CN119422131A 设备能力发现方法及无线通信设备 （深圳Tcl新技术有限公司）

2024.12.20PCT/CN2022/1005442022.06.22WO2023/245513EN2023.12.28本公开提供了一种设备能力发现方法和一设备根据需要下载并激活所述ML模型池中的子述子集与所述无线通信设备的所述能力消息匹2将所述无线通信设备的能力消息发送到具有机器学习ML模型池的源从所述ML模型池中的子集中下载并激活一个或多个ML模型，其中所述ML5.根据权利要求4所述的方法，其中将ML模型标识符的第一范围分配给所述泛化ML模6.根据权利要求4所述的方法，其中根据第一泛化ML模型与第一特定场景的ML模型之述第一泛化ML模型的停用而激活所述第一特定场景的7.根据权利要求6所述的方法，其中基于所述第一泛化ML模型的模型标识符与所述第一特定场景的ML模型的模型标识符之间的关联来确定所述第一泛化ML模型与所述第一特8.根据权利要求6所述的方法，其中基于所述第一泛化ML模型的参数范围与所述第一特定场景的ML模型的参数范围之间的关联来确定所述第一泛化ML模型与所述第一特定场11.根据权利要求10所述的方法，其中所述无线通信设备支持的ML模型的所述最大数所述能力消息包括所述无线通信设备的所述复杂度级别。13.根据权利要求12所述的方法，其中所述无线通信设备的所述复杂度级别与所述模3当所述第一下载ML模型的复杂度级别与所述无线通信设备的所述复杂度级别匹配时，报告所述下载的一个或多个ML模型中所述第一下载ML15.根据权利要求12所述的方法，其中所述无线通信设备的所述能力集合包括以下一所述无线通信设备的中央处理单元(CPU)、内存大小、存储装置、每秒浮点运算次数16.根据权利要求12所述的方法，其中通过将阈值与所述无线通信设备的所述能力集合中的元素的加权和进行比较来获得所述无线通信设备的所述复杂度级17.根据权利要求12所述的方法，其中通过将阈值与所述无线通信设备的所述能力集合中最重要元素进行比较来获得所述无线通信设备的所述复杂度级18.根据权利要求1所述的方法，其中响应于启用所述无线通信设备的第二组UE能力，19.根据权利要求18所述的方法，其中所述无线通信设备的所述第一组UE能力和所述第二组UE能力中的每一个都包括与所述下载的一个或多个ML模型之一相关联的一个或多24.根据权利要求23所述的方法，其中所述能力消息处理器，配置为调用并运行存储在存储器中的计算机程序，以使安处理器，配置为调用并运行存储在存储器中的计算机程序，以使安429.一种计算机程序，其中所述计算机程序使将所述无线通信设备的能力消息发送到源设备，所述无线通信设备具有接收指示ML模型子集的指示，其中所述ML模型子集与所述无线通信34.根据权利要求33所述的方法，其中将ML模型标识符的第一范围分配给所述泛化ML35.根据权利要求33所述的方法，其中根据第一泛化ML模型与第一特定场景的ML模型所述第一泛化ML模型的停用而激活所述第一特定场景的36.根据权利要求35所述的方法，其中基于所述第一泛化ML模型的模型标识符与所述第一特定场景的ML模型的模型标识符之间的关联来确定所述第一泛化ML模型与所述第一37.根据权利要求35所述的方法，其中基于所述第一泛化ML模型的参数范围与所述第一特定场景的ML模型的参数范围之间的关联来确定所述第一泛化ML模型与所述第一特定39.根据权利要求31所述的方法，其中所述能力消息包括所述无线通信设备支持的ML40.根据权利要求39所述的方法，其中所述无线通信设备支持的ML模型的所述最大数41.根据权利要求30所述的方法，其中所述能力消息包括用于确定所述无线通信设备5所述能力消息包括所述无线通信设备的所述复杂度级别。42.根据权利要求41所述的方法，其中所述无线通信设备的所述复杂度级别与所述模当所述第一激活ML模型的复杂度级别与所述无线通信设备的所述复杂度级别匹配时，报告所述激活的一个或多个ML模型中所述第一激活ML44.根据权利要求41所述的方法，其中所述无线通信设备的所述能力集合包括以下一所述无线通信设备的中央处理单元(CPU)、内存大小、存储装置、每秒浮点运算次数45.根据权利要求41所述的方法，其中通过将阈值与所述无线通信设备的所述能力集合中的元素的加权和进行比较来获得所述无线通信设备的所述复杂度级46.根据权利要求41所述的方法，其中通过将阈值与所述无线通信设备的所述能力集合中最重要元素进行比较来获得所述无线通信设备的所述复杂度级48.根据权利要求47所述的方法，其中所述无线通信设备的所述第一组UE能力和所述第二组UE能力中的每一个都包括与所述下载的一个或多个ML模型之一相关联的一个或多53.