀티-TRP 그룹의 TRP (transmit and receive point) 이고,
    상기 요청은 상기 제 1 기지의 페이로드에 대한 제 2 송신 설정들을 포함하며,
    상기 제 2 송신 설정들은 랭크, 빔 쌍, 변조 및 코딩 스킴 (MCS), 또는 이들의 조합 중 적어도 하나를 포함하고,
    상기 제 1 기지의 페이로드를 송신하기 위한 수단은 상기 제 1 기지의 페이로드를 상기 멀티-TRP 그룹의 각각의 TRP 에 송신하기 위한 수단을 포함하는, 제 1 송신 디바이스.
  107. 제 106 항에 있어서,
    상기 송신 디바이스들의 세트는 UE들의 세트를 포함하고,
    상기 요청은 상기 UE들의 세트의 제 2 UE 로부터 제 2 기지의 페이로드에 대한 요청을 더 포함하며,
    상기 제 2 송신 설정들은 상기 제 2 기지의 페이로드에 대한 송신 설정들을 포함하는, 제 1 송신 디바이스.
  108. 제 107 항에 있어서,
    상기 제 1 기지의 페이로드에 대한 제 2 송신 설정들은 제 1 미지의 페이로드에 대한 제 1 송신 설정들과 동일한, 제 1 송신 디바이스.
  109. 송신 디바이스들의 세트의 제 1 송신 디바이스에 의한 무선 통신을 위한 프로그램 코드가 기록된 비일시적 컴퓨터 판독가능 저장 매체로서,
    상기 프로그램 코드는 프로세서에 의해 실행되며,
    상기 제 1 송신 디바이스의 제 1 송신 설정들에 기초하여 제 1 미지의 페이로드를 수신 디바이스들의 세트의 수신 디바이스에 송신하기 위한 프로그램 코드;
    상기 수신 디바이스의 인공 뉴럴 네트워크를 트레이닝하기 위한 제 1 기지의 페이로드에 대한 요청을 상기 수신 디바이스로부터 수신하기 위한 프로그램 코드; 및
    상기 제 1 송신 설정들에 기초하여 상기 제 1 기지의 페이로드를 상기 수신 디바이스에 송신하기 위한 프로그램 코드
    를 포함하는, 비일시적 컴퓨터 판독가능 저장 매체.
KR1020237007043A 2020-09-11 2021-08-16 인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신 KR20230066330A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/019,125 2020-09-11
US17/019,125 US11502915B2 (en) 2020-09-11 2020-09-11 Transmission of known data for cooperative training of artificial neural networks
PCT/US2021/046169 WO2022055668A1 (en) 2020-09-11 2021-08-16 Transmission of known data for cooperative training of artificial neural networks

Publications (1)

Publication Number Publication Date
KR20230066330A true KR20230066330A (ko) 2023-05-15

Family

ID=77655701

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237007043A KR20230066330A (ko) 2020-09-11 2021-08-16 인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신

Country Status (7)

Country Link
US (1) US11502915B2 (ko)
EP (1) EP4211807A1 (ko)
KR (1) KR20230066330A (ko)
CN (1) CN115989653A (ko)
BR (1) BR112023003844A2 (ko)
TW (1) TW202215799A (ko)
WO (1) WO2022055668A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11817976B2 (en) * 2021-08-02 2023-11-14 Mohammad Sadegh Safari Adaptive coding and modulation
CN117220734A (zh) * 2022-05-31 2023-12-12 华为技术有限公司 一种模型传输的方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110326228B (zh) 2016-08-11 2023-06-13 交互数字专利控股公司 用于新无线电的csi反馈方法和装置
EP3729677B1 (en) 2017-12-22 2023-08-09 Telefonaktiebolaget LM Ericsson (publ) A wireless communications system, a radio network node, a machine learning unt and methods therein for transmission of a downlink signal in a wireless communications network supporting beamforming
US11336535B2 (en) * 2019-03-19 2022-05-17 Cisco Technology, Inc. Station movement flow driven automatic RF site grouping
JP7341315B2 (ja) * 2019-08-14 2023-09-08 グーグル エルエルシー ディープニューラルネットワークに関する基地局とユーザ機器とのメッセージング
US11431583B2 (en) * 2019-11-22 2022-08-30 Huawei Technologies Co., Ltd. Personalized tailored air interface
US11645500B2 (en) * 2019-12-03 2023-05-09 Robust Machines, Inc. Method and system for enhancing training data and improving performance for neural network models
US11736899B2 (en) * 2020-01-14 2023-08-22 Nokia Technologies Oy Training in communication systems
US20210326700A1 (en) * 2020-03-12 2021-10-21 Genotaur, Inc. Neural network optimization
EP3886383A1 (en) * 2020-03-23 2021-09-29 Nokia Solutions and Networks Oy Apparatus, method and computer program for routing data in a dual or multi-connectivity configuration
US11252004B2 (en) * 2020-03-30 2022-02-15 Huawei Technologies Co., Ltd. Multiple access wireless communications using a non-gaussian manifold
US20220067500A1 (en) * 2020-08-25 2022-03-03 Capital One Services, Llc Decoupling memory and computation to enable privacy across multiple knowledge bases of user data

Also Published As

Publication number Publication date
BR112023003844A2 (pt) 2023-04-04
TW202215799A (zh) 2022-04-16
US11502915B2 (en) 2022-11-15
US20220086057A1 (en) 2022-03-17
EP4211807A1 (en) 2023-07-19
CN115989653A (zh) 2023-04-18
WO2022055668A1 (en) 2022-03-17

Similar Documents

Publication Publication Date Title
US11653228B2 (en) Channel state information (CSI) learning
US20210326701A1 (en) Architecture for machine learning (ml) assisted communications networks
US20220116764A1 (en) User equipment (ue) capability report for machine learning applications
US11984955B2 (en) Configurable neural network for channel state feedback (CSF) learning
US11646838B2 (en) Broadcasting known data to train artificial neural networks
US11777812B2 (en) Zone-based federated learning
KR20230066330A (ko) 인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신
US11616582B2 (en) Neural network-based spatial inter-cell interference learning
US11456834B2 (en) Adaptive demodulation reference signal (DMRS)
US11792877B2 (en) Indication triggering transmission of known data for training artificial neural networks
WO2022073167A1 (en) Signaling configuration for communicating parameters of a neural network configuration
KR20230026319A (ko) 무선 채널 추정 및 추적을 위한 신경망 증강
US20230325654A1 (en) Scalable deep learning design for missing input features
WO2023019380A1 (en) Physical downlink control channel (pdcch) to indicate machine learning (ml) model group switching
US20220335294A1 (en) Reporting for machine learning model updates
US20230259754A1 (en) Machine learning model validation with verification data
US20230419101A1 (en) Machine learning (ml)-based dynamic demodulator selection
WO2023070486A1 (en) Channel state feedback for reduced resource consumption reference signals
KR20230173664A (ko) 머신 러닝 모델 업데이트들을 위한 보고
CN118176674A (zh) 基于机器学习的信道状态信息（csi）报告