WO2024034351A1 - 通信装置、データセット提供装置、ａｉ／ｍｌモデルをトレーニングする方法およびａｉ／ｍｌモデルの学習のベースとなる情報を提供する方法 - Google Patents

通信装置、データセット提供装置、ａｉ／ｍｌモデルをトレーニングする方法およびａｉ／ｍｌモデルの学習のベースとなる情報を提供する方法 Download PDF

Info

Publication number
WO2024034351A1
WO2024034351A1 PCT/JP2023/026690 JP2023026690W WO2024034351A1 WO 2024034351 A1 WO2024034351 A1 WO 2024034351A1 JP 2023026690 W JP2023026690 W JP 2023026690W WO 2024034351 A1 WO2024034351 A1 WO 2024034351A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
model
communication device
learning
base station
Prior art date
Application number
PCT/JP2023/026690
Other languages
English (en)
French (fr)
Inventor
大輝 松田
信一郎 津田
Original Assignee
ソニーグループ株式会社
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 ソニーグループ株式会社 filed Critical ソニーグループ株式会社
Publication of WO2024034351A1 publication Critical patent/WO2024034351A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data

Definitions

  • the present disclosure relates to a communication device, a dataset providing device, a method for training an AI/ML model, and a method for providing information that is the basis for learning an AI/ML model.
  • eMBB Enhanced Mobile Broadband
  • massive machine type communications mMTC
  • ultra-reliable and low-latency communications URLLC
  • AI/ML artificial intelligence/machine learning
  • the AI/ML model of each terminal device may If the model specifications or implementations are different, there is a possibility that signal processing between each terminal device and the base station cannot be performed appropriately.
  • the present disclosure is intended to solve the above-mentioned problems, and provides a communication device, a data set providing device, and an AI/ML model that can perform signal processing without being aware of the differences between AI/ML models.
  • the purpose of the present invention is to provide a method for training and a method for providing information as a basis for learning an AI/ML model.
  • a communication device includes a signal processing unit including an AI/ML model, a receiving unit that receives information as a basis for learning from another communication device, and an AI/ML model based on the information as a basis for learning. and a control unit that sets the ML model.
  • the data set providing device is a data set providing device that can be accessed in common from communication devices of different vendors, and includes a storage unit that stores information that is a base for learning an AI/ML model, and a data set providing device that can be accessed in common from communication devices of different vendors.
  • the communication device includes a receiving unit that receives a request from the device to provide information that is the basis for learning the AI/ML model, and a transmitting unit that transmits the information that is the basis for learning the AI/ML model to the communication device.
  • the method for training an AI/ML model includes the steps of receiving information that is the basis of learning, and setting the AI/ML model based on the information that is the basis of learning.
  • the method of providing information as a basis for learning of an AI/ML model includes the steps of receiving a request for providing information as a basis for learning, and sending information as a basis for learning to the source of the request. and transmitting information that becomes .
  • FIG. 1 is a diagram showing the configuration of a wireless communication system according to Embodiment 1.
  • FIG. FIG. 2 is a diagram showing the configuration of a management device.
  • FIG. 2 is a diagram showing the configuration of a base station.
  • FIG. 3 is a diagram showing the configuration of a relay station. It is a diagram showing the configuration of a terminal device.
  • FIG. 2 is a block diagram showing detailed configurations of a terminal device and a base station.
  • FIG. 2 is a diagram showing the configuration of a data set providing device.
  • 1 is a diagram illustrating an example of a configuration of a wireless communication network including a data set providing device.
  • FIG. 3 is a diagram illustrating an example of a procedure for transmitting information that is a basis for learning an AI/ML model included in system information to terminal devices with different base stations.
  • FIG. 2 is a diagram illustrating an example of a procedure in which information that becomes the basis for learning an AI/ML model is included in quasi-static information (RRC signaling) and transmitted to terminal devices from different base stations.
  • FIG. 2 is a diagram illustrating an example of a procedure in which information that becomes the basis for AI/ML model learning is included in system information and quasi-static information (RRC signaling) and transmitted to terminal devices from different base stations.
  • the base station receives the information that is the basis for learning the AI/ML model from the data set providing device, and sends the information that is the basis for learning the AI/ML model to different terminal devices as system information and quasi-static information.
  • FIG. 2 is a diagram illustrating an example of a procedure that is included in (RRC signaling) and transmitted.
  • FIG. 2 is a diagram illustrating an example of a procedure in which a base station and a terminal device receive information that is the basis for learning an AI/ML model from a data set providing device.
  • FIG. 2 is a diagram illustrating an example of a procedure for handing over a terminal device to a different base station.
  • FIG. 2 is a diagram illustrating an example of a procedure for handing over a terminal device to a different base station.
  • FIG. 1 is a diagram showing the configuration of a wireless communication system 1 according to Embodiment 1 of the present disclosure.
  • the wireless communication system 1 includes a management device 10, a base station 20, a relay station 30, and a terminal device 40.
  • the wireless communication system 1 provides the user with a wireless network that allows mobile communication by operating the wireless communication devices constituting the wireless communication system 1 in cooperation with each other.
  • the wireless network according to the first embodiment is composed of a radio access network RAN and a core network CN.
  • the wireless communication device is a device having a wireless communication function, and in the example of FIG. 1, the base station 20, the relay station 30, and the terminal device 40 correspond to the device.
  • the wireless communication system 1 may each include a plurality of management devices 10, base stations 20, relay stations 30, and terminal devices 40.
  • the wireless communication system 1 includes management devices 10a and 10b as the management device 10, and base stations 20a, 20b, and 20c as the base station 20.
  • the wireless communication system 1 includes relay stations 30a and 30b as the relay station 30, and terminal devices 40a, 40b, and 40c as the terminal device 40.
  • Each wireless communication device in FIG. 1 may be considered a device in a logical sense.
  • a part of each wireless communication device may be realized by a virtual machine (VM), a container, a Docker, etc., and they may be implemented on the same physical hardware. .
  • VM virtual machine
  • the wireless communication system 1 may be compatible with radio access technology (RAT) such as LTE (Long Term Evolution) or NR (New Radio).
  • RAT radio access technology
  • LTE and NR are types of cellular wireless communication technologies, and enable mobile communication of the terminal device 40 by arranging a plurality of areas covered by the base station 20 in a cell shape.
  • the wireless access method of the wireless communication system 1 is not limited to LTE or NR, but may be other wireless access methods such as W-CDMA (Wideband Code Division Multiple Access) or cdma2000 (Code Division Multiple Access 2000). It's okay.
  • W-CDMA Wideband Code Division Multiple Access
  • cdma2000 Code Division Multiple Access 2000
  • the base station 20 and relay station 30 that constitute the wireless communication system 1 may be ground stations or non-ground stations.
  • the non-ground station may be a satellite station or an aircraft station.
  • the wireless communication system 1 may be a Bent-pipe (transparent) type mobile satellite communication system.
  • a ground station (also referred to as a "ground base station”) refers to a base station (including a “relay station”) installed on the ground.
  • “above ground” means ground in a broad sense, including not only land, but also underground, above water, and underwater.
  • the description of "ground station” may be replaced with “gateway”.
  • An LTE base station is sometimes referred to as an eNodeB (Evolved Node B) or eNB.
  • NR base stations are sometimes referred to as gNodeBs or gNBs.
  • a terminal device also referred to as a "mobile station” or “terminal” is sometimes referred to as UE (User Equipment).
  • the concept of a wireless communication device includes not only a portable mobile device (terminal device) such as a mobile terminal, but also a device installed in a structure or a mobile object.
  • the structure or moving body itself may be considered a wireless communication device.
  • the concept of a wireless communication device includes not only the terminal device 40 but also the base station 20 and the relay station 30.
  • a wireless communication device is a type of processing device or information processing device.
  • the wireless communication device can also be referred to as a transmitting device or a receiving device.
  • each wireless communication device constituting the wireless communication system 1 will be specifically described. Note that the configuration of each wireless communication device shown below is just an example. The configuration of each wireless communication device may be different from the configuration shown below.
  • the management device 10 is a device that manages a wireless network.
  • the management device 10 is a device that manages communications of the base station 20.
  • the core network CN is an EPC (Evolved Packet Core)
  • the management device 10 is, for example, a device having a function as an MME (Mobility Management Entity).
  • the core network CN is a 5GC (5G Core network)
  • the management device 10 is, for example, a device having a function as an AMF (Access and Mobility Management Function) and/or an SMF (Session Management Function).
  • the functions that the management device 10 has are not limited to MME, AMF, and SMF.
  • the management device 10 may be a device having a function as NSSF (Network Slice Selection Function), AUSF (Authentication Server Function), or UDM (Unified Data Management).
  • the management device 10 may be a device having a function as an HSS (Home Subscriber Server).
  • the management device 10 may have a gateway function.
  • the management device 10 may have a function as an S-GW (Serving Gateway) or a P-GW (Packet Data Network Gateway).
  • the management device 10 may have a function as a UPF (User Plane Function).
  • the management device 10 does not necessarily have to be a device that constitutes the core network CN.
  • the management device 10 is a device that functions as an RNC (Radio Network Controller). Good too.
  • FIG. 2 is a diagram showing the configuration of the management device 10 according to the first embodiment.
  • the management device 10 includes a communication section 11, a storage section 12, and a control section 13.
  • the configuration shown in FIG. 2 is a functional configuration, and the hardware configuration may be different from this.
  • the functions of the management device 10 may be statically or dynamically distributed and implemented in a plurality of physically separated configurations.
  • the management device 10 may be configured by a plurality of server devices.
  • the communication unit 11 is a communication interface for communicating with a wireless communication device (for example, the base station 20 or the relay station 30).
  • the communication unit 11 may be a network interface or a device connection interface.
  • the communication unit 11 may be a LAN (Local Area Network) interface such as a NIC (Network Interface Card), a USB (Universal Serial Bus) host controller, a USB interface configured by a USB port, etc. good.
  • the communication unit 11 may be a wired interface or a wireless interface.
  • the communication unit 11 functions as a communication means for the management device 10.
  • the communication section 11 is controlled by the control section 13.
  • the storage unit 12 is a readable/writable storage device such as a DRAM (Dynamic Random Access Memory), an SRAM (Static Random Access Memory), a flash memory, or a hard disk.
  • the storage unit 12 functions as a storage means of the management device 10.
  • the storage unit 12 stores, for example, the connection state of the terminal device 40.
  • the storage unit 12 stores the state of RRC (Radio Resource Control) and the state of ECM (EPS Connection Management) or 5G System CM (Connection Management) of the terminal device 40.
  • the storage unit 12 may function as a home memory that stores position information of the terminal device 40.
  • the control unit 13 is a controller that controls each part of the management device 10.
  • the control unit 13 may be realized by, for example, a processor such as a CPU (Central Processing Unit) or an MPU (Micro Processing Unit).
  • the control unit 13 may be realized by a processor executing various programs stored in a storage device inside the management device 10 using a RAM (Random Access Memory) or the like as a work area.
  • the control unit 13 may be realized by an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
  • the CPU, MPU, ASIC, and FPGA can all be considered controllers.
  • the base station 20 is a wireless communication device that performs wireless communication with the terminal device 40.
  • the base station 20 may wirelessly communicate with the terminal device 40 via the relay station 30, or may directly wirelessly communicate with the terminal device 40.
  • the base station 20 is a device corresponding to a wireless base station (Base Station, Node B, eNB, gNB, etc.) or a wireless access point (Access Point).
  • Base station 20 may be a wireless relay station.
  • the base station 20 may be an optical equipment called an RRH (Remote Radio Head).
  • the base station 20 may be a receiving station such as an FPU (Field Pickup Unit).
  • the base station 20 may be an IAB (Integrated Access and Backhaul) donor node or an IAB relay node that provides radio access lines and radio backhaul lines by time division multiplexing, frequency division multiplexing, or space division multiplexing. .
  • IAB Integrated Access and Backhaul
  • the radio access technology used by the base station 20 may be a cellular communication technology.
  • the wireless access technology used by base station 20 may be wireless LAN technology.
  • the radio access technology used by the base station 20 may be an LPWA (Low Power Wide Area) communication technology.
  • the radio access technology used by the base station 20 is not limited to these, and may be other radio access technologies.
  • the wireless communication used by the base station 20 may be wireless communication using millimeter waves.
  • the wireless communication used by the base station 20 may be wireless communication using radio waves, or wireless communication using infrared rays or visible light, that is, optical wireless communication.
  • the base station 20 may be capable of NOMA (Non-Orthogonal Multiple Access) communication with the terminal device 40.
  • NOMA communications are communications (transmission, reception, or both) that use non-orthogonal resources.
  • the base station 20 may be capable of NOMA communication with other base stations 20.
  • the base station 20 may be able to communicate with the core network CN via an interface between the base station 20 and the core network CN, for example, an S1 Interface. This interface may be wired or wireless.
  • the base station 20 may be able to communicate with other base stations via an interface between base stations, such as an X2 Interface. This interface may be wired or wireless.
  • base station also referred to as a "base station device” includes not only a donor base station but also a relay base station (also referred to as a "relay station”).
  • relay station also referred to as a "relay station”
  • base station includes not only a structure that has the function of a base station, but also devices installed in the structure.
  • the structure is, for example, a building such as a high-rise building, a house, a steel tower, a station facility, an airport facility, a port facility, or a stadium.
  • the concept of a structure includes not only buildings but also non-building structures such as tunnels, bridges, dams, walls, and steel columns, as well as equipment such as cranes, gates, and windmills.
  • the concept of structure includes not only structures on land (ground in a narrow sense) or underground, but also structures on water such as piers or mega-floats, and underwater structures such as ocean observation equipment.
  • a base station can also be referred to as an information processing device.
  • the base station 20 may be a fixed station or a wireless communication device configured to be mobile, that is, a mobile station.
  • the base station 20 may be a device installed in a mobile body, or may be the mobile body itself.
  • a relay station having mobility can be considered as a base station 20 as a mobile station.
  • the base station 20 as a mobile station also includes UAVs (Unmanned Aerial Vehicles) such as vehicles or drones, and devices that inherently have mobility capabilities such as smartphones and are equipped with at least some of the functions of a base station. It can be considered as
  • UAVs Unmanned Aerial Vehicles
  • the mobile object may be a mobile terminal such as a smartphone or a mobile phone.
  • the moving object may be a moving object that moves on land (ground in a narrow sense) (for example, a vehicle such as a car, bicycle, bus, truck, motorcycle, train, or linear motor car), or underground (for example, a vehicle such as a linear motor car). , inside a tunnel) (for example, a subway).
  • the mobile object may be a mobile object that moves on water (for example, a ship such as a passenger ship, a cargo ship, or a hovercraft), or a mobile object that moves underwater (for example, a submersible, a submarine, or an unmanned underwater vehicle). submersibles).
  • a ship such as a passenger ship, a cargo ship, or a hovercraft
  • a mobile object that moves underwater for example, a submersible, a submarine, or an unmanned underwater vehicle. submersibles).
  • the moving object may be a moving object (for example, an airplane, an airship, or an aircraft such as a drone) that moves within the atmosphere.
  • a moving object for example, an airplane, an airship, or an aircraft such as a drone
  • the base station 20 may be a ground base station (ground station) installed on the ground.
  • the base station 20 may be a base station placed in a structure on the ground, or may be a base station installed in a mobile body moving on the ground.
  • the base station 20 may be an antenna installed in a structure such as a building and a signal processing device connected to the antenna.
  • Base station 20 may be a structure or a mobile object itself.
  • "Above ground” means not only land (above ground in a narrow sense), but also ground in a broad sense, including underground, above water, and underwater.
  • Base station 20 is not limited to a terrestrial base station.
  • the base station 20 may be an aircraft station. From the perspective of a satellite station, an aircraft station located on the earth is a ground station.
  • the base station 20 is not limited to a ground station.
  • the base station 20 may be a non-ground base station device (non-ground station) that can float in the air or in space.
  • Base station 20 may be an aircraft station or a satellite station.
  • a satellite station is a satellite station that can float outside the atmosphere.
  • the satellite station may be a device mounted on a space vehicle such as an artificial satellite, or may be the space vehicle itself.
  • a space vehicle is a vehicle that moves outside the atmosphere. Examples of space mobile objects include artificial celestial bodies such as artificial satellites, spacecraft, space stations, and probes.
  • Satellites that serve as satellite stations are low Earth Orbiting (LEO), Medium Earth Orbiting (MEO), Geostationary Earth Orbiting (GEO), or High Elliptical Orbiting (HEO). It can be any satellite.
  • a satellite station may be a device mounted on a low orbit, medium orbit, geostationary, or high elliptical orbit satellite.
  • An aircraft station is a wireless communication device such as an aircraft that can float in the atmosphere.
  • the aircraft station may be a device mounted on an aircraft or the like, or may be the aircraft itself.
  • the concept of aircraft includes not only heavy aircraft such as airplanes and gliders, but also light aircraft such as balloons and airships.
  • the concept of aircraft includes not only heavy or light aircraft but also rotary wing aircraft such as helicopters or autogyros.
  • the aircraft station or the aircraft on which the aircraft station is mounted may be an unmanned aircraft such as a drone.
  • unmanned aircraft also includes unmanned aerial systems (UAS) and tethered unmanned aerial systems (UAS).
  • UAS unmanned aerial systems
  • UAS tethered unmanned aerial systems
  • the concept of unmanned aircraft includes light unmanned aerial systems (LTA: Lighter than Air UAS) and heavy unmanned aerial systems (HTA: Heavy than Air UAS).
  • LTA Lighter than Air UAS
  • HTA Heavy than Air UAS
  • the concept of unmanned aircraft also includes High Altitude UAS Platforms (HAPs).
  • HAPs High Altitude UAS Platforms
  • the coverage size of the base station 20 may be relatively large, such as a macro cell, or relatively small, such as a pico cell.
  • the coverage size of the base station 20 may be extremely small, such as a femtocell.
  • the base station 20 may have a beamforming function. In the base station 20, cells or service areas may be formed for each beam.
  • FIG. 3 is a diagram showing the configuration of the base station 20 according to the first embodiment.
  • the base station 20 includes a wireless communication section 21, a storage section 22, a decoder 23, and a control section 25.
  • the configuration shown in FIG. 3 is a functional configuration, and the hardware configuration may be different from this. Further, the functions of the base station 20 may be distributed and implemented in a plurality of physically separated configurations.
  • the wireless communication unit 21 is a signal processing unit for wireless communication with other wireless communication devices (for example, the relay station 30, the terminal device 40, or another base station 20).
  • the wireless communication section 21 is controlled by a control section 25.
  • the wireless communication unit 21 supports one or more wireless access methods.
  • the wireless communication unit 21 may be compatible with both NR and LTE.
  • the wireless communication unit 21 may support W-CDMA, cdma2000, etc. in addition to NR and LTE.
  • the wireless communication unit 21 may support automatic retransmission technology such as HARQ (Hybrid Automatic Repeat reQuest).
  • HARQ Hybrid Automatic Repeat reQuest
  • the wireless communication section 21 includes a transmitting section 211, a receiving section 212, and an antenna 213.
  • the wireless communication unit 21 may include a plurality of transmitting units 211, a plurality of receiving units 212, and a plurality of antennas 213.
  • each part of the wireless communication unit 21 may be configured individually for each wireless access method.
  • the transmitter 211 and the receiver 212 may be configured separately for LTE and NR.
  • Antenna 213 may be configured by multiple antenna elements, for example multiple patch antennas.
  • the wireless communication unit 21 may have a beamforming function.
  • the wireless communication unit 21 may have a polarization beam forming function using vertically polarized waves (V polarized waves) and horizontally polarized waves (H polarized waves).
  • the transmitter 211 performs a process of transmitting downlink control information and downlink data.
  • the transmitter 211 encodes the downlink control information and downlink data input from the controller 24 using an encoding method such as block encoding, convolutional encoding, or turbo encoding.
  • an encoding method such as block encoding, convolutional encoding, or turbo encoding.
  • encoding encoding using a polar code or encoding using an LDPC code (Low Density Parity Check Code) may be performed.
  • LDPC code Low Density Parity Check Code
  • the transmitter 211 modulates the encoded bits according to a predetermined modulation method such as BPSK, QPSK, 16QAM, 64QAM, or 256QAM.
  • a predetermined modulation method such as BPSK, QPSK, 16QAM, 64QAM, or 256QAM.
  • the signal points on the constellation do not necessarily have to be equidistant. That is, the constellation may be a non-uniform constellation (NUC).
  • NUC non-uniform constellation
  • the transmitter 211 multiplexes the modulation symbol of each channel and the downlink reference signal and arranges it in a predetermined resource element.
  • the transmitter 211 performs various signal processing on the multiplexed signal. As an example, the transmitter 211 performs conversion into the frequency domain using fast Fourier transform, addition of a guard interval (cyclic prefix), generation of a baseband digital signal, conversion to an analog signal, orthogonal modulation, upconversion, and redundant Performs processing such as frequency component removal and power amplification.
  • the signal generated by transmitter 211 is transmitted from antenna 213.
  • the receiving unit 212 processes uplink signals received via the antenna 213. As an example, first, the receiving unit 212 performs down-conversion, removal of unnecessary frequency components, control of amplification level, orthogonal demodulation, conversion to a digital signal, and removal of guard intervals (cyclic prefix) for uplink signals. , and extraction of frequency domain signals by fast Fourier transform.
  • the receiving unit 212 separates uplink channels such as PUSCH (Physical Uplink Shared CHannel) and PUCCH (Physical Uplink Control CHannel) and uplink reference signals from the processed signals.
  • the receiving unit 212 demodulates the received signal from the modulation symbols of the uplink channel according to a modulation scheme such as BPSK (Binary Phase Shift Keying) or QPSK (Quadrature Phase Shift Keying).
  • the modulation method may be 16QAM (Quadrature Amplitude Modulation), 64QAM, 256QAM, or the like.
  • the signal points on the constellation do not necessarily have to be equidistant. That is, the constellation may be a non-uniform constellation.
  • the receiving unit 212 performs decoding processing on the coded bits of the demodulated uplink channel. Finally, the decoded uplink data and uplink control information are output to the control unit 24.
  • the antenna 213 is an antenna device that mutually converts current and radio waves.
  • the antenna 213 may be constituted by one antenna element, for example one patch antenna.
  • Antenna 213 may be configured by multiple antenna elements, for example, multiple patch antennas.
  • the wireless communication unit 21 may have a beamforming function.
  • the wireless communication unit 21 may be configured to generate a directional beam by controlling the directivity of a wireless signal using a plurality of antenna elements.
  • Antenna 213 may be a dual polarization antenna.
  • the wireless communication unit 21 may use vertical polarization (V polarization) and horizontal polarization (H polarization) when transmitting a wireless signal.
  • the wireless communication unit 21 may control the directivity of a wireless signal transmitted using vertically polarized waves and horizontally polarized waves.
  • the storage unit 22 is a readable/writable storage device such as DRAM, SRAM, flash memory, or hard disk.
  • the storage unit 22 functions as a storage means of the base station 20.
  • the decoder 23 has a function of performing signal processing using an AI/ML model.
  • the AI/ML model is a neural network model obtained by machine learning or deep learning.
  • the neural network model may be, for example, CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), or LSTM (Long Short-Term Memory).
  • the AL/ML model may be any of these models, or may be a combination of these models in series or parallel.
  • the decoder 23 receives the second data and performs signal processing on it using an AI/ML model to restore and output the first data.
  • the decoder 23 may be realized by a processor such as a CPU or an MPU. Decoder 23 may be realized by an integrated circuit such as ASIC or FPGA. A more detailed configuration of the decoder 23 will be described later with reference to FIG.
  • the control unit 25 is a controller that controls each part of the base station 20.
  • the control unit 25 may be realized by a processor such as a CPU or an MPU. Specifically, the control unit 25 may be realized by a processor executing various programs stored in a storage device inside the base station 20 using a RAM or the like as a work area.
  • the control unit 25 may be realized by an integrated circuit such as an ASIC or an FPGA. CPUs, MPUs, ASICs, and FPGAs can all be considered controllers.
  • the control unit 25 may be realized by a GPU (Graphics Processing Unit) in addition to or instead of the CPU.
  • GPU Graphics Processing Unit
  • the base station 20 may be configured by a collection of multiple physical or logical devices.
  • the base station 20 according to the first embodiment may be divided into a plurality of devices such as a BBU (Baseband Unit) and an RU (Radio Unit).
  • the base station 20 may be interpreted as a collection of these multiple devices.
  • the base station may be either BBU or RU, or both.
  • the BBU and RU may be connected by a predetermined interface such as eCPRI (enhanced Common Public Radio Interface).
  • the RU may also be referred to as RRU (Remote Radio Unit) or RD (Radio DoT).
  • the RU may correspond to gNB-DU (gNB Distributed Unit), which will be described later.
  • the BBU may correspond to gNB-CU (gNB Central Unit), which will be described later.
  • the RU may be a device integrally formed with the antenna.
  • the antenna of the base station 20, for example, an antenna formed integrally with the RU, may employ an Advanced Antenna System and may support MIMO such as FD-MIMO or beamforming.
  • the antenna of base station 20 may include, for example, 64 transmitting antenna ports and 64 receiving antenna ports.
  • the antenna mounted on the RU may be an antenna panel composed of one or more antenna elements, and the RU may be mounted with one or more antenna panels.
  • the RU may be equipped with two types of antenna panels: a horizontally polarized antenna panel and a vertically polarized antenna panel.
  • the RU may be equipped with two types of antenna panels: a right-handed circularly polarized antenna panel and a left-handed circularly polarized antenna panel.
  • the RU may form and control independent beams for each antenna panel.
  • a plurality of base stations 20 may be connected to each other.
  • One or more base stations 20 may be included in a Radio Access Network (RAN).
  • the base station 20 may be simply referred to as RAN, RAN node, AN (Access Network), AN node, or the like.
  • RAN in LTE is sometimes called EUTRAN (Enhanced Universal Terrestrial RAN).
  • RAN in NR is sometimes called NGRAN.
  • RAN in W-CDMA (UMTS) is sometimes called UTRAN.
  • the LTE base station 20 is sometimes referred to as an eNodeB (Evolved Node B) or eNB.
  • the EUTRAN includes one or more eNodeBs (eNBs).
  • the NR base station 20 is sometimes referred to as a gNodeB or gNB.
  • the NGRAN includes one or more gNBs.
  • EUTRAN may include a gNB (en-gNB) connected to a core network (EPC) in an LTE communication system (EPS).
  • NGRAN may include an ng-eNB connected to a core network 5GC in a 5G communication system (5GS).
  • the base station 20 When the base station 20 is an eNB or gNB, the base station 20 is sometimes referred to as 3GPP Access. When base station 20 is a wireless access point (Access Point), base station 20 may be referred to as Non-3GPP Access.
  • the base station 20 may be an optical equipment called an RRH (Remote Radio Head).
  • the base station 20 When the base station 20 is a gNB, the base station 20 may be a combination of the above-mentioned gNB-CU and gNB-DU, or may be either a gNB-CU or a gNB-DU. good.
  • the gNB-CU hosts multiple upper layers (eg, RRC, SDAP, PDCP, etc.) of the access stratum for communication with the UE.
  • the gNB-DU hosts multiple lower layers (eg, RLC, MAC, and PHY) of the access stratum.
  • RRC signaling (semi-static notification) may be generated by the gNB-CU
  • MAC CE and DCI (dynamic notification) may be generated by the gNB-DU.
  • some configurations such as IE:cellGroupConfig may be generated by the gNB-DU, and the remaining configurations may be generated by the gNB-CU. good. These configurations may be sent and received via the F1 interface, which will be described later.
  • the base station 20 may be configured to be able to communicate with other base stations.
  • these base stations 20 may be connected by an X2 interface.
  • these base stations 20 may be connected by an Xn interface.
  • the plurality of base stations 20 are a combination of gNB-CUs and gNB-DUs, these base stations 20 may be connected by the above-mentioned F1 interface.
  • Messages/information (for example, RRC signaling, MAC Control Element (MAC Control Element), DCI, etc.) to be described later are transmitted between multiple base stations 20 via, for example, an X2 interface, an Xn interface, or an F1 interface. may be done.
  • the cell provided by the base station 20 is sometimes called a serving cell.
  • the concept of serving cell includes PCell (Primary Cell) and SCell (Secondary Cell).
  • PCell Primary Cell
  • SCell Secondary Cell
  • dual connectivity includes EUTRA-EUTRA Dual Connectivity, EUTRA-NR Dual Connectivity (ENDC), EUTRA-NR Dual Connectivity with 5GC, NR-EUTRA Dual Connectivity (NEDC), and NR-NR Dual Connectivity.
  • the serving cell may include a PSCell (Primary Secondary Cell or Primary SCG Cell).
  • PSCell Primary Secondary Cell or Primary SCG Cell
  • SN Secondary Node
  • SCells may be referred to as an SCG (Secondary Cell Group).
  • the Physical Uplink Control Channel (PUCCH) is transmitted by the PCell and PSCell, but not by the SCell, unless specially configured (eg, PUCCH on SCell). Radio Link Failure is detected by PCell and PSCell, but not detected by SCell (does not need to be detected). In this way, PCell and PSCell play a special role in the serving cell, and are therefore also called SpCell (Special Cell).
  • One downlink component carrier and one uplink component carrier may be associated with one cell.
  • the system bandwidth corresponding to one cell may be divided into multiple BWPs (Bandwidth Parts).
  • BWPs Bandwidth Parts
  • one or more BWPs may be set in the terminal device 40, and one BWP may be used as an active BWP in the terminal device 40.
  • Radio resources that can be used by the terminal device 40 such as frequency bands, numerology (subcarrier spacing), or slot configurations, may differ for each cell, each component carrier, or each BWP.
  • the relay station 30 is a wireless communication device that serves as a relay for the base station 20.
  • Relay station 30 is a type of base station.
  • Relay station 30 is a type of information processing device.
  • Relay station 30 can also be referred to as a relay base station.
  • the relay station 30 may be capable of NOMA communication with the terminal device 40.
  • Relay station 30 relays communication between base station 20 and terminal device 40.
  • Relay station 30 may be capable of wireless communication with other relay stations 30 and base station 20.
  • Relay station 30 may be a ground station device or a non-ground station device.
  • Relay station 30 constitutes radio access network RAN together with base station 20.
  • the relay station 30 may be a fixed device, a movable device, or a floating device.
  • the coverage size of relay station 30 is not limited to a specific size.
  • the cells covered by relay station 30 may be macro cells, micro cells, or small cells.
  • the relay station 30 is not limited to any installed device as long as the relay function is fulfilled.
  • the relay station 30 may be mounted on a terminal device such as a smartphone, or may be mounted on a car, train, rickshaw, etc., may be mounted on a balloon, airplane, or drone, or may be mounted on a television, It may be installed in home appliances such as game machines, air conditioners, refrigerators, and lighting equipment.
  • the configuration of the relay station 30 may be similar to the configuration of the base station 20 described above. Similar to the base station 20 described above, the relay station 30 may be a device installed in a mobile body, or may be the mobile body itself.
  • the mobile object may be a mobile terminal such as a smartphone or a mobile phone, as described above.
  • the moving object may be a moving object that moves on land (on the ground in a narrow sense) or may be a moving object that moves underground.
  • the moving object may be a moving object that moves on water or a moving object that moves underwater.
  • the moving body may be a moving body that moves within the atmosphere, or may be a moving body that moves outside the atmosphere.
  • Relay station 30 may be a ground station device or a non-ground station device.
  • Relay station 30 may be an aircraft station, a satellite station, or the like.
  • the coverage size of the relay station 30 may be large such as a macro cell or small such as a pico cell.
  • the coverage of the relay station 30 may be extremely small, such as a femto cell.
  • Relay station 30 may have a beamforming function. In the relay station 30, cells or service areas may be formed for each beam.
  • FIG. 4 is a diagram showing the configuration of relay station 30 according to the first embodiment.
  • Relay station 30 includes a wireless communication section 31, a storage section 32, a decoder 33, and a control section 35.
  • the configuration shown in FIG. 4 is a functional configuration, and the hardware configuration may be different from this. Further, the functions of the relay station 30 may be distributed and implemented in a plurality of physically separated configurations.
  • the wireless communication unit 31 is a signal processing unit for wireless communication with other wireless communication devices (for example, the base station 20, the terminal device 40, or another relay station 30).
  • the wireless communication unit 31 supports one or more wireless access methods.
  • the wireless communication unit 31 may be compatible with both NR and LTE.
  • the wireless communication unit 31 may support W-CDMA, cdma3000, etc. in addition to NR and LTE.
  • the wireless communication section 31 includes a transmitting section 311, a receiving section 312, and an antenna 313.
  • the wireless communication section 31 may include a plurality of transmitting sections 311, a plurality of receiving sections 312, and a plurality of antennas 313.
  • each part of the wireless communication unit 31 may be configured individually for each wireless access method.
  • the transmitter 311 and the receiver 312 may be configured separately for LTE and NR.
  • the configurations of the transmitter 311, the receiver 312, and the antenna 313 may be similar to the configurations of the transmitter 211, the receiver 212, and the antenna 213 of the base station 20 described above.
  • the wireless communication unit 31 may have a beamforming function similarly to the wireless communication unit 21 of the base station 20.
  • the storage unit 32 is a readable/writable storage device such as DRAM, SRAM, flash memory, or hard disk.
  • the storage unit 32 functions as a storage means of the relay station 30.
  • the decoder 33 has a function of performing signal processing using an AI/ML model.
  • the AI/ML model is a neural network model obtained by machine learning or deep learning.