根据权利要求52所述的方法，其中所述能力消处理器，配置为调用并运行存储在存储器中的计算机程序，以使安处理器，配置为调用并运行存储在存储器中的计算机程序，以使安658.一种计算机程序，其中所述计算机程序使计算机执行权利要求30至53中任一项所7和技术是由第三代合作伙伴计划(ThirdGenerationPartnershipProject,3GPP)开发通过无线链路连接到无线接入网络(RadioAccessNetwork,RAN)。所述RAN包括一组基站个网络相关的功能。第三代合作伙伴计划开发了所谓的长期演进(LongTermEvolution,LTE)系统，即演进的通用移动电信系统陆地无线接入网络(EvolvedUniversalMobile入网络，其中一个或多个宏小区由称为eNodeB或eNB(evolvedNodeB)的基站支持。最近，LTE正在进一步向所谓的5G或新空口(NewRadio,NR)系统发展，其中一个或多个小区由称[0003]在3GPPRel_18中，"新空口空中接口的人工智能(ArtificialIntelligence,ML被应用于3GPP电信系统，并且正在研究多个用例，包括增强的信道状态信息(Channel[0004]通常，所述波束选择基于信道状态信息_参考信号(CSI_RS)/同步信号块(SSB)的[0008]所述本公开的目标是提出一种无线通信设备(例如用户设备(UE)或基站)和一种8[0011]在第三个方面，所述发明的一个实施例提供了一种用于M响应于所述ML模型子集激活部署在所述无[0014]所披露的方法可以被编程为存储在非暂时性计算机可读介质中的计算机可执行[0016]所披露的方法可以被编程为计算机程序产品，该产品使计算机执行所披露的方[0020]所述UE能力变得可配置以用于所述至少一个AI/ML模型的部署。研究了详细的UE9[0021]为了更清楚地说明本公开的实施例或相关技术，将在所述实施例中描述以下附[0022]图1示出了示出包括用户设备(UE)、基站和网络实体的示例无线通信系统的示意[0032]本公开是关于从复杂度的角度来看的所述UE能力。研究了所述多个AI/ML模型方[0036]在另一种情况下，当所述计算能力、存储器和存储装置被部署的AI/ML模型占用场景的是使用相同设置的数据集进行训练和测试而没有模型22b和32中的每一个操作性地存储各种程序和信息以操作连接的处理器。所述收发器13a、器(authenticationserver，AUSF)、网络切片选择功能(networksliceselection包括数据收集和/或模型训练和/或模型推理和[0044]所述数据收集单元101是向所述模型训练单元102和所述模型推理单元104提供输[0045]输入数据的示例可以包括来自UE或不同网络实体的测量值、来自执行器103的反述模型训练单元102还负责基于由所述数据收集单元101传递的训练数据进行数据准备(例[0049]单元102和104之间的模型部署/更新涉及将AI/ML模型(例如，训练好的机器学习模型105a或105b)部署或更新到所述模型推理单元104。所述模型训练单元102使用多个数机器学习模型105b。104还负责基于由所述数据收集单元101传递的推理数据进行数据准备(例如，数据预处理[0051]单元103和单元104之间图式显示出的输出是由所述模型推理单元104生成的所述[0052]执行器103是接收来自所述模型推理单元104的所述输出并触发或执行相应动作[0053]单元103和单元101之间的反馈是可以需要用于导出训练或推理数据或性能反馈(例如gNB20)执行基于ML的所述设备能[0055]图3示出了所公开的方法的实施例。至少一个无线通信设备执行基于ML的设备能公开的方法也可以在任何其他类型的基站(例[0057]图3示出了所公开的方法的实施例。至少一个无线通信设备执行设备能力发现方[0061]在一个实施例中，所述能力消息包括所述无线通信设备支持的ML模型的最大数[0064]所述UE10根据所述无线通信设备的所述能力消息中的UE能力激活一个或多个ML所述ML模型池中与所述无线通信设备的所述能力子集包括一个或多个ML模型。所述指示201可以包括所述子集中的所述一个或多个ML模型[0067]所述UE10从所述ML模型池中的所述子集中下载一个或多个ML模型，其中模型池中的所述子集与所述无线通信设备的子集包括一个或多个ML模型。所述指示202可以包括所述子集中的所述一个或多个ML模型[0070]所述UE10响应于所述ML模型子集激活部署在所述无线通信设备中的一个或多个●可以与消息中的时域中的波束预测的所述模型类型一起发送所述支持的AI/ML●可以与消息中的空域中的波束预测的所述模型类型一起发送所述支持的AI/ML所述支持的数量。