  • the neural network model may be, for example, CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), or LSTM (Long Short-Term Memory).
  • the AL/ML model may be any of these models, or may be a combination of these models in series or parallel.
  • the decoder 33 inputs second data received from a terminal device 40, which will be described later, and performs signal processing using an AI/ML model on the second data to restore and output the first data.
  • the configuration and functions of the decoder 33 may be similar to those of the decoder 23 of the base station 20 described above.
  • the control unit 34 is a controller that controls each part of the relay station 30.
  • the control unit 34 may be realized by a processor such as a CPU or an MPU. Specifically, the control unit 34 may be realized by a processor executing various programs stored in a storage device inside the relay station 30 using a RAM or the like as a work area.
  • the control unit 34 may be realized by an integrated circuit such as an ASIC or an FPGA. CPUs, MPUs, ASICs, and FPGAs can all be considered controllers.
  • the control unit 34 may be realized by a GPU in addition to or instead of the CPU.
  • the relay station 30 may be an IAB relay node.
  • the relay station 30 operates as an IAB-MT (Mobile Termination) for an IAB donor node that provides backhaul, and operates as an IAB-DU (Distributed Unit) for a terminal device 40 that provides access. do.
  • the IAB donor node may be, for example, the base station 20 and operates as an IAB-CU (Central Unit).
  • the terminal device 40 is a wireless communication device that performs wireless communication with other wireless communication devices (for example, the base station 20, the relay station 30, or another terminal device 40, etc.).
  • the terminal device 40 may be a mobile phone, a smart device (smartphone or tablet), a PDA (Personal Digital Assistant), a personal computer, or the like.
  • the terminal device 40 may be a device such as a professional camera equipped with a communication function.
  • the terminal device 40 may be a motorcycle, a mobile relay vehicle, or the like equipped with communication equipment such as an FPU (Field Pickup Unit).
  • the terminal device 40 may be an M2M (Machine to Machine) device, an IoT (Internet of Things) device, or the like.
  • the terminal device 40 may be capable of NOMA communication with the base station 20.
  • the terminal device 40 may be able to use automatic retransmission technology such as HARQ when communicating with the base station 20.
  • the terminal device 40 may be capable of sidelink communication with other terminal devices 40.
  • the terminal device 40 may be able to use automatic retransmission technology such as HARQ when performing sidelink communication.
  • the terminal device 40 may be capable of NOMA communication when performing sidelink communication with another terminal device 40.
  • the terminal device 40 may be capable of LPWA communication with other wireless communication devices such as the base station 20.
  • the wireless communication used by the terminal device 40 may be wireless communication using millimeter waves.
  • the wireless communication used by the terminal device 40, including side link communication may be wireless communication using radio waves, or wireless communication using infrared rays or visible light, that is, optical wireless communication.
  • the terminal device 40 may be a mobile wireless communication device, that is, a mobile device.
  • the terminal device 40 may be a wireless communication device installed in a mobile body, or may be the mobile body itself.
  • the terminal device 40 may be a vehicle that moves on a road, such as a car, a bus, a truck, or a motorcycle, or may be a wireless communication device mounted on the vehicle.
  • the mobile object may be a mobile terminal, or a mobile object that moves on land (on land in a narrow sense), underground, on water, or underwater.
  • the moving object may be a moving object that moves within the atmosphere, such as a drone or a helicopter, or a moving object that moves outside the atmosphere, such as an artificial satellite.
  • the terminal device 40 may be able to connect and communicate with multiple base stations 20 or multiple cells at the same time.
  • one base station 20 supports a communication area via multiple cells (for example, pCell or sCell), carrier aggregation (CA) technology, dual connectivity (DC) technology,
  • CA carrier aggregation
  • DC dual connectivity
  • the plurality of cells can be bundled and communicated between the base station 20 and the terminal device 40 using multi-connectivity (MC) technology or the like.
  • MC multi-connectivity
  • CoMP Coordinated Multi-Point Transmission and Reception
  • FIG. 5 is a diagram showing the configuration of the terminal device 40 according to the first embodiment.
  • the terminal device 40 includes a wireless communication section 41, a storage section 42, an encoder 43, and a control section 45.
  • the configuration shown in FIG. 5 is a functional configuration, and the hardware configuration may be different from this. Further, the functions of the terminal device 40 may be distributed and implemented in a plurality of physically separated configurations.
  • the wireless communication unit 41 is a signal processing unit for wireless communication with other wireless communication devices (for example, the base station 20, the relay station 30, or another terminal device 40).
  • the wireless communication section 41 is controlled by a control section 45.
  • the wireless communication section 41 includes a transmitting section 411, a receiving section 412, and an antenna 413.
  • the configurations of the wireless communication unit 41, the transmission unit 411, the reception unit 412, and the antenna 413 may be the same as the configurations of the wireless communication unit 21, the transmission unit 211, the reception unit 212, and the antenna 213 of the base station 20.
  • the wireless communication unit 41 may have a beamforming function similarly to the wireless communication unit 21 of the base station 20.
  • the storage unit 42 is a readable/writable storage device such as DRAM, SRAM, flash memory, or hard disk.
  • the storage unit 42 functions as a storage means of the terminal device 40.
  • the encoder 43 has a function of performing signal processing using an AI/ML model.
  • the AI/ML model is a neural network model obtained by machine learning or deep learning.
  • the neural network model may be, for example, CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), or LSTM (Long Short-Term Memory).
  • the AL/ML model may be any of these models, or may be a combination of these models in series or parallel.
  • the encoder 43 receives the given first data and performs signal processing using an AI/ML model on the data to generate and output second data.
  • the encoder 43 may be realized by a processor such as a CPU or an MPU.
  • Encoder 43 may be realized by an integrated circuit such as ASIC or FPGA. A more detailed configuration of the encoder 43 will be described later with reference to FIG.
  • the control unit 45 is a controller that controls each part of the terminal device 40.
  • the control unit 45 may be realized by a processor such as a CPU or an MPU. Specifically, the control unit 45 may be realized by a processor executing various programs stored in a storage device inside the terminal device 40 using a RAM or the like as a work area.
  • the control unit 45 may be realized by an integrated circuit such as an ASIC or an FPGA. CPUs, MPUs, ASICs, and FPGAs can all be considered controllers.
  • the control unit 45 may be realized by a GPU in addition to or instead of the CPU.
  • the technology according to the present disclosure will be applied to a terminal device 40 including an encoder 43 as a signal processing unit including an AI/ML model, and a base station 20 including a decoder 23 as a signal processing unit including an AI/ML model.
  • the explanation will be based on an example in which signal processing based on an AI/ML model is performed between.
  • the relationship between the terminal device 40 and the base station 20 may be reversed. That is, the technology according to the present disclosure can be applied to a case where signal processing is performed between any two communication devices including an AI/ML model.
  • the terms encoding and decoding are concepts that include any paired signal processing, and may include not only signal processing related to data compression and expansion, but also other signal processing.
  • the terms encode and decode may be referred to by other terms than encode and decode.
  • the following description uses the terms encode, encoder, decode, and decoder, the technology according to the present disclosure may be described using other terms.
  • the wireless communication system 1 includes a terminal device 40 and a base station 20.
  • the terminal device 40 includes an encoder 43 as a signal processing unit including an AI/ML model.
  • the encoder 43 receives given first data and generates second data by encoding it using an AI/ML model.
  • the second data generated by the encoder 43 is transmitted from the transmitter 411 to the base station 20 via the uplink, and is received by the receiver 212 of the base station 20.
  • the base station 20 includes a decoder 23 as a signal processing unit including an AI/ML model.
  • the decoder 23 receives the second data received from the terminal device 40 and decodes it using the AI/ML model to restore the first data.
  • the base station 20 transmits information that is the basis for learning the AI/ML model to the terminal device 40 prior to signal processing of encoding and decoding based on the AI/ML model described above.
  • the terminal device 40 sets the AI/ML model included in its own encoder 43 based on the information received from the base station 20 and serves as the basis for learning the AI/ML model, and then performs the training of the AI/ML model. I do.
  • the information that becomes the basis for AI/ML model learning is included in system information, RRC signaling (Radio Resource Control Signaling), MAC CE (MAC Control Element), or DCI (Downlink Control Information). May be sent.
  • RRC signaling Radio Resource Control Signaling
  • MAC CE MAC Control Element
  • DCI Downlink Control Information
  • the information that is the basis for AI/ML model learning includes, for example, the type of AI/ML model (e.g. CNN model, RNN model, LSTM model, etc.), the number of input nodes (the number of neurons in the input layer), and the output node. number (number of neurons in the output layer), layer configuration (number of hidden layers, number of neurons in each hidden layer, and connection relationship), weighting coefficient values (values of weighting coefficients between each neuron), and the layer where learning is performed. (For example, learning is performed only in the final fully connected layer, etc.) and learning data (training data, verification data, test data, etc.).
  • the type of AI/ML model e.g. CNN model, RNN model, LSTM model, etc.
  • number of input nodes the number of neurons in the input layer
  • the output node the output node. number (number of neurons in the output layer)
  • layer configuration number of hidden layers, number of neurons in each hidden layer, and connection relationship
  • weighting coefficient values values of weighting coefficients
  • the information that serves as the basis for learning may be rephrased as "initial value for learning.”
  • initial value for learning By predefining information that is the basis for AI/ML model learning, it is possible to reduce performance differences between models due to subsequent learning in each terminal device. Therefore, the base station 20 can perform signal processing with each terminal device without being aware of the differences between the models of each terminal device.
  • the base station 20 can transmit and receive data for signal processing with each terminal device without being aware of the difference in the number of input/output nodes in the AI/ML model of each terminal device.
  • the weighting coefficient value (initial value) of the AI/ML model is predetermined as information that becomes the basis for learning the AI/ML model. For example, by predetermining the weighting coefficient value (initial value) of the AI/ML model as information that becomes the basis for learning the AI/ML model, performance differences between the models due to subsequent learning in each terminal device can be can be made smaller. Thereby, even in a terminal device with low learning performance, the minimum performance can be ensured.
  • a part of the information that is the basis for learning the AI/ML model may be determined in advance as a specification and stored in the storage unit 42 of the terminal device 40.
  • the type of AI/ML model, the number of input nodes, the number of output nodes, the layer configuration, etc. are determined in advance as specifications and stored in the storage unit 42 of the terminal device 40, and are transmitted from the base station 20 to the terminal device 40.
  • the transmitted learning base information may include only weighting coefficient values, learning data, and the like.
  • Frequency bands include, for example, uplink band, downlink band, sidelink band, supplementary uplink band, component carrier, BWP (Band Width Part), resource block, subcarrier, 6 GHz or less band of FR1. , FR2 24GHz to 54.26GHz band, millimeter wave band, and tera wave band.
  • the base station 20 uses information A as a learning base determined to be compatible with frequency band A. It may also be transmitted to the terminal device 40. Further, for example, when frequency band B is used for communication between the terminal device 40 and the base station 20, the base station 20 uses learning base information determined to be compatible with frequency band B. B may be transmitted to the terminal device 40.
  • the information on which the AI/ML model is trained may be determined based on the cell in which the terminal device 40 is located. For example, when the terminal device 40 is located within cell A, the base station 20 transmits information A, which is a learning base determined to be suitable for communication within cell A, to the terminal device 40. You may. Further, for example, when the terminal device 40 is located within cell B, the base station 20 transmits information B, which is a learning base determined to be suitable for communication within cell B, to the terminal device 40. You may also send it to
  • the information on which the AI/ML model is trained may be determined based on the beam used by the terminal device 40. For example, when the terminal device 40 is using beam A, the base station 20 may transmit information A, which is determined to be suitable for beam A and serves as a learning base, to the terminal device 40. Further, for example, if the terminal device 40 uses beam B, the base station 20 may transmit information that is determined to be a learning base and is determined to be compatible with beam B to the terminal device 40. .
  • the information on which the AI/ML model is trained may be determined based on a synchronization signal block (SSB) used by the terminal device 40.
  • SSB synchronization signal block
  • the base station 20 provides the terminal device 40 with information A that is a learning base determined to be compatible with SSB_A. You can also send it.
  • the base station 20 transmits information B that is a learning base determined to be compatible with SSB_B to the terminal device. 40 may be sent.
  • the information on which the AI/ML model is trained may be determined based on the polarization used by the terminal device 40. For example, when right-handed circularly polarized waves are used for communication between the base station 20 and the terminal device 40, the base station 20 uses a learning base determined to be compatible with right-handed circularly polarized waves. The information R may be transmitted to the terminal device 40. Further, for example, when left-handed circularly polarized waves are used for communication between the base station 20 and the terminal device 40, the base station 20 uses a learning base determined to be compatible with left-handed circularly polarized waves. The information L may be transmitted to the terminal device 40.
  • the information on which the AI/ML model is trained may be determined based on the network slice identifier (S-NSSAI: Single-Network Slice Selection Assistance Information) used by the terminal device 40.
  • S-NSSAI Single-Network Slice Selection Assistance Information
  • base station 20 uses information A that is the basis of learning determined to be compatible with network slice A. It may also be transmitted to the terminal device 40.
  • network slice B is used for communication between the base station 20 and the terminal device 40
  • the base station 20 uses information as a learning base determined to be compatible with network slice B. B may be transmitted to the terminal device 40.
  • the base station 20 may set for each network slice whether to perform signal processing based on the AI/ML model with the terminal device 40.
  • network slice C when network slice C is used for communication between base station 20 and terminal device 40, it may be configured to perform signal processing based on an AI/ML model.
  • the setting may be such that signal processing based on the AI/ML model is not performed.
  • the base station 20 may transmit information that is the basis for learning the AI/ML model according to the RRC state (Radio Resource Control State) of the terminal device 40. For example, when the terminal device 40 is in the RRC Idle State or RRC Inactive State, the base station 20 transmits information that becomes the basis for learning the AI/ML model to the terminal device 40. You don't have to. At this time, the terminal device 40 may independently configure and train the AI/ML model included in its own encoder 43 depending on its own implementation.
  • RRC state Radio Resource Control State
  • the base station 20 performs AI/ML model learning at the timing of updating the tracking area (TA), registration area (RA), or RAN-based notification area (RNA).
  • the information on which the information is based may be transmitted to the terminal device 40.
  • the base station 20 may include information that becomes the basis for AI/ML model learning in the system information and transmit it to the terminal device 40.
  • the terminal device 40 may configure and train the AI/ML model included in its own encoder 43 based on the received learning base information.
  • the base station 20 when the terminal device 40 is in the RRC Connected State, the base station 20 includes information that becomes the basis for AI/ML model learning in RRC signaling, MAC CE, DCI, etc., and sends it to the terminal device 40. You can also send it. At this time, the terminal device 40 may configure and train the AI/ML model included in its own encoder 43 based on the received learning base information.
  • the information that serves as the basis for learning the AI/ML model may include only information that serves as the basis for one learning, or may include information that serves as the basis for multiple learnings.
  • the terminal device 40 may be configured and trained based on the information that is the basis for learning.
  • the terminal device 40 may select one of the base information to set and train the AI/ML model included in its own encoder 43.
  • the information that serves as the basis for learning the AI/ML model is included in the system information transmitted from the base station 20 to each terminal device, the information that serves as the basis for learning the AI/ML model is common to each cell. It may be.
  • Each terminal device may acquire information that is included in the system information and serves as a basis for learning the AI/ML model only when the terminal device itself has signal processing capabilities based on the AI/ML model.
  • the terminal device 40 refers to the scheduling information of another system information included in block 1 of the received system information, etc., and if the system information for the AI/ML model is scheduled, the terminal device 40 You may also acquire information that is included in the system information for the AI/ML model and serves as a basis for learning the AI/ML model.
  • the information that is the basis for AI/ML model learning may include information regarding whether additional learning is possible.
  • the terminal device 40 uses its own encoder 43 based on the information received from the base station 20 and serves as the basis for learning the AI/ML model. After setting up the AI/ML model included in the , no additional training can be performed on the AI/ML model.
  • the base station 20 may transmit information regarding whether additional learning is possible to the terminal device 40, in addition to the information that is the basis for learning the AI/ML model.
  • the terminal device 40 uses its own encoder 43 based on the information received from the base station 20 and serves as the basis for learning the AI/ML model. After setting up the AI/ML model included in the , no additional training can be performed on the AI/ML model.
  • the terminal device 40 configures and trains the AI/ML model included in its own encoder 43 based on information that is the basis for learning the AI/ML model received from the base station 20. After that, information on the learned AI/ML model (for example, the type of AI/ML model, the number of input nodes, the number of output nodes, the layer configuration, the value of the weighting coefficient, etc.) may be fed back to the base station 20. good.
  • information on the learned AI/ML model for example, the type of AI/ML model, the number of input nodes, the number of output nodes, the layer configuration, the value of the weighting coefficient, etc.
  • the base station 20 Based on the learned AI/ML model information fed back from the terminal device 40, the base station 20 provides information for additional learning of the AI/ML model (for example, the number of input nodes, the number of output nodes, layer configuration, and weighting coefficient values, etc.) may be transmitted to the terminal device 40.
  • the terminal device 40 may perform additional training on the AI/ML model included in its own encoder 43 based on information for additional learning of the AI/ML model received from the base station 20.
  • the terminal device 40 performs the above-mentioned process before receiving information from the base station 20 that becomes the basis for learning the AI/ML model. Information on a trained AI/ML model similar to that may be transmitted to the base station 20.
  • the terminal device 40 when the terminal device 40 performs signal processing based on an AI/ML model with a plurality of base stations, the terminal device 40 needs to train an AI/ML model corresponding to each base station. be. This places a very large load on the terminal device 40.
  • the terminal device 40 transmits its own information to the newly connected base station 20.
  • Information about the trained AI/ML model for example, the type of AI/ML model, the number of input nodes, the number of output nodes, the layer configuration, the value of the weighting coefficient, etc. may be transmitted.
  • the base station 20 which has received the learned AI/ML model information from the terminal device 40, uses the information (for example, input (number of nodes, number of output nodes, layer configuration, weighting coefficient values, etc.) may be determined and transmitted to the terminal device 40.
  • information for example, input (number of nodes, number of output nodes, layer configuration, weighting coefficient values, etc.) may be determined and transmitted to the terminal device 40.
  • the terminal device 40 may transmit to the base station 20 the types of AI/ML models that it can support, the number of input nodes, the number of output nodes, the layer configuration, etc. as its own capability information. Alternatively, the terminal device 40 may transmit information about its own learned AI/ML model to the base station 20 as its own capability information.
  • the base station 20 may create a list of AI/ML models that it supports in advance, and transmit the list to the terminal device 40 as static information such as specifications or as part of system information.
  • the terminal device 40 may select an AI/ML model that it can support from the list, include it in its own capability information, and transmit it to the base station 20.
  • the terminal device 40 may transmit to the base station 20 the types of AI/ML models that it can support, the number of input nodes, the number of output nodes, the layer configuration, etc. as its own capability information.
  • the base station 20 which has received the capability information from the terminal device 40, determines information (for example, the number of input nodes, the number of output nodes, the layer configuration, and the weighting coefficient) that will be the basis for learning the AI/ML model based on the capability information. value etc.) may be determined and transmitted to the terminal device 40.
  • the terminal device 40 determines the number of input nodes, number of output nodes, layer configuration, etc. of the learned AI/ML model. Capability information may be transmitted only to Alternatively, the terminal device 40 may transmit information on an already learned AI/ML model to the base station 20, in addition to the capability information.
  • the terminal device 40 may transmit information about the learned AI/ML model or the unlearned AI/ML model to the base station 20 as its own capability information. Based on the capability information, the base station 20 may determine information that will become the basis for learning the AI/ML model, and transmit it to the terminal device 40.
  • the terminal device 40 may provide its own capability information such as compatible AI/ML models, CPU or GPU performance, whether or not it is a RedCap (Reduced Capability) compatible device, and whether it is an IoT terminal such as NB-IoT or eMTC. Information such as whether or not there is one, supported bandwidth, etc. may be transmitted to the base station 20. Based on the capability information, the base station 20 may determine information that will become the basis for learning the AI/ML model, and transmit it to the terminal device 40.
  • capability information such as compatible AI/ML models, CPU or GPU performance, whether or not it is a RedCap (Reduced Capability) compatible device, and whether it is an IoT terminal such as NB-IoT or eMTC.
  • Information such as whether or not there is one, supported bandwidth, etc. may be transmitted to the base station 20.
  • the base station 20 may determine information that will become the basis for learning the AI/ML model, and transmit it to the terminal device 40.
  • the terminal device 40 may transmit information such as remaining processing capacity and maximum value to the base station 20 as its own capability information. Such information may be transmitted by being included in, for example, capability information at the time of initial access, RRC signaling, MAC CE, or DCI. Further, such information may be transmitted when there is a request from the base station 20, or may be transmitted periodically. When periodically transmitting, the base station 20 may transmit instructions such as the frequency and timing of transmission to the terminal device 40. Alternatively, the terminal device 40 may transmit at a predetermined frequency and timing.
  • the terminal device 40 When the terminal device 40 sets and trains a plurality of AI/ML models in its own encoder 43 based on learning base information determined based on the frequency band, the terminal device 40 determines the frequency band used by itself. Depending on the situation, one of a plurality of AI/ML models may be selected and used.
  • the terminal device 40 uses the learning base information determined to be compatible with frequency band A.
  • An AI/ML model configured and trained may be used.
  • the terminal device 40 can receive learning base information determined to be compatible with frequency band B. You may use an AI/ML model configured and trained based on.
  • the terminal device 40 sets and trains a plurality of AI/ML models in its own encoder 43 based on the learning base information determined based on the cell, the terminal device 40 performs training according to the cell in which it is located. Then, any one of the plurality of AI/ML models may be selected and used.
  • the terminal device 40 uses an AI/ML model that has been set and trained based on learning base information determined to be suitable for cell A. May be used. Further, for example, when the terminal device 40 is located in cell B, the terminal device 40 uses an AI/ML model that has been set and trained based on information that is a learning base determined to be suitable for cell B. may be used.
  • the terminal device 40 sets and trains a plurality of AI/ML models in its own encoder 43 based on the learning base information determined based on the beam, the terminal device 40 performs training according to the beam used by itself. Then, any one of the plurality of AI/ML models may be selected and used.
  • the terminal device 40 when beam A is used for communication between the terminal device 40 and the base station 20, the terminal device 40 is configured based on the learning base information determined to be compatible with beam A. and trained AI/ML models may be used. Further, for example, when beam B is used for communication between the terminal device 40 and the base station 20, the terminal device 40 uses the learning base information determined to be compatible with beam B. An AI/ML model configured and trained may be used.
  • the terminal device 40 sets and trains multiple AI/ML models in its own encoder 43 based on the learning base information determined based on the SSB, the terminal device 40 performs training according to the SSB used by itself. Then, any one of the plurality of AI/ML models may be selected and used.
  • the terminal device 40 when SSB_A is used for communication between the terminal device 40 and the base station 20, the terminal device 40 is configured and trained based on information that is a learning base determined to be compatible with SSB_A. AI/ML models may also be used. Further, for example, when SSB_B is used for communication between the terminal device 40 and the base station 20, the terminal device 40 is configured based on information that is a learning base determined to be compatible with SSB_B. and trained AI/ML models may be used.
  • the terminal device 40 When the terminal device 40 sets and trains a plurality of AI/ML models in its own encoder 43 based on the learning base information determined based on the polarization, the terminal device 40 determines the polarization used by itself. Depending on the situation, one of a plurality of AI/ML models may be selected and used.
  • the terminal device 40 uses a learning base determined to be compatible with right-handed circularly polarized waves.
  • An AI/ML model configured and trained based on information may be used.
  • the terminal device 40 uses a learning base determined to be compatible with left-handed circularly polarized waves.
  • An AI/ML model configured and trained based on information may be used.
  • the terminal device 40 may select and use any one of the plurality of AI/ML models according to its own RRC state.
  • the terminal device 40 may use an AI/ML model that is independently configured and trained depending on its own implementation.
  • the terminal device 40 may use an AI/ML model set based on learning base information included in the system information received from the base station 20, or An AI/ML model that has been set and trained based on information that is the basis of learning may be used.
  • the terminal device 40 may use an AI/ML model that is set based on information that is the basis for learning received at the time of RRC connection, or may use the AI/ML model that is the basis for the learning. An AI/ML model configured and trained based on the information may be used.
  • the terminal device 40 may use an AI/ML model set based on learning base information included in the system information received from the base station 20, An AI/ML model that has been set and trained based on information that is the basis of the learning may be used.
  • the terminal device 40 may use an AI/ML model set based on learning base information included in RRC signaling, MAC CE, DCI, etc.
  • An AI/ML model that has been set and trained based on information that is the basis of learning may be used.
  • FIG. 7 is a diagram showing the configuration of the data set providing device 50 according to the first embodiment.
  • the data set providing device 50 is a device that provides information that is the basis for AI/ML model learning, and can be accessed in common from terminal devices of different vendors and base stations of different vendors.
  • the data set providing device 50 may be a device having physical reality, but may also be defined as one network function (NF), for example.
  • NF network function
  • the data set providing device 50 includes a storage section 51, a reception section 52, a transmission section 53, and a control section 54.
  • the storage unit 51 stores information that is the basis for learning the AI/ML model.
  • the receiving unit 52 receives a request from the base station 20 or the terminal device 40 to provide information that will be the basis for learning the AI/ML model.
  • the transmitter 53 transmits information that is the basis for learning the AI/ML model to the base station 20 or terminal device 40 that has transmitted the provision request.
  • the control section 54 controls the storage section 51, the reception section 52, and the transmission section 53.
  • the base station 20 or the terminal device 40 Prior to training the AI/ML model, the base station 20 or the terminal device 40 accesses the entity of the dataset providing device 50 and obtains information (for example, the number of input nodes, output nodes) that is the basis for learning the AI/ML model. (number of layers, layer configuration, weighting coefficient values, layers on which learning is performed, learning data, etc.) are received in advance. Thereby, the base station 20 and the terminal device 40 can acquire the same learning base information that does not depend on the specifications or implementation of a specific vendor from the common data set providing device 50. Therefore, it is possible to configure and train AI/ML models that are interoperable between different vendors.
  • the data set providing device 50 may be defined separately as a first data set providing device for base stations and a second data set providing device for terminal devices. Alternatively, only either the first data set providing device for base stations or the second data set providing device for terminal devices may be defined.
  • the base station 20 receives information (for example, the number of input nodes, the number of input nodes, (number of output nodes, layer configuration, weighting coefficient values, layers on which learning is performed, learning data, etc.) are received in advance.
  • the terminal device 40 also receives information from the second data set providing device that is the basis for learning the AI/ML model (for example, the number of input nodes, the number of output nodes, the layer configuration, the value of the weighting coefficient, and the information on which learning is performed. layer, learning data, etc.) are received in advance.
  • the base station 20 or the terminal device 40 may transmit a request to the data set providing device 50 to provide information that will be the basis for learning the AI/ML model.
  • the data set providing device 50 that has received this may send new information that will become the basis for AI/ML model learning to the base station 20 or terminal device 40 that sent the provision request.
  • the base station 20 or the terminal device 40 is a RedCap (Reduced Capability) compatible device, the learned AI/ML model it currently owns, the compatible AI/ML model, the performance of the CPU or GPU, as its own capability information.
  • Information such as whether the terminal is an IoT terminal such as NB-IoT or eMTC, supported bandwidth, etc. may be transmitted to the data set providing device 50.
  • the data set providing device 50 may determine information that becomes the basis for learning the AI/ML model based on the capability information, and may transmit the information to the base station 20 or the terminal device 40. Further, the data set providing device 50 serves as a learning base for the AI/ML model it owns based on the information of the learned AI/ML model it currently owns that is received from the base station 20 or the terminal device 40. You may update the information.
  • the base station 20 may transmit information regarding access to the data set providing device 50 to the terminal device 40.
  • the base station 20 may transmit information necessary for the terminal device 40 to access the dataset providing device 50, such as the IP address or MAC address of the dataset providing device 50, to the terminal device 40. .
  • FIG. 8 is a diagram showing an example of the configuration of a wireless communication network including the data set providing device 50.
  • the data set providing device 50 may be placed after the data network beyond the core network.
  • the data set providing device 50 may be included in a server (for example, a Mobile Edge Computing (MEC) server) connected to a User Plane Function (UPF).
  • MEC Mobile Edge Computing
  • UPF User Plane Function
  • the data set providing device 50 may be included in a server (for example, an MEC server) connected to the base station 20.
  • the data set providing device 50 may be defined as a new NF (Network Function).
  • the data set providing device 50 may be defined as an additional function of an existing NF (for example, MTLF (Model Training Logical Function)).
  • the data set providing device 50 may be arranged or defined not only at one location but also at multiple locations.
  • the source base station sends information regarding the learned AI/ML model (e.g. , type of AI/ML model, number of input nodes, number of output nodes, layer configuration, weighting coefficient values, etc.), information that is the basis for AI/ML model learning (e.g., number of input nodes, number of output nodes, layer configuration, weighting coefficient values, etc.), and capability information regarding the AI/ML model (compatible AI/ML model types, number of input nodes, number of output nodes, layer configuration, etc.).
  • the target base station that has received this information from the source base station may configure and train the AI/ML model included in its own decoder 23 based on the received information.
  • the handover destination base station may be limited or determined based on capability information regarding the AI/ML model of the terminal device 40 or the base station or information regarding the learned AI/ML model. That is, when the terminal device 40 performs handover, if the already learned AI/ML model cannot be used at the handover destination base station, it is necessary to newly set and train the AI/ML model, and the terminal device 40 and the processing load on the base station will increase. Therefore, when the terminal device 40 performs a handover, the handover may be performed to a base station where a trained AI/ML model can be used.
  • each base station vendor may configure and train the AI/ML model independently, depending on the implementation.
  • each terminal vendor can configure and train the AI/ML model independently depending on the implementation.
  • the base station transmits information (for example, the number of input nodes, number of output nodes, layer configuration, and weighting coefficient values, etc.) that is the basis for AI/ML model learning to the terminal device.
  • the terminal device transmits information regarding the capabilities of its own AI/ML model (compatible AI/ML model types, number of input nodes, number of output nodes, layer configuration, information on the CPU or GPU it owns, etc.) to the base station. You may also send it to
  • the base station transmits information (for example, the number of input nodes, number of output nodes, layer configuration, and weighting coefficient values, etc.) that is the basis for AI/ML model learning to the terminal device.