具有所述UE10支持的模型类型的所述消息可以被分类为一种UE能力消[0089]泛化AI/ML模型可以是用数据集A训练并用数据集B测试的AI/ML模型，其中集合A[0091]泛化AI/ML模型的所述性能是否满足相关要求对于部署有所述泛化AI/ML模型的[0094]可以基于所述第一泛化ML模型的模型标识符与所述第一特定场景的ML模型的模型标识符之间的关联来确定所述第一泛化ML模型与所述第一特定场景的ML模型之间的所[0095]可以基于所述第一泛化ML模型的参数范围与所述第一特定场景的ML模型的参数范围之间的关联来确定所述第一泛化ML模型与所述第一特定场景的ML模型之间的所述映所述第一特定场景的ML模型和所述第二特定场景的ML模型用作所述第一泛化ML模型的备所述相同参数范围内工作的特定场景的AI/ML模型工作。在所述相同参数范围内工作的所述特定场景的AI/ML模型工作是所述泛化AI/ML模型G1在所述参数范围内的[0098]所述缺失模型表示为空。如果所述泛化AI/ML模型在与指示为空的所述缺失模型[0099]所述泛化AI/ML模型与特定场景的AI/ML模型之间的映射可以通过链接所述泛化AI/ML模型的模型标识符(ID)和所述特定场景的AI/ML模型的模型I联所述泛化AI/ML模型的参数范围和所述特定场景的AI/ML模型的参数范围来获得泛化AI/含所述泛化AI/ML模型的参数范围时，所述泛化AI/ML模型的参数范围与所述特定场景的AI/ML模型的参数范围相关联。基于所述泛化AI/ML模型的参数范围与所述特定场景的AI/ML模型的参数范围之间的关联获得映射。根据所述映射，所述UE10使用所述特定场景的AI/ML模型作为所述泛化AI/ML模型的备份[0102]在第一种方案中，在UE能力消息中对AI/ML模型类型的标记/指示由所述AI/ML模由另一个模型ID范围表示。例如，模型ID00001至模型ID10000表示特定场景的AI/ML模[0105]支持ML模型的UE能力由集合Comp中的一个或多个元素的组合来指示：{中央处理单元(CentralProcessingUnit,CPU)、内存大小、存储、每秒浮点运算次数(floatingNB(nextgenerationNodeB)20。所述gNB20将决定关于支持某些AI/ML模型的所述UE[0110]所述UE10的复杂度级别可以根据用于确定所述复杂度级别的公式或规则来确的公式是用于确定所述UE10的所述复杂度级别的[0114]如果a1个FLOP+参数数量a2+模型大小a3>阈值_2，则所述UE10具有复杂度级别2[0117]例如，用于确定所述复杂度级别的公式或规则通过所述gNB20和/或第三节点显信息(DownlinkControlInformation,DCI)信号、无线电资源控制(RadioResourceControl,RRC)信号或媒体访问控制(MediumAccessControl,MAC)控制单元(Control[0118]在另一个示例中，用于确定所述复杂度级别的公式或规则隐式地通知给所述UE型的模型包括用于信道状态信息(ChannelStateInformation,CSI)反馈的自动编码器和[0125]例如，所述UE10支持的AI/ML模型的数量和复杂度级别在UE能力消息{波束_预[0126]例如，所述UE10支持的AI/ML模型的数量和复杂度级别在UE能力消息{波束_预[0132]在一些实施例中，所述复杂度级别是每个AI/ML模型的属性。所述属性伴随所述AI/ML模型出现在模型图像或所述AI/ML模型的数据述复杂度级别与模型推断107中的所述计算能力相关，并且可以包括集合{FLOPs、参数数杂度级别匹配时，所述UE10报告所述下载的一个或多个ML模型中的第一下载ML模型的部[0135]当所述第一下载ML模型的复杂度级别与所述无线通信设备的所述复杂度级别匹模型的模型复杂度级别与所述被监控模型的模型复杂度级别的对齐是确定所述部署是否[0137]在图5的上述示例中，当第一激活ML模型的复杂度级别与所述无线通信设备的所述复杂度级别匹配时，所述UE10报告所述激活的一个或多个ML模型中的第一激活ML模型别匹配时，所述UE10报告所述激活的一个或多个ML模型中所述第一激活ML模型的部署失以确定所述UE10是否可以支持已部署AI/ML模型的复杂度级第一组UE能力和所述第二组UE能力中的每一个都包括与所述下载的一个或多个ML模型之度级别的模型的部署可以阻止低复杂度级别的另一个模[0148]在一个实施例中，所述UE10具有两组UE能力，包括第二组U通过物理上行链路控制信道(PhysicalUplinkControlChannel,PUCCH)和/或物理上行[0169]请注意，在上述实施例中，所述UE10的所述状态在UE能[0170]或者，UE10在UE能力消息中报告其状态，并通过物理上行链路控制信道(P