  • the terminal device transmits information regarding the capabilities of its own AI/ML model (compatible AI/ML model types, number of input nodes, number of output nodes, layer configuration, information on the CPU or GPU it owns, etc.) to the base station. You may also send it to
  • the technology according to the present disclosure can also be applied to communication between terminal devices such as Sidelink, or communication between base stations such as IAB (Integrated Access Backhaul).
  • the parent terminal device plays the role of the base station in the previous explanation
  • the child terminal device plays the role of the base station in the previous explanation. It may also play the role of a terminal device.
  • the parent base station plays the role of the base station in the previous explanation
  • the child base station plays the role of the base station in the previous explanation. It may also play the role of a terminal device.
  • FIG. 9 is a diagram illustrating an example of a procedure for transmitting information that is a basis for learning an AI/ML model included in system information to a terminal device with a different base station.
  • step S101 terminal devices A and B receive synchronization signals transmitted from the base station and perform downlink synchronization. Furthermore, the terminal devices A and B receive system information transmitted from the base station, and receive information necessary for cell connection.
  • the system information includes information that becomes the basis for learning the AI/ML model.
  • step S102 the terminal devices A and B use the AI/ML model included in their own encoder based on the information that is the basis for learning the AI/ML model included in the system information received from the base station. Additional training may be provided.
  • the base station may perform additional training on the AI/ML model included in its own decoder based on information on which the learning of the AI/ML model is based, which is included in the system information transmitted by the base station.
  • the terminal devices A and B may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station. Since the terminal devices A and B perform additional training independently, the training results (learning results) may be different.
  • step S103 terminal devices A and B implement a random access procedure and establish a connection with the base station. Through the random access procedure, terminal devices A and B achieve uplink synchronization and complete connection with the base station.
  • the random access procedure may be performed after the additional training is completed or during the additional training.
  • step S104 terminal devices A and B transmit their own capability information to the base station.
  • the capability information may include capability information regarding an AI/ML model.
  • step S105 the base station transmits quasi-static information to terminal devices A and B. This semi-static information may be, for example, RRC signaling.
  • step S106 the base station transmits a reference signal for downlink channel state estimation to terminal device B.
  • step S107 terminal device B performs downlink channel state estimation processing and generates downlink channel state information.
  • step S108 terminal device B encodes the downlink channel state information by signal processing based on the AI/ML model included in its own encoder.
  • step S109 terminal device B feeds back the encoded downlink channel state information to the base station.
  • the above downlink channel state information is an uplink control signal (for example, CQI (Channel Quality Indicator), PMI (Precoding Matrix Indicator), or RI (Resource Indicator)) defined by UCI (Uplink Control Information).
  • CQI Channel Quality Indicator
  • PMI Precoding Matrix Indicator
  • RI Resource Indicator
  • UCI Uplink Control Information
  • it may be the channel response information itself, or it may be channel eigenvalue information.
  • step S110 the base station decodes the encoded downlink channel state information received from terminal device B by signal processing based on the AI/ML model included in its own decoder, and converts the downlink channel state information into get.
  • step S111 the base station transmits a downlink control signal.
  • This downlink control signal may be, for example, DCI (Downlink Control Information).
  • the downlink control signal may include information on the technology according to the present disclosure. Further, a part of the downlink control signal may be determined based on the downlink channel state information fed back above.
  • the base station transmits downlink data.
  • This downlink data may be, for example, a PDSCH (Physical Downlink Shared Channel).
  • terminal device B transmits information regarding retransmission control to the base station according to the decoding result of the downlink data.
  • Information regarding this retransmission control may be, for example, ACK (Acknowledge)/NACK (Negative Acknowledge), or HARQ-ACK (Hybrid Automatic Repeat Request-Acknowledge).
  • FIG. 10 is a diagram illustrating an example of a procedure in which information that is the basis for AI/ML model learning is included in quasi-static information (RRC signaling) and transmitted to terminal devices from different base stations.
  • RRC signaling quasi-static information
  • terminal devices A and B receive synchronization signals transmitted from the base station and perform downlink synchronization. Furthermore, the terminal devices A and B receive system information transmitted from the base station, and receive information necessary for cell connection.
  • step S202 terminal devices A and B implement a random access procedure and establish a connection with the base station. Through the random access procedure, terminal devices A and B achieve uplink synchronization and complete connection with the base station.
  • the random access procedure may be performed after or during the additional training described below.
  • step 203 terminal devices A and B transmit their own capability information to the base station.
  • the capability information may include capability information regarding an AI/ML model.
  • the base station transmits quasi-static information to terminal devices A and B.
  • This semi-static information may be, for example, RRC signaling.
  • the quasi-static information includes information that is the basis for learning the AI/ML model.
  • step S205 the terminal devices A and B use the AI/ML model included in their encoder based on the information that is the basis for learning the AI/ML model included in the quasi-static information received from the base station. Additional training may be provided.
  • the base station performs additional training on the AI/ML model contained in its own decoder based on the information contained in the quasi-static information transmitted by the base station, which is the basis for learning the AI/ML model. Good too.
  • the terminal devices A and B may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station. Since the terminal devices A and B perform additional training independently, the training results (learning results) may be different.
  • step S206 the base station transmits a reference signal for downlink channel state estimation to terminal device B.
  • step S207 terminal device B performs downlink channel state estimation processing and generates downlink channel state information.
  • step S208 terminal device B encodes the downlink channel state information by signal processing based on the AI/ML model included in its own encoder.
  • step S209 terminal device B feeds back the encoded downlink channel state information to the base station.
  • the above downlink channel state information may be an uplink control signal defined in UCI (for example, CQI, PMI, or RI, etc.), or may be channel response information itself, or may be a channel may be the eigenvalue information.
  • step S210 the base station decodes the encoded downlink channel state information received from terminal device B by signal processing based on the AI/ML model included in its own decoder, and converts the downlink channel state information into get.
  • step S211 the base station transmits a downlink control signal.
  • This downlink control signal may be, for example, DCI.
  • the downlink control signal may include information on the technology according to the present disclosure. Further, a part of the downlink control signal may be determined based on the downlink channel state information fed back above.
  • step S212 the base station transmits downlink data.
  • This downlink data may be, for example, a PDSCH.
  • terminal device B transmits information regarding retransmission control to the base station according to the decoding result of the downlink data.
  • Information regarding this retransmission control may be, for example, ACK/NACK or HARQ-ACK.
  • FIG. 11 is a diagram illustrating an example of a procedure in which information that is the basis for learning an AI/ML model is included in system information and quasi-static information (RRC signaling) and transmitted to terminal devices from different base stations. It is.
  • terminal devices A and B receive synchronization signals transmitted from the base station and perform downlink synchronization. Furthermore, the terminal devices A and B receive system information transmitted from the base station, and receive information necessary for cell connection.
  • the system information includes information that becomes the basis for learning the AI/ML model.
  • step S302 the terminal devices A and B use the AI/ML model included in their encoder based on the information that is the basis for learning the AI/ML model included in the system information received from the base station. Additional training may be provided.
  • the base station may perform additional training on the AI/ML model included in its own decoder based on information on which the learning of the AI/ML model is based, which is included in the system information transmitted by the base station.
  • the terminal devices A and B may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station. Since the terminal devices A and B perform additional training independently, the training results (learning results) may be different.
  • step S303 terminal devices A and B implement a random access procedure and establish a connection with the base station. Through the random access procedure, terminal devices A and B achieve uplink synchronization and complete connection with the base station.
  • the random access procedure may be performed after the additional training is completed or during the additional training.
  • step S304 terminal devices A and B transmit their own capability information to the base station.
  • the capability information may include capability information regarding an AI/ML model.
  • the base station transmits quasi-static information to terminal devices A and B.
  • This semi-static information may be, for example, RRC signaling.
  • the quasi-static information includes information that is the basis for learning the AI/ML model.
  • step S306 the terminal devices A and B use the AI/ML model included in their own encoders based on the information that is the basis for learning the AI/ML model included in the quasi-static information received from the base station. Additional training may also be provided.
  • the base station performs additional training on the AI/ML model contained in its own decoder based on the information contained in the quasi-static information transmitted by the base station, which is the basis for learning the AI/ML model. It's okay.
  • the terminal devices A and B may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station. Since the terminal devices A and B perform additional training independently, the training results (learning results) may be different.
  • step S307 the base station transmits a reference signal for downlink channel state estimation to terminal device B.
  • terminal device B performs downlink channel state estimation processing and generates downlink channel state information.
  • step S309 terminal device B encodes the downlink channel state information by signal processing based on the AI/ML model included in its own encoder.
  • step S310 terminal device B feeds back the encoded downlink channel state information to the base station.
  • the above downlink channel state information may be an uplink control signal defined in UCI (for example, CQI, PMI, or RI, etc.), or may be channel response information itself, or may be a channel may be the eigenvalue information.
  • step S311 the base station decodes the encoded downlink channel state information received from terminal device B by signal processing based on the AI/ML model included in its own decoder, and converts the downlink channel state information into get.
  • the base station transmits a downlink control signal.
  • This downlink control signal may be, for example, DCI.
  • the downlink control signal may include information on the technology according to the present disclosure. Further, a part of the downlink control signal may be determined based on the downlink channel state information fed back above.
  • step S313 the base station transmits downlink data.
  • This downlink data may be, for example, a PDSCH.
  • terminal device B transmits information regarding retransmission control to the base station according to the decoding result of the downlink data.
  • Information regarding this retransmission control may be, for example, ACK/NACK or HARQ-ACK.
  • FIG. 12 shows that the base station receives information that is the basis for learning the AI/ML model from the data set providing device, and sends the information that is the basis for learning the AI/ML model to different terminal devices as system information and standards.
  • FIG. 2 is a diagram illustrating an example of a procedure that is included in static information (RRC signaling) and transmitted.
  • step S401 the base station transmits a request to the data set providing device to provide information that will be the basis for learning the AI/ML model.
  • step S402 the data set providing device transmits information that becomes the basis for learning the AI/ML model to the base station.
  • step S403 the base station performs additional training on the AI/ML model included in its own decoder based on the information that is the basis for learning the AI/ML model received from the data set providing device. Good too.
  • terminal devices A and B receive the synchronization signal transmitted from the base station and perform downlink synchronization. Furthermore, the terminal devices A and B receive system information transmitted from the base station, and receive information necessary for cell connection.
  • the system information includes information that becomes the basis for learning the AI/ML model.
  • step S405 the terminal devices A and B use the AI/ML model included in their own encoder based on the information that is the basis for learning the AI/ML model included in the system information received from the base station. Additional training may be provided.
  • the terminal devices A and B may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station. Since the terminal devices A and B perform additional training independently, the training results (learning results) may be different.
  • step S406 terminal devices A and B implement a random access procedure and establish a connection with the base station. Through the random access procedure, terminal devices A and B achieve uplink synchronization and complete connection with the base station.
  • the random access procedure may be performed after the additional training is completed or during the additional training.
  • step S407 terminal devices A and B transmit their own capability information to the base station.
  • the capability information may include capability information regarding an AI/ML model.
  • the base station transmits quasi-static information to terminal devices A and B.
  • This semi-static information may be, for example, RRC signaling.
  • the quasi-static information includes information that is the basis for learning the AI/ML model.
  • step S409 the terminal devices A and B use the AI/ML model included in their encoder based on the information that is the basis for learning the AI/ML model included in the quasi-static information received from the base station. Additional training may also be provided.
  • the base station performs additional training on the AI/ML model contained in its own decoder based on the information contained in the quasi-static information transmitted by the base station, which is the basis for learning the AI/ML model. It's okay.
  • the terminal devices A and B may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station. Since the terminal devices A and B perform additional training independently, the training results (learning results) may be different.
  • step S410 the base station transmits a reference signal for downlink channel state estimation to terminal device B.
  • terminal device B performs downlink channel state estimation processing and generates downlink channel state information.
  • step S412 terminal device B encodes the downlink channel state information by signal processing based on the AI/ML model included in its own encoder. In step S413, terminal device B feeds back the encoded downlink channel state information to the base station.
  • the above downlink channel state information may be an uplink control signal defined in UCI (for example, CQI, PMI, or RI, etc.), or may be channel response information itself, or may be a channel may be the eigenvalue information.
  • step S414 the base station decodes the encoded downlink channel state information received from terminal device B by signal processing based on the AI/ML model included in its own decoder, and converts the downlink channel state information into get.
  • step S415 the base station transmits a downlink control signal.
  • This downlink control signal may be, for example, DCI.
  • the downlink control signal may include information on the technology according to the present disclosure. Further, a part of the downlink control signal may be determined based on the downlink channel state information fed back above.
  • step S416 the base station transmits downlink data.
  • This downlink data may be, for example, a PDSCH.
  • terminal device B transmits information regarding retransmission control to the base station according to the decoding result of the downlink data.
  • Information regarding this retransmission control may be, for example, ACK/NACK or HARQ-ACK.
  • FIG. 13 is a diagram illustrating an example of a procedure in which a base station and a terminal device receive information that is the basis for learning an AI/ML model from a data set providing device.
  • step S501 the base station transmits a request to the data set providing device to provide information that will be the basis for learning the AI/ML model.
  • step S502 the data set providing device transmits information that becomes the basis for learning the AI/ML model to the base station.
  • step S503 the base station performs additional training on the AI/ML model included in its own decoder based on the information that is the basis for learning the AI/ML model received from the data set providing device. Good too.
  • terminal devices A and B receive the synchronization signal transmitted from the base station and perform downlink synchronization. Furthermore, the terminal devices A and B receive system information transmitted from the base station, and receive information necessary for cell connection.
  • the system information includes information regarding the data set providing device.
  • step S505 the terminal devices A and B send a data set provision request to provide information that will be the basis for learning the AI/ML model, based on the information regarding the data set providing device included in the system information received from the base station. Send to device.
  • step S506 the data set providing device transmits to the terminal devices A and B information that becomes the basis for learning the AI/ML model.
  • step S507 the terminal devices A and B perform additional training on the AI/ML model included in their encoder based on the information that is the basis for learning the AI/ML model received from the data set providing device. You may do so.
  • the terminal devices A and B may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station. Since the terminal devices A and B perform additional training independently, the training results (learning results) may be different.
  • step S508 terminal devices A and B implement a random access procedure and establish a connection with the base station.
  • terminal devices A and B synchronize uplink and complete connection with the base station.
  • the random access procedure may be performed after the additional training is completed or during the additional training.
  • step S509 terminal devices A and B transmit their own capability information to the base station.
  • the capability information may include capability information regarding an AI/ML model.
  • step S510 the base station transmits quasi-static information to terminal devices A and B.
  • This semi-static information may be, for example, RRC signaling.
  • the semi-static information may include information on the technology according to the present disclosure.
  • step S511 the base station transmits a reference signal for downlink channel state estimation to terminal device B.
  • step S512 terminal device B performs downlink channel state estimation processing and generates downlink channel state information.
  • step S513 terminal device B encodes the downlink channel state information by signal processing based on the AI/ML model included in its own encoder. In step S514, terminal device B feeds back the encoded downlink channel state information to the base station.
  • the above downlink channel state information may be an uplink control signal defined in UCI (for example, CQI, PMI, or RI, etc.), or may be channel response information itself, or may be a channel may be the eigenvalue information.
  • step S515 the base station decodes the encoded downlink channel state information received from terminal device B by signal processing based on the AI/ML model included in its own decoder, and converts the downlink channel state information into get.
  • the base station transmits a downlink control signal.
  • This downlink control signal may be, for example, DCI.
  • the downlink control signal may include information on the technology according to the present disclosure. Further, a part of the downlink control signal may be determined based on the downlink channel state information fed back above.
  • step S517 the base station transmits downlink data.
  • This downlink data may be, for example, a PDSCH.
  • terminal device B transmits information regarding retransmission control to the base station according to the decoding result of the downlink data.
  • Information regarding this retransmission control may be, for example, ACK/NACK or HARQ-ACK.
  • FIG. 14 is a diagram illustrating an example of a procedure for handing over a terminal device to a different base station.
  • step S601 the terminal device receives a synchronization signal transmitted from base station C and performs downlink synchronization.
  • the terminal device also receives system information transmitted from the base station C, and receives information necessary for cell connection.
  • the system information includes information that becomes the basis for learning the AI/ML model.
  • step S602 the terminal device adds additional information to the AI/ML model included in its own encoder based on the information that is the basis for learning the AI/ML model included in the system information received from the base station C.
  • Training may be provided.
  • Base station C may perform additional training on the AI/ML model included in its own decoder based on information that is the basis for learning the AI/ML model included in the system information it transmitted. .
  • the terminal device may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station C.
  • step S603 the terminal device performs a random access procedure and establishes a connection with base station C. Through the random access procedure, the terminal device achieves uplink synchronization and completes the connection with base station C.
  • the random access procedure may be performed after the additional training is completed or during the additional training.
  • step S604 the terminal device transmits its own capability information to the base station C.
  • the capability information may include capability information regarding an AI/ML model.
  • the base station C transmits quasi-static information to the terminal device.
  • This semi-static information may be, for example, RRC signaling.
  • the quasi-static information includes information that is the basis for learning the AI/ML model.
  • step S606 the terminal device uses the AI/ML model included in its own encoder based on the information that is the basis for learning the AI/ML model included in the quasi-static information received from the base station C. Additional training may also be provided. Base station C performs additional training on the AI/ML model included in its own decoder based on the information that is the basis for learning the AI/ML model included in the quasi-static information that base station C transmitted. You may go. The terminal device may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station C.
  • step S607 the base station C transmits a reference signal for downlink channel state estimation to the terminal device.
  • step S608 the terminal device performs downlink channel state estimation processing and generates downlink channel state information.
  • step S609 the terminal device encodes the downlink channel state information by signal processing based on the AI/ML model included in its own encoder.
  • step S610 the terminal device feeds back the encoded downlink channel state information to the base station C.
  • the downlink channel state information mentioned above may be an uplink control signal defined in UCI (for example, CQI, PMI, or RI, etc.), or may be channel response information itself, or may be a channel may be the eigenvalue information.
  • step S611 the base station C decodes the encoded downlink channel state information received from the terminal device by signal processing based on the AI/ML model included in its own decoder, and converts the downlink channel state information into get.
  • step S612 base station C transmits a downlink control signal.
  • This downlink control signal may be, for example, DCI.
  • the downlink control signal may include information on the technology according to the present disclosure. Further, a part of the downlink control signal may be determined based on the downlink channel state information fed back above.
  • step S613 base station C transmits downlink data.
  • This downlink data may be, for example, a PDSCH.
  • the terminal device transmits information regarding retransmission control to the base station C according to the decoding result of the downlink data.
  • Information regarding this retransmission control may be, for example, ACK/NACK or HARQ-ACK.
  • step S615 the base station C (source cell) and the terminal device perform a measurement procedure regarding the connected cell.
  • step S616 base station C determines whether handover is necessary based on the result of the measurement procedure, and determines that handover is necessary.
  • step S617 base station C transmits a handover request toward base station D, which is a candidate for the target cell.
  • base station D performs admission control.
  • step S619 base station D transmits to base station C a notification (Handover Request Acknowledge) regarding handover availability.
  • step S620 base station C transmits to base station D information that serves as the basis for learning the AI/ML model that it owns. Furthermore, the base station C may transmit information about its own learned AI/ML model to the base station D. In step S621, base station D returns ACK to base station C.
  • step S622 the base station D performs additional training on the AI/ML model included in its own decoder based on the information received from the base station C that serves as the basis for learning the AI/ML model. It's okay.
  • step S623 the base station C performs RCC configuration on the terminal device and transmits information regarding handover to the terminal device.
  • This handover-related information includes information that becomes the basis for AI/ML model learning.
  • step S624 the terminal device detaches from base station C.
  • step S625 the terminal device performs a random access procedure and establishes a connection with base station D. Through the random access procedure, the terminal device achieves uplink synchronization and completes the connection with base station D.
  • the random access procedure may be performed after the additional training is completed or during the additional training.
  • the terminal device transmits its own capability information to the base station D.
  • the capability information may include capability information regarding an AI/ML model.
  • the base station D transmits quasi-static information to the terminal device.
  • This semi-static information may be, for example, RRC signaling.
  • the quasi-static information includes information that is the basis for learning the AI/ML model.
  • step S628 the terminal device uses the AI/ML model included in its own encoder based on the information that is included in the quasi-static information received from the base station D and is the basis for learning the AI/ML model. Additional training may also be provided. Base station D performs additional training on the AI/ML model included in its own decoder based on the information that is the basis for learning the AI/ML model included in the quasi-static information that it transmitted. You may go. The terminal device may decide whether to perform additional training depending on the implementation, or may decide based on an instruction transmitted from the base station D.
  • the communication device (terminal device 40 or base station 20) according to Embodiment 1 of the present disclosure includes a signal processing unit (encoder 43 or decoder 23) including an AI/ML model, and another communication device. It includes a receiving unit that receives information as a basis for learning from the base station 20 or terminal device 40, and a control unit that sets an AI/ML model based on the information as a basis for learning. With such features, the communication device (terminal device 40 or base station 20) according to Embodiment 1 of the present disclosure can perform signal processing without being aware of the difference between AI/ML models.
  • the dataset providing device 50 is a dataset providing device that can be accessed in common from communication devices of different vendors, and stores information that is the basis for learning an AI/ML model.
  • a storage unit 51 that receives a request from a communication device to provide information that is a basis for learning an AI/ML model, and a transmitting unit that transmits information that is a basis for learning an AI/ML model to the communication device. It is equipped with Due to such characteristics, the base station 20 and the terminal device 40 can obtain the same learning base information that is independent of the specifications or implementation of a specific vendor from the common data set providing device 50. Therefore, it is possible to configure and train AI/ML models that are interoperable between different vendors.
  • the processing procedure described in this disclosure may be regarded as a method having a series of these procedures. Alternatively, it may be regarded as a program for causing a computer to execute these series of procedures, or a recording medium that stores the program. Further, the processing described above may be executed by a processor such as a CPU of a computer. Furthermore, the type of recording medium is not particularly limited because it does not affect the embodiments of the present disclosure.
  • each component shown in FIGS. 2 to 7 of the present disclosure may be realized by software or hardware.
  • each component may be a software module implemented by software such as a microprogram, and each component may be implemented by a processor executing the software module.
  • each component may be realized by a circuit block on a semiconductor chip (die), for example, an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
  • ASIC Application Specific Integrated Circuit
  • FPGA Field Programmable Gate Array
  • the number of constituent elements and the number of hardware realizing the constituent elements do not need to match.
  • one processor or circuit may implement multiple components.
  • one component may be implemented by multiple processors or circuits.
  • processors described in this disclosure are not limited. For example, it may be a CPU, an MPU (Micro Processing Unit), a GPU (Graphics Processing Unit), or the like.
  • a signal processing unit including an AI/ML model, a receiving unit that receives information as a basis for learning from another communication device;
  • a communication device comprising: a control unit that sets the AI/ML model based on information that is the basis of the learning.
  • the information on which the learning is based is determined based on at least one of a cell in which the communication device is located, a frequency band used by the communication device, and an SSB (Synchronization Signal Block), [1] or [ 2].
  • the information on which the learning is based is included in system information, RRC (Radio Resource Control) signaling, MAC CE (MAC Control Element), or DCI (Downlink Control Information) received from the another communication device, [1] The communication device according to any one of ⁇ [3].
  • RRC Radio Resource Control
  • MAC CE MAC Control Element
  • DCI Downlink Control Information
  • the communication device according to any one of ⁇ [3].
  • the communication device is in an RRC idle state (Radio Resource Control Idle) or an RRC inactive state (Radio Resource Control Inactive)
  • the information on which the learning is based is included in the system information, the communication according to [4] Device.
  • the control unit acquires information included in the system information and serving as a base for the learning only when the communication device has a signal processing capability based on an AI/ML model. .
  • the communication device according to [4], wherein when the communication device is in an RRC connected state (Radio Resource Control Connected State), the information on which the learning is based is included in the RRC signaling, the MAC CE, or the DCI.
  • the receiving unit further receives information regarding whether additional learning is possible from the another communication device, If the information regarding whether or not the additional learning is possible is set to be disabled, the control unit may configure the AI/ML model after setting the AI/ML model based on the information that is the basis of the learning.
  • the communication device according to any one of [1] to [7], wherein no additional training is performed on the communication device.
  • the communication device according to any one of claims [1] to [10], wherein information is transmitted to the another communication device via the transmitter. [12] further comprising a transmitter that transmits a signal to the another communication device, The communication device according to any one of [1] to [11], wherein the control unit transmits capability information of the communication device to the other communication device via the transmission unit. [13] The communication device according to [12], wherein the capability information includes information on an AI/ML model compatible with the communication device. [14] The communication device according to [12] or [13], wherein the capability information includes information on a learned AI/ML model of the communication device.
  • the communication device according to any one of [12] to [14], wherein the capability information includes information on either or both of remaining capacity and a maximum processing capacity of the communication device.
  • the communication device according to [15], wherein the capability information is transmitted when there is a request from the another communication device.
  • the capability information is transmitted periodically based on frequency and timing instructions received from the other communication device, or periodically transmitted based on a predetermined frequency and timing.
  • the signal processing unit includes a plurality of AI/ML models, The control unit selects any one of the plurality of AI/ML models based on at least one of a cell in which the communication device is located, a frequency band used by the communication device, and SSB.
  • the communication device according to any one of [1] to [17], which is used for.
  • the signal processing unit includes a plurality of AI/ML models, [1] to [18], wherein the control unit selects and uses any one of the plurality of AI/ML models according to an RRC state (Radio Resource Control State) of the communication device.
  • the communication device according to any one of the above.
  • an AI/ML model set based on learning base information included in system information received from the other communication device, or the learning base information
  • the communication device according to [19], using an AI/ML model configured and trained based on the communication device.
  • the AI/ML model is set based on the learning base information received from the other communication device at the time of RRC connection, or the learning base information is set based on the learning base information.
  • the another communication device is a terminal device, the communication device is a base station that establishes wireless communication with the terminal device, When the terminal device hands over from the base station to another base station, information regarding the learned AI/ML model, information that is the basis for learning the AI/ML model, and
  • the communication device according to any one of [1] to [23], further comprising a transmitter that transmits at least one of the capability information regarding the AI/ML model.
  • a data set providing device that can be commonly accessed from communication devices of different vendors, a storage unit that stores information that is the basis for learning the AI/ML model; a receiving unit that receives a request from a communication device to provide information that is a basis for learning the AI/ML model;
  • a data set providing device comprising: a transmitting unit that transmits information that is a basis for learning the AI/ML model to the communication device.
  • a method for training an AI/ML model comprising: a step of receiving information as a basis for learning; and setting the AI/ML model based on the information that is the basis of the learning
  • a method of providing information as a basis for learning an AI/ML model comprising: a step of receiving a request to provide information that is the basis of the learning; A method comprising the step of transmitting information on which the learning is based to the source of the provision request.
  • Wireless communication system 10 Management device 11 Communication unit 12 Storage unit 13 Control unit 20 Base station (communication device, another communication device) 21 Wireless communication section 211 Transmission section 212 Receiving section 213 Antenna 22 Storage section 23 Decoder (signal processing section) 25 Control unit 30 Relay station (communication device, another communication device) 31 Wireless communication section 311 Transmission section 312 Receiving section 313 Antenna 32 Storage section 33 Decoder (signal processing section) 35 Control unit 40 Terminal device (communication device, another communication device) 41 Wireless communication section 411 Transmission section 412 Receiving section 413 Antenna 42 Storage section 43 Decoder (signal processing section) 45 Control unit 50 Data set providing device 51 Storage unit 52 Receiving unit 53 Transmitting unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

［課題］ＡＩ／ＭＬモデルの差異を意識することなく信号処理を行うことができる通信装置、データセット提供装置、ＡＩ／ＭＬモデルをトレーニングする方法およびＡＩ／ＭＬモデルの学習のベースとなる情報を提供する方法を提供する。 ［解決手段］通信装置は、ＡＩ／ＭＬモデルを含む信号処理部と、別の通信装置から学習のベースとなる情報を受信する受信部と、学習のベースとなる係る情報に基づいて、ＡＩ／ＭＬモデルを設定する制御部とを備える。

Description

通信装置、データセット提供装置、ＡＩ／ＭＬモデルをトレーニングする方法およびＡＩ／ＭＬモデルの学習のベースとなる情報を提供する方法
　本開示は、通信装置、データセット提供装置、ＡＩ／ＭＬモデルをトレーニングする方法およびＡＩ／ＭＬモデルの学習のベースとなる情報を提供する方法に関する。
　現在、次世代の移動通信システムとして、Ｂｅｙｏｎｄ ５Ｇおよび６Ｇの検討が、第３世代パートナーシッププロジェクト（3rd Generation Partnership Project）において行われている。
　Ｂｅｙｏｎｄ ５Ｇおよび６Ｇの無線アクセス方式では、高速大容量（ｅＭＢＢ：Enhanced Mobile Broadband）、多数同時接続（ｍＭＴＣ：Massive Machine Type Communications）、および高信頼低遅延（ＵＲＬＬＣ：Ultra Reliable and Low Latency Communications）のさらなる向上が期待されている。これらを実現するために、無線通信によって送受信される信号を、人工知能／機械学習（ＡＩ／ＭＬ：Artificial Intelligence / Machine Learning）モデルを用いて処理することが検討されている。
R1-2203280, "General aspects of AI PHY", Ericsson, 3GPP TSG-RAN WG1 Meeting #109-e, Electronic Meeting, May 16th - 27th, 2021
　例えば、端末装置のＡＩ／ＭＬモデルと基地局のＡＩ／ＭＬモデルとの間で信号処理が行われる際に、両者のＡＩ／ＭＬモデルの仕様または実装が異なっている場合には、両者の間の信号処理が適切に行えない可能性がある。
　また、例えば、複数の端末装置の各ＡＩ／ＭＬモデルと基地局のＡＩ／ＭＬモデルとの間で信号処理が行われる際に、端末ベンダーの違い等に起因して各端末装置のＡＩ／ＭＬモデルの仕様または実装が異なっている場合には、各端末装置と基地局との間の信号処理が適切に行えない可能性がある。
　本開示は、上記のような課題を解決するためのものであり、ＡＩ／ＭＬモデルの差異を意識することなく信号処理を行うことができる、通信装置、データセット提供装置、ＡＩ／ＭＬモデルをトレーニングする方法およびＡＩ／ＭＬモデルの学習のベースとなる情報を提供する方法を提供することを目的とする。
　本開示に係る通信装置は、ＡＩ／ＭＬモデルを含む信号処理部と、別の通信装置から学習のベースとなる情報を受信する受信部と、学習のベースとなる係る情報に基づいて、ＡＩ／ＭＬモデルを設定する制御部とを備える。
　また、本開示に係るデータセット提供装置は、異なるベンダーの通信装置から共通してアクセスできるデータセット提供装置であって、ＡＩ／ＭＬモデルの学習のベースとなる情報を記憶する記憶部と、通信装置からＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼を受信する受信部と、ＡＩ／ＭＬモデルの学習のベースとなる情報を通信装置に送信する送信部とを備える。
　また、本開示に係るＡＩ／ＭＬモデルをトレーニングする方法は、学習のベースとなる情報を受信するステップと、学習のベースとなる情報に基づいて、ＡＩ／ＭＬモデルを設定するステップとを含む。
　また、本開示に係るＡＩ／ＭＬモデルの学習のベースとなる情報を提供する方法は、学習のベースとなる情報の提供依頼を受信するステップと、提供依頼の送信元に向けて、学習のベースとなる情報を送信するステップとを含む。
実施の形態１に係る無線通信システムの構成を示す図である。 管理装置の構成を示す図である。 基地局の構成を示す図である。 中継局の構成を示す図である。 端末装置の構成を示す図である。 端末装置および基地局の詳細な構成を示すブロック図である。 データセット提供装置の構成を示す図である。 データセット提供装置を含む無線通信ネットワークの構成の一例を示す図である。 基地局が異なる端末装置に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報をシステム情報に含めて送信するプロシージャの例を説明する図である。 基地局が異なる端末装置に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報を準静的情報（ＲＲＣシグナリング）に含めて送信するプロシージャの例を説明する図である。 基地局が異なる端末装置に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報をシステム情報および準静的な情報（ＲＲＣシグナリング）に含めて送信するプロシージャの例を説明する図である。 基地局がデータセット提供装置からＡＩ／ＭＬモデルの学習のベースとなる情報を受信し、異なる端末装置に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報をシステム情報および準静的な情報（ＲＲＣシグナリング）に含めて送信するプロシージャの例を説明する図である。 基地局および端末装置がデータセット提供装置からＡＩ／ＭＬモデルの学習のベースとなる情報を受信するプロシージャの例を説明する図である。 端末装置が異なる基地局にハンドオーバするプロシージャの例を説明する図である。 端末装置が異なる基地局にハンドオーバするプロシージャの例を説明する図である。
　以下では、図面を参照しながら、本開示の実施の形態について詳細に説明する。図面において、同一または対応する要素には同じ参照符号を付して、詳細な説明は適宜省略する。
　［実施の形態１］
　図１は、本開示の実施の形態１に係る無線通信システム１の構成を示す図である。無線通信システム１は、管理装置１０と、基地局２０と、中継局３０と、端末装置４０とを備えている。無線通信システム１は、無線通信システム１を構成する各無線通信装置が連携して動作することにより、ユーザーに対して移動通信が可能な無線ネットワークを提供する。本実施の形態１の無線ネットワークは、無線アクセスネットワークＲＡＮとコアネットワークＣＮとから構成されている。本実施の形態１において、無線通信装置は、無線通信の機能を有する装置のことであり、図１の例では、基地局２０、中継局３０、および端末装置４０が該当する。
　無線通信システム１は、管理装置１０、基地局２０、中継局３０、および端末装置４０をそれぞれ複数備えてもよい。図１の例では、無線通信システム１は、管理装置１０として管理装置１０ａおよび１０ｂを備えており、基地局２０として基地局２０ａ、２０ｂ、および２０ｃを備えている。また、無線通信システム１は、中継局３０として中継局３０ａおよび３０ｂを備えており、端末装置４０として端末装置４０ａ、４０ｂ、および４０ｃを備えている。
　図１の各無線通信装置は、論理的な意味での装置と考えてもよい。すなわち、各無線通信装置の一部が仮想マシン（VM：Virtual Machine）、コンテナ（Container）、またはドッカー（Docker）等によって実現され、それらが物理的に同一のハードウェア上で実装されてもよい。
　無線通信システム１は、ＬＴＥ（Long Term Evolution）またはＮＲ（New Radio）等の無線アクセス技術（ＲＡＴ：Radio Access Technology）に対応していてもよい。ＬＴＥおよびＮＲは、セルラー無線通信技術の一種であり、基地局２０がカバーするエリアをセル状に複数配置することにより、端末装置４０の移動通信を可能にする。
　無線通信システム１の無線アクセス方式は、ＬＴＥまたはＮＲ等に限定されるものではなく、Ｗ－ＣＤＭＡ（Wideband Code Division Multiple Access）またはｃｄｍａ２０００（Code Division Multiple Access 2000）等の他の無線アクセス方式であってもよい。
　無線通信システム１を構成する基地局２０および中継局３０は、地上局であってもよいし、非地上局であってもよい。非地上局は、衛星局であってもよいし、航空機局であってもよい。非地上局が衛星局の場合には、無線通信システム１は、Bent-pipe（Transparent）型の移動衛星通信システムであってもよい。
　本実施の形態１において、地上局（「地上基地局」ともいう。）とは、地上に設置される基地局（「中継局」を含む。）のことをいう。ここで、「地上」とは、陸上のみならず、地中、水上、および水中も含む広義の地上である。なお、以下の説明において、「地上局」の記載は、「ゲートウェイ」に置き換えてもよい。  
　ＬＴＥの基地局は、ｅＮｏｄｅＢ（Evolved Node B）またはｅＮＢと称されることもある。ＮＲの基地局は、ｇＮｏｄｅＢまたはｇＮＢと称されることもある。ＬＴＥおよびＮＲでは、端末装置（「移動局」または「端末」ともいう。）は、ＵＥ（User Equipment）と称されることもある。
　本実施の形態１において、無線通信装置という概念には、携帯端末等の持ち運び可能な移動体装置（端末装置）のみならず、構造物または移動体に設置される装置も含まれる。構造物または移動体そのものを無線通信装置とみなしてもよい。また、無線通信装置という概念には、端末装置４０のみならず、基地局２０および中継局３０も含まれる。無線通信装置は、処理装置または情報処理装置の一種である。無線通信装置は、送信装置または受信装置と言い換えることも可能である。
　以下、無線通信システム１を構成する各無線通信装置の構成を具体的に説明する。なお、以下に示す各無線通信装置の構成はあくまで一例である。各無線通信装置の構成は、以下に示す構成とは異なっていてもよい。
　（管理装置の構成）
　管理装置１０は、無線ネットワークを管理する装置である。例えば、管理装置１０は、基地局２０の通信を管理する装置である。コアネットワークＣＮがＥＰＣ（Evolved Packet Core）である場合には、管理装置１０は、例えば、ＭＭＥ（Mobility Management Entity）としての機能を有する装置である。コアネットワークＣＮが５ＧＣ（5G Core network）である場合には、管理装置１０は、例えば、ＡＭＦ（Access and Mobility Management Function）および／またはＳＭＦ（Session Management Function）としての機能を有する装置である。ただし、管理装置１０が有する機能は、ＭＭＥ、ＡＭＦ、およびＳＭＦに限定されるものではない。コアネットワークＣＮが５ＧＣである場合には、管理装置１０は、ＮＳＳＦ（Network Slice Selection Function）、ＡＵＳＦ（Authentication Server Function）、またはＵＤＭ（Unified Data Management）としての機能を有する装置であってもよい。管理装置１０は、ＨＳＳ（Home Subscriber Server）としての機能を有する装置であってもよい。
　管理装置１０は、ゲートウェイの機能を有していてもよい。コアネットワークＣＮがＥＰＣである場合には、管理装置１０は、Ｓ－ＧＷ（Serving Gateway）またはＰ－ＧＷ（Packet Data Network Gateway）としての機能を有していてもよい。コアネットワークＣＮが５ＧＣである場合には、管理装置１０は、ＵＰＦ（User Plane Function）としての機能を有していてもよい。管理装置１０は、必ずしもコアネットワークＣＮを構成する装置でなくてもよい。コアネットワークＣＮがＷ－ＣＤＭＡ（Wideband Code Division Multiple Access）またはｃｄｍａ２０００（Code Division Multiple Access 2000）のコアネットワークである場合には、管理装置１０は、ＲＮＣ（Radio Network Controller）として機能する装置であってもよい。
　図２は、本実施の形態１に係る管理装置１０の構成を示す図である。管理装置１０は、通信部１１と、記憶部１２と、制御部１３とを備えている。ただし、図２に示される構成は機能的な構成であり、ハードウェア構成はこれとは異なっていてもよい。また、管理装置１０の機能は、複数の物理的に分離された構成に静的、あるいは、動的に分散して実装されてもよい。管理装置１０は、複数のサーバ装置によって構成されてもよい。
　通信部１１は、無線通信装置（例えば、基地局２０または中継局３０）と通信するための通信インタフェースである。通信部１１は、ネットワークインタフェースであってもよいし、機器接続インタフェースであってもよい。通信部１１は、ＮＩＣ（Network Interface Card）等のＬＡＮ（Local Area Network）インタフェースであってもよいし、ＵＳＢ（Universal Serial Bus）ホストコントローラ、またはＵＳＢポート等によって構成されるＵＳＢインタフェースであってもよい。通信部１１は、有線インタフェースであってもよいし、無線インタフェースであってもよい。通信部１１は、管理装置１０の通信手段として機能する。通信部１１は、制御部１３によって制御される。
　記憶部１２は、ＤＲＡＭ（Dynamic Random Access Memory）、ＳＲＡＭ（Static Random Access Memory）、フラッシュメモリ、またはハードディスク等の読み書き可能な記憶装置である。記憶部１２は、管理装置１０の記憶手段として機能する。記憶部１２は、例えば、端末装置４０の接続状態を記憶する。記憶部１２は、端末装置４０のＲＲＣ（Radio Resource Control）の状態およびＥＣＭ（EPS Connection Management）、あるいは、５Ｇ Ｓｙｓｔｅｍ ＣＭ（Connection Management）の状態を記憶する。記憶部１２は、端末装置４０の位置情報を記憶するホームメモリとして機能してもよい。
　制御部１３は、管理装置１０の各部を制御するコントローラ（controller）である。制御部１３は、例えば、ＣＰＵ（Central Processing Unit）またはＭＰＵ（Micro Processing Unit）等のプロセッサによって実現されてもよい。詳細には、制御部１３は、管理装置１０の内部の記憶装置に記憶されている各種プログラムを、プロセッサがＲＡＭ（Random Access Memory）等を作業領域として実行することによって実現されてもよい。制御部１３は、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field Programmable Gate Array）等の集積回路によって実現されてもよい。ＣＰＵ、ＭＰＵ、ＡＳＩＣ、およびＦＰＧＡは、何れもコントローラとみなすことができる。
　（基地局の構成）
　基地局２０は、端末装置４０との間で無線通信を行う無線通信装置である。基地局２０は、中継局３０を介して端末装置４０と無線通信してもよいし、端末装置４０と直接無線通信してもよい。
　基地局２０は、無線基地局（Base Station、Node B、eNB、またはgNB等）、あるいは、無線アクセスポイント（Access Point）に相当する装置である。基地局２０は、無線リレー局であってもよい。基地局２０は、ＲＲＨ（Remote Radio Head）と呼ばれる光張り出し装置であってもよい。基地局２０は、ＦＰＵ（Field Pickup Unit）等の受信局であってもよい。基地局２０は、無線アクセス回線および無線バックホール回線を時分割多重、周波数分割多重、または空間分割多重で提供する、ＩＡＢ（Integrated Access and Backhaul）ドナーノード、あるいは、ＩＡＢリレーノードであってもよい。
　基地局２０が使用する無線アクセス技術は、セルラー通信技術であってもよい。基地局２０が使用する無線アクセス技術は、無線ＬＡＮ技術であってもよい。基地局２０が使用する無線アクセス技術は、ＬＰＷＡ（Low Power Wide Area）通信技術であってもよい。ただし、基地局２０が使用する無線アクセス技術は、これらに限定されるものではなく、他の無線アクセス技術であってもよい。基地局２０が使用する無線通信は、ミリ波を使った無線通信であってもよい。基地局２０が使用する無線通信は、電波を使った無線通信であってもよいし、赤外線または可視光を使った無線通信、すなわち光無線であってもよい。
　基地局２０は、端末装置４０との間でＮＯＭＡ（Non-Orthogonal Multiple Access）通信が可能であってもよい。ＮＯＭＡ通信は、非直交リソースを用いる通信（送信、受信、あるいはその両方）である。基地局２０は、他の基地局２０との間でＮＯＭＡ通信が可能であってもよい。
　基地局２０は、基地局２０とコアネットワークＣＮとの間のインタフェース、例えばS1 Interface等を介して、コアネットワークＣＮとの間で互いに通信可能であってもよい。このインタフェースは、有線または無線のいずれであってもよい。基地局２０は、基地局間のインタフェース、例えばX2 Interface等を介して、他の基地局との間で互いに通信可能であってもよい。このインタフェースは、有線または無線のいずれであってもよい。
　基地局（「基地局装置」ともいう。）という概念には、ドナー基地局のみならず、リレー基地局（「中継局」ともいう。）も含まれる。基地局という概念には、基地局の機能を備えた構造物（Structure）のみならず、構造物に設置される装置も含まれる。
　構造物は、例えば、高層ビル、家屋、鉄塔、駅施設、空港施設、港湾施設、またはスタジアム等の建物である。構造物という概念には、建物のみならず、トンネル、橋梁、ダム、塀、および鉄柱等の構築物（Non-building structure）、並びに、クレーン、門、および風車等の設備も含まれる。構造物という概念には、陸上（狭義の地上）または地中の構造物のみならず、桟橋またはメガフロート等の水上の構造物、および、海洋観測設備等の水中の構造物も含まれる。基地局は、情報処理装置と言い換えることもできる。
　基地局２０は、固定局であってもよいし、移動可能に構成された無線通信装置、すなわち移動局であってもよい。基地局２０は、移動体に設置される装置であってもよいし、移動体そのものであってもよい。移動能力（Mobility）を有するリレー局は、移動局としての基地局２０とみなすことができる。車両またはドローン等に代表されるＵＡＶ（Unmanned Aerial Vehicle）およびスマートフォン等の元来移動能力を有する装置であって、少なくとも基地局の機能の一部を搭載した装置も、移動局としての基地局２０とみなすことができる。
　移動体は、スマートフォンまたは携帯電話等のモバイル端末であってもよい。移動体は、陸上（狭義の地上）を移動する移動体（例えば、自動車、自転車、バス、トラック、自動二輪車、列車、またはリニアモーターカー等の車両）であってもよいし、地中（例えば、トンネル内）を移動する移動体（例えば、地下鉄）であってもよい。
　移動体は、水上を移動する移動体（例えば、旅客船、貨物船、またはホバークラフト等の船舶）であってもよいし、水中を移動する移動体（例えば、潜水艇、潜水艦、または無人潜水機等の潜水船）であってもよい。
　移動体は、大気圏内を移動する移動体（例えば、飛行機、飛行船、またはドローン等の航空機）であってもよい。
　基地局２０は、地上に設置される地上基地局（地上局）であってもよい。基地局２０は、地上の構造物に配置される基地局であってもよいし、地上を移動する移動体に設置される基地局であってもよい。基地局２０は、ビル等の構造物に設置されたアンテナおよびそのアンテナに接続された信号処理装置であってもよい。基地局２０は、構造物または移動体そのものであってもよい。「地上」とは、陸上（狭義の地上）のみならず、地中、水上、および水中も含む広義の地上である。基地局２０は、地上基地局に限定されない。無線通信システム１が衛星通信システムである場合には、基地局２０は、航空機局であってもよい。衛星局から見れば、地球に位置する航空機局は地上局である。
　基地局２０は、地上局に限定されない。基地局２０は、空中または宇宙を浮遊可能な非地上基地局装置（非地上局）であってもよい。基地局２０は、航空機局または衛星局であってもよい。
　衛星局は、大気圏外を浮遊可能な衛星局である。衛星局は、人工衛星等の宇宙移動体に搭載される装置であってもよいし、宇宙移動体そのものであってもよい。宇宙移動体は、大気圏外を移動する移動体である。宇宙移動体としては、人工衛星、宇宙船、宇宙ステーション、または探査機等の人工天体が挙げられる。
　衛星局となる衛星は、低軌道（LEO：Low Earth Orbiting）衛星、中軌道（MEO：Medium Earth Orbiting）衛星、静止（GEO：Geostationary Earth Orbiting）衛星、または高楕円軌道（HEO：Highly Elliptical Orbiting）衛星のいずれであってもよい。衛星局は、低軌道衛星、中軌道衛星、静止衛星、または高楕円軌道衛星に搭載される装置であってもよい。
　航空機局は、航空機等の大気圏内を浮遊可能な無線通信装置である。航空機局は、航空機等に搭載される装置であってもよいし、航空機そのものであってもよい。航空機という概念には、飛行機またはグライダー等の重航空機のみならず、気球または飛行船等の軽航空機も含まれる。航空機という概念には、重航空機または軽航空機のみならず、ヘリコプターまたはオートジャイロ等の回転翼機も含まれる。航空機局、または航空機局が搭載された航空機は、ドローン等の無人航空機であってもよい。
　無人航空機という概念には、無人航空システム（UAS：Unmanned Aircraft Systems）、および、つなぎ無人航空システム（tethered UAS）も含まれる。無人航空機という概念には、軽無人航空システム（LTA：Lighter than Air UAS）、および、重無人航空システム（HTA：Heavier than Air UAS）が含まれる。無人航空機という概念には、高高度無人航空システムプラットフォーム（HAPs：High Altitude UAS Platforms）も含まれる。
　基地局２０のカバレッジの大きさは、マクロセルのような比較的大きなものであってもよいし、ピコセルのような比較的小さなものであってもよい。基地局２０のカバレッジの大きさは、フェムトセルのような極めて小さなものであってもよい。基地局２０は、ビームフォーミング機能を有していてもよい。基地局２０は、ビームごとにセルまたはサービスエリアが形成されてもよい。
　図３は、本実施の形態１に係る基地局２０の構成を示す図である。基地局２０は、無線通信部２１と、記憶部２２と、デコーダ２３と、制御部２５とを備えている。ただし、図３に示される構成は機能的な構成であり、ハードウェア構成はこれとは異なっていてもよい。また、基地局２０の機能は、複数の物理的に分離された構成に分散して実装されてもよい。
　無線通信部２１は、他の無線通信装置（例えば、中継局３０、端末装置４０、または他の基地局２０）との間で無線通信するための信号処理部である。無線通信部２１は、制御部２５によって制御される。無線通信部２１は、１つまたは複数の無線アクセス方式に対応する。無線通信部２１は、ＮＲおよびＬＴＥの双方に対応してもよい。無線通信部２１は、ＮＲおよびＬＴＥに加えて、Ｗ－ＣＤＭＡおよびｃｄｍａ２０００等に対応してもよい。無線通信部２１は、ＨＡＲＱ（Hybrid Automatic Repeat reQuest）等の自動再送技術に対応してもよい。
　無線通信部２１は、送信部２１１と、受信部２１２と、アンテナ２１３とを含んでいる。無線通信部２１は、送信部２１１、受信部２１２、およびアンテナ２１３をそれぞれ複数含んでもよい。無線通信部２１が複数の無線アクセス方式に対応する場合には、無線通信部２１の各部は、無線アクセス方式毎に個別に構成されてもよい。送信部２１１および受信部２１２は、ＬＴＥとＮＲとで個別に構成されてもよい。アンテナ２１３は、複数のアンテナ素子、例えば複数のパッチアンテナによって構成されもよい。無線通信部２１は、ビームフォーミング機能を有してもよい。無線通信部２１は、垂直偏波（Ｖ偏波）および水平偏波（Ｈ偏波）を用いる偏波ビームフォーミング機能を有してもよい。
　送信部２１１は、下りリンク制御情報および下りリンクデータの送信処理を行う。一例として、まず、送信部２１１は、制御部２４から入力された下りリンク制御情報および下りリンクデータを、ブロック符号化、畳み込み符号化、またはターボ符号化等の符号化方式を用いて符号化する。符号化として、ポーラ符号（Polar code）による符号化、または、ＬＤＰＣ符号（Low Density Parity Check Code）による符号化を行ってもよい。
　次に、送信部２１１は、符号化ビットをＢＰＳＫ、ＱＰＳＫ、１６ＱＡＭ、６４ＱＡＭ、または２５６ＱＡＭ等の所定の変調方式に従って変調する。このとき、コンステレーション上の信号点は、必ずしも等距離である必要はない。すなわち、コンステレーションは、不均一コンステレーション（NUC：Non Uniform Constellation）であってもよい。
　次に、送信部２１１は、各チャネルの変調シンボルと下りリンク参照信号とを多重化して、所定のリソースエレメントに配置する。次に、送信部２１１は、多重化された信号に対して、各種信号処理を行う。一例として、送信部２１１は、高速フーリエ変換による周波数領域への変換、ガードインターバル（サイクリックプレフィックス）の付加、ベースバンドのディジタル信号の生成、アナログ信号への変換、直交変調、アップコンバート、余分な周波数成分の除去、および電力増幅等の処理を行う。最後に、送信部２１１によって生成された信号は、アンテナ２１３から送信される。
　受信部２１２は、アンテナ２１３を介して受信された上りリンク信号を処理する。一例として、まず、受信部２１２は、上りリンク信号に対して、ダウンコンバート、不要な周波数成分の除去、増幅レベルの制御、直交復調、ディジタル信号への変換、ガードインターバル（サイクリックプレフィックス）の除去、および高速フーリエ変換による周波数領域信号の抽出等を行う。
　次に、受信部２１２は、これらの処理が行われた信号から、ＰＵＳＣＨ（Physical Uplink Shared CHannel）およびＰＵＣＣＨ（Physical Uplink Control CHannel）等の上りリクチャネルおよび上りリンク参照信号を分離する。次に、受信部２１２は、上りリンクチャネルの変調シンボルから、ＢＰＳＫ（Binary Phase Shift Keying）またはＱＰＳＫ（Quadrature Phase shift Keying）等の変調方式に従って、受信信号を復調する。変調方式は、１６ＱＡＭ（Quadrature Amplitude Modulation）、６４ＱＡＭ、または２５６ＱＡＭ等であってもよい。このとき、コンステレーション上の信号点は、必ずしも等距離である必要はない。すなわち、コンステレーションは、不均一コンステレーションであってもよい。
　次に、受信部２１２は、復調された上りリンクチャネルの符号化ビットに対して、復号処理を行う。最後に、復号された上りリンクデータおよび上りリンク制御情報は、制御部２４へ出力される。
　アンテナ２１３は、電流と電波を相互に変換するアンテナ装置である。アンテナ２１３は、１つのアンテナ素子、例えば１つのパッチアンテナによって構成されてもよい。アンテナ２１３は、複数のアンテナ素子、例えば複数のパッチアンテナによって構成されてもよい。アンテナ２１３が複数のアンテナ素子によって構成される場合には、無線通信部２１は、ビームフォーミング機能を有してもよい。無線通信部２１は、複数のアンテナ素子を用いて無線信号の指向性を制御することによって、指向性ビームを生成するように構成されてもよい。アンテナ２１３は、デュアル偏波アンテナであってもよい。アンテナ２１３がデュアル偏波アンテナである場合、無線通信部２１は、無線信号を送信する際に、垂直偏波（Ｖ偏波）および水平偏波（Ｈ偏波）を用いてもよい。無線通信部２１は、垂直偏波および水平偏波を用いて送信される無線信号の指向性を制御してもよい。
　記憶部２２は、ＤＲＡＭ、ＳＲＡＭ、フラッシュメモリ、またはハードディスク等の読み書き可能な記憶装置である。記憶部２２は、基地局２０の記憶手段として機能する。
　デコーダ２３は、ＡＩ／ＭＬモデルを用いる信号処理を実施する機能を有する。ＡＩ／ＭＬモデルは、機械学習または深層学習によって得られるニューラルネットワークモデルである。ニューラルネットワークモデルは、例えば、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、またはＬＳＴＭ（Long Short-Term Memory）等であってもよい。ＡＬ／ＭＬモデルは、これらのモデルのいずれかであってもよいし、これらのモデルを直列または並列に組み合わせたものであってもよい。
　デコーダ２３は、第２のデータを入力として、これに対してＡＩ／ＭＬモデルを用いる信号処理を実施することにより、第１のデータを復元して出力する。デコーダ２３は、ＣＰＵまたはＭＰＵ等のプロセッサによって実現されてもよい。デコーダ２３は、ＡＳＩＣまたはＦＰＧＡ等の集積回路によって実現されてもよい。デコーダ２３のさらに詳細な構成については、図６を参照して後述する。
　制御部２５は、基地局２０の各部を制御するコントローラである。制御部２５は、ＣＰＵまたはＭＰＵ等のプロセッサによって実現されてもよい。詳細には、制御部２５は、基地局２０の内部の記憶装置に記憶されている各種プログラムを、プロセッサがＲＡＭ等を作業領域として実行することによって実現されてもよい。制御部２５は、ＡＳＩＣまたはＦＰＧＡ等の集積回路によって実現されてもよい。ＣＰＵ、ＭＰＵ、ＡＳＩＣ、およびＦＰＧＡは、いずれもコントローラとみなすことができる。制御部２５は、ＣＰＵに加えて、あるいはＣＰＵに代えて、ＧＰＵ（Graphics Processing Unit）によって実現されてもよい。
　なお、幾つかの実施の形態において、基地局２０は、複数の物理的または論理的な装置の集合によって構成されてもよい。一例として、本実施の形態１の基地局２０は、ＢＢＵ（Baseband Unit）およびＲＵ（Radio Unit）等の複数の装置に区別されてもよい。基地局２０は、これら複数の装置の集合として解釈されてもよい。また、基地局は、ＢＢＵまたはＲＵのうちいずれかであってもよいし、両方であってもよい。ＢＢＵおよびＲＵは、例えばｅＣＰＲＩ（enhanced Common Public Radio Interface）等の所定のインタフェースによって接続されてもよい。
　ＲＵは、ＲＲＵ（Remote Radio Unit)またはＲＤ（Radio DoT）と言い換えてもよい。ＲＵは、後述するｇＮＢ－ＤＵ（gNB Distributed Unit）に対応してもよい。ＢＢＵは、後述するｇＮＢ－ＣＵ（gNB Central Unit）に対応してもよい。ＲＵは、アンテナと一体的に形成された装置であってもよい。基地局２０のアンテナ、例えばＲＵと一体的に形成されたアンテナは、Advanced Antenna Systemを採用し、例えばＦＤ－ＭＩＭＯ等のＭＩＭＯまたはビームフォーミングをサポートしてもよい。基地局２０のアンテナは、例えば、６４個の送信用アンテナポートおよび６４個の受信用アンテナポートを備えてもよい。
　ＲＵに搭載されるアンテナは、１つ以上のアンテナ素子から構成されるアンテナパネルであってもよく、ＲＵは１つ以上のアンテナパネルを搭載してもよい。ＲＵは、水平偏波のアンテナパネルおよび垂直偏波のアンテナパネルの２種類のアンテナパネルを搭載してもよい。ＲＵは、右旋円偏波のアンテナパネルおよび左旋円偏波のアンテナパネルの２種類のアンテナパネルを搭載してもよい。ＲＵは、アンテナパネル毎に独立したビームを形成して制御してもよい。
　基地局２０は、複数が互いに接続されてもよい。１つまたは複数の基地局２０は、無線アクセスネットワーク（ＲＡＮ：Radio Access Network）に含まれてもよい。このとき、基地局２０は、単にＲＡＮ、ＲＡＮノード、ＡＮ（Access Network）、またはＡＮノード等と称されることがある。ＬＴＥにおけるＲＡＮは、ＥＵＴＲＡＮ（Enhanced Universal Terrestrial RAN）と呼ばれることがある。ＮＲにおけるＲＡＮは、ＮＧＲＡＮと呼ばれることがある。Ｗ－ＣＤＭＡ（ＵＭＴＳ）におけるＲＡＮは、ＵＴＲＡＮと呼ばれることがある。
　ＬＴＥの基地局２０は、ｅＮｏｄｅＢ（Evolved Node B）またはｅＮＢと称されることがある。このとき、ＥＵＴＲＡＮは、１つまたは複数のｅＮｏｄｅＢ（ｅＮＢ）を含む。ＮＲの基地局２０は、ｇＮｏｄｅＢまたはｇＮＢと称されることがある。このとき、ＮＧＲＡＮは、１つまたは複数のｇＮＢを含む。ＥＵＴＲＡＮは、ＬＴＥの通信システム（ＥＰＳ）におけるコアネットワーク（ＥＰＣ）に接続されたｇＮＢ（ｅｎ－ｇＮＢ）を含んでもよい。ＮＧＲＡＮは、５Ｇ通信システム（５ＧＳ）におけるコアネットワーク５ＧＣに接続されたｎｇ－ｅＮＢを含んでもよい。
　基地局２０がｅＮＢまたはｇＮＢ等である場合には、基地局２０は、３ＧＰＰアクセス（3GPP Access）と称されることがある。基地局２０が無線アクセスポイント（Access Point）である場合には、基地局２０は、非３ＧＰＰアクセス（Non-3GPP Access）と称されることがある。基地局２０は、ＲＲＨ（Remote Radio Head）と呼ばれる光張り出し装置であってもよい。基地局２０がｇＮＢである場合には、基地局２０は、前述したｇＮＢ－ＣＵおよびｇＮＢ－ＤＵを組み合わせたものであってもよいし、ｇＮＢ－ＣＵまたはｇＮＢ－ＤＵのいずれかであってもよい。
　ｇＮＢ－ＣＵは、ＵＥとの通信のために、アクセス層（Access Stratum）のうち、複数の上位レイヤー（例えば、ＲＲＣ、ＳＤＡＰ、およびＰＤＣＰ等）をホストする。ｇＮＢ－ＤＵは、アクセス層（Access Stratum）のうち、複数の下位レイヤー（例えば、ＲＬＣ、ＭＡＣ、およびＰＨＹ等）をホストする。後述するメッセージ／情報のうち、ＲＲＣシグナリング（準静的な通知）はｇＮＢ－ＣＵによって生成され、ＭＡＣ ＣＥおよびＤＣＩ（動的な通知）はｇＮＢ－ＤＵによって生成されてもよい。あるいは、ＲＲＣコンフィギュレーション（準静的な通知）のうち、例えばIE:cellGroupConfig等の一部のコンフィギュレーション（configuration）はｇＮＢ－ＤＵによって生成され、残りのコンフィギュレーションはｇＮＢ－ＣＵによって生成されてもよい。これらのコンフィギュレーションは、後述するＦ１インタフェースによって送受信されてもよい。
　基地局２０は、他の基地局との間で通信可能に構成されてもよい。複数の基地局２０がｅＮＢ同士またはｅＮＢとｅｎ－ｇＮＢの組み合わせである場合には、これらの基地局２０の間は、Ｘ２インタフェースによって接続されてもよい。複数の基地局２０がｇＮＢ同士またはｇｎ－ｅＮＢとｇＮＢの組み合わせである場合には、これらの基地局２０の間は、Ｘｎインタフェースによって接続されてもよい。複数の基地局２０がｇＮＢ－ＣＵとｇＮＢ－ＤＵの組み合わせである場合には、これらの基地局２０の間は、前述したＦ１インタフェースによって接続されてもよい。後述するメッセージ／情報（例えば、ＲＲＣシグナリング、ＭＡＣ ＣＥ（MAC Control Element）、またはＤＣＩ等）は、複数の基地局２０間で、例えば、Ｘ２インタフェース、Ｘｎインタフェース、またはＦ１インタフェース等を介して、送信されてもよい。
　基地局２０によって提供されるセルは、サービングセル（Serving Cell）と呼ばれることがある。サービングセルという概念には、ＰＣｅｌｌ（Primary Cell）およびＳＣｅｌｌ（Secondary Cell）が含まれる。デュアルコネクティビティが端末装置４０に提供される場合には、ＭＮ（Master Node）によって提供されるＰＣｅｌｌと、ゼロまたは１以上のＳＣｅｌｌとは、マスターセルグループ（Master Cell Group）と呼ばれることがある。デュアルコネクティビティの例としては、EUTRA-EUTRA Dual Connectivity、EUTRA-NR Dual Connectivity（ENDC）、EUTRA-NR Dual Connectivity with 5GC、NR-EUTRA Dual Connectivity（NEDC）、およびNR-NR Dual Connectivity等が挙げられる。
　サービングセルは、ＰＳＣｅｌｌ（Primary Secondary Cell、または、Primary SCG Cell）を含んでもよい。デュアルコネクティビティが端末装置４０に提供される場合には、ＳＮ（Secondary Node）によって提供されるＰＳＣｅｌｌと、ゼロまたは１以上のＳＣｅｌｌとは、ＳＣＧ（Secondary Cell Group）と呼ばれることがある。特別な設定（例えば、PUCCH on SCell）がされていない限り、物理上りリンク制御チャネル（ＰＵＣＣＨ）は、ＰＣｅｌｌおよびＰＳＣｅｌｌによっては送信されるが、ＳＣｅｌｌによっては送信されない。無線リンク障害（Radio Link Failure）は、ＰＣｅｌｌおよびＰＳＣｅｌｌによっては検出されるが、ＳＣｅｌｌによっては検出されない（検出しなくてよい）。このように、ＰＣｅｌｌおよびＰＳＣｅｌｌは、サービングセルの中で特別な役割を担うため、ＳｐＣｅｌｌ（Special Cell）とも呼ばれる。
　１つのセルには、１つのダウンリンクコンポーネントキャリアと、１つのアップリンクリンクコンポーネントキャリアとが対応付けられてもよい。１つのセルに対応するシステム帯域幅は、複数のＢＷＰ（Bandwidth Part）に分割されてもよい。このとき、１つまたは複数のＢＷＰが端末装置４０に設定され、１つのＢＷＰ分がアクティブＢＷＰ（Active BWP）として、端末装置４０に使用されてもよい。端末装置４０が使用できる無線資源、例えば周波数帯域、ヌメロロジー（サブキャリアスペーシング）、またはスロットフォーマット（Slot configuration）は、セル毎、コンポーネントキャリア毎、またはBWP毎に、異なっていてもよい。
　（中継局の構成）
　中継局３０は、基地局２０の中継器となる無線通信装置である。中継局３０は、基地局の一種である。中継局３０は、情報処理装置の一種である。中継局３０は、リレー基地局と言い換えることもできる。
　中継局３０は、端末装置４０との間でＮＯＭＡ通信が可能であってもよい。中継局３０は、基地局２０と端末装置４０との間の通信を中継する。中継局３０は、他の中継局３０および基地局２０との間で無線通信が可能であってもよい。中継局３０は、地上局装置であってもよいし、非地上局装置であってもよい。中継局３０は、基地局２０とともに無線アクセスネットワークＲＡＮを構成する。
　中継局３０は、固定された装置であってもよいし、可動する装置であってもよいし、浮遊可能な装置であってもよい。中継局３０のカバレッジの大きさは、特定の大きさに限定されない。中継局３０がカバーするセルは、マクロセルであってもよいし、ミクロセルであってもよいし、スモールセルであってもよい。
　中継局３０は、中継の機能が満たされるのであれば、搭載される装置に限定されない。中継局３０は、スマートフォン等の端末装置に搭載されてもよいし、自動車、列車、または人力車等に搭載されてもよいし、気球、飛行機、またはドローン等に搭載されてもよいし、テレビ、ゲーム機、エアコン、冷蔵庫、または照明器具等の家電に搭載されてもよい。
　中継局３０の構成は、上述した基地局２０の構成と同様であってもよい。中継局３０は、上述した基地局２０と同様に、移動体に設置される装置であってもよいし、移動体そのものであってもよい。移動体は、上述したように、スマートフォンまたは携帯電話等のモバイル端末であってもよい。移動体は、陸上（狭義の地上）を移動する移動体であってもよいし、地中を移動する移動体であってもよい。移動体は、水上を移動する移動体であってもよいし、水中を移動する移動体であってもよい。移動体は、大気圏内を移動する移動体であってもよいし、大気圏外を移動する移動体であってもよい。中継局３０は、地上局装置であってもよいし、非地上局装置であってもよい。中継局３０は、航空機局または衛星局等であってもよい。
　中継局３０のカバレッジの大きさは、基地局２０と同様に、マクロセルのような大きなものから、ピコセルのような小さなものであってもよい。中継局３０のカバレッジの大きさは、フェムトセルのような極めて小さなものであってもよい。中継局３０は、ビームフォーミング機能を有していてもよい。中継局３０は、ビームごとにセルまたはサービスエリアが形成されてもよい。
　図４は、本実施の形態１に係る中継局３０の構成を示す図である。中継局３０は、無線通信部３１と、記憶部３２と、デコーダ３３と、制御部３５とを備えている。ただし、図４に示される構成は機能的な構成であり、ハードウェア構成はこれとは異なっていてもよい。また、中継局３０の機能は、複数の物理的に分離された構成に分散して実装されてもよい。
　無線通信部３１は、他の無線通信装置（例えば、基地局２０、端末装置４０、または他の中継局３０）との間で無線通信するための信号処理部である。無線通信部３１は、１つ、または複数の無線アクセス方式に対応する。無線通信部３１は、ＮＲおよびＬＴＥの双方に対応してもよい。無線通信部３１は、ＮＲおよびＬＴＥに加えて、Ｗ－ＣＤＭＡおよびｃｄｍａ３０００等に対応してもよい。
　無線通信部３１は、送信部３１１と、受信部３１２と、アンテナ３１３とを含んでいる。無線通信部３１は、送信部３１１、受信部３１２、およびアンテナ３１３をそれぞれ複数含んでもよい。無線通信部３１が複数の無線アクセス方式に対応する場合には、無線通信部３１の各部は、無線アクセス方式毎に個別に構成されてもよい。送信部３１１および受信部３１２は、ＬＴＥとＮＲとで個別に構成されてもよい。送信部３１１、受信部３１２、およびアンテナ３１３の構成は、上述した基地局２０の送信部２１１、受信部２１２、およびアンテナ２１３の構成と同様であってもよい。無線通信部３１は、基地局２０の無線通信部２１と同様に、ビームフォーミング機能を有してもよい。
　記憶部３２は、ＤＲＡＭ、ＳＲＡＭ、フラッシュメモリ、またはハードディスク等の読み書き可能な記憶装置である。記憶部３２は、中継局３０の記憶手段として機能する。
　デコーダ３３は、ＡＩ／ＭＬモデルを用いる信号処理を実施する機能を有する。ＡＩ／ＭＬモデルは、機械学習または深層学習によって得られるニューラルネットワークモデルである。ニューラルネットワークモデルは、例えば、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、またはＬＳＴＭ（Long Short-Term Memory）等であってもよい。ＡＬ／ＭＬモデルは、これらのモデルのいずれかであってもよいし、これらのモデルを直列または並列に組み合わせたものであってもよい。
　デコーダ３３は、後述する端末装置４０から受信される第２のデータを入力として、これに対してＡＩ／ＭＬモデルを用いる信号処理を実施することにより、第１のデータを復元して出力する。デコーダ３３の構成および機能は、上述した基地局２０のデコーダ２３の構成および機能と同様であってもよい。
　制御部３４は、中継局３０の各部を制御するコントローラである。制御部３４は、ＣＰＵまたはＭＰＵ等のプロセッサによって実現されてもよい。詳細には、制御部３４は、中継局３０の内部の記憶装置に記憶されている各種プログラムを、プロセッサがＲＡＭ等を作業領域として実行することによって実現されてもよい。制御部３４は、ＡＳＩＣまたはＦＰＧＡ等の集積回路によって実現されてもよい。ＣＰＵ、ＭＰＵ、ＡＳＩＣ、およびＦＰＧＡは、いずれもコントローラとみなすことができる。制御部３４は、ＣＰＵに加えて、あるいはＣＰＵに代えて、ＧＰＵによって実現されてもよい。
　なお、中継局３０は、ＩＡＢリレーノードであってもよい。中継局３０は、バックホールを提供するＩＡＢドナーノードに対しては、ＩＡＢ－ＭＴ（Mobile Termination）として動作し、アクセスを提供する端末装置４０に対しては、ＩＡＢ－ＤＵ（Distributed Unit）として動作する。ＩＡＢドナーノードは、例えば、基地局２０であってもよく、ＩＡＢ－ＣＵ（Central Unit）として動作する。
　（端末装置の構成）
　端末装置４０は、他の無線通信装置（例えば、基地局２０、中継局３０、または他の端末装置４０等）との間で無線通信を行う無線通信装置である。端末装置４０は、携帯電話、スマートデバイス（スマートフォンまたはタブレット）、ＰＤＡ（Personal Digital Assistant）、またはパーソナルコンピュータ等であってもよい。端末装置４０は、通信機能が具備された業務用カメラ等の機器であってもよい。端末装置４０は、ＦＰＵ（Field Pickup Unit）等の通信機器が搭載されたバイクまたは移動中継車等であってもよい。端末装置４０は、Ｍ２Ｍ（Machine to Machine）デバイスまたはＩｏＴ（Internet of Things）デバイス等であってもよい。
　端末装置４０は、基地局２０との間でＮＯＭＡ通信が可能であってもよい。端末装置４０は、基地局２０と通信する際、ＨＡＲＱ等の自動再送技術を使用可能であってもよい。端末装置４０は、他の端末装置４０との間でサイドリンク通信が可能であってもよい。端末装置４０は、サイドリンク通信を行う際、ＨＡＲＱ等の自動再送技術を使用可能であってもよい。端末装置４０は、他の端末装置４０との間でサイドリンク通信を行う際、ＮＯＭＡ通信が可能であってもよい。端末装置４０は、基地局２０等の他の無線通信装置との間でＬＰＷＡ通信が可能であってもよい。端末装置４０が使用する無線通信は、ミリ波を使った無線通信であってもよい。端末装置４０が使用する無線通信は、サイドリンク通信を含めて、電波を使った無線通信であってもよいし、赤外線または可視光を使った無線通信、すなわち光無線であってもよい。
　端末装置４０は、移動可能な無線通信装置、すなわち移動体装置であってもよい。端末装置４０は、移動体に設置される無線通信装置であってもよいし、移動体そのものであってもよい。端末装置４０は、自動車、バス、トラック、または自動二輪車等の道路上を移動する車両（Vehicle）であってもよいし、当該車両に搭載された無線通信装置であってもよい。移動体は、モバイル端末であってもよいし、陸上（狭義の地上）、地中、水上、または水中を移動する移動体であってもよい。移動体は、ドローンまたはヘリコプター等の大気圏内を移動する移動体であってもよいし、人工衛星等の大気圏外を移動する移動体であってもよい。
　端末装置４０は、同時に複数の基地局２０または複数のセルと接続して通信が可能であってもよい。１つの基地局２０が複数のセル（例えば、ｐＣｅｌｌまたはsＣｅｌｌ）を介して通信エリアをサポートしている場合には、キャリアアグリゲーション（CA：Carrier Aggregation）技術、デュアルコネクティビティ（DC：Dual Connectivity）技術、またはマルチコネクティビティ（MC：Multi-Connectivity）技術等によって、それら複数のセルを束ねて基地局２０と端末装置４０との間で通信することができる。あるいは、異なる基地局２０のセルを介して、協調送受信（CoMP：Coordinated Multi-Point Transmission and Reception）技術によって、端末装置４０とそれら複数の基地局２０との間で通信することもできる。
　図５は、本実施の形態１に係る端末装置４０の構成を示す図である。端末装置４０は、無線通信部４１と、記憶部４２と、エンコーダ４３と、制御部４５とを備えている。ただし、図５に示される構成は機能的な構成であり、ハードウェア構成はこれとは異なっていてもよい。また、端末装置４０の機能は、複数の物理的に分離された構成に分散して実装されてもよい。
　無線通信部４１は、他の無線通信装置（例えば、基地局２０、中継局３０、または他の端末装置４０）との間で無線通信するための信号処理部である。無線通信部４１は、制御部４５によって制御される。無線通信部４１は、送信部４１１と、受信部４１２と、アンテナ４１３とを含んでいる。無線通信部４１、送信部４１１、受信部４１２、およびアンテナ４１３の構成は、基地局２０の無線通信部２１、送信部２１１、受信部２１２、およびアンテナ２１３の構成と同様であってもよい。無線通信部４１は、基地局２０の無線通信部２１と同様に、ビームフォーミング機能を有してもよい。
　記憶部４２は、ＤＲＡＭ、ＳＲＡＭ、フラッシュメモリ、またはハードディスク等の読み書き可能な記憶装置である。記憶部４２は、端末装置４０の記憶手段として機能する。
　エンコーダ４３は、ＡＩ／ＭＬモデルを用いる信号処理を実施する機能を有する。ＡＩ／ＭＬモデルは、機械学習または深層学習によって得られるニューラルネットワークモデルである。ニューラルネットワークモデルは、例えば、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、またはＬＳＴＭ（Long Short-Term Memory）等であってもよい。ＡＬ／ＭＬモデルは、これらのモデルのいずれかであってもよいし、これらのモデルを直列または並列に組み合わせたものであってもよい。
　エンコーダ４３は、所与の第１のデータを入力として、これに対してＡＩ／ＭＬモデルを用いる信号処理を実施することにより、第２のデータを生成して出力する。エンコーダ４３は、ＣＰＵまたはＭＰＵ等のプロセッサによって実現されてもよい。エンコーダ４３は、ＡＳＩＣまたはＦＰＧＡ等の集積回路によって実現されてもよい。エンコーダ４３のさらに詳細な構成については、図６を参照して後述する。
　制御部４５は、端末装置４０の各部を制御するコントローラである。制御部４５は、ＣＰＵまたはＭＰＵ等のプロセッサによって実現されてもよい。詳細には、制御部４５は、端末装置４０の内部の記憶装置に記憶されている各種プログラムを、プロセッサがＲＡＭ等を作業領域として実行することによって実現されてもよい。制御部４５は、ＡＳＩＣまたはＦＰＧＡ等の集積回路によって実現されてもよい。ＣＰＵ、ＭＰＵ、ＡＳＩＣ、およびＦＰＧＡは、いずれもコントローラとみなすことができる。制御部４５は、ＣＰＵに加えて、あるいはＣＰＵに代えて、ＧＰＵによって実現されてもよい。
　（端末装置と基地局の構成）
　以降の説明では、本開示に係る技術を、ＡＩ／ＭＬモデルを含む信号処理部としてのエンコーダ４３を備える端末装置４０と、ＡＩ／ＭＬモデルを含む信号処理部としてのデコーダ２３を備える基地局２０との間で、ＡＩ／ＭＬモデルに基づく信号処理が行われる例に基づいて説明する。しかしながら、端末装置４０と基地局２０の関係は入れ替わってもよい。すなわち、本開示に係る技術は、ＡＩ／ＭＬモデルを含む任意の２つの通信装置の間で信号処理が行われる場合について、適用することができる。
　本開示において、エンコードおよびデコードという用語は、対になる任意の信号処理を含む概念であり、データの圧縮および伸張に係る信号処理だけでなく、その他の信号処理であってもよい。本開示において、エンコードおよびデコードという用語は、エンコードおよびデコード以外の別の用語によって参照されてもよい。以降の説明では、エンコード、エンコーダ、デコード、デコーダという用語を用いて説明するが、本開示に係る技術は、それ以外の用語を用いて説明されてよい。
　図６に示されるように、本実施の形態１に係る無線通信システム１は、端末装置４０および基地局２０を含んでいる。
　端末装置４０は、ＡＩ／ＭＬモデルを含む信号処理部としてのエンコーダ４３を備えている。エンコーダ４３は、所与の第１のデータを入力として、これをＡＩ／ＭＬモデルを用いてエンコードすることにより、第２のデータを生成する。
　エンコーダ４３によって生成された第２のデータは、送信部４１１からアップリンクを経由して基地局２０に送信され、基地局２０の受信部２１２によって受信される。
　基地局２０は、ＡＩ／ＭＬモデルを含む信号処理部としてのデコーダ２３を備えている。デコーダ２３は、端末装置４０から受信された第２のデータを入力として、これをＡＩ／ＭＬモデルを用いてデコードすることにより、第１のデータを復元する。
　（基地局の動作）
　本実施の形態１では、基地局２０は、上記のＡＩ／ＭＬモデルに基づくエンコードおよびデコードの信号処理に先立って、ＡＩ／ＭＬモデルの学習のベースとなる情報を端末装置４０に送信する。端末装置４０は、基地局２０から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルを設定した後、当該ＡＩ／ＭＬモデルのトレーニングを行う。
　例えば、ＡＩ／ＭＬモデルの学習のベースとなる情報は、システム情報（System Information）、ＲＲＣシグナリング（Radio Resource Control Signaling）、ＭＡＣ ＣＥ（MAC Control Element）、またはＤＣＩ（Downlink Control Information）等に含めて送信されてもよい。ただし、以降の説明において、「送信」という用語は、「通知」または「コンフィグレーション」を含む概念である。
　ＡＩ／ＭＬモデルの学習のベースとなる情報とは、例えば、ＡＩ／ＭＬモデルの種類（例えば、ＣＮＮモデル、ＲＮＮモデル、ＬＳＴＭモデル等）、入力ノード数（入力層のニューロンの数）、出力ノード数（出力層のニューロンの数）、レイヤー構成（中間層の数や各中間層のニューロンの数および接続関係）、重み係数の値（各ニューロン間の重み係数の値）、学習が行われるレイヤー（例えば、最終段の全結合層のみ学習が行われる等）、および学習データ（訓練データ、検証データ、テストデータ等）などの情報である。
　学習のベースとなる情報は、「学習の初期値」などと言い換えてもよい。ＡＩ／ＭＬモデルの学習のベースとなる情報を予め定義しておくことにより、各端末装置におけるその後の学習によるモデル間の性能差を小さくすることができる。したがって、基地局２０は、各端末装置のモデル間の差異を意識することなく、各端末装置との間で信号処理を行うことができる。
　例えば、ＡＩ／ＭＬモデルの学習のベースとなる情報として、ＡＩ／ＭＬモデルの入出力ノード数を予め決定しておくことにより、各端末装置のＡＩ／ＭＬモデルの入出力ノード数を統一することができる。これにより、各端末装置でＡＩ／ＭＬモデルの入出力ノード数が異なるものとなることが防止される。したがって、基地局２０は、各端末装置のＡＩ／ＭＬモデルの入出力ノード数の差異を意識することなく、各端末装置との間で信号処理用のデータを送受信することができる。
　例えば、ＡＩ／ＭＬモデルの学習のベースとなる情報として、ＡＩ／ＭＬモデルの重み係数の値（初期値）を予め決定しておくことにより、各端末装置におけるその後の学習によるモデル間の性能差を小さくすることができる。これにより、学習性能が低い端末装置においても、最低限の性能を担保することができる。
　ＡＩ／ＭＬモデルの学習のベースとなる情報の一部は、予め仕様として決定され、端末装置４０の記憶部４２に記憶されていてもよい。例えば、ＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、およびレイヤー構成等は、予め仕様として決定されて端末装置４０の記憶部４２に記憶されており、基地局２０から端末装置４０に送信される学習のベースとなる情報には、重み係数の値および学習データ等のみが含まれていてもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報は、端末装置４０が使用する周波数帯域（Frequency Band）に基づいて決定されてもよい。周波数帯域には、例えば、アップリンク帯、ダウンリンク帯、サイドリンク帯、追加アップリンク帯（Supplementary Uplink Band）、コンポーネントキャリア、ＢＷＰ（Band Width Part）、リソーブロック、サブキャリア、ＦＲ１の６ＧＨｚ以下帯、ＦＲ２の２４ＧＨｚ～５４．２６ＧＨｚ帯、ミリ波帯、およびテラ波帯などが含まれる。
　例えば、端末装置４０と基地局２０との間の通信に周波数帯域Ａが使用される場合には、基地局２０は、周波数帯域Ａに適合するように決定された学習のベースとなる情報Ａを端末装置４０に送信してもよい。また、例えば、端末装置４０と基地局２０との間の通信に周波数帯域Ｂが使用される場合には、基地局２０は、周波数帯域Ｂに適合するように決定された学習のベースとなる情報Ｂを端末装置４０に送信してもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報は、端末装置４０が位置するセルに基づいて決定されてもよい。例えば、端末装置４０がセルＡ内に位置している場合には、基地局２０は、セルＡ内での通信に適合するように決定された学習のベースとなる情報Ａを端末装置４０に送信してもよい。また、例えば、端末装置４０がセルＢ内に位置している場合には、基地局２０は、セルＢ内での通信に適合するように決定された学習のベースとなる情報Ｂを端末装置４０に送信してもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報は、端末装置４０が使用するビームに基づいて決定されてもよい。例えば、端末装置４０がビームＡを使用している場合には、基地局２０は、ビームＡに適合するように決定された学習のベースとなる情報Ａを端末装置４０に送信してもよい。また、例えば、端末装置４０がビームＢを使用している場合には、基地局２０は、ビームＢに適合するように決定された学習のベースとなる情報を端末装置４０に送信してもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報は、端末装置４０が使用する同期信号ブロック（ＳＳＢ：Synchronization Signal Block）に基づいて決定されてもよい。例えば、基地局２０と端末装置４０との間の通信にＳＳＢ＿Ａが使用される場合には、基地局２０は、ＳＳＢ＿Ａに適合するように決定された学習のベースとなる情報Ａを端末装置４０に送信してもよい。また、例えば、基地局２０と端末装置４０との間の通信にＳＳＢ＿Ｂが使用される場合には、基地局２０は、ＳＳＢ＿Ｂに適合するように決定された学習のベースとなる情報Ｂを端末装置４０に送信してもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報は、端末装置４０が使用する偏波に基づいて決定されてもよい。例えば、基地局２０と端末装置４０との間の通信に右旋円偏波が使用される場合には、基地局２０は、右旋円偏波に適合するように決定された学習のベースとなる情報Ｒを端末装置４０に送信してもよい。また、例えば、基地局２０と端末装置４０との間の通信に左旋円偏波が使用される場合には、基地局２０は、左旋円偏波に適合するように決定された学習のベースとなる情報Ｌを端末装置４０に送信してもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報は、端末装置４０が使用するネットワークスライス識別子（Ｓ－ＮＳＳＡＩ：Single - Network Slice Selection Assistance Information）に基づいて決定されてもよい。例えば、基地局２０と端末装置４０との間の通信にネットワークスライスＡが使用される場合には、基地局２０は、ネットワークスライスＡに適合するように決定された学習のベースとなる情報Ａを端末装置４０に送信してもよい。また、例えば、基地局２０と端末装置４０との間の通信にネットワークスライスＢが使用される場合には、基地局２０は、ネットワークスライスＢに適合するように決定された学習のベースとなる情報Ｂを端末装置４０に送信してもよい。
　上記の場合、基地局２０は、端末装置４０との間でＡＩ／ＭＬモデルに基づく信号処理を行うか否かをネットワークスライス毎に設定してもよい。例えば、基地局２０と端末装置４０との間の通信にネットワークスライスＣが使用される場合には、ＡＩ／ＭＬモデルに基づく信号処理が行われるように設定してもよい。また、例えば、基地局２０と端末装置４０との間の通信にネットワークスライスＤが使用される場合には、ＡＩ／ＭＬモデルに基づく信号処理が行われないように設定してもよい。
　基地局２０は、ＡＩ／ＭＬモデルの学習のベースとなる情報を、端末装置４０のＲＲC状態（Radio Resource Control State）に応じて送信してもよい。例えば、端末装置４０がＲＲＣアイドル状態（RRC Idle State）またはＲＲＣインアクティブ状態（RRC Inactive State）の時には、基地局２０は、ＡＩ／ＭＬモデルの学習のベースとなる情報を端末装置４０に送信しなくてもよい。この時、端末装置４０は、自身の実装に依存して、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルの設定およびトレーニングを独自に行ってもよい。
　基地局２０は、トラッキングエリア（ＴＡ：Tracking Area）、レジストレーションエリア（ＲＡ：Registration Area）、またはＲＡＮベースド通知エリア（ＲＮＡ：RAN-based Notification Area）の更新のタイミングにおいて、ＡＩ／ＭＬモデルの学習のベースとなる情報を端末装置４０に送信してもよい。
　例えば、端末装置４０がＲＲＣアイドル状態またはＲＲＣインアクティブ状態の時には、基地局２０は、ＡＩ／ＭＬモデルの学習のベースとなる情報をシステム情報に含めて端末装置４０に送信してもよい。この際、端末装置４０は、受信された学習のベースとなる情報に基づいて、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルの設定およびトレーニングを行ってもよい。
　例えば、端末装置４０がＲＲＣ接続状態（RRC Connected State）の時には、基地局２０は、ＡＩ／ＭＬモデルの学習のベースとなる情報をＲＲＣシグナリング、ＭＡＣ ＣＥ、またはＤＣＩなどに含めて端末装置４０に送信してもよい。この際、端末装置４０は、受信された学習のベースとなる情報に基づいて、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルの設定およびトレーニングを行ってもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報には、１つの学習のベースとなる情報のみが含まれていてもよいし、複数の学習のベースとなる情報が含まれていてもよい。
　例えば、端末装置４０は、基地局２０から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報の中に、１つの学習のベースとなる情報のみが含まれている場合には、その１つの学習のベースとなる情報に基づいて、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルの設定およびトレーニングを行ってもよい。
　例えば、端末装置４０は、基地局２０から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報の中に、複数の学習のベースとなる情報が含まれている場合には、それら複数の学習のベースとなる情報のうちの１つを選択して、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルの設定およびトレーニングを行ってもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報が基地局２０から各端末装置に送信されるシステム情報に含まれる場合には、ＡＩ／ＭＬモデルの学習のベースとなる情報は、各セル共通のものであってもよい。各端末装置は、自身がＡＩ／ＭＬモデルに基づく信号処理のケイパビリティを有する場合にのみ、システム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報を取得してもよい。
　例えば、ＡＩ／ＭＬモデル用のシステム情報が定義されているとする。端末装置４０は、受信されたシステム情報のブロック１などに含まれる別のシステム情報のスケジューリング情報を参照し、ＡＩ／ＭＬモデル用のシステム情報がスケジューリングされている場合には、当該ＡＩ／ＭＬモデル用のシステム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報を取得してもよい。
　ＡＩ／ＭＬモデルの学習のベースとなる情報には、追加学習の可否に関する情報が含まれていてもよい。追加学習の可否に関する情報が「不可」に設定されている場合には、端末装置４０は、基地局２０から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルを設定した後は、当該ＡＩ／ＭＬモデルに対して追加のトレーニングを行うことはできない。
　あるいは、基地局２０は、ＡＩ／ＭＬモデルの学習のベースとなる情報とは別に、追加学習の可否に関する情報を端末装置４０に送信してもよい。追加学習の可否に関する情報が「不可」に設定されている場合には、端末装置４０は、基地局２０から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルを設定した後は、当該ＡＩ／ＭＬモデルに対して追加のトレーニングを行うことはできない。
　（端末装置の動作）
　本実施の形態１では、端末装置４０は、基地局２０から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルの設定およびトレーニングを行った後、学習済みのＡＩ／ＭＬモデルの情報（例えば、ＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）を基地局２０にフィードバックしてもよい。
　基地局２０は、端末装置４０からフィードバックされた学習済みのＡＩ／ＭＬモデルの情報に基づいて、ＡＩ／ＭＬモデルの追加学習のための情報（例えば、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）を端末装置４０に送信してもよい。端末装置４０は、基地局２０から受信されたＡＩ／ＭＬモデルの追加学習のための情報に基づいて、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。
　端末装置４０は、自身のエンコーダ４３に含まれるＡＩ／ＭＬモデルが既に学習済みである場合には、基地局２０からＡＩ／ＭＬモデルの学習のベースとなる情報を受信するのに先立って、上記と同様の学習済みのＡＩ／ＭＬモデルの情報を基地局２０に送信してもよい。
　例えば、端末装置４０が複数の基地局との間でＡＩ／ＭＬモデルに基づく信号処理を行う場合には、端末装置４０は、各基地局に対応するＡＩ／ＭＬモデルのトレーニングをそれぞれ行う必要がある。これは端末装置４０にとって非常に大きな負荷となる。
　上記の負荷を軽減するために、端末装置４０のエンコーダ４３に含まれるＡＩ／ＭＬモデルが既に学習済みである場合には、端末装置４０は、新たに接続する基地局２０に向けて、自身の学習済みのＡＩ／ＭＬモデルの情報（例えば、ＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）を送信してもよい。
　端末装置４０から学習済みのＡＩ／ＭＬモデルの情報を受信した基地局２０は、当該学習済みのＡＩ／ＭＬモデルの情報に基づいて、ＡＩ／ＭＬモデルの学習のベースとなる情報（例えば、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）を決定し、端末装置４０に送信してもよい。
　端末装置４０は、自身のケイパビリティ情報として、自身が対応可能なＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、およびレイヤー構成等を基地局２０に送信してもよい。あるいは、端末装置４０は、自身のケイパビリティ情報として、自身の学習済みのＡＩ／ＭＬモデルの情報を基地局２０に送信してもよい。
　基地局２０は、自身がサポートするＡＩ／ＭＬモデルを予めリスト化しておき、仕様等の静的な情報として、あるいはシステム情報に含めて、端末装置４０に送信してもよい。端末装置４０は、リストの中から自身が対応可能なＡＩ／ＭＬモデルを選択し、自身のケイパビリティ情報に含めて基地局２０に送信してもよい。
　例えば、端末装置４０は、自身のケイパビリティ情報として、自身が対応可能なＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、およびレイヤー構成等を基地局２０に送信してもよい。端末装置４０からケイパビリティ情報を受信した基地局２０は、当該ケイパビリティ情報に基づいて、ＡＩ／ＭＬモデルの学習のベースとなる情報（例えば、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）を決定し、端末装置４０に送信してもよい。
　この時、端末装置４０は、別の基地局との間でＡＩ／ＭＬモデルを既に学習済みの場合には、当該学習済みのＡＩ／ＭＬモデルの入力ノード数、出力ノード数、およびレイヤー構成等に限定して、ケイパビリティ情報を送信してもよい。あるいは、端末装置４０は、ケイパビリティ情報とは別に、既に学習済みのＡＩ／ＭＬモデルの情報を基地局２０に送信してもよい。
　この時、端末装置４０は、自身のケイパビリティ情報として、学習済みのＡＩ／ＭＬモデルまたは未学習のＡＩ／ＭＬモデルの情報を基地局２０に送信してもよい。基地局２０は、当該ケイパビリティ情報に基づいて、ＡＩ／ＭＬモデルの学習のベースとなる情報を決定し、端末装置４０に送信してもよい。
　例えば、端末装置４０は、自身のケイパビリティ情報として、対応可能なＡＩ／ＭＬモデル、ＣＰＵまたはＧＰＵの性能、ＲｅｄＣａｐ（Reduced Capability）対応機器であるか否か、ＮＢ－ＩｏＴまたはｅＭＴＣ等のＩｏＴ端末であるか否か、サポートする帯域幅等の情報を、基地局２０に送信してもよい。基地局２０は、当該ケイパビリティ情報に基づいて、ＡＩ／ＭＬモデルの学習のベースとなる情報を決定し、端末装置４０に送信してもよい。
　端末装置４０は、自身のケイパビリティ情報として、処理能力の余力および最大値等の情報を基地局２０に送信してもよい。このような情報は、例えば、初期アクセス時のケイパビリティ情報、ＲＲＣシグナリング、ＭＡＣ ＣＥ、またはＤＣＩ等に含めて送信されてもよい。また、このような情報は、基地局２０からのリクエストがあった場合に送信してもよいし、定期的に送信してもよい。定期的に送信する場合には、基地局２０は、送信の頻度およびタイミング等の指示を端末装置４０に送信してもよい。あるいは、端末装置４０は、予め決定された頻度およびタイミング等で送信するようにしてもよい。
　端末装置４０は、周波数帯域に基づいて決定された学習のベースとなる情報に基づいて、自身のエンコーダ４３内に複数のＡＩ／ＭＬモデルを設定およびトレーニングした場合には、自身が使用する周波数帯域に応じて、複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用してもよい。
　例えば、端末装置４０と基地局２０との間の通信に周波数帯域Ａが使用される場合には、端末装置４０は、周波数帯域Ａに適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。また、例えば、端末装置４０と基地局２０との間の通信に周波数帯域Ｂが使用される場合には、端末装置４０は、周波数帯域Ｂに適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。
　端末装置４０は、セルに基づいて決定された学習のベースとなる情報に基づいて、自身のエンコーダ４３内に複数のＡＩ／ＭＬモデルを設定およびトレーニングした場合には、自身が位置するセルに応じて、複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用してもよい。
　例えば、自身がセルＡ内に位置している場合には、端末装置４０は、セルＡに適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。また、例えば、自身がセルＢに位置している場合には、端末装置４０は、セルＢに適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。
　端末装置４０は、ビームに基づいて決定された学習のベースとなる情報に基づいて、自身のエンコーダ４３内に複数のＡＩ／ＭＬモデルを設定およびトレーニングした場合には、自身が使用するビームに応じて、複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用してもよい。
　例えば、端末装置４０と基地局２０との間の通信にビームＡが使用される場合には、端末装置４０は、ビームＡに適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。また、例えば、端末装置４０と基地局２０との間の通信にビームＢが使用される場合には、端末装置４０は、ビームＢに適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。
　端末装置４０は、ＳＳＢに基づいて決定された学習のベースとなる情報に基づいて、自身のエンコーダ４３内に複数のＡＩ／ＭＬモデルを設定およびトレーニングした場合には、自身が使用するＳＳＢに応じて、複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用してもよい。
　例えば、端末装置４０と基地局２０との間の通信にＳＳＢ＿Ａが使用される場合には、端末装置４０は、ＳＳＢ＿Ａに適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。また、例えば、端末装置４０と基地局２０との間の通信にＳＳＢ＿Ｂが使用される場合には、端末装置４０は、ＳＳＢ＿Ｂに適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。
　端末装置４０は、偏波に基づいて決定された学習のベースとなる情報に基づいて、自身のエンコーダ４３内に複数のＡＩ／ＭＬモデルを設定およびトレーニングした場合には、自身が使用する偏波に応じて、複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用してもよい。
　例えば、端末装置４０と基地局２０との間の通信に右旋円偏波が使用される場合には、端末装置４０は、右旋円偏波に適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。また、例えば、端末装置４０と基地局２０との間の通信に左旋円偏波が使用される場合には、端末装置４０は、左旋円偏波に適合するように決定された学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。
　端末装置４０は、自身のＲＲＣ状態に応じて、複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用してもよい。
　例えば、ＲＲＣアイドル状態の時には、端末装置４０は、自身の実装に依存して独自に設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。あるいは、ＲＲＣアイドル状態の時には、端末装置４０は、基地局２０から受信されたシステム情報に含まれる学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデルを使用してもよいし、当該学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。
　例えば、ＲＲＣインアクティブ状態の時には、端末装置４０は、ＲＲＣ接続時に受信された学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデルを使用してもよいし、当該学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。あるいは、ＲＲＣインアクティブ状態の時には、端末装置４０は、基地局２０から受信されたシステム情報に含まれる学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデルを使用してもよいし、当該学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。
　例えば、ＲＲＣ接続状態の時には、端末装置４０は、ＲＲＣシグナリング、ＭＡＣ ＣＥ、またはＤＣＩ等に含まれる学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデルを使用してもよいし、当該学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用してもよい。
　（データセット提供装置）
　図７は、本実施の形態１に係るデータセット提供装置５０の構成を示す図である。データセット提供装置５０は、ＡＩ／ＭＬモデルの学習のベースとなる情報を提供する装置であり、異なるベンダーの端末装置および異なるベンダーの基地局から共通してアクセスすることができる。データセット提供装置５０は、物理的な実態を有する装置であってもよいが、例えば、１つのネットワークファンクション（ＮＦ：Network Function）として定義されてもよい。
　データセット提供装置５０は、記憶部５１と、受信部５２と、送信部５３と、制御部５４とを備えている。記憶部５１には、ＡＩ／ＭＬモデルの学習のベースとなる情報が記憶されている。受信部５２は、基地局２０または端末装置４０から、ＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼を受信する。送信部５３は、提供依頼を送信した基地局２０または端末装置４０に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報を送信する。制御部５４は、記憶部５１、受信部５２、および送信部５３を制御する。
　基地局２０または端末装置４０は、ＡＩ／ＭＬモデルのトレーニングに先立って、データセット提供装置５０のエンティティにアクセスし、ＡＩ／ＭＬモデルの学習のベースとなる情報（例えば、入力ノード数、出力ノード数、レイヤー構成、重み係数の値、学習が行われるレイヤー、および学習データ等）を予め受信しておく。これにより、基地局２０および端末装置４０は、共通のデータセット提供装置５０から特定のベンダーの仕様または実装に依存しない同一の学習のベースとなる情報を取得することができる。したがって、異なるベンダー間でインターオペラビリティのあるＡＩ／ＭＬモデルの設定およびトレーニングを行うことができる。
　データセット提供装置５０は、基地局向けの第１のデータセット提供装置と、端末装置向けの第２のデータセット提供装置として別々に定義されてもよい。あるいは、基地局向けの第１のデータセット提供装置または端末装置向けの第２のデータセット提供装置のいずれか一方のみが定義されてもよい。
　例えば、２つのデータセット提供装置が別々に定義される場合には、基地局２０は、第１のデータセット提供装置から、ＡＩ／ＭＬモデルの学習のベースとなる情報（例えば、入力ノード数、出力ノード数、レイヤー構成、重み係数の値、学習が行われるレイヤー、および学習データ等）を予め受信しておく。また、端末装置４０は、第２のデータセット提供装置から、ＡＩ／ＭＬモデルの学習のベースとなる情報（例えば、入力ノード数、出力ノード数、レイヤー構成、重み係数の値、学習が行われるレイヤー、および学習データ等）を予め受信しておく。
　基地局２０または端末装置４０は、データセット提供装置５０に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼を送信してもよい。これを受信したデータセット提供装置５０は、提供依頼を送信した基地局２０または端末装置４０に向けて、新たにＡＩ／ＭＬモデルの学習のベースとなる情報を送信してもよい。
　基地局２０または端末装置４０は、自身のケイパビリティ情報として、現在保有する学習済みのＡＩ／ＭＬモデル、対応可能なＡＩ／ＭＬモデル、ＣＰＵまたはＧＰＵの性能、ＲｅｄＣａｐ（Reduced Capability）対応機器であるか否か、ＮＢ－ＩｏＴまたはｅＭＴＣ等のＩｏＴ端末であるか否か、サポートする帯域幅等の情報を、データセット提供装置５０に送信してもよい。データセット提供装置５０は、当該ケイパビリティ情報に基づいて、ＡＩ／ＭＬモデルの学習のベースとなる情報を決定し、基地局２０または端末装置４０に送信してもよい。また、データセット提供装置５０は、基地局２０または端末装置４０から受信された現在保有する学習済みのＡＩ／ＭＬモデルの情報に基づいて、自身が保有するＡＩ／ＭＬモデルの学習のベースとなる情報をアップデートしてもよい。
　基地局２０は、端末装置４０に向けて、データセット提供装置５０へのアクセスに関する情報を送信してもよい。例えば、基地局２０は、端末装置４０に向けて、データセット提供装置５０のＩＰアドレスまたはＭＡＣアドレス等の端末装置４０がデータセット提供装置５０にアクセスするために必要な情報を送信してもよい。
　図８は、データセット提供装置５０を含む無線通信ネットワークの構成の一例を示す図である。この図に示されるように、例えば、データセット提供装置５０は、コアネットワーク網の先のデータネットワーク以降に配置されてもよい。例えば、データセット提供装置５０は、ＵＰＦ（User Plane Function）と接続されるサーバ（例えば、ＭＥＣ（Mobile Edge Computing）サーバ）に含まれてもよい。例えば、データセット提供装置５０は、基地局２０と接続されるサーバ（例えば、ＭＥＣサーバ）に含まれてもよい。例えば、データセット提供装置５０は、新たなＮＦ（Network Function）として定義されてもよい。例えば、データセット提供装置５０は、既存のＮＦ（例えば、ＭＴＬＦ（Model Training Logical Function））の追加機能として定義されてもよい。また、データセット提供装置５０は、１箇所だけでなく、複数箇所に配置または定義されてもよい。
　（ハンドオーバ時の動作）
　端末装置４０がある基地局（ソース基地局）から別の基地局（ターゲット基地局）にハンドオーバする場合、ソース基地局は、ターゲット基地局に向けて、学習済みのＡＩ／ＭＬモデルに関する情報（例えば、ＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）、ＡＩ／ＭＬモデルの学習のベースとなる情報（例えば、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）、およびＡＩ／ＭＬモデルに関するケイパビリティ情報（対応可能なＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、レイヤー構成等）などを送信してもよい。ソース基地局からこれらの情報を受信したターゲット基地局は、受信された情報に基づいて、自身のデコーダ２３に含まれるＡＩ／ＭＬモデルの設定およびトレーニングを行ってもよい。
　例えば、端末装置４０または基地局のＡＩ／ＭＬモデルに関するケイパビリティ情報または学習済みのＡＩ／ＭＬモデルに関する情報に基づいて、ハンドオーバ先の基地局が限定または決定されてもよい。すなわち、端末装置４０がハンドオーバを実施する場合、ハンドオーバ先の基地局において既に学習済みのＡＩ／ＭＬモデルを利用できない場合には、新たにＡＩ／ＭＬモデルの設定およびトレーニングを行う必要がり、端末装置４０および基地局の処理負荷が増加してしまう。そこで、端末装置４０がハンドオーバを実施する場合には、既に学習済みのＡＩ／ＭＬモデルが利用可能な基地局に対して、ハンドオーバを実施してもよい。
　（ユースケース別の動作）
　一般的に、端末装置と基地局との間でＡＩ／ＭＬモデルに基づく信号処理が行われるユースケースとしは、以下の３とおりが考えられる。
　１．基地局のみがＡＩ／ＭＬモデルを利用する。
　２．端末装置のみがＡＩ／ＭＬモデルを利用する。
　３．端末装置および基地局の双方がＡＩ／ＭＬモデルを利用する（本実施の形態１の場合）。
　上記１の場合には、基地局のみがＡＩ／ＭＬモデルを利用するため、異なる基地局のＡＩ／ＭＬモデルがそれぞれ異なるものであっても問題はない。例えば、複数の基地局ベンダーが存在する場合には、各基地局ベンダーは、ＡＩ／ＭＬモデルの設定およびトレーニングを実装依存でそれぞれ独自に行うことができる。
　上記２の場合には、端末装置のみがＡＩ／ＭＬモデルを利用するため、異なる端末装置のＡＩ／ＭＬモデルがそれぞれ異なるものであっても問題はない。例えば、複数の端末ベンダーが存在する場合には、各端末ベンダーは、ＡＩ／ＭＬモデルの設定およびトレーニングを実装依存でそれぞれ独自に行うことができる。
　ただし、各端末装置の処理能力に違いがあり、ＡＩ／ＭＬモデルの設定およびトレーニングを正しく行えない端末装置が存在する可能性もある。これに対処するために、基地局は、ＡＩ／ＭＬモデルの学習のベースとなる情報（例えば、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）を端末装置に送信してもよい。また、端末装置は、自身のＡＩ／ＭＬモデルのケイパビリティに関する情報（対応可能なＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、レイヤー構成、保有するＣＰＵまたはＧＰＵの情報等）を基地局に送信してもよい。
　上記３の場合には、端末装置および基地局の双方がＡＩ／ＭＬモデルを利用するため、両者の間の差異を考慮する必要がある。これに対処するために、基地局は、ＡＩ／ＭＬモデルの学習のベースとなる情報（例えば、入力ノード数、出力ノード数、レイヤー構成、および重み係数の値等）を端末装置に送信してもよい。また、端末装置は、自身のＡＩ／ＭＬモデルのケイパビリティに関する情報（対応可能なＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、レイヤー構成、保有するＣＰＵまたはＧＰＵの情報等）を基地局に送信してもよい。
　（端末装置間の通信および基地局間の通信）
　本開示に係る技術は、例えばサイドリンク（Sidelink）のような端末装置間の通信、あるいはＩＡＢ（Integrated Access Backhaul）のような基地局間の通信に対しても適用することができる。
　例えば、端末装置間の通信において、親の端末装置と子の端末装置が存在する場合、親の端末装置がこれまでの説明における基地局の役割を担い、子の端末装置がこれまでの説明における端末装置の役割を担ってもよい。
　例えば、基地局間の通信において、親の基地局と子の基地局が存在する場合、親の基地局がこれまでの説明における基地局の役割を担い、子の基地局がこれまでの説明における端末装置の役割を担ってもよい。
　（プロシージャの実施例）
　以下では、本開示に係る技術をＣＳＩ（Channel State Information）フィードバックに適用したプロシージャについて、６つの実施例を示す。ただし、本開示に係る技術の適用可能な範囲はこれに限定されるものではない。例えば、ビームマネージメント、ポジショニング、あるいはモビリティマネジメント等にも、本開示に係る技術を同様に適用することができる。
　（第１の実施例）
　図９は、基地局が異なる端末装置に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報をシステム情報に含めて送信するプロシージャの例を説明する図である。
　ステップＳ１０１において、端末装置Ａ、Ｂは、基地局から送信される同期信号を受信し、ダウンリンク同期を実施する。また、端末装置Ａ、Ｂは、基地局から送信されるシステム情報を受信し、セル接続に必要となる情報を受信する。ここで、システム情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ１０２において、端末装置Ａ、Ｂは、基地局から受信されたシステム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。基地局は、自身が送信したシステム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。
　端末装置Ａ、Ｂは、追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局から送信される指示に基づいて決定してもよい。端末装置Ａ、Ｂは、それぞれ独自に追加のトレーニングを行うため、トレーニングの結果（学習結果）が異なるものとなってもよい。
　ステップＳ１０３において、端末装置Ａ、Ｂは、ランダムアクセス手続きを実施し、基地局との接続を確立する。ランダムアクセス手続きにより、端末装置Ａ、Ｂはアップリンクの同期をとり、基地局との接続を完了する。ランダムアクセス手続きは、追加のトレーニングの完了後に実施してもよいし、追加のトレーニング中に実施してもよい。
　ステップＳ１０４において、端末装置Ａ、Ｂは、自身のケイパビリティ情報を基地局送信する。ケイパビリティ情報には、ＡＩ／ＭＬモデルに関するケイパビリティ情報が含まれていてもよい。ステップＳ１０５において、基地局は、準静的な情報を端末装置Ａ、Ｂに送信する。この準静的な情報は、例えばＲＲＣシグナリングであってもよい。
　ステップＳ１０６において、基地局は、ダウンリンクチャネル状態推定用の参照信号を端末装置Ｂに送信する。ステップＳ１０７において、端末装置Ｂは、ダウンリンクチャネル状態の推定処理を実施し、ダウンリンクチャネル状態情報を生成する。
　ステップＳ１０８において、端末装置Ｂは、自身のエンコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理により、ダウンリンクチャネル状態情報を符号化する。ステップＳ１０９において、端末装置Ｂは、符号化されたダウンリンクチャネル状態情報を基地局にフィードバックする。
　上記のダウンリンクチャネル状態情報は、ＵＣＩ（Uplink Control Information）で定義されるアップリンク制御信号（例えば、ＣＱＩ（Channel Quality Indicator）、ＰＭＩ（Precoding Matrix Indicator）、またはＲＩ（Resource Indicator）等）であってもよいし、あるいはチャネル応答情報そのものであってもよいし、あるいはチャネルの固有値情報であってもよい。
　ステップＳ１１０において、基地局は、端末装置Ｂから受信された符号化されたダウンリンクチャネル状態情報を、自身のデコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理によって復号し、ダウンリンクチャネル状態情報を取得する。
　ステップＳ１１１において、基地局は、ダウンリンク制御信号を送信する。このダウンリンク制御信号は、例えばＤＣＩ（Downlink Control Information）であってもよい。ダウンリンク制御信号には、本開示に係る技術の情報が含まれていてもよい。また、ダウンリンク制御信号の一部は、上記でフィードバックされたダウンリンクチャネル状態情報に基づいて、決定されてもよい。
　ステップＳ１１２において、基地局は、ダウンリンクデータを送信する。このダウンリンクデータは、例えばＰＤＳＣＨ（Physical Downlink Shared Channel）であってもよい。ステップＳ１１３において、端末装置Ｂは、ダウンリンクデータの復号結果に応じて、再送制御に関する情報を基地局に送信する。この再送制御に関する情報は、例えば、ＡＣＫ（Acknowledge）／ＮＡＣＫ（Negative Acknowledge）であってもよいし、あるいはＨＡＲＱ－ＡＣＫ（Hybrid Automatic Repeat Request - Acknowledge）であってもよい。
　（第２の実施例）
　図１０は、基地局が異なる端末装置に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報を準静的情報（ＲＲＣシグナリング）に含めて送信するプロシージャの例を説明する図である。
　ステップＳ２０１において、端末装置Ａ、Ｂは、基地局から送信される同期信号を受信し、ダウンリンク同期を実施する。また、端末装置Ａ、Ｂは、基地局から送信されるシステム情報を受信し、セル接続に必要となる情報を受信する。
　ステップＳ２０２において、端末装置Ａ、Ｂは、ランダムアクセス手続きを実施し、基地局との接続を確立する。ランダムアクセス手続きにより、端末装置Ａ、Ｂはアップリンクの同期をとり、基地局との接続を完了する。ランダムアクセス手続きは、後述する追加のトレーニングの完了後に実施してもよいし、追加のトレーニング中に実施してもよい。
　ステップ２０３において、端末装置Ａ、Ｂは、自身のケイパビリティ情報を基地局に送信する。ケイパビリティ情報には、ＡＩ／ＭＬモデルに関するケイパビリティ情報が含まれていてもよい。
　ステップＳ２０４において、基地局は、準静的な情報を端末装置Ａ、Ｂに送信する。この準静的な情報は、例えばＲＲＣシグナリングであってもよい。準静的な情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ２０５において、端末装置Ａ、Ｂは、基地局から受信された準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。基地局は、自身が送信した準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。
　端末装置Ａ、Ｂは、追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局から送信される指示に基づいて決定してもよい。端末装置Ａ、Ｂは、それぞれ独自に追加のトレーニングを行うため、トレーニングの結果（学習結果）が異なるものとなってもよい。
　ステップＳ２０６において、基地局は、ダウンリンクチャネル状態推定用の参照信号を端末装置Ｂに送信する。ステップＳ２０７において、端末装置Ｂは、ダウンリンクチャネル状態の推定処理を実施し、ダウンリンクチャネル状態情報を生成する。
　ステップＳ２０８において、端末装置Ｂは、自身のエンコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理により、ダウンリンクチャネル状態情報を符号化する。ステップＳ２０９において、端末装置Ｂは、符号化されたダウンリンクチャネル状態情報を基地局にフィードバックする。
　上記のダウンリンクチャネル状態情報は、ＵＣＩで定義されるアップリンク制御信号（例えば、ＣＱＩ、ＰＭＩ、またはＲＩ等）であってもよいし、あるいはチャネル応答情報そのものであってもよいし、あるいはチャネルの固有値情報であってもよい。
　ステップＳ２１０において、基地局は、端末装置Ｂから受信された符号化されたダウンリンクチャネル状態情報を、自身のデコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理によって復号し、ダウンリンクチャネル状態情報を取得する。
　ステップＳ２１１において、基地局は、ダウンリンク制御信号を送信する。このダウンリンク制御信号は、例えばＤＣＩであってもよい。ダウンリンク制御信号には、本開示に係る技術の情報が含まれていてもよい。また、ダウンリンク制御信号の一部は、上記でフィードバックされたダウンリンクチャネル状態情報に基づいて、決定されてもよい。
　ステップＳ２１２において、基地局は、ダウンリンクデータを送信する。このダウンリンクデータは、例えばＰＤＳＣＨであってもよい。ステップＳ２１３において、端末装置Ｂは、ダウンリンクデータの復号結果に応じて、再送制御に関する情報を基地局に送信する。この再送制御に関する情報は、例えば、ＡＣＫ／ＮＡＣＫであってもよいし、あるいはＨＡＲＱ－ＡＣＫであってもよい。
　（第３の実施例）
　図１１は、基地局が異なる端末装置に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報をシステム情報および準静的な情報（ＲＲＣシグナリング）に含めて送信するプロシージャの例を説明する図である。
　ステップＳ３０１において、端末装置Ａ、Ｂは、基地局から送信される同期信号を受信し、ダウンリンク同期を実施する。また、端末装置Ａ、Ｂは、基地局から送信されるシステム情報を受信し、セル接続に必要となる情報を受信する。ここで、システム情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ３０２において、端末装置Ａ、Ｂは、基地局から受信されたシステム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。基地局は、自身が送信したシステム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。
　端末装置Ａ、Ｂは、追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局から送信される指示に基づいて決定してもよい。端末装置Ａ、Ｂは、それぞれ独自に追加のトレーニングを行うため、トレーニングの結果（学習結果）が異なるものとなってもよい。
　ステップＳ３０３において、端末装置Ａ、Ｂは、ランダムアクセス手続きを実施し、基地局との接続を確立する。ランダムアクセス手続きにより、端末装置Ａ、Ｂはアップリンクの同期をとり、基地局との接続を完了する。ランダムアクセス手続きは、追加のトレーニングの完了後に実施してもよいし、追加のトレーニング中に実施してもよい。
　ステップＳ３０４において、端末装置Ａ、Ｂは、自身のケイパビリティ情報を基地局送信する。ケイパビリティ情報には、ＡＩ／ＭＬモデルに関するケイパビリティ情報が含まれていてもよい。
　ステップＳ３０５において、基地局は、準静的な情報を端末装置Ａ、Ｂに送信する。この準静的な情報は、例えばＲＲＣシグナリングであってもよい。準静的な情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ３０６において、端末装置Ａ、Ｂは、基地局から受信された準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。基地局は、自身が送信した準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。
　端末装置Ａ、Ｂは、さらに追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局から送信される指示に基づいて決定してもよい。端末装置Ａ、Ｂは、それぞれ独自にさらに追加のトレーニングを行うため、トレーニングの結果（学習結果）が異なるものとなってもよい。
　ステップＳ３０７において、基地局は、ダウンリンクチャネル状態推定用の参照信号を端末装置Ｂに送信する。ステップＳ３０８において、端末装置Ｂは、ダウンリンクチャネル状態の推定処理を実施し、ダウンリンクチャネル状態情報を生成する。
　ステップＳ３０９において、端末装置Ｂは、自身のエンコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理により、ダウンリンクチャネル状態情報を符号化する。ステップＳ３１０において、端末装置Ｂは、符号化されたダウンリンクチャネル状態情報を基地局にフィードバックする。
　上記のダウンリンクチャネル状態情報は、ＵＣＩで定義されるアップリンク制御信号（例えば、ＣＱＩ、ＰＭＩ、またはＲＩ等）であってもよいし、あるいはチャネル応答情報そのものであってもよいし、あるいはチャネルの固有値情報であってもよい。
　ステップＳ３１１において、基地局は、端末装置Ｂから受信された符号化されたダウンリンクチャネル状態情報を、自身のデコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理によって復号し、ダウンリンクチャネル状態情報を取得する。
　ステップＳ３１２において、基地局は、ダウンリンク制御信号を送信する。このダウンリンク制御信号は、例えばＤＣＩであってもよい。ダウンリンク制御信号には、本開示に係る技術の情報が含まれていてもよい。また、ダウンリンク制御信号の一部は、上記でフィードバックされたダウンリンクチャネル状態情報に基づいて、決定されてもよい。
　ステップＳ３１３において、基地局は、ダウンリンクデータを送信する。このダウンリンクデータは、例えばＰＤＳＣＨであってもよい。ステップＳ３１４において、端末装置Ｂは、ダウンリンクデータの復号結果に応じて、再送制御に関する情報を基地局に送信する。この再送制御に関する情報は、例えば、ＡＣＫ／ＮＡＣＫであってもよいし、あるいはＨＡＲＱ－ＡＣＫであってもよい。
　（第４の実施例）
　図１２は、基地局がデータセット提供装置からＡＩ／ＭＬモデルの学習のベースとなる情報を受信し、異なる端末装置に向けて、ＡＩ／ＭＬモデルの学習のベースとなる情報をシステム情報および準静的な情報（ＲＲＣシグナリング）に含めて送信するプロシージャの例を説明する図である。
　ステップＳ４０１において、基地局は、ＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼をデータセット提供装置に送信する。ステップＳ４０２において、データセット提供装置は、ＡＩ／ＭＬモデルの学習のベースとなる情報を基地局に送信する。
　ステップＳ４０３において、基地局は、データセット提供装置から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。
　ステップＳ４０４において、端末装置Ａ、Ｂは、基地局から送信される同期信号を受信し、ダウンリンク同期を実施する。また、端末装置Ａ、Ｂは、基地局から送信されるシステム情報を受信し、セル接続に必要となる情報を受信する。ここで、システム情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ４０５において、端末装置Ａ、Ｂは、基地局から受信されたシステム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。
　端末装置Ａ、Ｂは、追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局から送信される指示に基づいて決定してもよい。端末装置Ａ、Ｂは、それぞれ独自に追加のトレーニングを行うため、トレーニングの結果（学習結果）が異なるものとなってもよい。
　ステップＳ４０６において、端末装置Ａ、Ｂは、ランダムアクセス手続きを実施し、基地局との接続を確立する。ランダムアクセス手続きにより、端末装置Ａ、Ｂはアップリンクの同期をとり、基地局との接続を完了する。ランダムアクセス手続きは、追加のトレーニングの完了後に実施してもよいし、追加のトレーニング中に実施してもよい。
　ステップＳ４０７において、端末装置Ａ、Ｂは、自身のケイパビリティ情報を基地局に送信する。ケイパビリティ情報には、ＡＩ／ＭＬモデルに関するケイパビリティ情報が含まれていてもよい。
　ステップＳ４０８において、基地局は、準静的な情報を端末装置Ａ、Ｂに送信する。この準静的な情報は、例えばＲＲＣシグナリングであってもよい。準静的な情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ４０９において、端末装置Ａ、Ｂは、基地局から受信された準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。基地局は、自身が送信した準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。
　端末装置Ａ、Ｂは、さらに追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局から送信される指示に基づいて決定してもよい。端末装置Ａ、Ｂは、それぞれ独自にさらに追加のトレーニングを行うため、トレーニングの結果（学習結果）が異なるものとなってもよい。
　ステップＳ４１０において、基地局は、ダウンリンクチャネル状態推定用の参照信号を端末装置Ｂに送信する。ステップＳ４１１において、端末装置Ｂは、ダウンリンクチャネル状態の推定処理を実施し、ダウンリンクチャネル状態情報を生成する。
　ステップＳ４１２において、端末装置Ｂは、自身のエンコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理により、ダウンリンクチャネル状態情報を符号化する。ステップＳ４１３において、端末装置Ｂは、符号化されたダウンリンクチャネル状態情報を基地局にフィードバックする。
　上記のダウンリンクチャネル状態情報は、ＵＣＩで定義されるアップリンク制御信号（例えば、ＣＱＩ、ＰＭＩ、またはＲＩ等）であってもよいし、あるいはチャネル応答情報そのものであってもよいし、あるいはチャネルの固有値情報であってもよい。
　ステップＳ４１４において、基地局は、端末装置Ｂから受信された符号化されたダウンリンクチャネル状態情報を、自身のデコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理によって復号し、ダウンリンクチャネル状態情報を取得する。
　ステップＳ４１５において、基地局は、ダウンリンク制御信号を送信する。このダウンリンク制御信号は、例えばＤＣＩであってもよい。ダウンリンク制御信号には、本開示に係る技術の情報が含まれていてもよい。また、ダウンリンク制御信号の一部は、上記でフィードバックされたダウンリンクチャネル状態情報に基づいて、決定されてもよい。
　ステップＳ４１６において、基地局は、ダウンリンクデータを送信する。このダウンリンクデータは、例えばＰＤＳＣＨであってもよい。ステップＳ４１７において、端末装置Ｂは、ダウンリンクデータの復号結果に応じて、再送制御に関する情報を基地局に送信する。この再送制御に関する情報は、例えば、ＡＣＫ／ＮＡＣＫであってもよいし、あるいはＨＡＲＱ－ＡＣＫであってもよい。
　（第５の実施例）
　図１３は、基地局および端末装置がデータセット提供装置からＡＩ／ＭＬモデルの学習のベースとなる情報を受信するプロシージャの例を説明する図である。
　ステップＳ５０１において、基地局は、ＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼をデータセット提供装置に送信する。ステップＳ５０２において、データセット提供装置は、ＡＩ／ＭＬモデルの学習のベースとなる情報を基地局に送信する。
　ステップＳ５０３において、基地局は、データセット提供装置から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。
　ステップＳ５０４において、端末装置Ａ、Ｂは、基地局から送信される同期信号を受信し、ダウンリンク同期を実施する。また、端末装置Ａ、Ｂは、基地局から送信されるシステム情報を受信し、セル接続に必要となる情報を受信する。ここで、システム情報には、データセット提供装置に関する情報が含まれている。
　ステップＳ５０５において、端末装置Ａ、Ｂは、基地局から受信されたシステム情報に含まれるデータセット提供装置に関する情報に基づいて、ＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼をデータセット提供装置に送信する。ステップＳ５０６において、データセット提供装置は、ＡＩ／ＭＬモデルの学習のベースとなる情報を端末装置Ａ、Ｂに送信する。
　ステップＳ５０７において、端末装置Ａ、Ｂは、データセット提供装置から受信されたＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。
　端末装置Ａ、Ｂは、追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局から送信される指示に基づいて決定してもよい。端末装置Ａ、Ｂは、それぞれ独自に追加のトレーニングを行うため、トレーニングの結果（学習結果）が異なるものとなってもよい。
　ステップＳ５０８において、端末装置Ａ、Ｂは、ランダムアクセス手続きを実施し、基地局との接続を確立する。ランダムアクセス手続きにより、端末装置Ａ、Ｂはアップリンクの同期をとり、基地局との接続を完了する。ランダムアクセス手続きは、追加のトレーニングの完了後に実施してもよいし、追加のトレーニング中に実施してもよい。
　ステップＳ５０９において、端末装置Ａ、Ｂは、自身のケイパビリティ情報を基地局に送信する。ケイパビリティ情報には、ＡＩ／ＭＬモデルに関するケイパビリティ情報が含まれていてもよい。
　ステップＳ５１０において、基地局は、準静的な情報を端末装置Ａ、Ｂに送信する。この準静的な情報は、例えばＲＲＣシグナリングであってもよい。準静的な情報には、本開示に係る技術の情報が含まれていてもよい。
　ステップＳ５１１において、基地局は、ダウンリンクチャネル状態推定用の参照信号を端末装置Ｂに送信する。ステップＳ５１２において、端末装置Ｂは、ダウンリンクチャネル状態の推定処理を実施し、ダウンリンクチャネル状態情報を生成する。
　ステップＳ５１３において、端末装置Ｂは、自身のエンコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理により、ダウンリンクチャネル状態情報を符号化する。ステップＳ５１４において、端末装置Ｂは、符号化されたダウンリンクチャネル状態情報を基地局にフィードバックする。
　上記のダウンリンクチャネル状態情報は、ＵＣＩで定義されるアップリンク制御信号（例えば、ＣＱＩ、ＰＭＩ、またはＲＩ等）であってもよいし、あるいはチャネル応答情報そのものであってもよいし、あるいはチャネルの固有値情報であってもよい。
　ステップＳ５１５において、基地局は、端末装置Ｂから受信された符号化されたダウンリンクチャネル状態情報を、自身のデコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理によって復号し、ダウンリンクチャネル状態情報を取得する。
　ステップＳ５１６において、基地局は、ダウンリンク制御信号を送信する。このダウンリンク制御信号は、例えばＤＣＩであってもよい。ダウンリンク制御信号には、本開示に係る技術の情報が含まれていてもよい。また、ダウンリンク制御信号の一部は、上記でフィードバックされたダウンリンクチャネル状態情報に基づいて、決定されてもよい。
　ステップＳ５１７において、基地局は、ダウンリンクデータを送信する。このダウンリンクデータは、例えばＰＤＳＣＨであってもよい。ステップＳ５１８において、端末装置Ｂは、ダウンリンクデータの復号結果に応じて、再送制御に関する情報を基地局に送信する。この再送制御に関する情報は、例えば、ＡＣＫ／ＮＡＣＫであってもよいし、あるいはＨＡＲＱ－ＡＣＫであってもよい。
　（第６の実施例）
　図１４は、端末装置が異なる基地局にハンドオーバするプロシージャの例を説明する図である。
　ステップＳ６０１において、端末装置は、基地局Ｃから送信される同期信号を受信し、ダウンリンク同期を実施する。また、端末装置は、基地局Ｃから送信されるシステム情報を受信し、セル接続に必要となる情報を受信する。ここで、システム情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ６０２において、端末装置は、基地局Ｃから受信されたシステム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。基地局Ｃは、自身が送信したシステム情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対して追加のトレーニングを行ってもよい。端末装置は、追加のトレーニングを行うか否かを実装依存で決定してもよいし、基地局Ｃから送信される指示に基づいて決定してもよい。
　ステップＳ６０３において、端末装置は、ランダムアクセス手続きを実施し、基地局Ｃとの接続を確立する。ランダムアクセス手続きにより、端末装置はアップリンクの同期をとり、基地局Ｃとの接続を完了する。ランダムアクセス手続きは、追加のトレーニングの完了後に実施してもよいし、追加のトレーニング中に実施してもよい。
　ステップＳ６０４において、端末装置は、自身のケイパビリティ情報を基地局Ｃに送信する。ケイパビリティ情報には、ＡＩ／ＭＬモデルに関するケイパビリティ情報が含まれていてもよい。
　ステップＳ６０５において、基地局Ｃは、準静的な情報を端末装置に送信する。この準静的な情報は、例えばＲＲＣシグナリングであってもよい。準静的な情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ６０６において、端末装置は、基地局Ｃから受信された準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。基地局Ｃは、自身が送信した準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。端末装置は、さらに追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局Ｃから送信される指示に基づいて決定してもよい。
　ステップＳ６０７において、基地局Ｃは、ダウンリンクチャネル状態推定用の参照信号を端末装置に送信する。ステップＳ６０８において、端末装置は、ダウンリンクチャネル状態の推定処理を実施し、ダウンリンクチャネル状態情報を生成する。
　ステップＳ６０９において、端末装置は、自身のエンコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理により、ダウンリンクチャネル状態情報を符号化する。ステップＳ６１０において、端末装置は、符号化されたダウンリンクチャネル状態情報を基地局Ｃにフィードバックする。
　上記のダウンリンクチャネル状態情報は、ＵＣＩで定義されるアップリンク制御信号（例えば、ＣＱＩ、ＰＭＩ、またはＲＩ等）であってもよいし、あるいはチャネル応答情報そのものであってもよいし、あるいはチャネルの固有値情報であってもよい。
　ステップＳ６１１において、基地局Ｃは、端末装置から受信された符号化されたダウンリンクチャネル状態情報を、自身のデコーダに含まれるＡＩ／ＭＬモデルに基づく信号処理によって復号し、ダウンリンクチャネル状態情報を取得する。
　ステップＳ６１２において、基地局Ｃは、ダウンリンク制御信号を送信する。このダウンリンク制御信号は、例えばＤＣＩであってもよい。ダウンリンク制御信号には、本開示に係る技術の情報が含まれていてもよい。また、ダウンリンク制御信号の一部は、上記でフィードバックされたダウンリンクチャネル状態情報に基づいて、決定されてもよい。
　ステップＳ６１３において、基地局Ｃは、ダウンリンクデータを送信する。このダウンリンクデータは、例えばＰＤＳＣＨであってもよい。ステップＳ６１４において、端末装置は、ダウンリンクデータの復号結果に応じて、再送制御に関する情報を基地局Ｃに送信する。この再送制御に関する情報は、例えば、ＡＣＫ／ＮＡＣＫであってもよいし、あるいはＨＡＲＱ－ＡＣＫであってもよい。
　ステップＳ６１５において、基地局Ｃ（ソースセル）と端末装置は、接続セルに関するメジャメント手続きを実施する。ステップＳ６１６において、基地局Ｃは、メジャメント手続きの結果に基づいて、ハンドオーバが必要であるか否かを判定し、ハンドオーバが必要であると判定する。
　ステップＳ６１７において、基地局Ｃは、ターゲットセルの候補である基地局Ｄに向けて、ハンドオーバ要求（Handover Request）を送信する。ステップＳ６１８において、基地局Ｄは、アドミッション制御を実施する。ステップＳ６１９において、基地局Ｄは、基地局Ｃに向けて、ハンドオーバ可否に関する通知（Handover Request Acknowledge）を送信する。
　ステップＳ６２０において、基地局Ｃは、自身が保有するＡＩ／ＭＬモデルの学習のベースとなる情報を基地局Ｄに送信する。また、基地局Ｃは、自身の学習済みのＡＩ／ＭＬモデルの情報を基地局Ｄに送信してもよい。ステップＳ６２１において、基地局Ｄは、ＡＣＫを基地局Ｃに返信する。
　ステップＳ６２２において、基地局Ｄは、基地局Ｃから受信されたＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。
　ステップＳ６２３において、基地局Ｃは、端末装置に対してＲＣＣコンフィグレーションを実施し、ハンドオーバに関する情報を端末装置に送信する。このハンドオーバに関する情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。ステップＳ６２４において、端末装置は、基地局Ｃからデタッチする。
　ステップＳ６２５において、端末装置は、ランダムアクセス手続きを実施し、基地局Ｄとの接続を確立する。ランダムアクセス手続きにより、端末装置はアップリンクの同期をとり、基地局Ｄとの接続を完了する。ランダムアクセス手続きは、追加のトレーニングの完了後に実施してもよいし、追加のトレーニング中に実施してもよい。
　ステップＳ６２６において、端末装置は、自身のケイパビリティ情報を基地局Ｄに送信する。ケイパビリティ情報には、ＡＩ／ＭＬモデルに関するケイパビリティ情報が含まれていてもよい。
　ステップＳ６２７において、基地局Ｄは、準静的な情報を端末装置に送信する。この準静的な情報は、例えばＲＲＣシグナリングであってもよい。準静的な情報には、ＡＩ／ＭＬモデルの学習のベースとなる情報が含まれている。
　ステップＳ６２８において、端末装置は、基地局Ｄから受信された準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のエンコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。基地局Ｄは、自身が送信した準静的な情報に含まれるＡＩ／ＭＬモデルの学習のベースとなる情報に基づいて、自身のデコーダに含まれるＡＩ／ＭＬモデルに対してさらに追加のトレーニングを行ってもよい。端末装置は、さらに追加のトレーニングを行うか否かを実装依存で決定してもいし、基地局Ｄから送信される指示に基づいて決定してもよい。
　（むすび）
　以上説明したように、本開示の実施の形態１に係る通信装置（端末装置４０または基地局２０）は、ＡＩ／ＭＬモデルを含む信号処理部（エンコーダ４３またはデコーダ２３）と、別の通信装置（基地局２０または端末装置４０）から学習のベースとなる情報を受信する受信部と、学習のベースとなる係る情報に基づいて、ＡＩ／ＭＬモデルを設定する制御部とを備えている。このような特徴により、本開示の実施の形態１に係る通信装置（端末装置４０または基地局２０）は、ＡＩ／ＭＬモデルの差異を意識することなく信号処理を行うことができる。
　また、本開示の実施の形態１に係るデータセット提供装置５０は、異なるベンダーの通信装置から共通してアクセスできるデータセット提供装置であって、ＡＩ／ＭＬモデルの学習のベースとなる情報を記憶する記憶部５１と、通信装置からＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼を受信する受信部５２と、ＡＩ／ＭＬモデルの学習のベースとなる情報を通信装置に送信する送信部とを備えている。このような特徴により、基地局２０および端末装置４０は、共通のデータセット提供装置５０から特定のベンダーの仕様または実装に依存しない同一の学習のベースとなる情報を取得することができる。したがって、異なるベンダー間でインターオペラビリティのあるＡＩ／ＭＬモデルの設定およびトレーニングを行うことができる。
　本開示に係る技術は、特定の規格に限定されるものではなく、例示された設定は、適宜に変更されてもよい。なお、上述の各実施の形態は本開示に係る技術を具現化するための一例を示したものであり、その他の様々な形態で本開示に係る技術を実施することが可能である。例えば、本開示の要旨を逸脱しない範囲で、種々の変形、置換、省略またはこれらの組み合わせが可能である。そのような変形、置換、省略または組み合わせ等を行った形態も、本開示の範囲に含まれるのと同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
　本開示において説明された処理の手順は、これら一連の手順を有する方法として捉えてもよい。あるいは、これら一連の手順をコンピュータに実施させるためのプログラム、または、当該プログラムを記憶する記録媒体として捉えてもよい。また、上記で説明した処理は、コンピュータのＣＰＵ等のプロセッサによって実行されてもよい。また、記録媒体の種類は、本開示の実施の形態に影響を及ぼすものではないため、特に限られるものではない。
　本開示の図２から図７で示された各構成要素は、ソフトウェアで実現されてもよいし、ハードウェアで実現されてもよい。例えば、各構成要素がマイクロプログラムなどのソフトウェアで実現されるソフトウェアモジュールであり、プロセッサが当該ソフトウェアモジュールを実行することにより、各構成要素が実現されてもよい。あるいは、各構成要素が、半導体チップ（ダイ）上の回路ブロック、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field Programmable Gate Array）等の集積回路によって実現されてもよい。また、構成要素の数と構成要素を実現するハードウェアの数とは、一致していなくともよい。例えば、１つのプロセッサまたは回路が複数の構成要素を実現していてもよい。逆に、１つの構成要素が複数のプロセッサまたは回路により実現されていてもよい。
　本開示で述べられたプロセッサは、その種類が限られるものではない。例えば、ＣＰＵ、ＭＰＵ（Micro Processing Unit）またはＧＰＵ（Graphics Processing Unit）等であってもよい。
　また、本開示は、以下のような構成を取ることもできる。
［１］
　ＡＩ／ＭＬモデルを含む信号処理部と、
　別の通信装置から学習のベースとなる情報を受信する受信部と、
　前記学習のベースとなる情報に基づいて、前記ＡＩ／ＭＬモデルを設定する制御部とを備える、通信装置。
［２］
　前記学習のベースとなる情報は、ＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、レイヤー構成、重み係数の値、学習が行われるレイヤーおよび学習データのうちの少なくとも１つを含む、［１］に記載の通信装置。
［３］
　前記学習のベースとなる情報は、前記通信装置が位置するセル、前記通信装置が使用する周波数帯域およびＳＳＢ（Synchronization Signal Block）のうちの少なくとも１つに基づいて決定される、［１］または［２］に記載の通信装置。
［４］
　前記学習のベースとなる情報は、前記別の通信装置から受信されるシステム情報、ＲＲＣ（Radio Resource Control）シグナリング、ＭＡＣ ＣＥ（MAC Control Element）またはＤＣＩ（Downlink Control Information）に含まれる、［１］～［３］のいずれかに記載の通信装置。
［５］
　前記通信装置がＲＲＣアイドル状態（Radio Resource Control Idle）またはＲＲＣインアクティブ状態（Radio Resource Control Inactive）の時には、前記学習のベースとなる情報は、前記システム情報に含まれる、［４］に記載の通信装置。
［６］
　前記制御部は、前記通信装置がＡＩ／ＭＬモデルに基づく信号処理のケイパビリティを有する場合にのみ、前記システム情報に含まれる前記学習のベースとなる情報を取得する、［５］に記載の通信装置。
［７］
　前記通信装置がＲＲＣ接続状態（Radio Resource Control Connected State）の時には、前記学習のベースとなる情報は、前記ＲＲＣシグナリング、前記ＭＡＣ ＣＥまたは前記ＤＣＩに含まれる、［４］に記載の通信装置。
［８］
　前記受信部はさらに、前記別の通信装置から追加学習の可否に関する情報を受信し、
　前記制御部は、前記追加学習の可否に関する情報が不可に設定されている場合には、前記学習のベースとなる情報に基づいて、前記ＡＩ／ＭＬモデルを設定した後は、前記ＡＩ／ＭＬモデルに対して追加のトレーニングを行わない、［１］～［７］のいずれかに記載の通信装置。
［９］
　前記制御部は、前記学習のベースとなる情報に基づいて、前記ＡＩ／ＭＬモデルを設定した後に、前記ＡＩ／ＭＬモデルのトレーニングを行う、［１］～［７］のいずれかに記載の通信装置。
［１０］
　前記別の通信装置に信号を送信する送信部をさらに備え、
　前記制御部は、前記ＡＩ／ＭＬモデルの前記トレーニングが行われた後に、学習済みのＡＩ／ＭＬモデルの情報を、前記送信部を介して前記別の通信装置にフィードバックする、［９］に記載の通信装置。
［１１］
　前記別の通信装置に信号を送信する送信部をさらに備え、
　前記制御部は、前記ＡＩ／ＭＬモデルが既に学習済みである場合には、前記別の通信装置から前記学習のベースとなる情報が受信されるのに先立って、学習済みのＡＩ／ＭＬモデルの情報を、前記送信部を介して前記別の通信装置に送信する、請求項［１］～［１０］のいずれかに記載の通信装置。
［１２］
　前記別の通信装置に信号を送信する送信部をさらに備え、
　前記制御部は、前記通信装置のケイパビリティ情報を、前記送信部を介して前記別の通信装置に送信する、［１］～［１１］のいずれかに記載の通信装置。
［１３］
　前記ケイパビリティ情報は、前記通信装置が対応可能なＡＩ／ＭＬモデルの情報を含む、［１２］に記載の通信装置。
［１４］
　前記ケイパビリティ情報は、前記通信装置の学習済みのＡＩ／ＭＬモデルの情報を含む、［１２］または［１３］に記載の通信装置。
［１５］
　前記ケイパビリティ情報は、前記通信装置の処理能力の余力または最大値のいずれかまたは両方の情報を含む、［１２］～［１４］のいずれかに記載の通信装置。
［１６］
　前記ケイパビリティ情報は、前記別の通信装置からのリクエストがあった場合に送信される、［１５］に記載の通信装置。
［１７］
　前記ケイパビリティ情報は、前記別の通信装置から受信される頻度およびタイミングの指示に基づいて定期的に送信されるか、あるいは、予め決定された頻度およびタイミングに基づいて定期的に送信される、［１５］に記載の通信装置。
［１８］
　前記信号処理部は、複数のＡＩ／ＭＬモデルを含み、
　前記制御部は、前記通信装置が位置するセル、前記通信装置が使用する周波数帯域およびＳＳＢのうちの少なくとも１つに基づいて、前記複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用する、［１］～［１７］のいずれかに記載の通信装置。
［１９］
　前記信号処理部は、複数のＡＩ／ＭＬモデルを含み、
　前記制御部は、前記通信装置のＲＲＣ状態（Radio Resource Control State）に応じて、前記複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用する、［１］～［１８］のいずれかに記載の通信装置。
［２０］
　前記通信装置がＲＲＣアイドル状態の時には、前記別の通信装置から受信されたシステム情報に含まれる学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデル、または前記学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用する、［１９］に記載の通信装置。
［２１］
　前記通信装置がＲＲＣインアクティブ状態の時には、前記別の通信装置からＲＲＣ接続時に受信された学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデル、または前記学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデル、または前記別の通信装置から受信されたシステム情報に含まれる学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデル、または前記学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用する、［１９］または［２０］に記載の通信装置。
［２２］
　前記別の通信装置は、前記学習のベースとなる情報を、異なるベンダーの通信装置が共通してアクセスできるデータセット供給装置から受信する、［１］～［２１］に記載の通信装置。
［２３］
　前記受信部はさらに、前記別の通信装置から、異なるベンダーの通信装置が共通してアクセスできるデータセット供給装置へのアクセスに必要な情報を受信する、［１］～［２２］に記載の通信装置。
［２４］
　前記別の通信装置は端末装置であり、前記通信装置は前記端末装置との間で無線通信を確立する基地局であり、
　前記端末装置が前記基地局から別の基地局にハンドオーバする際に、前記別の基地局に向けて、学習済みのＡＩ／ＭＬモデルに関する情報、前記ＡＩ／ＭＬモデルの学習のベースとなる情報およびＡＩ／ＭＬモデルに関するケイパビリティ情報のうちの少なくとも１つを送信する送信部をさらに備える、［１］～［２３］のいずれかに記載の通信装置。
［２５］
　異なるベンダーの通信装置から共通してアクセスできるデータセット提供装置であって、
　ＡＩ／ＭＬモデルの学習のベースとなる情報を記憶する記憶部と、
　通信装置から前記ＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼を受信する受信部と、
　前記ＡＩ／ＭＬモデルの学習のベースとなる情報を前記通信装置に送信する送信部と
を備える、データセット提供装置。
［２６］
　前記データセット提供装置は、ネットワークファンクションとして定義される、［２５］に記載のデータセット提供装置。
［２７］
　ＡＩ／ＭＬモデルをトレーニングする方法であって、
　学習のベースとなる情報を受信するステップと、
　前記学習のベースとなる情報に基づいて、前記ＡＩ／ＭＬモデルを設定するステップとを含む、方法
［２８］
　ＡＩ／ＭＬモデルの学習のベースとなる情報を提供する方法であって、
　前記学習のベースとなる情報の提供依頼を受信するステップと、
　前記提供依頼の送信元に向けて、前記学習のベースとなる情報を送信するステップとを含む、方法。
　１　無線通信システム
１０　管理装置
１１　通信部
１２　記憶部
１３　制御部
２０　基地局（通信装置、別の通信装置）
２１　無線通信部
２１１　送信部
２１２　受信部
２１３　アンテナ
２２　記憶部
２３　デコーダ（信号処理部）
２５　制御部
３０　中継局（通信装置、別の通信装置）
３１　無線通信部
３１１　送信部
３１２　受信部
３１３　アンテナ
３２　記憶部
３３　デコーダ（信号処理部）
３５　制御部
４０　端末装置（通信装置、別の通信装置）
４１　無線通信部
４１１　送信部
４１２　受信部
４１３　アンテナ
４２　記憶部
４３　デコーダ（信号処理部）
４５　制御部
５０　データセット提供装置
５１　記憶部
５２　受信部
５３　送信部 

Claims (28)

  1. 　ＡＩ／ＭＬモデルを含む信号処理部と、
    　別の通信装置から学習のベースとなる情報を受信する受信部と、
    　前記学習のベースとなる情報に基づいて、前記ＡＩ／ＭＬモデルを設定する制御部とを備える、通信装置。
  2. 　前記学習のベースとなる情報は、ＡＩ／ＭＬモデルの種類、入力ノード数、出力ノード数、レイヤー構成、重み係数の値、学習が行われるレイヤーおよび学習データのうちの少なくとも１つを含む、請求項１に記載の通信装置。
  3. 　前記学習のベースとなる情報は、前記通信装置が位置するセル、前記通信装置が使用する周波数帯域およびＳＳＢ（Synchronization Signal Block）のうちの少なくとも１つに基づいて決定される、請求項１に記載の通信装置。
  4. 　前記学習のベースとなる情報は、前記別の通信装置から受信されるシステム情報、ＲＲＣ（Radio Resource Control）シグナリング、ＭＡＣ ＣＥ（MAC Control Element）またはＤＣＩ（Downlink Control Information）に含まれる、請求項１に記載の通信装置。
  5. 　前記通信装置がＲＲＣアイドル状態（Radio Resource Control Idle）またはＲＲＣインアクティブ状態（Radio Resource Control Inactive）の時には、前記学習のベースとなる情報は、前記システム情報に含まれる、請求項４に記載の通信装置。
  6. 　前記制御部は、前記通信装置がＡＩ／ＭＬモデルに基づく信号処理のケイパビリティを有する場合にのみ、前記システム情報に含まれる前記学習のベースとなる情報を取得する、請求項５に記載の通信装置。
  7. 　前記通信装置がＲＲＣ接続状態（Radio Resource Control Connected State）の時には、前記学習のベースとなる情報は、前記ＲＲＣシグナリング、前記ＭＡＣ ＣＥまたは前記ＤＣＩに含まれる、請求項４に記載の通信装置。
  8. 　前記受信部はさらに、前記別の通信装置から追加学習の可否に関する情報を受信し、
    　前記制御部は、前記追加学習の可否に関する情報が不可に設定されている場合には、前記学習のベースとなる情報に基づいて、前記ＡＩ／ＭＬモデルを設定した後は、前記ＡＩ／ＭＬモデルに対して追加のトレーニングを行わない、請求項１に記載の通信装置。
  9. 　前記制御部は、前記学習のベースとなる情報に基づいて、前記ＡＩ／ＭＬモデルを設定した後に、前記ＡＩ／ＭＬモデルのトレーニングを行う、請求項１に記載の通信装置。
  10. 　前記別の通信装置に信号を送信する送信部をさらに備え、
    　前記制御部は、前記ＡＩ／ＭＬモデルの前記トレーニングが行われた後に、学習済みのＡＩ／ＭＬモデルの情報を、前記送信部を介して前記別の通信装置にフィードバックする、請求項９に記載の通信装置。
  11. 　前記別の通信装置に信号を送信する送信部をさらに備え、
    　前記制御部は、前記ＡＩ／ＭＬモデルが既に学習済みである場合には、前記別の通信装置から前記学習のベースとなる情報が受信されるのに先立って、学習済みのＡＩ／ＭＬモデルの情報を、前記送信部を介して前記別の通信装置に送信する、請求項１に記載の通信装置。
  12. 　前記別の通信装置に信号を送信する送信部をさらに備え、
    　前記制御部は、前記通信装置のケイパビリティ情報を、前記送信部を介して前記別の通信装置に送信する、請求項１に記載の通信装置。
  13. 　前記ケイパビリティ情報は、前記通信装置が対応可能なＡＩ／ＭＬモデルの情報を含む、請求項１２に記載の通信装置。
  14. 　前記ケイパビリティ情報は、前記通信装置の学習済みのＡＩ／ＭＬモデルの情報を含む、請求項１２に記載の通信装置。
  15. 　前記ケイパビリティ情報は、前記通信装置の処理能力の余力または最大値のいずれかまたは両方の情報を含む、請求項１２に記載の通信装置。
  16. 　前記ケイパビリティ情報は、前記別の通信装置からのリクエストがあった場合に送信される、請求項１５に記載の通信装置。
  17. 　前記ケイパビリティ情報は、前記別の通信装置から受信される頻度およびタイミングの指示に基づいて定期的に送信されるか、あるいは、予め決定された頻度およびタイミングに基づいて定期的に送信される、請求項１５に記載の通信装置。
  18. 　前記信号処理部は、複数のＡＩ／ＭＬモデルを含み、
    　前記制御部は、前記通信装置が位置するセル、前記通信装置が使用する周波数帯域およびＳＳＢのうちの少なくとも１つに基づいて、前記複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用する、請求項１に記載の通信装置。
  19. 　前記信号処理部は、複数のＡＩ／ＭＬモデルを含み、
    　前記制御部は、前記通信装置のＲＲＣ状態（Radio Resource Control State）に応じて、前記複数のＡＩ／ＭＬモデルのうちのいずれか１つを選択して使用する、請求項１に記載の通信装置。
  20. 　前記通信装置がＲＲＣアイドル状態の時には、前記別の通信装置から受信されたシステム情報に含まれる学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデル、または前記学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用する、請求項１９に記載の通信装置。
  21. 　前記通信装置がＲＲＣインアクティブ状態の時には、前記別の通信装置からＲＲＣ接続時に受信された学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデル、または前記学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデル、または前記別の通信装置から受信されたシステム情報に含まれる学習のベースとなる情報に基づいて設定されたＡＩ／ＭＬモデル、または前記学習のベースとなる情報に基づいて設定およびトレーニングされたＡＩ／ＭＬモデルを使用する、請求項１９に記載の通信装置。
  22. 　前記別の通信装置は、前記学習のベースとなる情報を、異なるベンダーの通信装置が共通してアクセスできるデータセット供給装置から受信する、請求項１に記載の通信装置。
  23. 　前記受信部はさらに、前記別の通信装置から、異なるベンダーの通信装置が共通してアクセスできるデータセット供給装置へのアクセスに必要な情報を受信する、請求項１に記載の通信装置。
  24. 　前記別の通信装置は端末装置であり、前記通信装置は前記端末装置との間で無線通信を確立する基地局であり、
    　前記端末装置が前記基地局から別の基地局にハンドオーバする際に、前記別の基地局に向けて、学習済みのＡＩ／ＭＬモデルに関する情報、前記ＡＩ／ＭＬモデルの学習のベースとなる情報およびＡＩ／ＭＬモデルに関するケイパビリティ情報のうちの少なくとも１つを送信する送信部をさらに備える、請求項１に記載の通信装置。
  25. 　異なるベンダーの通信装置から共通してアクセスできるデータセット提供装置であって、
    　ＡＩ／ＭＬモデルの学習のベースとなる情報を記憶する記憶部と、
    　通信装置から前記ＡＩ／ＭＬモデルの学習のベースとなる情報の提供依頼を受信する受信部と、
    　前記ＡＩ／ＭＬモデルの学習のベースとなる情報を前記通信装置に送信する送信部と
    を備える、データセット提供装置。
  26. 　前記データセット提供装置は、ネットワークファンクションとして定義される、請求項２５に記載のデータセット提供装置。
  27. 　ＡＩ／ＭＬモデルをトレーニングする方法であって、
    　学習のベースとなる情報を受信するステップと、
    　前記学習のベースとなる情報に基づいて、前記ＡＩ／ＭＬモデルを設定するステップとを含む、方法 
  28. 　ＡＩ／ＭＬモデルの学習のベースとなる情報を提供する方法であって、
    　前記学習のベースとなる情報の提供依頼を受信するステップと、
    　前記提供依頼の送信元に向けて、前記学習のベースとなる情報を送信するステップとを含む、方法。
PCT/JP2023/026690 2022-08-09 2023-07-20 通信装置、データセット提供装置、ａｉ／ｍｌモデルをトレーニングする方法およびａｉ／ｍｌモデルの学習のベースとなる情報を提供する方法 WO2024034351A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-127375 2022-08-09
JP2022127375 2022-08-09

Publications (1)

Publication Number Publication Date
WO2024034351A1 true WO2024034351A1 (ja) 2024-02-15

Family

ID=89851449

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/026690 WO2024034351A1 (ja) 2022-08-09 2023-07-20 通信装置、データセット提供装置、ａｉ／ｍｌモデルをトレーニングする方法およびａｉ／ｍｌモデルの学習のベースとなる情報を提供する方法

Country Status (1)

Country Link
WO (1) WO2024034351A1 (ja)

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LENOVO: "General aspects of AI/ML framework", 3GPP DRAFT; R1-2204416, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG1, no. e-Meeting; 20220509 - 20220520, 29 April 2022 (2022-04-29), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052144019 *
NOKIA, NOKIA SHANGHAI BELL: "ML terminology, descriptions, and collaboration framework", 3GPP DRAFT; R1-2204570, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG1, no. e-Meeting; 20220509 - 20220520, 29 April 2022 (2022-04-29), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052153592 *

Similar Documents

Publication Publication Date Title
WO2022113809A1 (ja) 通信装置、通信方法、基地局、及び基地局の方法
WO2021090596A1 (ja) 端末装置、基地局装置、端末装置の制御方法および基地局装置の制御方法
CN114503746A (zh) 终端设备及通信方法
WO2022131100A1 (ja) 通信装置、及び通信方法
WO2021241345A1 (ja) 情報処理装置、通信システム及び情報処理方法
WO2024034351A1 (ja) 通信装置、データセット提供装置、ａｉ／ｍｌモデルをトレーニングする方法およびａｉ／ｍｌモデルの学習のベースとなる情報を提供する方法
WO2022030281A1 (ja) 通信装置、及び通信方法
EP4152824A1 (en) Communication device, non-geostationary satellite, ground station, and communication method
WO2024106189A1 (ja) 通信装置、及び通信方法
WO2023127173A1 (ja) 通信方法、通信装置、及び通信システム
WO2022153866A1 (ja) 通信装置、通信方法、及び通信システム
WO2021241302A1 (ja) 情報処理装置、情報処理システム及び通信方法
WO2023166969A1 (ja) 通信装置、及び通信方法
WO2021065534A1 (ja) 通信装置、基地局装置、及び通信方法
WO2024018780A1 (ja) 端末装置、情報処理装置、及び通信方法
WO2023112785A1 (ja) 送信装置、受信装置、送信方法及び受信方法
WO2021070631A1 (ja) 端末装置、基地局および通信制御方法
WO2023199857A1 (en) Transmission device, reception device, transmission method, and reception method
WO2024048379A1 (ja) 通信装置、通信方法、情報処理装置、及び情報処理方法
US20240120990A1 (en) Communication apparatus, communication system, and communication method
WO2021111751A1 (ja) 制御装置、基地局装置、制御方法および接続方法
WO2021132194A1 (ja) 端末装置、管理装置及び通信方法
WO2023162763A1 (ja) 通信装置、通信方法、及び通信システム
WO2023204051A1 (en) Electronic device, terminal device, non-terrestrial base station, and method
WO2023248888A1 (ja) 通信装置、通信方法、及び通信システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23852327

Country of ref document: EP

Kind code of ref document: A1